# AI in Education Knowledge Base — Concepts and FAQs
> Це машинний переклад англійської бази знань, який ще не вичитаний носієм мови. Він містить сторінки понять і сторінки поширених питань; сторінки статей залишаються англійською.

Кожна сторінка нижче пов’язана зі своєю адресою на вебсайті, тому помічник, який уміє переглядати вебсторінки, може віддати перевагу переходу за посиланням; текст включено, щоб помічник, який не уміє переглядати сторінки, теж міг відповідати на його основі. Окремі наукові статті, на яких ґрунтуються ці узагальнення, пов’язані з кожної сторінки й тут не відтворюються.

# Concepts

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **ШІ в освіті (AIED)** — широка, міждисциплінарна галузь, яка застосовує штучний інтелект до викладання та навчання і досліджує його дизайн, використання, оцінювання та наслідки. Як зонтичне поняття бази знань, ШІ в освіті охоплює **ШІ для освіти** (використання ШІ для покращення викладання та оцінювання) і **освіта про ШІ** (розвиток ШІ-грамотності та критичного розуміння). Вона перебуває на перетині освітніх технологій, [[learning-sciences|learning sciences]] — емпіричної галузі дослідження, яка запитує, чи змінився здобувач, а не лише чи спрацював інструмент — інформатики, [[educational-policy-ai|educational policy]], [[ethics]] та [[equity-in-ai-education|equity]]. Ця сторінка є вступом до галузі та картою кожного поняття, яке охоплює база знань.

## Питання для роздумів

- «ШІ в освіті» охоплює два напрями: ШІ для освіти (використання ШІ для покращення викладання) і освіта про ШІ (формування грамотності та критичного розуміння). Який із них вам більш знайомий, а який ви схильні не помічати?
- Історію галузі окреслено як повторювану напругу між контролем і повноваженнями здобувача. Спостерігаючи за впровадженням інструментів ШІ, де ви бачите, як та сама напруга розігрується сьогодні?
- ШІ в освіті перебуває на перетині технологій, науки про навчання, політики, етики та справедливості. Яку з цих лінз ви природно застосовуєте, оцінюючи інструмент ШІ — і яку, найімовірніше, забудете?
- Ця база знань організовує галузь у жилки: педагогіка, теорії навчання, технології, дисципліни, оцінювання, зворотний зв’язок, стейкхолдери та керування. Якби ви картографували власне використання ШІ, у якій жилці ви б опинилися?
- AIED включає навчання студентів критичному використанню ШІ як мету саму в собі. У вашому контексті ШІ трактується більше як предмет для викладання чи як інструмент для використання — і чи віддзеркалює цей баланс те, що справді потрібно здобувачам?
- Студенти можуть набувати ШІ-грамотності, критично використовуючи ШІ, а не лише вчачись про ШІ. Як практичне, критичне використання може будувати розуміння, якого не може дати пасивне навчання?

## Вступ

ШІ в освіті є тим зонтом, який спільно визначають усі інші сторінки понять. База знань організовує галузь у наведені нижче основні жилки, кожна з яких посилається на відповідні сторінки понять.

- **Важлива [[history-of-aied|historical]] перспектива, **[[mishra-control-vs-agency-history-2025|Mishra et al.]]** простежують AIED від кібернетики й Дартмутської конференції 1956 року через [[intelligent-tutoring|cognitive tutors]] і [[constructivist|constructionism]] Паперта, стверджуючи, що сучасні дебати про [[generative-ai|GenAI]] відіграють заново foundational напругу галузі між контролем і [[agency]].**

## Як організовано базу знань: зонтичні сторінки

Покриття понять бази знань закріплене кількома **зонтичними сторінками**, які групують пов’язані поняття в навігаційні жилки. Це добрі точки входу для дослідження галузі:

- **ШІ в освіті** — ця сторінка, огляд галузі та карта всього покриття.
- **[[ai-literacy|AI literacy]]** — зонтик для розуміння, використання та критичного оцінювання ШІ, що охоплює [[prompt-engineering|prompt engineering]], [[critical-thinking|critical thinking]], [[ethics|AI ethics]] та [[reducing-ai-misuse|responsible use]]. Поряд із нею [[human-ai-collaboration|human–AI collaboration]] та [[agentic-ai|agentic AI]] окреслюють, як люди й ШІ працюють разом.
- **[[pedagogy|Pedagogies and teaching strategies]]** — зонтик для того, як відбувається викладання: методи та стратегії викладання, у межах яких працює ШІ ([[active-learning|active]], [[collaborative-learning|collaborative]], [[project-based-learning|project-based]], [[problem-based-learning|problem-based]], [[experiential-learning|experiential]], [[game-based-learning|game-based]], [[socratic-method|Socratic]], [[scaffolding]] та інші), включно з окремим контекстом [[online-teaching-and-learning|online teaching and learning]].
- **[[learning-theories|Learning theories]]** — зонтик для того, як відбувається навчання: теоретичні рамки ([[behaviorism]], [[cognitive-psychology|cognitivism]], [[constructivist|constructivism]], [[sociocultural-learning|sociocultural]], когнітивний, [[motivation|motivational]]), що формують дизайн і оцінювання ШІ.
- **[[ai-technologies|Technologies]]** — зонтик для технічного шару: системи ШІ ([[llm|LLMs]], [[generative-ai|generative AI]], [[multimodal]], [[educational-robotics|robotics]]) та методи ([[rag]], [[prompt-engineering|prompt engineering]], [[reinforcement-learning|reinforcement learning]], [[llm-training-and-fine-tuning|model training]], [[agentic-ai|agentic orchestration]]), що живлять AIED. Родина моделювання здобувача — [[knowledge-tracing|knowledge tracing]], [[cognitive-diagnosis|cognitive diagnosis]], [[simulating-students|simulating students]] і системи, що їх споживають ([[intelligent-tutoring|intelligent tutoring]], [[adaptive-learning|adaptive learning]], [[personalized-learning|personalized learning]]) — згрупована під зонтиком [[student-modeling|Learner Modeling and Adaptive Instruction]] в межах цієї технічної жилки.
- **[[discipline-specific-aied|AI in the disciplines]]** — зонтик для того, як ШІ застосовується в предметних областях ([[math-education|mathematics]], [[physics-education|physics]], [[language-learning|language learning]], [[cs-education|computer science]], [[writing-education|writing]], [[stem-education|STEM]], [[engineering-education|engineering]], [[business-education|business]], [[teacher-education|teacher education]], [[medical-education|health professions]] та інші) — і, далі за академічними предметами, професійно-прикладна жилка, яка оцінює продемонстровану практику, а не правильність ([[nursing-education|nursing]], [[information-technology|information technology]], [[vocational-education|vocational education and training]], [[design-education|design education]]) — і освітні рівні ([[k-12]], [[higher-ed|higher education]], [[adult-learning|adult learning]]).
- **[[assessment]]** (з жилками [[formative-assessment|formative]], [[summative-assessment|summative]], [[authentic-assessment|authentic]], [[oral-assessment|oral]] та [[automated-assessment|automated]] оцінювання) — зонтик для того, як ШІ одночасно оцінює здобувачів і переформовує валідність і цілісність оцінювання.
- **[[feedback]]** — зонтик для того, як зворотний зв’язок генерується, доставляється та використовується: цикл зворотного зв’язку, [[ai-feedback-quality|feedback quality]], [[feedback-literacy|feedback literacy]] та його контексти оцінювання ([[formative-assessment|formative]], [[peer-assessment|peer]], [[automated-assessment|automated]]).
- **[[stakeholders|Stakeholders in AI education]]** — зонтик для того, хто є акторами: здобувачі, [[teacher-role|teachers]], [[learning-design|learning designers]], [[administrator|administrators]] та [[educational-policy-ai|policymakers]].
- **[[ai-ed-evaluation|AI ed evaluation]]** та **[[research-methods-aied|research methods]]** — зонтики для того, як ми знаємо, чи працює ШІ: дослідження ефективності, [[benchmark|benchmarks]], [[rct|randomized controlled trials]], [[meta-analysis-systematic-review|meta-analysis]] та [[learning-gains|learning gains]] як основна міра результату. Читачі також мають зважувати [[limitations-in-aied-research|cross-cutting limitations of this evidence]].
- **[[governance|AI governance]]**, **[[educational-policy-ai|educational AI policy]]** та **[[equity-in-ai-education|equity]]** — зонтики для інституційного, регуляторного та справедливого шару (див. також [[regulation]] та [[privacy]]).

Ці зонтичні сторінки пов’язані по всьому наведеним нижче розділах; кожна жилка нижче називає і свій зонтик, і свої складові поняття.

## Два виміри ШІ в освіті

Дослідження ШІ в освіті охоплює два взаємопов’язані напрями:

- **ШІ для освіти** — використання систем ШІ для покращення викладання, навчання, оцінювання та адміністрування. Це включає [[intelligent-tutoring|AI tutoring]], [[adaptive-learning|adaptive learning]], [[personalized-learning|personalized learning]], [[automated-essay-scoring|automated essay scoring]], [[automated-question-generation|automated question generation]], [[automated-assessment|automated assessment]], [[formative-assessment|formative assessment]], [[learning-analytics|learning analytics]] та [[feedback|feedback loops]].
- **Освіта про ШІ** — навчання здобувачів і викладачів розуміти, використовувати та критично оцінювати ШІ. Ядро — [[ai-literacy|AI literacy]], підтримана [[prompt-engineering|prompt engineering]], [[critical-thinking|critical thinking]], [[ethics|AI ethics]], [[governance|governance education]], цифровою грамотністю та [[reducing-ai-misuse|responsible use]].

Ці два виміри не є окремими: [[ai-literacy|using AI well]] вимагає його розуміння, а викладання про ШІ збагачується його використанням. Ця [[human-ai-collaboration|human-AI collaboration]] є центральною темою.

## Закладки ШІ в освіті

Наскрізні та foundational поняття галузі закріплюють покриття бази знань і з’являються першими на бічній панелі. Вони відкриваються групою **Основи** — поняттями, з яких має починати кожен читач: самим зонтиком, [[misconceptions|misconceptions about AI]], [[ai-literacy|AI literacy]], [[agentic-ai|agentic AI]], [[cognitive-offloading|cognitive offloading]], [[framing-ai-use-for-students|how AI use is framed for students]], [[reducing-ai-misuse|reducing AI misuse]], [[academic-integrity|academic integrity]], [[teacher-role|teaching]], [[learning-design|learning design]] та [[educational-development|educational development]]. Жилка **поля** потім охоплює [[history-of-aied|the field's history]], [[limitations-in-aied-research|cross-cutting limitations of the evidence base]], [[philosophy-of-ai-in-education|its philosophy]], карту [[theories-and-frameworks|theories and frameworks]] та [[theory-development-aied|theory development]]. Наскрізні теми — [[human-ai-collaboration|human–AI collaboration]], [[agency|learner agency]], [[learner-identity|learner identity]], [[design-thinking|design thinking]], [[curriculum-design|curriculum design]], [[critical-thinking|critical thinking]] та [[computational-thinking|computational thinking]] — перетинають кожну жилку, оскільки неточні ментальні моделі, які люди мають про ШІ, є upstream [[ai-misuse-learning-harm|misuse]] і недокаліброваної [[trust-calibration|trust]].

## Навчання та викладання

Те, як ШІ підтримує викладання і навчання, є серцем галузі. Ключові поняття:

- **Основні педагогіки:** [[pedagogy|pedagogies and teaching strategies]] — зонтик для покриття методів викладання бази знань — поряд із [[pedagogical-patterns|pedagogical patterns]] (перевіреними послідовностями, у які ці методи розгортаються), [[active-learning|active learning]], [[collaborative-learning|collaborative learning]], [[group-work|group work]], [[project-based-learning|project-based learning]], [[problem-based-learning|problem-based learning]], [[productive-failure|productive failure]], [[inquiry-based-learning|inquiry-based learning]], [[experiential-learning|experiential learning]], [[game-based-learning|game-based learning]], [[learning-by-teaching|learning by teaching]], [[scaffolding]], [[socratic-method|the Socratic method]], [[critical-pedagogy|critical pedagogy]], [[pedagogical-partnerships|pedagogical partnerships]], [[storytelling-in-education|storytelling]], [[learning-design|learning design]], [[online-teaching-and-learning|online teaching and learning]] і [[video-education|video in education]].
- **Теорії та процеси навчання:** зонтик [[learning-theories|learning theories]] ([[behaviorism]], [[cognitive-psychology|cognitivism]], [[constructivist|constructivism]], [[sociocultural-learning|sociocultural]], [[distributed-cognition|distributed cognition]], [[situated-learning|situated learning]], [[embodied-learning|embodied learning]], [[community-of-inquiry|community of inquiry]]) стоїть поряд із зверненими до здобувача процесами, такими як [[self-regulated-learning|self-regulated learning]], [[self-determination-theory|self-determination theory]], [[motivation]], [[self-efficacy]], [[self-directed-learning|self-directed learning]], [[metacognition]], [[desirable-difficulties|desirable difficulties]], [[transfer-of-learning|transfer of learning]], [[prior-knowledge|prior knowledge]], [[icap-framework|ICAP cognitive engagement]], [[refutation-text|refutation text]], [[retrieval-spacing-interleaving|retrieval, spacing and interleaving]] та [[activity-theory-aied|activity theory]].
- **Залученість і досвід здобувача:** [[student-engagement|student engagement]], [[help-seeking]], [[social-emotional-learning|social-emotional learning]], [[well-being]], [[creativity]], [[problem-solving|problem solving]], [[mastery-learning|mastery learning]] та [[student-ai-interaction|student–AI interaction]] формують, як здобувачі справді зустрічають ШІ і як він на них впливає, тоді як [[social-norms-ai-use|social norms that settle around AI use]], вирішують, наскільки відкрито про будь-що з цього можна говорити. Далі за межами курсу [[student-support-and-success|student support and success]] охоплює інституційну роботу — консультування, охоплення, направлення та розподіл обмеженої підтримки — де ШІ надійно рухає виконання завдань, але не наполегливість чи закінчення навчання.

## Технології та методи

Сторінка [[ai-technologies|Technologies]] є зонтиком для технічного шару:

- **Моделі та методи:** [[generative-ai|generative AI]], [[llm|large language models]], [[rag|retrieval-augmented generation]], [[multimodal|multimodal models]], [[educational-nlp|educational NLP]], [[reinforcement-learning|reinforcement learning]], [[knowledge-graph|knowledge graphs]], [[educational-robotics|robots in education]], [[conversational-ai|conversational AI]], [[simulation]] та [[llm-training-and-fine-tuning|LLM training and fine-tuning]]. Базові методи також мають значення: [[machine-learning|machine learning]] — це те, де будуються ці системи, [[speech-and-voice-technologies|speech and voice technologies]] несуть усне тьюторство та мовну практику, [[visualization]] охоплює панелі та візуальну аналітику для здобувачів і викладачів, а [[virtual-and-augmented-reality|virtual and augmented reality]] приймає імерсивну практику, візуальний шар якої модель тепер може генерувати. Новіші стилі взаємодії також належать сюди — найпомітніше [[vibe-coding|vibe coding]], керований природною мовою робочий процес, у якому користувач задає програму підказкою LLM і судить за отриманою поведінкою, не читаючи і не редагуючи вихідний код. Це переосмислює [[cs-education|programming]] як акт вираження та перевірки і знижує бар’єр для [[teacher-role|end users]], які будують власні інструменти. Рамки глибини інтеграції, такі як [[samr-model|SAMR]], і теорії впровадження, такі як [[technology-acceptance-model|TAM]], класифікують, наскільки глибоко ШІ засвоюється і наскільки він перетворює завдання.
- **Моделювання здобувача та адаптивні системи:** технічні системи, які представляють здобувача й адаптуються до нього, згруповані під зонтиком [[student-modeling|Learner Modeling and Adaptive Instruction]] — [[knowledge-tracing|knowledge tracing]], [[cognitive-diagnosis|cognitive diagnosis]], [[simulating-students|simulating students]], [[intelligent-tutoring|intelligent tutoring]], [[adaptive-learning|adaptive learning]], [[personalized-learning|personalized learning]], [[recommender-systems-and-learning-paths|recommender systems and learning paths]], [[pedagogical-agent|pedagogical agents]], [[affective-tutoring|affective tutoring]], [[affective-computing|affective computing]], [[human-in-the-loop-ai|human-in-the-loop AI]] та [[learning-analytics|learning analytics]]. Вони стоять на технічному шарі, оскільки є самими системами ШІ, відмінними від педагогік, які вони втілюють.

## ШІ в дисциплінах

ШІ застосовується в дисциплінах і на освітніх рівнях. [[discipline-specific-aied|overview of AIEd in the disciplines]] бази знань картографує предметне покриття — поряд із [[learning-sciences|learning sciences]], які є не викладаним предметом, а наскрізною галуззю дослідження, що вивчає саме навчання і розглядає предметну область як одну змінну серед інших:

- **Предметні області:** [[math-education|mathematics]], [[physics-education|physics]], [[chemistry-education|chemistry]], [[biology-education|biology]], [[cs-education|computer science]], [[engineering-education|engineering]], [[stem-education|STEM]], [[writing-education|writing]], [[language-learning|language learning]], [[english-education|English education (EAP/EFL/ESL)]], [[science-education|science education]], [[business-education|business, economics, and management]], [[humanities-education|humanities and social sciences]], [[arts-design-and-media-education|arts, design and media education]], [[medical-education|medical and health professions]], [[legal-education|legal education]] та професійно-прикладні жилки — [[nursing-education|nursing]], [[information-technology|information technology]], [[vocational-education|vocational education and training]] та [[design-education|design education]].

## Рівні та контексти

Один і той самий інструмент ШІ зустрічає дуже різні умови, і база знань відокремлює освітній рівень від педагогіки, щоб висновки не переносилися мовчки між ними: [[k-12|K-12 schools]], [[early-childhood-elementary-ai-education|early childhood and elementary education]], [[higher-ed|higher education]], [[adult-learning|adult learning]], [[vocational-education|vocational education and training]], [[special-education|special education]] та [[teacher-education|teacher education]]. Пов’язані з доменом поняття, що перетинають рівні, включають [[universal-design-for-learning|universal design for learning]], [[neurodiversity]], [[multilingual-learning|multilingual learning]] та [[social-emotional-learning|social-emotional learning]].

## Оцінювання та вимірювання

ШІ перетворює і те, як ми оцінюємо здобувачів, і те, як ми оцінюємо самі системи ШІ:

- **Оцінювання та зворотний зв’язок:** [[assessment]], [[formative-assessment|formative assessment]], [[summative-assessment|summative assessment]], [[authentic-assessment|authentic assessment]], [[eportfolio|e-portfolio]], [[feedback]] і [[feedback-literacy|feedback literacy]], [[ai-feedback-quality|AI feedback quality]], [[peer-assessment|peer assessment]], [[oral-assessment|oral assessment]], [[automated-assessment|automated assessment]], [[automated-essay-scoring|automated essay scoring]] та [[automated-question-generation|automated question generation]]. Оскільки модель тепер може на вимогу створювати правдоподібну завершену роботу, база знань виносить на передній план здібність, яка залишається власністю здобувача: [[evaluative-judgment|evaluative judgment]] — здатність оцінювати якість власної роботи, роботи однокурсників і результату ШІ проти обґрунтованих критеріїв. Це конструкт, на якому сходяться кілька досліджень зворотного зв’язку та автентичного оцінювання — умова гібридного зворотного зв’язку, що перевершує прямий зворотний зв’язок ШІ в багатосайтовому експерименті, розрив сталості в формативному зворотному зв’язку ШІ та практичний кід переходити до оцінювання рішень, які приймають студенти, а не лише артефакту — і це основна причина, з якої перепроєктування в еру ШІ зміщується від [[ai-detection|detection]] до завдань, чия цілісність виживає огляд. [[group-work|Group work]] також оцінюється й за процесом, і за продуктом, де команди мають узгоджувати, чия і якого роду залученість ШІ вважається прийнятною.
- **Вимірювання та валідність:** [[assessment-validity|assessment validity]], [[psychometrically-aware-ai|psychometrically aware AI]], [[educational-measurement|educational measurement]], [[item-response-theory|item response theory]], [[self-report-measures|self-report measures]] (інструмент, що стоїть за значною часткою цих доказів, і повторюване обмеження), [[ai-detection|AI detection]], [[remote-proctoring|remote proctoring]] та [[academic-integrity|academic integrity]].

## Методи дослідження та оцінювання

Те, як ми знаємо, чи працює ШІ, є власною жилкою, і база знань розглядає її як таку:

- **Методи дослідження:** [[research-methods-aied|research methods in AIED]] як зонтик, з [[qualitative-research|qualitative]], [[quantitative-research|quantitative]], [[mixed-methods-research|mixed-methods]], [[design-based-research|design-based]] та [[usability-research|usability]] підходами, плюс [[rct|randomized controlled trials]], [[meta-analysis-systematic-review|meta-analysis and systematic review]] та [[network-analysis|network analysis]].

Власна дослідницька робота галузі тепер є предметом сама в собі. [[ai-assisted-educational-research|AI-Assisted Educational Research]] охоплює ШІ, використаний як інструмент для пошуку літератури, скринінгу, якісного кодування, аналізу та письма, включно з дослідженнями практиків, такими як scholarship of teaching and learning. Вона залишається відмінною від дизайнів, що використовуються для вивчення того, що ШІ робить зі здобувачами.

- **Оцінювання систем ШІ:** [[ai-ed-evaluation|AI ed evaluation]] та [[benchmark|benchmarks]] для судження про здібності системи, з [[learning-gains|learning gains]] як результатом, який має значення, та [[limitations-in-aied-research|cross-cutting limitations]] цих доказів і [[interpreting-and-applying-aied-research|how to read a single study]], як остережним контрвагою.

## Люди

ШІ в освіті змінює ролі кожного стейкхолдера. Сторінка [[stakeholders|Stakeholders in AI education]] бази знань є зонтиком, що охоплює їх усіх:

- **Здобувачі:** [[student-experience|student experience]], [[career-development-and-readiness|career development and readiness]] та [[anxiety-and-stress|AI anxiety and stress]] формують, як студенти зустрічають ШІ.
- **Сім’ї та спільноти:** [[parents-and-families|parents and families]] — це аудиторія, до якої школи звертаються найчастіше щодо ШІ, і та, за якою стоїть найменше досліджень, тому їхні занепокоєння належать до картини стейкхолдерів, а не поза нею.
- **Викладачі та рамки викладання:** [[teacher-ai-competency|teacher AI competency]], [[tpack|technological pedagogical content knowledge (TPACK)]], [[samr-model|SAMR]] та [[educational-development|educational development]] стосуються підготовки та підтримки викладачів.
- **Розробники:** [[educational-technology-developers]] — дизайнери продуктів, розробники програмного забезпечення, інженери навчання та дизайнери аналітики, які перетворюють здібність моделі на щось, що установа може закупити. Вони є відмінною аудиторією від практиків і адміністраторів вище, і вони стоять поза установами, які впроваджують їхні інструменти, тому типові налаштування, співпроєктування та післяфундова підтримка з’являються в цій базі знань як педагогічні питання, а не комерційні.

## Установи та політика

Інституційний шар — це те, де рішення щодо ШІ справді приймаються і захищаються: [[administrator|administrators]] та керівники установ, [[educational-policy-ai|educational AI policy]], [[governance|AI governance]], [[change-management|change management]] як робота зробити впровадження стійким, [[regulation|AI regulation]] і питання закупівель і платформ, що випливають із [[technology-acceptance-model|technology adoption]], [[open-source|open source]] та [[edtech-platform|edtech platforms]], поряд із [[lifelong-learning|professional and lifelong learning]] і [[professional-training|professional training]].

## Справедливість, етика та відповідальне використання

Справедливість, доступ і відповідальність є центральними для ШІ в освіті:

- **Справедливість і доступ:** [[equity-in-ai-education|Equity]], [[differential-effects-across-learner-groups|differential effects across learner groups]] (питання про те, для кого тримається висновок), [[digital-divide|digital divide]], [[bias-mitigation|bias mitigation]], [[culturally-relevant-pedagogy|culturally relevant pedagogy]], [[multilingual-learning|multilingual learning]], [[inclusive-learning|inclusive learning]], [[accessibility]], [[assistive-technology|assistive technology]], [[neurodiversity]], [[universal-design-for-learning|universal design for learning]] та дослідження [[global-south|Global South]].
- **Етика та відповідальність:** [[ethics|AI ethics]], [[ai-misuse-learning-harm|AI misuse and learning harm]], [[legal-issues-and-risks|legal issues and risks]], [[ai-use-disclosure|AI use disclosure]], [[guardrails]], [[privacy]], [[hallucination-risk|hallucination risk]], [[ai-sycophancy|AI sycophancy]], [[trust]], [[trust-calibration|trust calibration]], [[reducing-ai-misuse|reducing AI misuse]], [[framing-ai-use-for-students|how AI use is framed for students]], [[pedagogical-safety|pedagogical safety]], [[sustainability]] та [[cognitive-offloading|cognitive offloading]].

[[meta-analysis-systematic-review|systematic review]] літератури галузі з етики ([[agarwal-ethical-values-norms-aied-2026|Agarwal et al. 2026]], 25 статей) консолідує етику AIED у шість основних етичних цінностей — недискримінацію, керування даними, людський нагляд, доброзичливість, пояснюваність та освітню доречність — і відображає етичні норми на матрицю «стейкхолдер × цінність». Він виявляє, що кінцеві користувачі здебільшого пасивні в етичній літературі (голоси студентів фактично відсутні), і закликає інтегрувати етику в дизайн AIED і збільшити фокус на освітньому (педагогічному) вимірі етики AIED.

## Новітні та наскрізні теми

Кілька тем перетинає галузь:

- **Довіра та критичне використання:** [[trust]], [[trust-calibration|trust calibration]], [[ai-sycophancy|AI sycophancy]], [[critical-thinking|critical thinking]], [[cognitive-offloading|cognitive offloading]], [[critical-pedagogy|critical pedagogy]] та [[reducing-ai-misuse|reducing AI misuse]] (див. також [[framing-ai-use-for-students|how AI use is framed for students]]). Те, як здобувачі й викладачі вирішують впровадити ШІ і покладатися на нього, моделюється дослідженнями [[technology-acceptance-model|technology acceptance]], тоді як дослідження [[global-south|Global South]] виносять на передній план справедливість і культурний контекст у впровадженні. Емпірично те, як ШІ пояснює себе, формує цю довіру: [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] показали, що [[explainable-ai|explainable AI]] будує довіру викладачів до рекомендацій ШІ через зрозумілість, причому керованим доменом (мовою навчального плану) поясненням довіряють і їх приймають більше, ніж керованим даними результатам важливості ознак.
- **Еволюція галузі:** база знань простежує ШІ в освіті від ранніх [[intelligent-tutoring|intelligent tutoring systems]] та [[knowledge-tracing|knowledge tracing]] до керованого LLM [[intelligent-tutoring|tutoring]], [[pedagogical-agent|agents]] і [[agentic-ai|agentic AI]] — швидкого зсуву від центрних на інструменті досліджень до соціотехнічних рамок ([[design-thinking|design thinking]], [[curriculum-design|curriculum design]], [[institutional-change-framework-ai|institutional change]]) і від рукописних систем до керованих користувачем робочих процесів, у яких здобувач або [[teacher-role|non-programmer]] задає поведінку природною мовою ([[vibe-coding|vibe coding]]). [[rismanchian-ai-education-four-decades-aixed-2026|Rismanchian & Doroudi]] формалізують цю траєкторію своєю рамкою AI×Ed, простежуючи статті в матеріалах чотирьох десятиліть, щоб показати, що галузь перейшла від різноманітного міксу — включно зі значними дослідженнями, що розглядали ШІ як аналогію людського інтелекту і навчання — до майже виключного фокусу на прикладних, керованих даних, звернених до дослідників використаннях, повороту, який зростання [[llm|LLMs]] тепер, здається, частково обертає (три з чотирьох статей «ШІ-як-аналогія» на AIED 2024 базувалися на LLM).
- **Емоції, тривожність і майбутнє кар’єри:** ШІ викликає і формує емоційні реакції — [[anxiety-and-stress|AI anxiety and stress]], що охоплює спостереження за прокторингом, страхи цілісності та витіснення кар’єри — тоді як [[career-development-and-readiness|career development and readiness]] стосується того, як освіта готує здобувачів до ринку праці, порушеного ШІ (див. також [[well-being]]).

## Зрілість галузі

База знань віддзеркалює галузь у швидкій еволюції — від ранніх систем інтелектуального тьюторства до керованого LLM тьюторства і агентного ШІ; від інструментів академічної цілісності, зосереджених на виявленні, до перепроєктування оцінювання; від центрних на інструменті досліджень до соціотехнічних рамок, зосереджених на справедливості. Докова база дедалі більше наголошує на суворих [[research-methods-aied|research methods]], [[ai-ed-evaluation|evaluation]], [[rct|experimental designs]] і довгострокових результатах.

## Зв’язки

ШІ в освіті пов’язується з кожним поняттям бази знань — це галузь, яку спільно визначають усі інші сторінки понять. Використовуйте цю сторінку як точку входу для навігації повною базою знань.

## Пов’язані поняття

- [[pedagogical-patterns]] — The tested sequences that operationalize the field's pedagogies
- [[ai-literacy]] — umbrella: understanding, using, and evaluating AI
- [[human-ai-collaboration]] — umbrella: how people and AI work together
- [[pedagogy]] — umbrella: teaching methods and strategies
- [[learning-theories]] — umbrella: how learning happens
- [[ai-technologies]] — umbrella: models, techniques, and systems
- [[discipline-specific-aied]] — umbrella: AI across subject areas and levels
- [[assessment]] — umbrella: how AI assesses learners and reshapes validity
- [[feedback]] — umbrella: how feedback is generated, delivered, and used
- [[stakeholders]] — umbrella: who the actors are
- [[learners]] — umbrella: the learner-side concepts (experience, identity, agency, interaction, learner models)
- [[ai-ed-evaluation]] — umbrella: how we know whether AI works
- [[research-methods-aied]] — umbrella: efficacy research methods
- [[ai-assisted-educational-research]] — AI-Assisted Educational Research
- [[governance]] — umbrella: the institutional and regulatory layer
- [[educational-policy-ai]] — umbrella: policy, guidance, and implementation
- [[equity-in-ai-education]] — umbrella: fairness, access, and inclusion
- [[learning-sciences]] — the empirical field behind AIED
- [[ethics]] — the ethical dimensions of AI in education
- [[misconceptions]] — the mental models people bring to AI
- [[interpreting-and-applying-aied-research]] — reading a study, and carrying a finding into practice
- [[limitations-in-aied-research]] — cross-cutting limits of the evidence base
- [[meta-analysis-systematic-review]] — what the reviews and meta-analyses establish
- [[history-of-aied]] — how the field evolved
- [[philosophy-of-ai-in-education]] — the philosophical foundations
- [[theories-and-frameworks]] — the map of theory and framework nodes
- [[theory-development-aied]] — building and revising theory

## Пов’язані статті

Загальнопольові огляди ШІ в освіті — дослідження, які оглядають усю галузь або цілий освітній рівень, а не одну тему:

- [[rismanchian-ai-education-four-decades-aixed-2026]] — The evolution of AI-and-education research across four decades (AIxEd framework)
- [[mishra-control-vs-agency-history-2025]] — Control vs. agency: a history of AI in education
- [[genai-higher-education-systematic-review-2026]] — Generative AI in higher education: systematic review of 125 studies
- [[stanford-evidence-base-ai-k12-2026]] — The evidence base on AI in K-12: a review of 818 papers
- [[genai-educational-outcomes-meta-analysis]] — Generative AI and educational outcomes: comprehensive meta-analysis

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **ШІ-грамотність** — знання, навички та критичні настанови, необхідні для розуміння, оцінювання та ефективного використання ШІ [[ai-technologies]] в освітніх контекстах. ШІ-грамотність охоплює фундаментальне розуміння того, як працює ШІ, практичну компетентність у користуванні інструментами ШІ, критичне [[ai-ed-evaluation|evaluation of AI]] та етичну обізнаність щодо суспільних наслідків ШІ.

## Питання для роздумів

- Що означає бути «ШІ-грамотним»? Чи це означає вміти користуватися інструментами, розуміти, як вони працюють, або вміти критично оцінювати їхні результати — і що найважливіше для ваших власних цілей?
- Самооцінена ШІ-грамотність різко розходиться з виміряною продуктивністю — викладачі переоцінюють свої навички приблизно на 40%. Наскільки ви впевнені у власних навичках роботи зі ШІ та яким доказам ви б довірилися, щоб справді перевірити цю впевненість?
- ШІ-грамотність описується як метакогнітивна соціальна практика, а не контрольний перелік навичок. Оскільки LLM є стохастичними та непрозоримими, що означає «критично оцінювати» результат, коли ви не можете зазирнути всередину моделі?
- Існує напруженість між грамотністю критичного використання для академічних умов і грамотністю інтеграції в робочі процеси для працевлаштування — освітяни та роботодавці цінують різні навички. Який тип ШІ-грамотності насправді викладає ваш контекст?
- Лише технічне навчання ШІ-грамотності без підтримки самоефективності та саморегуляції може насправді збільшити залежність від ШІ. Як навчання користуванню ШІ може зробити вас більш залежними від нього, а не більш компетентними?
- ШІ-грамотність — це також навичка розпізнавання: помітити, коли ШІ погоджується з вами через підлабузництво, а не тому, що ви маєте рацію. Чи траплялося вам спіймати ШІ на тому, що він просто говорить те, що ви хочете почути?

## Вступ

ШІ-грамотність швидко виокремилася як ключова компетентність для здобувачів, освітян та установ, оскільки [[generative-ai]] вбудовується в освіту. На відміну від загальної цифрової грамотності, ШІ-грамотність вимагає розуміння стохастичних систем, які можуть галюцинувати, демонструвати [[bias-mitigation|bias]] та переміщувати [[agency]] від людини до машини — роблячи [[critical-thinking]] та [[cognitive-offloading|Over-Reliance]] центральними для конструкту.

### Виміри ШІ-грамотності

Дослідницький напрям [[research-methods-aied|research]] з ШІ-грамотності у цій базі знань охоплює чотири взаємопов’язані виміри:

Фреймворки дедалі частіше відстежують, як ці виміри втілюються на практиці: [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai & Chan (2026)]] показують, як аспіранти-дослідники втілюють усі чотири виміри, використовуючи [[generative-ai]] упродовж усього дослідницького процесу, та будують на них науково специфічні настанови відповідального використання, тоді як [[san-orhan-karsak-ai-cognition-micro-credentials-2026|Şan & Orhan Karsak (2026)]] використовують картування словникових асоціацій, щоб показати, що пізнання ШІ турецьких студентів бакалаврату домінується інструментальним «чорним ящиком», а концепції етичного врядування структурно ізольовані (τ=−0.819) — що свідчить про те, що проєктування сертифікатів має свідомо поєднувати досвідчене використання інструментів та етичні фреймворки.

**Попит залежить від того, що студент і система роблять спільно.** Фреймворки грамотності зазвичай описують один універсальний набір компетентностей, але те, що насправді вимагає підтримана GenAI діяльність, змінюється залежно від того, як у ній розподілена епістемічна робота. [[sun-student-genai-entanglement-literacy-demands-2026|Sun, Dohn and Rehm (2026)]] класифікували 102 емпіричні дослідження вищої освіти за таксономією застосувань GenAI Стробеля та співавторів і виявили, що заплутання типів Assistant і Enabler домінують, займаючи по 42.16% корпусу кожне, тоді як Generator, Reimaginator і Synthesizer разом становлять менше п’ятої частини — такий перекіс вони пояснюють інституційною легітимністю, а не можливостями моделей, оскільки ті самі моделі підтримують усі п’ять типів. Прочитання кожного типу крізь три рівні контексту Дона (внутрішньодоменний, внутрішньодіяльнісний, кадрувальний діяльність) показує, що вимоги узгоджуються для роботи типу Assistant і розпадаються для маргінальних типів, де те, чого діяльність вимагає від студентів, розходиться з тим, що установа визнає легітимною компетентністю. Їхній висновок відсуває грамотність від володіння інструментами взагалі: GenAI-грамотність — це здатність розпізнавати, як епістемічна робота та відповідальність розподілені в даному заплутанні, і відповідно діяти в його межах.

**Фундаментальні знання:** Розуміння того, що таке [[llm|LLMs]], чим вони відрізняються від систем на основі правил, та їхніх фундаментальних обмежень. Це включає обізнаність про можливості моделей, упередженість навчальних даних та відмінність між ШІ для конкретних завдань і моделями загального призначення. Дослідження в галузі [[prompt-engineering]] вивчають, як розуміння механізмів підказок впливає на ефективне використання ШІ.

**Практична компетентність:** Здатність ефективно користуватися інструментами ШІ — від [[prompt-engineering]] до інтерпретації результатів. Дослідження [[genai-usage-design-students-survey|student GenAI usage patterns]] показують, що сам доступ до інструментів не створює компетентності; структурована практика та [[scaffolding]] є необхідними. [[gaide-vibe-coding-k12-teachers|vibe coding framework]] показує, як [[k-12|K-12 teachers]] можуть розвивати практичну ШІ-грамотність через кероване створення інструментів. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran and Arar (2026)]] стверджують, що цей вимір має складник, який оминає навчання оптимізації: грамотність щодо підказок, на відміну від інженерії підказок, розглядає складання підказок як риторичний та етичний акт, тому навчання, що лише налаштовує результати для кращої продуктивності, залишає незаторкнутими етичні та епістемологічні виміри використання LLM.

**Критичне оцінювання:** Здатність оцінювати результати роботи ШІ на предмет точності, упередженості та доречності. [[ai-literacy-assessment-misalignment|Research on literacy assessment]] показує розрив у 40% між самооголошеною та заснованою на продуктивності ШІ-грамотністю — люди послідовно переоцінюють свої навички оцінювання. Ця розбіжність є найяскравішим випадком у базі знань, коли [[self-report-measures|self-report measure]] не відстежує компетентність, яку він називає. Це пов’язується з дослідженнями [[cognitive-offloading|Over-Reliance]], які показують, що студенти, які некритично [[trust]] довіряють ШІ, засвоюють менше. Нещодавня концептуальна робота спрямовує оцінювання до *перевірки*: [[pearls-epistemic-verification-2026|PEARLS framework]] (Wang) розглядає результат роботи ШІ як попереднє твердження знання, чиє обґрунтування має бути зібране та досліджене за шістьма вимірами (Process, Evidence, Access, Reproducibility, Legitimacy, Source), і просуває **навчання, кероване перевіркою**, як механізм, за допомогою якого здобувачі будують експертизу, перевіряючи твердження ШІ. Доповнюючи це, [[student-centered-genai-responsible-framework-2026|student-centered responsible-use framework]] (Alsammani) пропонує десять орієнтованих на студентів настанов у межах стовпів Learning and Growth, Ethics and Integrity, Awareness and Safety, які зовнішньо представляють [[metacognition|metacognitive]] підказки в момент прийняття рішення. Для здобувачів [[k-12|secondary]] [[aarc-ai-research-competency-2026|AI-Assisted Research Competency (AARC) framework]] (Beau, Flaquière & Lazar 2026) базується на епістемології чеснот та інтуїції ШІ, визначаючи дослідницьку грамотність як ведення дослідження зі ШІ без відмови від [[agency|authorship]], осудження, перевірки чи відповідальності — операціоналізовано як аналітична рубрика та рутина зобов’язань «перевір–процитуй–осмисли». На боці [[assessment]] [[human-capability-test-learning-outcomes-ai-2026|Saleh (2026)]] пропонує *тест людських здібностей*, що перетворює оцінювання на принцип проєктування: запитайте, що студент має продемонструвати самостійно, що може бути зміцнене через доповнення ШІ, і що студент має перевірити, захистити та взяти за це відповідальність.

Перевірка в межах дисципліни піднімає планку ще вище. [[vega-baudrit-genai-university-chemistry-education-review-2026|Vega-Baudrit and Rivera Alvarez (2026)]] стверджують, що в університетській [[chemistry-education|chemistry]] ключовою вимогою ШІ-грамотності є репрезентаційний переклад між макроскопічною, субмікроскопічною та символічною областями Джонстоуна, оскільки результат може бути локально переконливим в одній області, водночас суперечачи балансу зарядів, механізму чи межі безпеки в іншій. Їхній засіб — інтеграція, зосереджена на перевірці: зробити перевірку оцінюваною діяльністю, зберігати журнали підказок та історії змін як сліди міркування, і розглядати складання підказок як епістемічний акт, що задає обмеження, припущення та критерії адекватності, причому студенти виявляють хибне припущення або обґрунтовують відкидання згенерованої відповіді.

**Етична та інституційна обізнаність:** Розуміння ширших наслідків ШІ — від [[academic-integrity]] до [[equity-in-ai-education]] і до [[privacy]]. ШІ-грамотність на інституційному рівні включає розробку політики, [[educational-development]] та [[governance|governance frameworks]] — інституційна ШІ-грамотність є питанням [[educational-policy-ai|policy]] не менш, ніж педагогіки. [[sangwa-epiq-ai-faculty-readiness-2026|EPIQ-AI framework]] представляє інституційну ШІ-грамотність як завдання соціотехнічного узгодження, а не лише індивідуального навчання.

- **ШІ-грамотність як здатність врядування для сталого розвитку.** [[ai-literacy-sdg-governance-framework-2026|Islam, Morshed, and Islam (2026)]] переосмислюють ШІ-грамотність як спрямовану на врядування здатність, а не суто освітню чи технічну навичку, пов’язуючи її з усіма сімнадцятьма Цілями сталого розвитку ООН. Їхня шестирівнева **таксономія AIRE** (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) розширює ієрархію Блума, додаючи етичний синтез і стратегічне передбачення, позиціонуючи просунуті компетентності (Analyze–Govern) як шлях від базової грамотності до інституційного та політичного врядування — евристика «18-ї ЦСР», що розглядає грамотність як крос-секторальний когнітивний та етичний міст. Опитування 300 фахівців у національному контексті виявило сильну технічну обізнаність, але обмежену етичну та врядувальну готовність, причому **етичне міркування та рефлексивне мислення є найсильнішими предикторами сталого, надійного використання ШІ**, а грамотність у врядуванні — найсильнішим предиктором обізнаності про зв’язок ШІ–ЦСР (β = 0.64). Це емпірично обґрунтовує акцент бази знань на грамотності критичного використання та пов’язує ШІ-грамотність безпосередньо з [[sustainability]] та інтеграцією [[educational-policy-ai|policy]].
**Пропозиція фреймворків сама стала проблемою.** [[ai-competence-framework-landscape-2026|Fitsilis (2026)]] порівняв 16 інституційно схвалених фреймворків компетентностей ШІ для освіти та розвитку робочої сили й виявив спільне ядро з десяти областей компетентностей, але значну варіативність у структурі, прогресії та вказівках щодо впровадження — практична складність полягає у виборі між ними, а не в нестачі.

### Як розвивається ШІ-грамотність

Дослідження вказують на [[collaborative-learning|collaborative]] та [[active-learning|active]] підходи як найефективніші. [[rismanchian-ai-education-four-decades-aixed-2026|Rismanchian & Doroudi]] позиціонують ШІ-грамотність як більше ніж прикладну навичку: у їхньому фреймворку AI×Ed здобувач є окремим кінцевим користувачем ШІ (доступ через ШІ-грамотність та освіту зі ШІ), і вони виступають за відновлення роботи з ШІ-грамотності, яка заохочує рефлексію над самим навчанням — розглядаючи грамотність як шлях назад до досліджень «ШІ як аналогія людського інтелекту» про те, як навчаються люди, напряму, який галузь значною мірою залишила. [[icap-framework]] (Interactive → Constructive → Active → Passive) надає корисну таксономію когнітивної залученості: студенти засвоюють ШІ-грамотність найкраще, коли співбудують знання, а не пасивно отримують інформацію. Проєктувальники мають обирати режим, що відповідає навчальній цілі, і надавати перевагу глибшим (конструктивним та інтерактивним) режимам, де це можливо. Практичні заходи — складання підказок, групове оцінювання результатів, дискусії про [[ethics]] ШІ — перевершують лекції.

**[[writing-education|Composition]] починається з живого досвіду — але глибина понять потребує скаффолдингу.** [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] виявили, що молодь закріплювала абстрактні принципи [[ethics]] ШІ на системах, з якими стикається щодня — електронних «перепустках», школяних ноутбуках під регулюванням школи, детекторах плагіату — причому одна група пояснила, що ШІ у школах «був особистим для всіх членів групи», а 15 із 18 відповідей опитування наприкінці блоку повідомили, що створення відео змінило їхнє розуміння етики ШІ. Автори чітко окреслюють обмеження: саме складання не гарантувало понятійного обґрунтування — «інформовану згоду» переклали як «Нам треба схвалити», а деякі терміни (наприклад, «failsafe») так і не пояснили, що спонукало їх запланувати глибшу понятійну роботу в наступних ітераціях. [[creativity|Creative]] продукція розвиває ШІ-грамотність найкраще, коли явний понятійний [[scaffolding]] супроводжує створення, а не припускається, що він виникне сам по собі.

**Інтуїція ШІ як досвідниче доповнення грамотності.** Повторюваний розрив полягає в тому, що фреймворки K-12 припускають, що здобувачі підходять до ШІ через декларативні, засновані на правилах знання, тоді як на практиці вони спочатку розвивають практичне «відчуття» того, як ШІ реагує — експериментуючи з підказками, спостерігаючи поведінку, адаптуючи стратегії — раніше, ніж зможуть сформулювати формальні принципи. [[ai-intuition-ai-literacy-k12-2026|Beau & Lazar (2026)]] формалізують це як **інтуїцію ШІ**: досвідниче, індуктивне, часто неявне розуміння, що розвивається через ітеративну взаємодію з системами ШІ та підтримує чутливе до контексту осудження в умовах невизначеності. Їхній **подвійний фреймворк** розміщує ШІ-грамотність (структуровані, переважно статичні компетентності) поруч з інтуїцією ШІ (динамічний процес навчання), відображаючи обидва на стандартні виміри — розуміння понять, користування інструментами, критичне оцінювання, етичне застосування, рефлексія — щоб здобувачі поєднували понятійну ясність та [[guardrails]] (грамотність) із практичною мудрістю довіряти, але перевіряти та вирішувати, коли припинити взаємодію (інтуїція). Оскільки інтуїція виховує «експертне спостереження» ШІ (наприклад, стресове тестування підказок, щоб знайти, де модель підводить), автори стверджують, що вона є запобіжником від [[cognitive-offloading|over-reliance]] та ерозії критичного мислення; вона відрізняється від [[prompt-engineering]] (який оптимізує результати), акцентуючи *епістемічне осудження*. Це пов’язує грамотність з [[experiential-learning]], [[constructivist]] і розвивально обґрунтованою практикою в аудиторії, і спрямовує підготовку викладачів до фасилітації індуктивного дослідження, а не лише до подавання понять.

**Мотивація є передумовою, а не лише результатом.** [[liang-ai-learning-motivation-sdt-2026|Liang et al. (2026)]] виявили серед 2086 студентів середньої школи протягом річного навчального плану зі ШІ, що студенти, які перейшли в профіль *самовизначеної* [[motivation|motivational]] або залишилися в ньому (висока автономія, компетентність і задоволеність потреби в пов’язаності), показали **найбільші здобутки в ШІ-грамотності**. ШІ-грамотність розвивається через стійку залученість, і ця залученість сама формується мотивацією та підтримкою психологічних потреб — тому ефективне навчання ШІ-грамотності має зважати на мотивацію здобувачів, а не лише на їхні навички.

**Навчальний акцент і відкритість завдань досягають продуктивності через різні потреби.** [[yu-designing-ai-literacy-self-determination-2026|Yu, Lin and Chen (2026)]] рандомізували 320 студентів бакалаврату на чотири групи в експерименті 2 x 2 на завданні генерації зображень AIGC, оціненому об’єктивною рубрикою (ICC = 0.89), і виявили, що навчання, засноване на мисленні, що охоплює обмеження моделей, критичне оцінювання та етику, перевершує навчання на підказках, засноване на навичках (M = 9.21 проти 7.69, F(1, 316) = 50.79, p < 0.001, часткове ета-квадрат = 0.138), з ширшою різницею на відкритих завданнях (10.10 проти 8.00). Структурна модель показує, що два проєктувальні вибирають різні шляхи: навчання діяло опосередковано через автономію (beta = 0.035) і компетентність (beta = 0.079), тоді як відкритість завдань діяла переважно через автономію (beta = 0.029), компетентність була найсильнішим предиктором продуктивності (beta = 0.358), а пов’язаність не мала незалежного ефекту. Отже, те, що містить навчання, важливіше за те, чи здобувачі отримують практику складання підказок, і це найважливіше, коли завдання відкрите.

Змінні, що оточують ШІ-грамотність, відтоді були відображені ширше. [[ai-literacy-correlates-affective-behavioral-cognitive-2025|A 2025 systematic review of AI literacy's correlates]] синтезував 31 дослідження з 14 країн (N = 12,071) і виявив найбільш послідовні асоціації в афективному та поведінковому діапазоні: самоефективність у роботі зі ШІ, позитивні ставлення до ШІ, мотивація та цифрова компетентність рухалися разом зі ШІ-грамотністю, тоді як тривожність щодо ШІ та негативні ставлення рухалися проти неї. Демографічні змінні майже не реєструвалися, причому вік і соціально-економічний статус корелювали слабко або взагалі не корелювали. Застереження огляду стосується інструментів: ті самі дослідження, що дали сильні кореляції з самооцінювання, показали значно слабші, коли ШІ-грамотність тестувалася, а не самооцінювалася.

Дослідження структурних рівнянь серед 502 респондентів-викладачів одного китайського дослідницького університету виявило, що ШІ-грамотність є найсильнішим предиктором благополуччя в роботі зі ШІ (β = 0.713), порівняно з невеликим шляхом [[self-efficacy|technological self-efficacy]] (β = 0.082), причому соціальна та організаційна підтримка досягали благополуччя лише опосередковано ([[faculty-ai-well-being-social-supports-2026|Liu et al. (2026)]]).

Один явний негативний зв’язок змінює знак під контролем: серед 303 студентів бакалаврату в Гонконгу технологічна тривожність корелювала негативно зі ШІ-грамотністю (r = −0.14), проте передбачувала β = 0.15 у спільній моделі, ефект, обмежений критичним оцінюванням та етичною компетентністю ([[ai-literacy-determinants-university-students-2026|Chow et al. (2026)]]).

[[hu-psychological-predictors-continued-chatgpt-use-2026|Hu (2026)]] додає впорядкований опис того, що ШІ-грамотність передбачає, а не того, що її передбачає. Опитування 450 університетських студентів у материковому Китаї, які вже користуються ChatGPT, виявило, що ШІ-грамотність пов’язана безпосередньо з продовженням користування (beta = 0.16, p = 0.002) і опосередковано вздовж серійного шляху через [[trust]] та академічну [[self-efficacy]] (опосередкований ефект = 0.07, 95% CI [0.04, 0.10]), причому зв’язок грамотності з довірою є найбільшою асоціацією в моделі (beta = 0.50). [[anxiety-and-stress|AI anxiety]] модерувала цей перший зв’язок (beta взаємодії = -0.25, прості нахили падають від 0.76 до 0.25 по діапазону тривожності), тому ланцюг рідшав для більш тривожних студентів, і не слід припускати, що лише навчання ШІ-грамотності їх охоплює. Дизайн є крос-секційним, а вибірка обмежена наявними користувачами, тому порядок є припущенням моделювання, а не спостережуваною послідовністю.

Основною прикладною метою ШІ-грамотності є [[reducing-ai-misuse]]: навчання студентів використовувати ШІ етично та продуктивно, а не підміняючи ним власну [[cognitive-offloading|cognitive work]]. Там, де ШІ-грамотність будує *здатність* критично оцінювати та використовувати ШІ, [[reducing-ai-misuse|reducing misuse]] є поведінковою та структурною вигодою — поєднуючи проєктування інструментів із захисними обмеженнями, [[assessment|assessment redesign]] та освітні важелі, як-от послідовності «спочатку подумай/потім ШІ» зі скаффолдингом і практика складання підказок із свідомим [[feedback]]. Ці два поняття взаємно зміцнюють одне одного: ШІ-грамотність постачає критичні настанови, що роблять інтервенції зі зменшення неправильного використання стійкими, тоді як докази зі зменшення неправильного використання (наприклад, [[ai-misuse-learning-harm|performance–learning gap]]) мотивують, чому грамотність має виходити за межі операційної навички до критичного осудження.

ШІ-грамотність також потребує розвивально доречних форм для наймолодших здобувачів. [[ai-play-framework-early-childhood-2026|AI-Play]] перекладає компетентності ШІ-грамотності в ігрові, **безкомп’ютерні** заходи для здобувачів Pre-K–K2 — організовані навколо *AI Body* (ШІ як система, збудована з частин), *AI Food* (ШІ навчається з прикладів), *AI Brain* (ШІ покращується через патерни та зворотний зв’язок) і етичної лінзи Pre/Post-AI — вирішуючи стійкий дефіцит розвивально обґрунтованих настанов зі ШІ-грамотності для [[early-childhood-elementary-ai-education|early childhood]] і роблячи ШІ-грамотність доступною для нетехнічних [[teacher-role|educators]] і [[parents-and-families|families]]. Доповнюючи це, [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed & Martin (2025)]] виявили, що діти віком 6–14 переважно довіряли чатботу, адаптованому до віку, як джерелу інформації, і більшість моделювала його як «розумну комп’ютерну програму, що навчається» (зародкове розуміння [[machine-learning]]), проте демонстрували розриви в критичній залученості та обізнаності про цифрову безпеку — доказ того, що довіра молодих здобувачів може випереджати їхні навички критичного оцінювання, роблячи явний [[trust-calibration]] та навчання безпеці необхідною частиною ШІ-грамотності для дітей.

Вимірювання наздоганяє цей розвивальний поворот на молодшому кінці. [[ai-literacy-self-assessment-questionnaire-primary-2025|Thianwan and Srikoon's 2025 validation of an AI literacy self-assessment questionnaire for upper primary students]] розробила 15-пунктовий інструмент для класів 4–6, організований навколо Learning About AI, Learning About How AI Works і Learning for Life with AI, і підтвердила трифакторну структуру у двох вибірках (n = 335 і n = 579) із загальною альфою Кронбаха .934. Автори представляють його як формативний діагностичний засіб сприйманої, а не продемонстрованої грамотності, і зазначають, що точність самооцінки дітей обмежена метакогнітивною здатністю, яка ще розвивається.

**Навчання на основі проєктів як механізм доставки.** [[ai-literacy-course-satisfaction-pbl-scale-2026|Zhu & Kong (2026)]] розробили та валідували шкалу навчання на основі проєктів ШІ (AI-PBLS) і, у вибірці Гонконгу з 1027 студентів середньої школи та університету (446 із повними даними), використали моделювання структурними рівняннями, щоб показати, що [[self-efficacy|empowerment]] у використанні ШІ для вирішення проблем та [[ethics|ethical awareness]] спільно **опосередковують** зв’язок між сприйманим [[project-based-learning]] і задоволеністю курсом ШІ-грамотності. Це позиціонує PBL не лише як формат доставки, а як механізм, що будує впевненість здобувача та етичне міркування разом із компетентністю, зміцнюючи зв’язок між [[project-based-learning|PBL]] і значущим розвитком ШІ-грамотності. Це також постачає валідований інструмент вимірювання для майбутнього [[educational-measurement|measurement]] досвіду курсів ШІ-грамотності.

**Підвищення етичного виміру грамотності має проблему знака.** Серед 584 студентів бакалаврату, які навчалися зі ШІ самостійно, компетентність підвищувала етичну обізнаність (β = 0.644, p < .001), а етична обізнаність потім підвищувала тривожність щодо ШІ (β = 0.439, p < .001), а не знижувала її, протилежно до передбачуваного напряму ([[mu-ai-competence-ethical-awareness-anxiety-2026|Mu et al. (2026)]]). Урок, який роблять автори, полягає в тому, що навчання того, як регулюються етичні занепокоєння, має супроводжувати сам етичний вимір, інакше робота над грамотністю може залишити здобувачів більш тривожними, ніж були до неї.

**ШІ-грамотність як ключовий розрив у фреймворках [[conversational-ai]].** [[conversational-ai-agents-umbrella-review-2026|umbrella review of conversational AI agents]] (Ganguly et al. 2025, 34 огляди) ідентифікує **обмежену підтримку ШІ-грамотності** як значний розрив у фреймворках CAI, і його дорожня карта етичного використання робить фундаментальне оцінювання (включаючи зміцнення ШІ-грамотності) першим стовпом поряд із партисипативним проєктуванням, настановами етичного використання та безперервним оцінюванням когнітивного впливу. Він далі виявляє, що ШІ-грамотність, навчання та обізнаність належать до найбільш акцентованих етичних напрямів у літературі CAI.([[conversational-ai-agents-umbrella-review-2026]])

**Ефективність інтервенцій зі ШІ-грамотності.** [[liu-ai-literacy-interventions-meta-analysis-2026|three-level meta-analysis of 59 studies]] (172 розміри ефекту, 7211 учасників) оцінює великий загальний ефект інтервенцій зі ШІ-грамотності (g = 0.837, p < .001) — але з широким інтервалом передбачення [−0.292, 1.966], тому ефективність значно варіюється між умовами. Інтервенції в Східній Азії та Європі перевершували ті, що в Північній Америці, а зосереджені на знаннях інтервенції перевершували ті, що націлювалися на навички, ставлення чи етику. Автори стверджують, що освіта зі ШІ-грамотності має тому виходити за межі знань до навичок, практик, етики та ставлень, підтриманих інтегрованими та рефлексивними [[pedagogy|pedagogies]] (на основі проєктів і проблем, на основі дослідження, досвідничими) та підтриманими GenAI інструментами — зрушенням, що узгоджується з партисипативними, орієнтованими на продюсера формами [[computational-thinking]], описаними в іншому місці цієї бази знань.

Другий синтез досягає подібної величини на вужчій базі та загострює проблему вимірювання. [[yu-k12-ai-education-ai-literacy-meta-analysis-2026|Yu, Kim, Chang and Huang (2026)]] згрупували 57 розмірів ефекту з 16 досліджень, що охоплюють 3837 студентів K-12, яких навчали *самого ШІ*, а не навчали *за допомогою* ШІ, і оцінили Hedges’ g = 0.892 (95% CI [0.548, 1.236], p < .001), стійкий до припущень перед-після кореляцій від 0 до 1 і стабільний після trim-and-fill при g = 0.952. Кожен із 57 ефектів вказував позитивно (діапазон від 0.16 до 4.93), і жоден модератор (джерело публікації, рік, рівень школи) не пояснював суттєвої гетерогенності (I² = 94.68%). Бажане пояснення авторів стосується вимірювання: включені дослідження називали все — від знань і етики ШІ до ставлень, мотивації, самоефективності та кар’єрного інтересу — «ШІ-грамотністю», тому згрупована цифра описує розподіл позитивних знахідок під одним вільним міткою, а не одну однорідну інтервенцію. Прочитані поряд з Liu et al., дві оцінники погоджуються, що навчання ШІ-грамотності працює, і погоджуються мало в чому іншому, що саме по собі є сигналом вимірювання в цій галузі.

Докази в аудиторії для свідомо *коротких* дизайнів рідші, але вони йдуть в тому ж напрямі та додають результат на рівні поведінки, який опитування не можуть постачити. [[clerc-ai-literacy-workshop-llm-regulation-2026|Clerc et al. (2026)]] дали 116 французьким студентам класів 8–9 двохгодинний семінар про те, як працюють і підводять LLM, у поєднанні з практикою передбачення, чи спонука підказка дасть придатну відповідь, оцінювання відповіді та перегляду чи повторного запитання. Через два дні, під час шести наукових задач із підтримкою LLM і контрольною групою, навчені студенти рідше приймали нечітко специфіковані підказки (51.5% проти 66.7%, OR = 0.47), значно частіше ставили уточнювальні запитання після слабкої відповіді (59.2% проти 27.9%, d = 0.80) і оцінювали правильність відповіді чутливіше до якості підказки (OR взаємодії = 2.52), зі скромною різницею в оцінках (11.38 проти 10.29 із 20, p = .040). Семінар ніколи не репетирував тестові завдання, тому переносилася регуляторна позиція, а не знайомство із завданням — і автори чітко заявляють, що два дні — це не довговічність.

**Критична медійна грамотність із підтримкою ШІ в початковій школі.** Demir та Akar (2026) надають конкретну демонстрацію навчання грамотності з підтримкою GenAI в початковій школі: 18-годинну програму за моделлю 5E для турецьких четвертокласників, у якій ChatGPT і Grammarly були вбудовані фазово як педагогічні агенти (ChatGPT для рефлексивних запитань і відповідей на питання, Grammarly і Canva AI для вдосконалення контенту, Padlet для [[peer-assessment|peer feedback]]), узгоджені з турецькими навчальними планами з мови та суспільствознавства. Група з підтримкою ШІ показала великі здобутки в читанні медіа (+3.50), письмі (+1.67) і загальній медійній грамотності (+5.17, усі p < .01) з міжгруповими розмірами ефекту Cohen’s *d* = 1.12–1.31, тоді як контрольна група просувалася лише скромно. [[qualitative-research|Qualitative]] аналіз виявив шість доменів зростання критичної медійної грамотності — цифровий самозахист і конфіденційність даних, цілеспрямоване та відповідальне використання медіа, безпечна комунікація та обізнаність про кордони, критичне оцінювання та обізнаність про дезінформацію, обізнаність про онлайн-ризики та медійна етика/цифрове громадянство — доказ того, що розвивально доречне, вбудоване в дисципліну використання GenAI може будувати виміри критичного оцінювання та етики ШІ-грамотності, а не лише операційну навичку.

**Фреймворки для структурування ШІ-грамотності.** Кілька нещодавніх внесків пропонують структуровані прогресії для будівництва ШІ-грамотності. **[[ukraine-ai-literacy-secondary-framework-2026|Marienko, Markova, and Semerikov (2026)]]** пропонують п’ятирівневий фреймворк (Awareness, Application, Evaluation, Creation, Ethics), інтегрований із трьома парадигмами ШІ в освіті (AI-directed, AI-supported, AI-empowered), розроблений через [[mixed-methods-research|mixed-methods]] дослідження українських освітян середньої школи (національне опитування n = 2018; оцінка ПР n = 1130). Вони виявили, що 84% освітян користуються ШІ, але лише 11% можуть назвати спеціалізовані сервіси понад ChatGPT, і інтервенція професійного розвитку дала 24% покращення в компетентності роботи зі ШІ — доказ того, що цілеспрямований ПР просуває грамотність за межі поверхневого знайомства з інструментами. Обґрунтування фреймворка в [[constructivist]], коннективізмі та TPACK пов’язується з [[tpack]] і [[teacher-ai-competency]]. Доповнюючи це, **[[science-integrated-ai-literacy-curriculum-dbr-2026|Moore et al. (2026)]]** використали дворічний процес [[design-based-research|DBR]] із радою молоді та експертів зі ШІ, щоб спроєктувати інтегрований у науку навчальний план ML для старшокласників, виявивши здобутки в знаннях ML в обох когортах (Cohort 2 M2−M1 = 0.175 проти Cohort 1 0.076) і більші здобутки серед учасниць та небілих учасників — доказ того, що партисипативне, інтегроване в дисципліну проєктування може просувати як ШІ-грамотність, так і [[equity-in-ai-education]].

Огляд PRISMA 39 досліджень STEAM (2016–2025) виявив, що ці впровадження переважно розвивають технічні грамотності — фундаментальні поняття ШІ, обчислювальне мислення, грамотність у даних — водночас недорозвиваючи етичну обізнаність, творчу уяву та створення, управління і проєктування зі ШІ, тому вбудовані в дисципліни блоки все ще можуть пропускати елементи вищого порядку ([[niri-steam-ai-literacy-review-2026|Niri et al., 2026]]).

Конструкт оспорюється саме там, де стосується освітян. Огляд 34 досліджень зі ШІ-грамотності в освіті викладачів виявив, що галузь не має консенсусу щодо того, що ШІ-грамотність означає для професійних освітян на відміну від загальної цифрової грамотності, і Фреймворк компетентностей ШІ ЮНЕСКО для викладачів специфікує 15 компетентностей у п’яти вимірах, функціонуючи як глобальний політичний орієнтир, а не вказівка щодо впровадження. Викладачі в [[ai-integration-instructional-design-collaboratory-2026|cross-institutional teacher preparation collaboratory]] розглядали ШІ-грамотність як інтегрований вимір [[professional-training|professional preparation]], а не як окрему технологічну навичку, тому від кандидатів очікували аудит, порівняння та обґрунтування результатів роботи ШІ в межах дисциплінарних курсів, а не демонстрацію знайомства з інструментами.

**Початкова підготовка викладачів — місце, де структура найтонша.** [[pinto-ai-initial-teacher-training-mathematics-review-2026|Pinto et al. (2026)]] переглянули 11 досліджень ШІ в початковій [[teacher-education|teacher training]] викладачів математики для майбутніх викладачів початкової школи і виявили, що дев’ять були одним заняттям або жмутком занять, вбудованих у наявні курси, складання підказок було явним навчальним контентом лише в деяких із них, і [[ethics]] з’являлася лише в трьох, жодне з яких не торкалося прозорості, алгоритмічної упередженості чи підзвітності. Ризики, які вони повідомляють, — це відмови на рівні грамотності: майбутні викладачі не помічали понятійних помилок, створених ChatGPT, приймали згенерований контент некритично і делегували більше вирішення проблем інструменту, коли завдання ставали важчими. Їхня рекомендація — будувати [[teacher-ai-competency|AI competency]] через всю послідовність навчання, від підготовчої фази до практики, а не в ізольованому модулі.

Розповіді викладачів про те, *чому* навчають освіті зі ШІ, додають шляр цілей, який фреймворки компетентностей залишають неявним. [[fagerlund-competency-agency-purposes-ai-education-2026|Fagerlund et al. (2026)]] інтерв’ювали 13 фінських викладачів від дитячого садка до 9-го класу, переважно новачків в освіті зі ШІ, і прочитали їхні твердження про цілі крізь три домени Бієсти. Кваліфікація, набуття компетентностей, була найчіткішою та найконкретнішою ціллю, і вона діяла як шлях до двох інших: студенти мали зрозуміти ШІ як соціотехнічний феномен і користуватися його інструментами, причому ШІ служив і як ціль, і як помічник у навчанні. Соціалізація з’являлася як культивування ентузіазму, представлення ШІ як «крутого» і кадрування студентів як майбутніх робітників, обізнаних зі ШІ, які мають відповідати вимогам компетентностей. Суб’єктивізація, самовизначена та особисто значуща залученість, яку Бієста розглядає як центральну, називалася важливою, але не мала конкретного навчального репертуару понад обговорення та осмислення, і викладачі не пропонували розроблених прикладів для заперечення авторитету ШІ. Автори пропонують **інформовану агентність ШІ**, евристику, що розміщує суб’єктивізацію в центрі, розглядаючи компетентності як пояснювальні фреймворки для самовизначених виборів. Наслідок для проєктування полягає в тому, що «чому» освіти зі ШІ потребує такої ж уваги до проєктування, як і «як»: коли суб’єктивізація спирається на універсальне обговорення, навчання ШІ-грамотності відкочується до кваліфікації, поруч із якою воно мало стояти.

Готовність сама є оспорюваною ціллю. [[charles-teacher-readiness-by-design-ai-rich-2026|Charles (2026)]] стверджує, що готовність викладачів до навчання, багатого на ШІ, слід читати з якості дизайнів, які викладачі створюють, а не з упровадження, впевненості чи цифрової компетентності, і будує фреймворк навколо *проєктувальної медіації*: спостережуваних рішень, як-от вибір інструментів, проєктування завдань і підказок, скаффолдинг, перевірка, прозорість, перепроєктування оцінювання, планування доступності та людський нагляд. Два з його тверджень мають прямі наслідки для професійного розвитку. По-перше, [[self-efficacy]] є ресурсом мобілізації, а не показником якості, оскільки впевненість без специфічно для ШІ педагогічних знань чи етичної орієнтації може прискорювати поганий дизайн, а не запобігати йому, що кваліфікує звичайне прочитання впевненості викладача як сигналу готовності. По-друге, політична ясність та інституційна підтримка є окремими модераторами, тому матеріальна підтримка може бути високою, тоді як очікування залишаються неоднозначними, і готовність усе ще погано трансформується. Фреймворк також відмовляється ототожнювати невикористання з неготовністю, оскільки обґрунтоване рішення відмовитися від ШІ може саме демонструвати проєктувальне осудження. Він є концептуальним і невалідованим, тому постачає пропозиції та джерела доказів, а не встановлені ефекти.

**Літерація взаємодії зі ШІ: інтеракційний вимір.** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] пропонують вужчу, інтеракційну компетентність — здатність *керувати, оцінювати та навчатися від* ітеративної взаємодії з GenAI — як конкретне втілення застосункових, оцінювальних та інтеграційних вимірів у ширших фреймворках, як-от [[ai-literacy-heptagon-2026|the AI Literacy Heptagon]]. Їхня рефлексивна демонстрація показує, з чого вона складається на практиці: розпізнавання, що плавна відповідь поставлена вище власної схеми сприйняття, запит спрощення, звуження обсягу та переспрямування системи до сфокусованої практики. Звідси два наслідки для проєктування — навичка нерівномірно розподілена, тому некероване використання може надавати перевагу вже впевненим студентам і розширювати розриви ([[equity-in-ai-education]]), і її слід викладати явно, а не припускати, причому викладачі мають охоплювати, як формулювати продуктивні підказки і коли припинити користування інструментом ([[self-regulated-learning]]).

### Критична ШІ-грамотність: понад навички — до влади та спротиву

Окремий напрям бази знань розглядає ШІ-грамотність не лише як навички чи критичне оцінювання, а як *критичну та політичну практику*, що ставить питання про владу, авторитет і те, чиє знання має вагу. Це пов’язує ШІ-грамотність з [[critical-pedagogy]] і [[equity-in-ai-education]]:

- **«Спротив ШІ» як позиція грамотності.** Критична ШІ-грамотність (CAIL) може охоплювати *спротив ШІ* — відмову від неминучості та технорішень домінантного дискурсу і культивування колективної агентності через діалогічні, колаборативні педагогіки.([[li-mroziak-reorienting-critical-ai-literacy]]) Це позиціонує освіту як простір, де спільноти уявляють і будують альтернативні майбутні, а не лише адаптуються до заданого технологічного порядку.
- **Ґрунтові на спільноті епістемології.** Здійснюване в спільноті навчання ШІ базує залученість зі ШІ на живих і громадських способах пізнання здобувачів, перерозподіляючи епістемічний авторитет ШІ через епістемічне доналагодження, перерозподіл авторитету та ситуативне розрізнення.([[ojeda-ramirez-community-based-ai-learning]])
- **Критичні та феміністичні рамки.** Критична, феміністична наука стверджує, що ШІ-грамотність слід кадрувати в межах педагогік справедливості, спротиву та культурної [[sustainability]] — питаючи, чиє знання продукує ШІ, хто виграє і хто відповідальний, коли системи підводять.([[avraamidou-ai-colonization-science-education]])
- **Ситуативні навчальні засоби.** ШІ-грамотність можна будувати через [[situated-learning|situated]], активні навчальні інструменти (наприклад, Episodes of Situated Learning), що розвивають компетентності ШІ на різних рівнях, а не через абстрактне навчання.([[panciroli-ai-literacy-episodes-situated-learning]])
- **Творча композиція як педагогіка критичної ШІ-грамотності.** Замість розгляду ШІ-грамотності як технічних знань чи індивідуальних компетентностей проєктуйте можливості для здобувачів створювати повідомлення про ШІ для реальних аудиторій — [[multimodal]] продукт, як-от соціальна реклама, одночасно демонструє і комунікує критичну компетентність. У класному дослідженні [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al.'s (2026)]] 22 одинадцятикласники обрали власні питання [[ethics]] ШІ і створили відео-оголошення про шкільне стеження, [[privacy|informed consent]] та алгоритмічні звинувачення; в усіх семи фільмах шкода виникала від заплутання людини й машини, а не від зловісного інструменту, сюжети все ще завершувалися надією та [[agency]], а автори позиціонують [[storytelling-in-education|storytelling]] і адвокацію — опірні до традиційного оцінювання — як ядро [[critical-pedagogy|critical AI literacy pedagogy]], що центрує [[learner-identity|student identity]], вибір і голос.([[burriss-multimodal-composition-critical-ai-literacy-2026]])
- **Регуляторна компетентність, а не прийняття.** Kim (2026) перекадрує ШІ-грамотність у [[higher-ed]] як *[[regulation|regulatory competence]]* — втілювану практику перевірки, перегляду, вибіркового прийняття чи відкидання результатів роботи ШІ під час академічної роботи — показуючи, що оцінювальна здатність та етична обізнаність (а не лише готовність користуватися ШІ) передбачають активну, [[student-engagement|critical engagement]].([[ai-anxiety-strategic-regulation-writing-2026]])
- **Розпізнавання [[ai-sycophancy|sycophancy]] як навички грамотності.** Основна оцінювальна компетентність — розпізнавати, коли ШІ *погоджується* з здобувачем, а коли є правильним. [[contextual-sycophancy-ai-literacy|Contextual sycophancy]] показує, що ШІ-грамотність і навчання складанню підказок зменшують — але не усувають — підлабузниче віддзеркалення помилок користувача, і [[sycophantic-ai-social-interaction-2026|sycophantic AI]] є бажаним для користувачів саме тому, що змушує їх почуватися зрозумілими. Тому ШІ-грамотність має навчати здобувачів виявляти погодження заради самого погодження та цінувати коригувальне тертя, пов’язуючись із [[trust-calibration]] і [[reducing-ai-misuse]].
- **Оцінювання, а не лише перевірка.** [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026|O'Byrne (2026)]] виявив, що студенти, які перевіряли результати лише на точність, достовірність та релевантність, усе одно приймали понятійно сплощену роботу, тоді як ті, хто також оцінював нюанс, голос та епістемічну позицію, переписували її — роблячи питання «коли не делегувати осудження» питанням грамотності.

Ці критичні напрями доповнюють операційні та когнітивні виміри ШІ-грамотності: там, де останні питають «чи може здобувач користуватися ШІ та оцінювати його?», критична ШІ-грамотність питає «чи розуміє здобувач і чи кидає виклик структурам влади, які втілює ШІ?»

### Чиї навички роботи зі ШІ мають вагу? Розділення кадрувань між викладачами та роботодавцями

Центральне відкрите питання ШІ-грамотності — *які* навички мають вагу і для кого. Дослідження Ithaka S+R, що порівнює, як викладачі та роботодавці США приоритизують 26 навичок Фреймворку навичок ШІ HiBob, виявило, що вони погоджуються щодо важливості лише однієї (встановлення реалістичних очікувань для роботи, доповненої ШІ). Викладачі надають ваги **критичній, орієнтованій на відповідальне використання** орієнтації — розпізнавання меж ШІ, [[explainable-ai|transparency]] і атрибуцію, людську підзвітність, проактивний перегляд результатів — що узгоджується з академічними цінностями атрибуції, перегляду та інформаційної грамотності. Роботодавці надають ваги **орієнтованим на продуктивність навичкам** — оцінюванню та перепроєктуванню робочих процесів, автоматизації та [[human-ai-collaboration|human–AI teaming]] — що віддзеркалюють командну ефективність робочого місця. Оскільки лише три з 26 навичок викладаються половиною або більше викладачів, і викладані перекошуються до категорій критичного використання, звіт ідентифікує конкретний **розрив у навичках ШІ**: цілі категорії, які цінують роботодавці, не приоритизуються і не викладаються в університетських навчальних планах.([[ithaka-sr-ai-skills-college-graduates-2026]]) Це розділення кадрує ШІ-грамотність як оспорюваний конструкт — грамотність критичного використання для академічних умов проти грамотності інтеграції в робочі процеси для працевлаштування — напруженість, релевантна для [[framing-ai-use-for-students]], [[curriculum-design]] та [[professional-training]].

Власні оцінки студентів розповідають пов’язану, але інакше впорядковану історію. [[elsayary-ai-literacy-employability-competencies-2026|ElSayary and Ragab (2026)]] опитали 380 університетських студентів, переважно частих користувачів ШІ зі STEM, і виявили, що самооголошена ШІ-грамотність несе більшість пояснення сприйманої готовності до працевлаштування: чотири виміри грамотності додали ΔR² = 0.554 (p < .001) поверх фонових контролів, вартих лише 0.054, і повна модель досягла 60.8% дисперсії. У межах набору грамотності оцінювальний вимір був найсильнішим (Analyze & Evaluate, β = 0.286), за ним афективний (Attitudes & Mindsets, β = 0.266), з практичним використанням (β = 0.217) і фундаментальними знаннями (β = 0.187) позаду них; для сприйманої [[career-development-and-readiness|career readiness]] конкретно лише Analyze & Evaluate (β = 0.216, p < .001) і Attitudes & Mindsets (β = 0.192, p = .004) були значуще асоційовані. Прочитане проти поділу Ithaka, власне відчуття студентами готовності до робочого місця схиляється до орієнтації критичного оцінювання, якій надають перевагу викладачі, а не до навичок інтеграції в робочі процеси, яким надають ваги роботодавці. Дизайн — односеансове самооголошення з рівномірно високими середніми (від 4.17 до 4.57 із 5) і без міри роботодавця чи працевлаштування, тому те, що він показує, — це що [[self-assessment|self-assessed]] ШІ-грамотність і самооцінена працевлаштуваність рухаються разом, причому оцінювальна та настановна частини роблять більшість роботи, а не що ці студенти є доведено готовими до робочої сили.

### Проєктування інтервенцій зі ШІ-грамотності

Фреймворки та емпіричні дослідження бази знань сходяться на наборі практичних настанов для освітян і [[stakeholders|instructional designers]], що будують інтервенції зі ШІ-грамотності:

**1. Використовуйте структурований фреймворк компетентностей як скаффолдинг, а не як контрольний перелік.** Дорослі фреймворки дають проєктувальникам спільний словник і розвивально послідовну ціль. [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|SAIL framework]] організовує ШІ-грамотність у три домени (AI Concepts; Application and Technical Skills; AI Digital Citizenship) на чотирьох рівнях зі скаффолдингом — Understand and Explore → Apply and Integrate → Evaluate and Create → AI++. [[ai-literacy-heptagon-2026|AI Literacy Heptagon]] перетинає сім вимірів (технічні знання, застосування, критичне мислення, етика, соціальний вплив, інтеграція, правове/регуляторне) із чотирма узгодженими з Блумом рівнями володіння, і акцентує, що акцент має бути **адаптований до дисциплінарного контексту** — технічні програми надають ваги застосуванню, програми з [[humanities-education|humanities]] дисциплін — етичному та соціально-впливному міркуванню.([[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]])([[ai-literacy-heptagon-2026]])

**2. Залучайте здобувачів через режими ICAP.** Застосовуючи [[icap-framework]], ефективне навчання дає здобувачам можливості залучатися на кількох когнітивних рівнях — пасивне знайомство (лекції про поняття ШІ), активну маніпуляцію (практичне користування інструментами), конструктивну генерацію (створення артефактів ШІ, самообґрунтування) та інтерактивний діалог (колаборативне [[problem-solving]] із колегами та ШІ) — обираючи режим, що відповідає навчальній цілі. [[meta-analysis-systematic-review|systematic review]] виявив, що успішні колаборативні інтервенції зі ШІ-грамотності охоплювали всі чотири режими ICAP.([[hingle-collaborative-ai-literacy-2025]])

**3. Оцінюйте продемонстровану компетентність, а не самоуявлення.** Самооголошена ШІ-грамотність різко розходиться з виміряною продуктивністю — викладачі переоцінюють свої навички роботи зі ШІ на ~40%, а засновані на продуктивності міри корелюють з інтеграцією ШІ в аудиторії значно краще за самооголошення (r≈0.72 проти 0.31). Проєктуйте інтервенції навколо заснованого на продуктивності оцінювання та калібрування, а не опитувань впевненості, і використовуйте діагностичні профілі (переоцінювачі проти справжніх новачків), щоб націлювати підтримку.([[ai-literacy-assessment-misalignment]])

**4. Будуйте метакогнітивні та критичні настанови, а не лише операційну навичку.** ШІ-грамотність краще розуміти як [[metacognition|metacognitive social practice]], ніж контрольний перелік навичок: оскільки LLM є стохастичними та непрозоримими, здобувачі мають моніторити та коригувати свої стратегії, культивувати науковий скептицизм і ставити питання про те, як алгоритми формують продукування знання — а не лише вчитися оперувати інструментами. Партисипативне спроєктування та експериментальні, проєктно-орієнтовані простори (а не разове навчання інструментам) — це місця, де ця обізнаність зростає.([[metacognitive-ai-literacy-beyond-skills-gap-2026]])

**5. Вбудовуйте грамотність у дисципліну та робіть її стійкою.** Рух до вищих стадій ШІ-грамотності (від некритичного використання → інформованого використання → критичного оцінювання → вдосконалення) найбільш видимий, коли досвід є **стійким і вбудованим у дисципліну**, а не постачається як автономні семінари. Проєктуйте для повторної, контекстуальної практики в межах автентичних курсів.([[ai-literacy-continuum-higher-education]]) Конкретна модель вбудованої в дисципліну критичної грамотності — таксономія на основі завдань [[dierickx-taxonomy-llm-tasks-critical-ai-literacy-journalism-2026|Dierickx et al. (2026)]] для журналістики: вона відображає підтримані LLM завдання на чотирьох стадіях робочого процесу новин (newsgathering, sensemaking, editing, publication/distribution), кожна пов’язана з базовою підказкою і стратегією ризику та пом’якшення. Розглядаючи визначення завдання і складання підказок як [[situated-learning|situated]] форму професійного осудження — а не нейтральну технічну навичку — вона перетворює саме складання підказок на засіб критичної ШІ-грамотності (упередженість, [[hallucination-risk|hallucination]], надмірна залежність і тривала цінність [[human-in-the-loop-ai|human editorial oversight]]), і її внутрішня логіка переноситься на інші знань-інтенсивні професії (право, [[medical-education|medicine]], публічна політика). Доповнюючи такі [[discipline-specific-aied|discipline-specific]] таксономії, [[dohn-boundary-object-classifying-genai-learning-activities-2026|Dohn et al. (2026) taxonomy]] класифікує навчальні діяльності GenAI за шістьма вимірами, з яких **Epistemic Engagement** (understanding / using / critiquing / constructing GenAI) безпосередньо операціоналізує ШІ-грамотність як глибину когнітивного відношення здобувачів із технологією — від пасивного знайомства до активного критикування та конструювання.

**6. Розглядайте справедливість і цифровий розрив як обмеження проєктування.** ШІ-грамотність є механізмом для вирішення трирівневого цифрового розриву (доступ, навички, результати): закриття пристроєвого розриву недостатньо, якщо не будуються навички та критичне використання, щоб вигоди розподілялися справедливо. Інтервенції мають явно планувати для здобувачів, які вступають із меншим попереднім доступом до ШІ, і включати культурні та врядувальні перспективи, а не розглядати грамотність як культурно-нейтральну.([[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]])([[digital-divide]])

**7. Поєднуйте грамотність із важелями зменшення неправильного використання.** Оскільки неправильне використання ШІ активно шкодить тривалому навчанню, навчання грамотності має бути поєднане зі структурними та освітніми важелями, задокументованими в [[reducing-ai-misuse]] — проєктуванням інструментів із захисними обмеженнями «підказка, а не відповідь», перепроєктуванням оцінювання та послідовностями «спочатку подумай/потім ШІ» зі скаффолдингом і свідомою практикою складання підказок.

**8. Починайте з фактичної точки входу здобувачів.** Здобувачі вступають з відмінними орієнтаціями — уникнення, зумовлене страхом, недовірою чи відсутністю доступу, проти некритичної опори, що маскує непорозуміння. Діагностичний, заснований на стадіях підхід (а не однорідний навчальний план) дозволяє проєктувальникам зустрічати студентів там, де вони є, і рухати їх до критичної, відповідальної залученості.([[ai-literacy-continuum-higher-education]])

**9. Розширюйте надання за межі аудиторій, яких формальна освіта вже досягає.** [[ai-literacies-young-adults-2025|AI Literacies framework for public service media]] стверджує на підставі огляду ландшафту понад 40 фреймворків і 35 експертних інтерв’ю, що надання перехилилося до технічних і функціональних навичок, і що грамотності ШІ перекриваються і мають бути пов’язані з цифровою, медійною та інформаційною грамотністю, а не викладатися як окремий предмет. Його структура — шість областей компетентностей, п’ять цінностей і три рівні прогресії (*Understanding and Applying*, *Analysing and Evaluating*, *Synthesising and Specialising*) з посібником з оцінювання — є придатним шаблоном для провайдерів поза формальною школярською освітою, і його аргумент справедливості є інструкцією проєктування: досягнення молодих людей, які цифрово або інакше маргіналізовані, вимагає свідомих партнерств, а не універсальної публікації.([[ai-literacies-young-adults-2025]])

### Вимірювання ШІ-грамотності

Окремий дослідницький напрям розглядає ШІ-грамотність не лише як ціль для навчання, а як конструкт, який слід вимірювати. Оцінювальний напрям бази знань розрізняє **самооголошувану** та **засновану на продуктивності** грамотність: самооголошення різко розходяться з продемонстрованою компетентністю (викладачі переоцінюють на ~40%), а засновані на продуктивності міри передбачають інтеграцію ШІ в аудиторії значно краще за опитування впевненості (r≈0.72 проти 0.31). Робота з інтервенціями відтворює цю розбіжність на рівні поведінки: у [[clerc-ai-literacy-workshop-llm-regulation-2026|Clerc et al. (2026)]] ні ставлення до GenAI, ні загальна шкала метакогнітивної обізнаності не передбачали регуляції взаємодії студентів з LLM або їхніх підсумкових оцінок за завдання (r = .01 і r = .04, обидва незначущі), тоді як поведінки, які змінив семінар — відкидання нечітко специфікованих підказок, осудження правильності відповіді, постановка уточнювального запитання — відстежували якість відповіді. Валідовані інструменти з’являються, щоб закрити цей розрив — [[jin-glat-genai-literacy-assessment|GLAT]] надає психометрично валідоване оцінювання грамотності щодо генеративного ШІ, і діагностичні профілі (переоцінювачі проти справжніх новачків) дозволяють проєктувальникам націлювати підтримку там, де вона потрібна. [[caeai-digital-literacy-frameworks-review-2026|Guo et al. (2026)]] безпосередньо відображують цей ландшафт інструментів, переглядаючи 80 валідованих фреймворків — 69 цифрової грамотності та 11 ШІ-грамотності — опублікованих між січнем 2014 і лютим 2025. ШІ потягнув цифрову грамотність до етики та переосмислив комунікацію, включивши взаємодію людини та ШІ, тоді як метакогнітивна регуляція та специфічна для освітян колаборація людини та ШІ залишаються найменш специфікованими. Для проєктування та дослідження це пов’язує ШІ-грамотність із [[educational-measurement]] і з [[assessment]] загалом: фреймворк грамотності є лише настільки корисним, наскільки корисні інструменти, що використовуються для відстеження зростання, і засновані на стадіях континууми вимагають надійного вимірювання, щоб розміщувати здобувачів вздовж них.

32-пунктовий шестифацетний інструмент розширює чотиривимірну модель двома подальшими фацетами — відповідальне використання та саморозвиток — і утримує скалярну інваріантність між підлітками (12–17), молодими дорослими (18–40) та дорослими середнього віку (41–60), хоча автори застерігають, що ΔCFI наблизилася до конвенційного порогу ([[sfailq-six-facet-ai-literacy-questionnaire-2026|Liu et al. (2026)]]).

[[zhi-modeling-measuring-graduate-genai-literacy-2026|Zhi, Yang and Huang (2026)]] будують специфічну для аспірантів модель на таксономії Марцано: аналіз заґрунтованої теорії інтерв’ю з 14 професорів стиснув 329 сирих міток у 96 понять, 15 категорій і п’ять вимірів (когнітивна основа, операційні навички, мислення вищого порядку, метакогнітивна рефлексія, етична відповідальність), потім операціоналізував їх як 15-пунктову шкалу Лайкерта, чиї п’ять факторів виникли в експлораторному факторному аналізі (83.14% кумулятивної дисперсії) і утрималися в конфірматорному факторному аналізі на другій підвибірці (CFI = 0.934, RMSEA = 0.083), із надійністю від 0.796 до 0.842 по 308 валідних опитувальниках.

[[bozkurt-3wai-literacy-scale-2026|Critical 3wAI Literacy Scale]] (Bozkurt, Ertan & Cömert, 2026) валідує ту саму тричастинну структуру для дорослих здобувачів як засіб самооголошення (n = 546 і n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Її фактори Know-How і Know-Why виявилися найтісніше пов’язаними (HTMT = 0.544), тоді як самі теоретичні знання не трансформувалися в практичну ефективність. Як засіб самооголошення вона ділить проблему розбіжності, задокументовану вище, тому вона є валідованим діагностичним засобом, а не мірою продуктивності — і автори закликають до ревалідації між віковими групами та культурними контекстами.

Пов’язане питання — *що* взагалі можуть вимірювати інструменти. [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] зазначають, що наявні шкали ШІ-грамотності та фреймворки компетентностей припускають індивідуально вимірювану продуктивність і тому структурно виключають колаборативний, творчий вираз — доказами їхнього підрозділу були [[multimodal]] фільмові артефакти, рефлексії та громадський дискурс, а не [[summative-assessment|summative]] оцінка, і автори стверджують, що такі докази можуть *доповнювати*, а не заміщувати конвенційні міри. Розширення конструкту може тому вимагати розширення припустимих доказів, а не лише додавання багатомодальних пунктів до наявних шкал.

Доповнювальний напрям вимірює, як здобувачі та викладачі сприймають *матеріали* зі ШІ-грамотності, а не саму їхню грамотність. [[age-tiered-ai-literacy-guidebooks-2026|Wang, Chuang and Wu (2026)]] дали 794 студентам і 37 викладачам оцінити два видання посібників, побудованих за віковим порогом ЮНЕСКО (вік 9-12 і 13-18), після приблизно 30 хвилин керованого класного знайомства. Прийняття утримувало чотирифакторну структуру (Performance Expectancy, Effort Expectancy, Perceived Playfulness, Behavioral Intention) із підтриманою інваріантністю вимірювання між двома студентськими виданнями, молодші здобувачі оцінювалися вище за всіма чотирма конструктами, і сприймана гральність несла найбільшу асоціацію з наміром в обох когортах. Автори чітко окреслюють, чим це не є: сприймане прийняття віково-рівневого ресурсу — це не досягнення ШІ-грамотності, [[ethics|ethical]] міркування, впровадження чи стійке використання, і прийняття на рівні матеріалу не слід читати як доказ того, що грамотність покращилася.

Вимірювання також поширюється на освітян, які медіюють залученість здобувачів зі ШІ. Більшість оцінювань ШІ-грамотності націлюються на студентів або загальних користувачів, залишаючи розрив в освіті [[teacher-education|teacher]] — розрив, який вирішує [[language-teachers-ai-literacy-edai-2026|Teachers' AI Literacy Scale (TAILS)]]: заґрунтована на фреймворку ED-AI із шістьма вимірами (знання, оцінювання, колаборація, контекстуалізація, автономія та етика), вона була валідована через експлораторний і конфірматорний факторний аналіз із [[language-learning|preservice language teachers]]. Такі інструменти підтримують вимірювання та розвиток ШІ-грамотності освітян, які медіюють залученість здобувачів зі ШІ. На студентському боці [[genai-assessment-literacy-scale-2026|Nie et al. (2026)]] розробляють та валідують Шкалу грамотності оцінювання генеративного ШІ (GAA-LS) для студентів вищої освіти — 18-пунктовий, п’ятифакторний інструмент, чиї оцінки відстежують залученість із [[feedback]], [[academic-integrity]] та відповідальним використанням ШІ, з опосередкованим шляхом до доброчесності через зворотний зв’язок — доказ того, що специфічна для оцінювання ШІ-грамотність є вимірюваною та пов’язаною з поведінкою доброчесності. Те, що насправді містить цей звернений до викладачів корпус інструментів, відтоді було проаудитоване: [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore and Maat's 2026 review of teacher AI literacy measurement tools]] оцінив 33 інструменти, опубліковані між 2019 і 2025, і виявив, що 31 (93.9%) були шкалами самооголошення сприйманої впевненості, лише два тестували знання об’єктивно, і жоден не використовував заснованих на продуктивності завдань, тоді як докази справедливості були найслабшим доменом якості, із лише п’ятьма інструментами, що повідомляли інваріантність вимірювання або диференційне функціонування пунктів.

Оновлення 2026 року цієї літератури вимірювання реорганізовує її в чотири домени — знання та використання, епістемічний нагляд, калібрування опори та операційний контроль агентів, що користуються інструментами — і повідомляє, що жоден валідований індивідуального рівня інструмент у корпусі не охоплює повної комбінації обсягу, дозволів, відновлення, ізоляції стану, незалежного перегляду та заснованого на доказах закриття, якого вимагає [[agentic-ai|agentic]] користування інструментами. Його згрупована суб’єктивно-об’єктивна кореляція через три ефекти з тієї ж вибірки була r = .055, що узгоджується з розбіжністю, описаною вище, а не з самооцінками як придатним сурогатом ([[competent-generative-ai-use-measures-review-2026|Verí (2026)]]).

**Ландшафт вимірювання сам є безладним, і тепер частково відображуваним.** [[ai-literacy-measurement-conceptual-landscape-llm-2026|He, Zhang, Wang and Ji (2026)]] проаналізували корпус інструментів ШІ-грамотності конвеєром кодування на основі LLM і виявили, що галузь вимірює багато конструктів під однією міткою — проблему jangle, коли один конструкт несе кілька імен (Behavioral Commitment з’являється у восьми кандидатних парах, Intrinsic Motivation — у п’яти), поряд із кандидатними випадками jingle, де інструменти ділять мітку, але не свій пунктовий контент. Їхнє відновлення структури пунктів і конструктів через семантичну подібність корелювало лише помірно з власними повідомленими надійностями інструментів (r = 0.49 на рівні пунктів проти 0.45 і 0.35 на рівні конструктів), і вони пропонують метод як скринінг, а не вирішення. Наслідок для кожного, хто обирає міру, полягає в тому, що конвергентні твердження між дослідженнями не безпечно припускати: два інструменти з тим самим іменем можуть не операціоналізувати той самий конструкт.

**Те, що ці інструменти можуть підтримувати, відтоді було проаудитоване, і аудит тверезий.** [[ai-literacy-instrument-development-systematic-review-2026|Jin, Gašević, Martinez-Maldonado and Yan (2026)]] проскринували 8056 записів до 58 досліджень, що охоплюють 47 унікальних інструментів, оцінених за COSMIN проти конструкту, чиє вікно розробки інструментів стиснулося в три роки (два інструменти до 2023, 28 лише в 2025). Корпус залишається 37-з-47 [[self-report-measures|self-report]], і докази тісно групуються навколо внутрішньої структури: структурна валідність була достатньою в 32 із 58 досліджень, а внутрішня узгодженість — в 32, жодне не оцінене як недостатнє, проте [[assessment-validity|construct validity]] повідомлялася лише 15 дослідженнями (12 достатніх), критеріальна валідність — одним, інваріантність [[assessment|invariance]] — п’ятьма (усі достатні), і лише 2 із 58 заробили достатню загальну оцінку валідності контенту — всеохоплюваність була недостатньою в 53, незважаючи на 43 дослідження, що повідомляли когнітивне інтерв’ю. Патерн полягає в тому, що практика [[educational-measurement|measurement]] виглядає міцною саме там, де найдешевше це продемонструвати, і тонкою там, де докази мають приходити ззовні інструменту, тому чиста факторна структура і високий коефіцієнт (який може віддзеркалювати надмірність пунктів так само, як репрезентацію конструкту) не слід читати як продемонстровану здатність. Призначення авторів — консолідація, а не проліферація: вдосконалюйте наявні шкали, тестуйте інваріантність, коли інструмент перетинає мову чи освітню стадію, і додавайте критеріальні докази, пов’язуючи оцінки із завданнями продуктивності.

**Один із винятків побудований для порівняння груп.** [[gails-generative-ai-literacy-scale-2026|Zhang et al. (2026)]] розробили Шкалу грамотності генеративного ШІ (GAILS) — 43 пункти, зведені до 34 через огляд Делфі з п’ятьма експертами та пілот із семи осіб, потім валідовані в 341 дорослого з Північної Америки — і тестували скалярну [[assessment|invariance]], виявивши, що вона утрималася між респондентками та респондентами і між студентськими та робочими групами. Саме це ліцензує порівняння середніх, які повідомляє інструмент — чоловіки, що оцінюються скромно вище за Adaptive Operational Skills, студенти — вище за Adaptive Operational Skills та Responsible GenAI Literacy — як відмінності в компетентності, а не диференційне функціонування пунктів, і саме це робить шкалу придатною в умовах [[higher-ed]] та робочих місць, а не лише студентських. Її власні докази не бездоганні: [[educational-measurement|fit]] була змішаною (CFI = .967 і SRMR = .058 всередині конвенційних порогів, RMSEA = .087 вище них), α загальної шкали = .973 стоїть поряд із одним невдалим дискримінантним порівнянням Fornell–Larcker (Factor 1 √AVE = .828 проти r = .873 із Factor 3), і, як майже все в корпусі, вона вимірює сприйману компетентність без поведінкового критерію. Валідована шкала в цій галузі — це вихідна точка для роботи над інваріантністю та критеріями, до якої закликає огляд, а не завершений [[benchmark]].

### Зв’язки через базу знань

ШІ-грамотність перетинається з [[intelligent-tutoring|AI Tutoring]] (розумінням того, коли і як ефективні тьютори зі ШІ), [[teacher-ai-competency]] (готовністю освітян), [[academic-integrity]] (знанням того, що становить належне використання ШІ) та [[ai-education]] загалом. Вона є і передумовою ефективного використання ШІ, і результатом добре проєктованої інтеграції ШІ — студенти засвоюють ШІ-грамотність, КОРИСТУЮЧИСЬ ШІ критично, а не лише вчачись ПРО ШІ.

ШІ-грамотність є **двоістиною** для надмірної залежності: [[student-dependency-on-ai-literacy-self-efficacy-2026|Maizel et al. (2026)]] виявили, що засновані на навичках виміри ШІ-грамотності (використання/розуміння, виявлення) були *позитивно* асоційовані з повідомлюваною залежністю від ШІ, тоді як ШІ-[[self-efficacy]] і академічна впевненість — негативно, — тому технічне навчання ШІ-грамотності за відсутності самоефективності та скаффолдингів [[self-regulated-learning]] може збільшити залежність. ШІ-грамотність тут стає спроможною здатністю, чий *напрям* залежить від доповнювальних мотиваційних ресурсів.

- **Звички перевірки окупляються лише через регуляцію.** В опитуванні [[davor-ai-supported-learning-higher-order-outcomes-2026|Davor, Larbi and Boateng (2026)]] 533 університетських студентів у Гані грамотність перевірки ШІ не мала значущого прямого ефекту на [[critical-thinking|critical thinking]] (beta = .076, p = .090) чи технічне [[problem-solving]] (beta = .043, p = .385) і мала значення лише через [[metacognition|metacognitive self-regulation]] (beta = .167, p < .001), повне опосередкування, яке автори називають метакогнітивною активацією. Скаффолдинг завдань ШІ передбачав обидва результати (beta = .185 і .170), тоді як тенденція до [[cognitive-offloading|cognitive offloading]] передбачала їх негативно (beta = -.240 і -.312) і пригнічувала регуляцію також (beta = -.294). Тому навчання студентів перевіряти результати роботи ШІ саме по собі недостатньо: оцінювальні звички потребують планування, моніторингу та рефлексії, вбудованих у завдання.

- **Критика результатів роботи ШІ як практика грамотності:** [[pedagogy-ai-mistakes|Hosseini (2026)]] розглядає оцінювання згенерованих ШІ помилок як основну навичку ШІ-грамотності, використовуючи аналіз режимів відмов і ітеративне вдосконалення підказок у курсі проєктування баз даних. Дослідження виявило, що студенти переоцінювали свої здатності в роботі зі ШІ (самооголошена грамотність слабко, негативно корелювала з об’єктивною компетентністю), і що навчання, засноване на критиці, зміцнювало калібрування.

- **Соціалістично-гуманістична ШІ-грамотність (2026):** Огляд літератури критикує зорієнтовану на відповідність ШІ-грамотність і пропонує соціалістично-гуманістичне кадрування асинхронної ШІ-грамотності та добросовісного використання у вищій освіті, пов’язуючи історичний цифровий розрив із сучасною ШІ-грамотністю та закликаючи до підходів, що служать людському процвітанню та справедливості, а не механічній відповідності політиці ([[mechanical-compliance-human-flourishing-ai-literacy-2026]]).

- **Дешеві, легкі попередження притупляють переконування з боку ШІ — не коштуючи загальної довіри.** [[ai-literacy-warning-political-persuasion-2026|Orchinik and Rand (2026)]] попередньо зареєстрували два експерименти (загалом N = 3208 дорослих США), у яких учасники спілкувалися з [[llm]], наставленим змінити їхні погляди на політичні теми. Одне коротке попередження — що моделями можуть керувати, щоб переконувати, і вони можуть подавати інформацію вибірково — зменшило зміну переконань приблизно наполовину (-48.1%, 95% CI [-59.5%, -36.8]) відносно контролю, і додавання специфічних попереджень про техніки переконування не дало додаткової вигоди. Властивість, що має значення для навчання, лежить на іншому боці ефекту: загальна довіра до [[generative-ai]] не впала, тому інтервенція будує [[trust-calibration|calibrated trust]], а не загальний скептицизм. Це однопараграфна інтервенція без фасилітації, що є рідкісним профілем витрат для дизайну ШІ-грамотності.

- **Управління ШІ з боку здобувача має більше значення, ніж дизайн інструменту.** [[ai-literacy-tool-design-programming-education-2026|Azimi (2026)]] рандомізував 33 студентів магістерського курсу аналітики даних між AI Study Coach зі скаффолдингом, вбудованим у ноутбуки (n = 16), і необмеженим користуванням будь-якими інструментами [[generative-ai]], які вони обрали (n = 17), протягом семи тижнів. Продуктивність за завданнями та здобутки за інвентарем понять були нерозрізнюваними; замість цього умова Coach повідомляла вищу [[self-efficacy|confidence]]. Те, що розділяло студентів, — це ШІ-грамотність на практиці: ті, хто сформулював власні правила щодо того, коли користуватися ШІ, оцінювалися вище в обох умовах, і студенти з найглибшим розумінням моделі — кожен із них самоук — складали підказки найбільш свідомо. Наслідок для проєктування суперечить рефлексу контролю: викладайте [[self-regulated-learning|self-regulatory]] та зосереджені на розумінні моделі компоненти ШІ-грамотності, а не обмежуйте інструменти.

## Пов’язані поняття

- [[pedagogical-patterns]] — розроблені критично-оцінювальними кроками в цих послідовностях
- [[learners]] — Здобувачі: парасолька для понять на боці здобувачів
- [[generative-ai]] — технологія, на яку націлюється ШІ-грамотність
- [[llm]] — системи в серці ШІ-грамотності
- [[critical-thinking]] — основна оцінювальна настанова
- [[prompt-engineering]] — основна практична компетентність
- [[metacognition]] — грамотність як метакогнітивна соціальна практика
- [[cognitive-offloading]] — ризик надмірної залежності, який грамотність протидіє
- [[reducing-ai-misuse]] — поведінкова вигода грамотності
- [[academic-integrity]] — знання того, що становить належне використання ШІ
- [[self-assessment]] — осудження власної роботи та навички, як техніка і як міра
- [[trust-calibration]] — калібрування належної довіри
- [[ai-sycophancy]] — навичка грамотності виявляти погодження
- [[equity-in-ai-education]] — справедливий розподіл грамотності
- [[digital-divide]] — розрив доступ/навички/результати
- [[ethics]] — вимір етичної обізнаності
- [[teacher-ai-competency]] — готовність освітян
- [[educational-development]] — будівництво грамотності освітян
- [[ai-assisted-educational-research]] — дослідження освіти з підтримкою ШІ
- [[k-12]] — грамотність на шкільному рівні
- [[higher-ed]] — грамотність на університетському рівні
- [[career-development-and-readiness]] — вигода працевлаштуваності, яку, як стверджується, будує ШІ-грамотність
- [[ai-education]] — ширша галузь

## Пов’язані статті

- [[mu-ai-competence-ethical-awareness-anxiety-2026]] — Підвищення етичного виміру грамотності без рамок подолання може залишити студентів більш тривожними
- [[caeai-digital-literacy-frameworks-review-2026]] — 80 валідованих фреймворків показують, що ШІ розширює цифрову грамотність до етики, тоді як колаборація освітян із ШІ залишається недостатньо специфікованою (Guo et al. 2026)
- [[ai-literacies-young-adults-2025]] — Шість областей компетентностей, п’ять цінностей і три рівні прогресії для медіа публічного сервісу
- [[ai-literacy-heptagon-2026]] — Гептагон ШІ-грамотності
- [[ai-literacy-continuum-higher-education]] — Практичний п’ятистадійний континуум ШІ-грамотності
- [[ai-literacy-measurement-conceptual-landscape-llm-2026]] — Відображення корпусу інструментів ШІ-грамотності: 55 конструктів, пари jangle і jingle, кодування на основі LLM
- [[ai-literacy-instrument-development-systematic-review-2026]] — Оцінка COSMIN 58 досліджень і 47 інструментів ШІ-грамотності: докази валідності групуються навколо внутрішньої структури, тоді як докази критеріальності, контенту та інваріантності залишаються значною мірою відсутніми (Jin et al. 2026)
- [[gails-generative-ai-literacy-scale-2026]] — GAILS: 34-пунктова шкала грамотності GenAI, валідована в 341 дорослого, скалярно-інваріантна між статевими та студентськими/робочими групами (Zhang et al. 2026)
- [[jin-glat-genai-literacy-assessment]] — GLAT: валідований тест оцінювання грамотності щодо генеративного ШІ
- [[ai-literacy-assessment-misalignment]] — Оцінювання ШІ-грамотності: розбіжність між самооголошеною та заснованою на продуктивності
- [[genai-assessment-literacy-scale-2026]] — GAA-LS: валідована Шкала грамотності оцінювання генеративного ШІ для студентів вищої освіти (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]] — систематичний огляд того, з чим корелює ШІ-грамотність
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — систематичний огляд інструментів, що вимірюють ШІ-грамотність викладачів
- [[ai-literacy-self-assessment-questionnaire-primary-2025]] — опитувальник самооцінки для учнів старших класів початкової школи
- [[metacognitive-ai-literacy-beyond-skills-gap-2026]] — ШІ-грамотність як метакогнітивна соціальна практика
- [[liu-ai-literacy-interventions-meta-analysis-2026]] — Метааналіз ефектів інтервенцій зі ШІ-грамотності
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]] — Фреймворк Scaffolded AI Literacy (SAIL)
- [[age-tiered-ai-literacy-guidebooks-2026]] — Віково-рівневі посібники зі ШІ-грамотності, оцінені з 794 студентами та 37 викладачами: чотирифакторна структура прийняття, інваріантна між виданнями 9-12 і 13-18, із молодшими здобувачами вище за кожен конструкт
- [[li-mroziak-reorienting-critical-ai-literacy]] — Критична ШІ-грамотність: влада, спротив, агентність
- [[miles-prompt-literacy-human-centered-genai-framework-2026]] — Грамотність щодо підказок як фундаментальна грамотність, відмінна від інженерії підказок: п’ятифазна модель залучення з GenAI, зосереджена на людині (Miles, Haber-Curran & Arar 2026)
- [[contextual-sycophancy-ai-literacy]] — Контекстуальне підлабузництво як інтервенція ШІ-грамотності
- [[student-dependency-on-ai-literacy-self-efficacy-2026]] — ШІ-грамотність, самоефективність і залежність
- [[clerc-ai-literacy-workshop-llm-regulation-2026]] — двохгодинний семінар змінив регуляцію взаємодії з LLM у школярів середньої школи, тоді як самооголошення не передбачали нічого (Clerc et al. 2026)
- [[ai-literacy-sdg-governance-framework-2026]] — ШІ-грамотність як здатність врядування для сталого розвитку: таксономія AIRE і зв’язок ШІ–ЦСР (Islam, Morshed & Islam 2026)
- [[ukraine-ai-literacy-secondary-framework-2026]] — П’ятирівневий фреймворк ШІ-грамотності для українських освітян середньої школи (Marienko et al. 2026)
- [[niri-steam-ai-literacy-review-2026]] — Освіта STEAM для ШІ-грамотності: систематичний огляд
- [[hingle-collaborative-ai-literacy-2025]] — Фреймворк колаборативної ШІ-грамотності
- [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026]] — перекадровує ШІ-грамотність як осудження того, яку інтерпретаційну роботу не слід делегувати
- [[davor-ai-supported-learning-higher-order-outcomes-2026]] — грамотність перевірки ШІ мала значення лише через метакогнітивну саморегуляцію, тоді як когнітивне розвантаження передбачало нижче критичне мислення та вирішення проблем (Davor et al. 2026)
- [[yu-designing-ai-literacy-self-determination-2026]] — Навчання, засноване на мисленні, перевершує засноване на навичках на об’єктивно оціненому завданні, причому автономія та компетентність несуть ефект (Yu, Lin & Chen 2026)
- [[hu-psychological-predictors-continued-chatgpt-use-2026]] — Шлях від ШІ-грамотності до продовження користування ChatGPT проходить через довіру та академічну самоефективність, і тривожність щодо ШІ рідшає перший зв’язок (Hu 2026)
- [[zhi-modeling-measuring-graduate-genai-literacy-2026]] — П’ятивимірна модель на основі Марцано і 15-пунктова шкала самооголошення для аспірантської грамотності GenAI (Zhi et al. 2026)
- [[pinto-ai-initial-teacher-training-mathematics-review-2026]] — Одинадцять досліджень ШІ в початковій підготовці викладачів математики, переважно короткострокових, із етикою лише в трьох (Pinto et al. 2026)
- [[vega-baudrit-genai-university-chemistry-education-review-2026]] — Інтеграція GenAI, зосереджена на перевірці, в університетській хімії, з репрезентаційним перекладом як ключовою вимогою ШІ-грамотності (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]] — Самооголошена ШІ-грамотність пояснила 60.8% сприйманої готовності до працевлаштування, із найсильнішими оцінювальним та афективним вимірами (ElSayary & Ragab 2026)
- [[fagerlund-competency-agency-purposes-ai-education-2026]] — Цілі викладачів для освіти зі ШІ, прочитані крізь кваліфікацію, соціалізацію та суб’єктивізацію Бієсти, і евристику інформованої агентності ШІ (Fagerlund et al. 2026)
- [[charles-teacher-readiness-by-design-ai-rich-2026]] — Готовність викладачів як якість дизайну, а не впровадження чи впевненість, із самоефективністю як ресурсом і невикористанням як не неготовністю (Charles 2026)
- [[yu-k12-ai-education-ai-literacy-meta-analysis-2026]] — Освіта зі ШІ в K-12 підвищила ШІ-грамотність із згрупованим g = 0.892 по 57 позитивних ефектів, і розбіжність вимірювання пояснює гетерогенність (Yu et al. 2026)
- [[sun-student-genai-entanglement-literacy-demands-2026]] — Вимоги грамотності відрізняються за типом заплутання студента з GenAI; форми Assistant і Enabler домінують, тоді як решта залишаються маргінальними з інституційних причин (Sun, Dohn & Rehm 2026)
- [[ai-competence-framework-landscape-2026]] — Порівняльний аналіз 16 фреймворків компетентностей ШІ для освіти та розвитку робочої сили

- [[ai-literacy-determinants-university-students-2026]] — Зовнішні ресурси, цифрова компетентність і психологічний профіль як спільні детермінанти, зі зміною знака технологічної тривожності
- [[sfailq-six-facet-ai-literacy-questionnaire-2026]] — Шестифацетний інструмент, що додає фацети відповідального використання та саморозвитку, скалярно-інваріантний між підлітками, молодими дорослими та дорослими середнього віку
- [[faculty-ai-well-being-social-supports-2026]] — Структурна модель благополуччя викладачів у роботі зі ШІ, соціальних підтримок і ШІ-грамотності
- [[bozkurt-3wai-literacy-scale-2026]] — Валідована 17-пунктова шкала самооголошення з трьома відмінними факторами ШІ-грамотності (Know What/How/Why); Know-How і Know-Why найтісніше пов’язані (HTMT = 0.544)

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Агентна [[ai-education]]** — системи ШІ, які автономно планують, виконують і адаптують багатокрокові робочі процеси для досягнення навчальних цілей, виходячи за межі одноходової відповіді на питання, аби діяти як стійкі, орієнтовані на мету співучасники: [[intelligent-tutoring|AI tutors]], що надають скаффолдинг протягом тривалих взаємодій, мультиагентні системи, що оркеструють освітні конструкції, та агенти, що спільно регулюють навчання. Ця зміна парадигми від інструмента, що відповідає на підказки, до активного співучасника несе як обіцянку, так і ризик: агентний ШІ може персоналізувати та поглиблювати навчання, але він також загрожує [[agency]] суб’єктності, [[cognitive-offloading|cognitive effort]] і контролю. [[agentic-ai-education-scoping-review|scoping review]], [[tool-invariant-framework-agentic-ai|tool-invariant framework]], і статті [[agentic-ai-pedagogical-best-practice-2026|pedagogical best-practice]] бази знань розглядають цю напругу.

## Питання для роздумів

- Агентний ШІ не просто відповідає на питання — він планує, виконує та адаптує багатокрокові робочі процеси до мети, діючи як стійкий співучасник. Чим навчання з проактивним агентом відрізняється від навчання з інструментом, який треба підказувати?
- Галузь проводить межу між «розмовним» та «агентним» ШІ (система кваліфікується як агентна лише за виконання кількох критеріїв, таких як планування, пам’ять, автономність і цілеспрямована дія). Де ця межа на практиці — і чи не приховує називання кожного чат-бота «агентним» більше, ніж розкриває?
- Що більше агент автоматизує, то менше когнітивної роботи виконує здобувач. Де межа між ШІ, що надає скаффолдинг вашому навчанню, і тим, що вчиться за вас?
- [[meta-analysis-systematic-review|scoping review]] виявив, що лише 29% досліджень агентного ШІ обґрунтовували свої системи в освітній теорії. Якщо більшість систем не засновані на теорії, що має спонукати вас до скепсису при оцінюванні «інтелектуального» агента-тьютора?
- Мультиагентні системи оркеструють спеціалізованих агентів із чіткими ролями. Коли кілька агентів працюють разом в аудиторії, хто несе відповідальність — і де має втрутитися людина?
- Центральна напруга галузі — це персоналізація проти суб’єктності та когнітивних зусиль здобувача. Якщо тьютор стає настільки хорошим в адаптації, що вам ніколи не доводиться боротися, то яке навчання ви справді отримуєте?
- Де на спектрі «від копілота до автопілота» має розташовуватися певне завдання — і чи коли-небудь перехід завдання від «агент пропонує, здобувач вирішує» до «агент володіє ним» служить навчанню, а не лише ефективності?
- Гібридні агенти, обґрунтовані в усталеній теорії проєктування, перевершували чисте формулювання підказок. Чому теоретично обґрунтована система може перебити сире інженерне формулювання підказок — і що це говорить про те, як вимірюється «розумність» агента?

## Вступ

Агентний ШІ — це системи штучного інтелекту, які можуть автономно планувати, виконувати та адаптувати багатокрокові робочі процеси для досягнення навчальних цілей — виходячи за межі одноходового відповідання на питання, аби діяти як стійкі, орієнтовані на мету співучасники в освітніх контекстах. В освіті агентний ШІ проявляється як ШІ-тьютори, що надають скаффолдинг навчанню протягом тривалих взаємодій, мультиагентні системи, що оркеструють складні [[learning-design|instructional designs]], та автономні агенти, що адаптують свої [[pedagogy|pedagogical]] стратегії на основі потреб здобувача. Ця виникаюча парадигма змінює ШІ з інструмента, що відповідає на підказки, на співучасника, який активно скеровує, адаптує та спільно регулює навчальні процеси.

## Визначення та класифікація агентного ШІ

[[kostopoulos-agentic-ai-education-2025|Kostopoulos et al. (2025)]] надають операційне визначення, якого галузь інакше не має. Вони пропонують **контрольний список із шести критеріїв** — система вважається агентною, якщо відповідає щонайменше чотирьом: автономність (дія незалежно від безперервної людської втручань), міркування/планування, пам’ять/обізнаність про контекст, цілеспрямована дія досягнення [[learning-gains|learning outcomes]], адаптивність і динамічна співпраця/ініціатива. Поріг «≥4» свідомо **виключає реактивні чат-боти** (статичний бот із поширеними запитаннями без планування чи стійкості не кваліфікується), водночас пристосовуючись до різних архітектур. Вони також організовують простір уздовж трьох осей: **педагогічна роль** (тьютор, навчальний коуч/наставник, компаньйон, помічник викладача, [[curriculum-design|curriculum]] планувальник програми), **рівень автономності** (реактивний → адаптивний → проактивний → спільний) і **втіленість** (текстовий, аватар/графічний, [[embodied-learning|embodied]]/роботизований). Ця таксономія — зокрема спектр автономності та виключення реактивних інструментів контрольним списком — дає дослідникам і проєктувальникам спільну лексику для класифікації агентних систем і розрізнення справді агентного від лише розмовного ШІ.

Працюючий дискримінатор робить цю межу конкретною. Статичний чат-бот із поширеними запитаннями, який може відповідати лише на фіксований набір запитань, відповідає **нулю** критеріїв (без планування, без стійкості, без ініціативи) і явно не є агентним. [[conversational-ai|conversational]] тьютор, який пам’ятає поточний сеанс, але ніколи не діє без підказки, не тримає [[student-modeling|learner model]] між сеансами і не може ставити підцілі, може відповідати лише одному-двом (пам’ять, певне міркування) — розмовний, не агентний. Навпаки, тьютор, який планує багатоходові уроки, зберігає прогрес здобувача в стійкому профілі, **проактивно** відпускає підказку, коли здобувач застряг, і переплановує наступний крок на основі цього профілю, задовольняє планування, пам’ять, автономність і цілеспрямовану взаємодію — щонайменше чотири критерії, тому кваліфікується як агентний. Цінність проведення цього тесту не в педантизмі: називання кожного інтерфейсу спілкування з МММ «агентним» розмиває саме питання проєктування — що система ініціює проти того, що має ініціювати здобувач, — яке визначає, чи надає вона скаффолдинг, чи витісняє навчання.

**Обмежена суб’єктність як освітня позиція проєктування.** [[ilieva-agentic-genai-higher-education-2026|Ilieva et al.'s (2026)]] приймає перелік можливостей, який описують такі визначення, як контрольний список із шести критеріїв, а потім свідомо його обмежує: цілі, ролі, джерела даних, інструменти, контрольні точки, умови зупинки та фінальні рішення визначаються або затверджуються педагогами, і кожна агентна функція має відстежуватися до навчальної вимоги, мети оцінювання чи важеля управління. Рамка також проводить межу між агентною оркестрацією та просунутим [[prompt-engineering|prompting]] — агентний робочий процес зберігає стан завдання, розподіляє функції, перевіряє умови завершення, повертається до раніших етапів, коли доказів недостатньо, і фіксує суттєві рішення. Примітно, що її дослідження сприйняття з 130 студентами вищої освіти не виявило суттєвої різниці між навчанням з підтримкою агентів і з підтримкою чат-ботів, що автори читають як доказ того, що агентна *можливість* сама по собі не створює сприйманої педагогічної переваги ([[human-in-the-loop-ai|human oversight]]).

## Галузь: швидке розширення та нинішній стан

[[agentic-ai-education-scoping-review|scoping review]] бази знань — найбільш всеосяжний на сьогодні синтез галузі, що картографує **474 дослідження (2020–2026)** — документує галузь, яка **будувалася стрімко з 2025 року**, але чия література все щ домінується конференційними працями, сконцентрованими в [[higher-ed]] вищій освіті, [[stem-education|STEM disciplines]] і текстових сценаріях тьюторства. Огляд аналізує характеристики публікацій, конструкції досліджень, ролі агентів, моделі та архітектури ШІ, шість вимірів агентної можливості та міру інтеграції освітньої теорії, надаючи дорожню карту для рубежів і прогалин галузі. Примітно, що лише **29% переглянутих досліджень** (138 із 474) явно обґрунтовували свої системи в освітній теорії, викриваючи дисциплінарний розрив між технічно орієнтованою та педагогічно орієнтованою роботою.

## Рольова карта галузі

Там, де [[agentic-ai-education-scoping-review|the 474-study scoping review]] і [[kostopoulos-agentic-ai-education-2025|Kostopoulos et al.'s conceptual survey]] картографують широту досліджень і можливостей, [[baradziej-agentic-ai-higher-education-2026|Baradziej (2026)]] організовує агентний ШІ за **роллю, яку він відіграє** — [[governance|institutional]] рамкуванням для вирішення, де розгортати й управляти цими системами. У 48 дослідженнях вищої освіти шість ролей виникають у порядку сили доказової бази: персоналізоване навчання та адаптивне тьюторство (18/48), [[automated-assessment]] оцінювання та зворотний зв’язок (12), допомога та розширення викладання (11), адміністративна підтримка та підтримка студентів (8), проєктування навчальної програми та узгодження з робочою силою (5), і підтримка досліджень та академічних операцій (4). Рольова лінза виводить на передній план вибір проєктування, що повторюється в кожному розгортанні: скільки контроля від моменту до моменту зберігає людина (ставлення «копілота») проти того, скільки володіє агент (ставлення «автопілота») — вісь автономності, яка визначає, чи надає агент скаффолдинг навчанню, чи витісняє його.

## Проєктування та оцінювання агентних систем

[[research-methods-aied|Research]] в базі знань охоплюють проєктування та оцінювання:

- **Гібридні агенти, обґрунтовані в теорії, перевершують чисте [[prompt-engineering|prompting]]:** [[jeon-isd-agent-bench-2026|ISD-Agent-Bench]], бенчмарк із **25 795 сценаріїв освітнього проєктування**, виявляє, що найкраще підсистема, яка працює, інтегрує класичні рамки ІСП (ADDIE, Dick & Carey, швидке прототипування) із сучасним міркуванням у стилі ReAct — гібрид (теорія + техніка) > чиста теорія > лише техніка. Обґрунтування [[llm]] агентів на МММ в усталеній теорії освітнього проєктування дає структурну перевагу, яку сире формулювання підказок не може відтворити.
- **Рамки оцінювання для агентних інструментів:** [[tool-invariant-framework-agentic-ai|The tool-invariant framework]], пропонує [[teacher-role|teaching]] і оцінювання обчислювальних методів способом, який не залежить від жодного конкретного інструмента ШІ, наголошуючи на основах [[computational-thinking]] обчислювального мислення, [[authentic-assessment]] автентичному оцінюванні через усний захист і верифікації — що є релевантним до занепокоєнь щодо [[cognitive-offloading|Over-Reliance]].
- **Шкалювальник звітування та управління: рамка автономії–нагляду–доказовості (AOE).** [[beyond-agent-label-agentic-ai-governance-2026|Dey (2026)]] стверджує, що термін *агентний ШІ* застосовується так непослідовно, що докази та нагляд не можуть порівнюватися між дослідженнями — системи, які планують, пам’ятають, використовують інструменти або координують кількох агентів, змішуються зі статичними інтерфейсами генеративного ШІ та звичайними [[pedagogical-agent|pedagogical agents]]. Його критичний інтегративний огляд п’ятнадцяти рецензованих оглядів виявляє, що докази найсильніші для результатів на рівні артефакту (точність зворотного зв’язку, зниження галюцинацій) і найслабші для тривалого навчання, справедливості, навантаження чи інституційних результатів, причому автентичні розгортання зазвичай є короткими, односайтовими та слабо пов’язаними з наглядом. Вирішення — конкретна трійка звітування: **рівень автономності A0–A4** (реактивна генерація → обмежена оркестрація → делегована автономія завдання → автономія робочого процесу → *наслідкова автономія* над оцінюванням/прийомом/прогресом), **рівень нагляду O0–O4** (невизначений → ретроспективний аудит → попереднє затвердження перед використанням → контроль із контрольними точками → *безперервний обмежений нагляд*) і **стадія зрілості доказовості M0–M5** (концепція → прототип/бенчмарк → оцінювання з учасниками → автентичне розгортання → розширене/багатосайтове → *відтворене/інституційного масштабу*) — плюс **правило пропорційності**: допустима автономія не має випереджати ні зрілості доказовості, ні сили нагляду (наприклад, наслідкова система A4 вимагає доказовості M4–M5, юридичної валідації та O4 із людським фінальним авторитетом). Звітування *A2–O3–M3* перетворює туманні твердження про «агентне розгортання» на порівнянні, перевірні специфікації та дає інституціям граматику поступового впровадження, журналювання та відкочування — доказовий доповнення до наведеного вище спектру [[baradziej-agentic-ai-higher-education-2026|Copilot-to-Autopilot]].
- **Тестування на стійкість проти суперечностей:** [[adversarial-stress-testing-role-playing-agents|Multi-agent stress testing]] координує агенти-допитливі, цільові та суддів, аби викрити режими відмов, невидимі для тестування єдиною стратегією, знижуючи оцінки стійкості на 0,17–0,20 пункти — що є критичним для узгодженості персон і [[pedagogical-safety|safe deployment]] зі здобувачами.
- **Галузеві застосування:** агентні системи з’являються в різних галузях, зокрема [[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]] та [[hdr-brachytherapy-agentic-ai-simulation-2026|clinical simulation agents]].
- **Веб-агенти як оцінювачі навчального досвіду:** єдиний автономний «описувальний» веб-агент, який пересувається онлайн-уроком [[learning-design|lesson]] як студент — [[ai-web-agents-lesson-design-2025|Wang, Mitchell & Piech (2025)]] — створює опис, досить багатий, аби передбачати відтік студентів і давати проєктувальнику придатний до дії зворотний зв’язок, перш ніж справжні здобувачі почнуть працювати, перевершуючи повну симульовану когорту й усі базові лінії на глобальному курсі CS1. Це позиціонує агентне оцінювання (агент як замісний критик навчального досвіду) як окреме, недороге використання агентного ШІ поряд із агентами, які навчають або проєктують.

### Мультиагентні системи

Зростаючий та відмітний напрям агентного ШІ включає **мультиагентні системи**, які оркеструють кількох спеціалізованих агентів із чіткими ролями. База знань документує кілька архітектур: [[code-gen]] поєднує агента-генератора з агентом-валідатором для генерації запитань із [[automated-question-generation|question generation]]; [[adversarial-stress-testing-role-playing-agents|adversarial testing]] координує агенти-допитливі/цільові/суддів; мультиагентні аудиторії (наприклад, [[human-in-the-loop-ai|MAIC]] з архетипами викладача, асистента й однокурсника) створюють різноманітну динаміку навчання в ровесників; і [[multi-agent-llm-social-learning|multi-agent social learning]] досліджує, як взаємодіючі агенти формують навчання. Мультиагентне проєктування порушує відмітні питання щодо [[human-in-the-loop-ai|human oversight]] (який агент несе відповідальність і де втручається людина?), витрат на координацію та того, як диференціація ролей підтримує чи ускладнює [[scaffolding]] скаффолдинг.

Дві системи 2026 року загострюють, що дає спеціалізація ролей — і де вона перестає окупатися. MeduAI-SP ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al., 2026]]) розподіляє навчання клінічному інтерв’ю між чотирма агентами на базі МММ — агентом-пацієнтом, агентом-сократівським тьютором, оцінювачем на рівні ходу та фінальним оцінювачем, — кожен із яких несе відмінну навчальну функцію. Архітектура за задумом притримує відповіді: тьютору було заборонено розкривати діагноз або відповіді до кейсу, а оцінки OSCE від фінального оцінювача залишалися прихованими під час живої зустрічі. Саме спеціалізація ролей, а не сира можливість моделі, є тим, чому дослідницький випробування приписує покращення поведінки під час консультації (71,8% проти 55,6% на фінальному екзамені), пропонуючи конкретний шаблон для педагогічно узгодженого мультиагентного проєктування. Друге дослідження вказує на межі цього патерну: у системі обговорення етики з 45 студентами та 15 групами ([[ethics-training-agents-group-ethics-discussion-2026|Seo et al., 2026]]) три персони на базі МММ, що втілювали турботливу, деонтологічну та прагматичну етику, не створили суттєвих різниць між собою, і всі були оцінені нижче за людських ровесників за внеском, різноманіттям і впливом (усі Kruskal-Wallis p < .001). Автори приписують розрив [[ai-sycophancy|sycophantic]] згоді — агенти приймали майже кожен внесок, якщо він не був цілком хибним, — і відсутності видимого міркування, стверджуючи, що орієнтоване на завдання проєктування агентів має поєднувати прозорість процесу із запобіжниками (рамкування як вразливого ровесника, виділена фаза ставити питання), аби уникнути [[cognitive-offloading|over-reliance]].

Крок за межі оркестрування кількох спеціалізованих агентів — це **повна агентна мультиагентна екосистема**, запропонована [[sudarshan-agentic-ai-ecosystems-higher-education-2026|Sudarshan et al. (2026)]]: платформа в масштабі всієї інституції, що координує агенти навчання, викладання та адміністрування через міжфункційні петлі [[feedback|feedback loops]] та розподілений інтелект. Її відмітний хід — трактування [[inclusive-learning|inclusivity]] як архітектурного занепокоєня першого класу — координація агентів [[accessibility]] доступності, когнітивної підтримки та [[well-being]] добробуту так, щоб здобувачі зі [[special-education|special educational needs]] підтримувалися в когнітивних, сенсорних та емоційних вимірах у реальному часі, а не обслуговувалися ізольованим асистивним інструментом. Праця розміщує це всередині петлі **спільної еволюції людини та ШІ** (людські поведінки та рішення формують адаптацію ШІ, яка своєю чергою посилює людську здатність), що зберігає людей в циклі.

- **Персоніфіковані агенти на базі МММ для спільного розв’язування проблем.** Fang (2026) донавчає індивідуальних агентів на базі МММ на діалогових даних справжніх учасників, аби представляти кожного учасника в симуляціях спільного розв’язування проблем, із вірогідним вибором мовця та тематичного коду і ковзаючим вікном плюс узагальненою пам’яттю. Перевірено за [[network-analysis|Epistemic Network Analysis]], симульовані діалоги статистично нерозрізненні від справжніх (відстань ENA 0,17, p перестановок = 0,65) — демонстрація того, як агентний ШІ відтворює автентичний спільний дискурс.
- **Соціально інтелектуальне мультиагентне тьюторство.** Прототипи соціально інтелектуального мультиагентного тьюторства, такі як ASTRA, досліджують, як здобувачі координуються зі ШІ в діадах, використовуючи диференційованих агентів-тьютора та фасилітатора, щоб спонукати до координації та збалансованої участі. Засноване на слідах оцінювання рамки дає можливість відтворюваного аналізу взаємодії, балансу участі та верифікації у вступному програмуванні.

## Центральна напруга: автоматизація проти навчання

Робота [[agentic-ai-pedagogical-best-practice-2026|pedagogical best-practice]] окреслює визначальну напругу галузі: коли освітній ШІ переходить від пасивних [[conversational-ai|chatbots]] до **проактивних агентів**, які ініціюють і переслідують цілі, персоналізація покращується, але [[agency]] суб’єктність здобувача та когнітивні зусилля опиняються під загрозою. Що більше агент автоматизує, то менше [[cognitive-offloading|cognitive work]] виконує здобувач. Відповідь проєктування — **навмисне тертя, динамічний [[scaffolding]] скаффолдинг, нагляд за [[human-in-the-loop-ai]] людиною в циклі та продумане використання ШІ** — діє як принциповий захисний бар’єр. Це пов’язується з [[desirable-difficulties]] бажаними труднощами, [[sociocultural-learning]] соціокультурним навчанням і ризиком [[cognitive-offloading|Over-Reliance]], а також із ширшою темою збереження [[agency]] суб’єктності в навчанні, опосередкованому ШІ.

Одна емпірична перевірка походить від [[spec-driven-development-ai-agents-sdpbl-2026|a practical report on Spec-Driven Development in a software PBL course (Tanaka et al. 2026)]]: студенти, які користувалися агентами ШІ на різних етапах розробки, генерували більше коду, але демонстрували падіння розуміння коду, яке відновлювалося лише після індивідуальних інтерв’ю з викладачем — конкретні польові докази напруги автоматизації проти навчання та моніторингу [[human-in-the-loop-ai]] людиною в циклі як способу пом’якшення.

Оглядова література перетворює ці принципи на **вимірювані захисні [[guardrails]] бар’єри** проєктування, а не на туманні наміри. Щодо скаффолдингу, [[kostopoulos-agentic-ai-education-2025|Kostopoulos et al. (2025)]] рекомендують **протоколи поступового згасання** — поступове зниження частоти підказок після кожної успішної спроби — та націлювання на **коефіцієнт [[help-seeking]] пошуку допомоги (підказки, ініційовані ШІ ÷ усі дії студента) нижче 0,3**, щоб агент не був тим, хто веде більшість взаємодії. Вони поєднують це з **рефлексивними контрольними точками** (наприклад, просять здобувача пояснити своє міркування, перш ніж агент запропонує наступну підказку) та адаптивними кривими згасання, у яких імовірність втручання падає, коли зростає володіння матеріалом. Щодо [[explainable-ai|transparency]], агенти мають надавати обґрунтування «Чому ця пропозиція?» і зберігати **журнали простежуваності рішень із часовими мітками** (обґрунтування агента, джерела даних, рішення), доступні для навчального аудиту. Щодо [[bias-mitigation|fairness]] вони радять проводити **тестування на нерівний вплив щонайменше за трьома демографічними групами** (наприклад, стать, мова, географія) перед розгортанням і залучати різноманітних викладачів до проєктування. Ці показники дають викладачеві або проєктувальнику важіль аудиту: замість запитання «чи агент надто корисний?» виміряти, чи гаснуть підказки, чи ініціює здобувач і чи є міркування агента придатним для огляду.

Доповнювальна лексика для питання автономності походить від авіаційної аналогії, виявленої в синтезі [[baradziej-agentic-ai-higher-education-2026|Baradziej's (2026)]]: наскільки далеко розгортання розташовується на **спектрі від копілота до автопілота** — від агента, що допомагає людині, зберігаючий контроль від моменту до моменту, до того, що володіє усім завданням, коли людина лише наглядає. Та сама базова система може бути сконфігурована в бік будь-якого кінця, і цей вибір є педагогічним раніше, ніж технічним. Конфігурації в стилі копілота (агент пропонує, здобувач вирішує, людина зберігає фінальне слово) схильні зберігати [[agency]] суб’єктність і підтримувати зусильні процеси, що будують навчання; конфігурації в стилі автопілота максимізують завершення завдання та ефективність, але зсувають когнітивне навантаження зі здобувача. Вибір позиції на цьому спектрі — за завданням, а не один раз глобально — є конкретним способом операціоналізувати принцип «навмисного тертя» в галузі.

## Позитивні наслідки агентів ШІ для освіти

За доброго проєктування агентний ШІ надає суттєві вигоди:

- **Глибша, більш адаптивна персоналізація.** Стійкі агенти можуть підтримувати навчальну розмову через багато ходів, відстежуючи, що знає здобувач, адаптуючи складність і послідовно надаючи багатокроковий [[scaffolding]] скаффолдинг — виходячи за межі одноразових відповідей ранніх чат-ботів. Це підтримує [[adaptive-learning|adaptive]] і [[personalized-learning|personalized]] навчання в масштабі. У синтезі [[baradziej-agentic-ai-higher-education-2026|Baradziej's (2026)]] найсильніші докази для цієї ролі повідомляють про академічні здобутки в **15–25%** і зростання залученості до **+40%**, з особливим потенціалом для здобувачів, яких історично обслуговували незадовільно за рахунок однакового для всіх викладання (студентів першого покоління, осіб із навчальними відмінностями, тих, для кого мова не є рідною).
- **Звільнення від рутинної навчальної роботи.** Агенти можуть планувати уроки, генерувати й перевіряти запитання, готувати зворотний зв’язок та оркеструвати спеціалізованих подагентів (наприклад, генератор + валідатор для створення запитань), звільняючи викладачів для взаємодії вищої цінності. Це обіцянка [[ai-tpack-teacher-multi-agent-workflow|teacher-facing multi-agent workflows]]. Зокрема агенти оцінювання повідомляють про **90–95% узгодженості з людськими оцінювачами та зниження часу оцінювання на 50–70%**, хоча ті самі докази позначають [[bias-mitigation|bias]] і [[metacognition|metacognitive]] ціну миттєвого, нерефлексивного зворотного зв’язку.
- **Багата, різноманітна взаємодія.** Мультиагентні аудиторії та симульовані ровесники створюють різноманітну динаміку взаємодії (дискурс на кшталт ровесницького, конструктивна незгода, рольові ігри), на яку нездатні одноагентні системи, підтримуючи [[collaborative-learning]] спільне навчання, [[socratic-method|Socratic-style probing]] та [[simulation]] симуляцію.
- **Продуктивне тертя.** Агенти, спроєктовані кидати виклик, а не погоджуватися, можуть штовхати здобувачів до глибшого переосмислення. [[ai-agents-constructive-conflict-design-education-2026|Research on adversarial design agents]] показує, що агенти конструктивного конфлікту спонукали до суттєво більшої кількості ітерацій проєктування, ширшого дослідження та вище оцінених фінальних проєктів (N=48) — форма [[desirable-difficulties|desirable difficulty]].
- **Масштабована практика та симуляція.** Симуляції на основі агентів (симульовані студенти, [[medical-education|clinical]] сценарії) дають здобувачам практикуватися в середовищах із низьким ризиком перед застосуванням у реальному світі, як у випадку [[hdr-brachytherapy-agentic-ai-simulation-2026|clinical simulation]] та [[simulating-students|simulated learners]].
- **Скаффолдинг, обізнаний про докази.** Добре обґрунтовані агенти можуть застосовувати [[learning-theories|learning theory]] та відому педагогіку у своїх взаємодіях, і [[benchmark|benchmarks]] бенчмарки показують, що обґрунтовані в теорії агенти перевершують сире формулювання підказок.

Вужчий, створений викладачами клас агентів отримує окремий аргумент у [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma's third-space proposal]]: спеціальні GPT, Gems та агенти Copilot Studio, спроєктовані викладачами для конкретної педагогічної мети і явно **не** є автономними системами. Їхня заявлена цінність — як простір репетицій із низькими ставками — симулятор усного іспиту, симуляція клінічної комунікації, аватар вимови для вивчення англійської як другої мови, — де студенти практикуються перед судженням, тоді як оцінювальна роль викладача залишається недоторканою, причому агент перебуває поза соціальними ієрархіями, якими студенти орієнтуються з ровесниками та викладачами. Варто зазначити дві межі: автори за задумом виключають із області оцінювання на основі агентів, і вони стверджують, що оцінювання має залишатися реляційним — роль викладача не може бути замінена машиною, хоча її можна розширити та зробити більш сталою через ретельне проєктування.

## Негативні наслідки та ризики агентів ШІ для освіти

Та сама автономність, що уможливлює ці вигоди, створює також суттєві ризики:

- **Підрив суб’єктності та когнітивних зусиль здобувача.** Що більше агент автоматизує, то менше когнітивної роботи виконує здобувач. Проактивні агенти, які ініціюють, планують і завершують завдання, можуть залишати здобувачів пасивними споживачами, випорожнюючи зусильні процеси — чернеткування, пригадування, перегляд — які будують тривале навчання. Це основне занепокоєння щодо [[cognitive-offloading|Over-Reliance]] та [[agency]] суб’єктності. Ефект є вимірюваним: у синтезі [[baradziej-agentic-ai-higher-education-2026|Baradziej's (2026)]] пасивні здобувачі в середовищах агентного тьюторства поступалися студентам [[active-learning]] активного навчання на **8,7%** — доказ того, що шкода слідує за конструкцією розгортання (дозволити агенту виконувати когнітивну роботу) більше, ніж за самою технологією.
- **Надмірна автоматизація навчального процесу.** Якщо агент оптимізує завершення завдання, а не навчання, він може створювати «відповіді», що оминають розуміння — саме той ризик, про який попереджає [[tool-invariant-framework-agentic-ai|tool-invariant framework]], де артефакт більше не сертифікує здобувача.
- **Знижена метакогнітивна та саморегульована [[student-engagement|engagement]].** Коли агенти беруть на себе планування та моніторинг, здобувачі можуть не розвивати [[metacognition]] метакогніцію та [[self-regulated-learning|self-regulation]], які освіта має на меті будувати. Агентів має бути спроєктовано так, щоб вони викликали, а не заміщали, ці процеси.
- **Невдало розміщена довіра та прогалини верифікації.** Автономні агенти можуть створювати правдоподібні, але неперевірені результати; здобувачі та викладачі можуть [[trust-calibration|over-trust]]. Потреба в надійній верифікації та [[ai-literacy]] ШІ-грамотності зростає, оскільки агенти беруть на себе більше автономності.
- **Непрозорість, координація та підзвітність.** Мультиагентні системи ускладнюють [[human-in-the-loop-ai|human oversight]]: який агент несе відповідальність за помилку і де втручається людина? Невдачі координації, дрейф персон і виникаючі поведінки можуть підривати надійність і [[pedagogical-safety]] педагогічну безпеку.
- **Упередженість та справедливість.** Агенти, навчені на даних, що кодують упередженість, можуть відтворювати її в масштабі, а нерівний доступ до здібних агентних систем може розширювати [[equity-in-ai-education|educational inequity]]. Упередженість діє на кількох рівнях — навчальні дані, архітектура, критерії оцінювання та популяції тестування, — тому вона потребує інституційного пом’якшення (аудити упередженості, різноманітні набори даних, прозора документація, залучення зацікавлених сторін), а не разових перевірок. Тонша, культурно специфічна форма — це **епістемічна гегемонія**: оскільки більшість агентних систем навчаються на англомовних, західного виробництва даних, вони вбудовують певні припущення про знання, аргументацію та академічний регістр. [[baradziej-agentic-ai-higher-education-2026|Synthesis evidence]] документують, як інструменти мовної освіти маргіналізують незахідні риторичні традиції та карають мовні риси незахідних академічних культур, і аналізи [[global-south]] глобального Півдня показують, що агентні педагогіки відтворюють нерівність, коли ігнорують епістемологічне різноманіття та обмеження інфраструктури.
- **Цілісність оцінювання та занепад навичок.** Коли агенти можуть генерувати роботу на замовлення, оцінювання справжнього навчання стає складнішим, а надмірна опора може руйнувати фундаментальні навички — «борг розуміння» та проблема сертифікації, яку позначає галузь.
- **Студенти-примари та прогалина верифікації.** [[bozkurt-ghost-students-agentic-ai-2026|Bozkurt, Crompton & Fell Kurban (2026)]] описують **«студента-примару»** — цифрового сурогата, створеного поєднанням МММ («розуму») з агентними ШІ-браузерами («тіла»), який може пересуватися системами управління навчанням, взаємодіяти зі змістом і виконувати оцінювання з людською мімікрією, роблячи справжню присутність здобувача необов’язковою. Це створює **прогалину верифікації**, яку традиційні інструменти [[ai-detection|proctoring and detection]] структурно нездатні закрити, і накопичує **когнітивний борг** в здобувача, якого оминули. Коли ШІ переходить від генеративного до агентного, ця загроза цілісності та [[academic-integrity|verification]] зростає — ризик, специфічний для агентного ШІ, понад ті, що властиві одноходовому [[generative-ai|GenAI]].

## Агенти ШІ та академічна доброчесність

Агентний ШІ створює відмітні загрози доброчесності, які виходять за межі одноходових випадків генеративного ШІ, з якими галузь уже бореться. Оскільки агенти діють автономно на тривалих горизонтах — і оскільки «студенти-примари» (МММ-«розуми», поєднані з агентними браузерними «тілами») можуть пересуватися [[online-teaching-and-learning|Learning Management Systems]], взаємодіяти зі змістом і виконувати оцінювання з людською мімікрією — вони роблять справжню присутність здобувача необов’язковою та створюють **прогалину верифікації**, яку [[ai-detection|proctoring and detection]] не можуть закрити. Звідси випливає кілька наслідків для доброчесності:

- **Артефакт більше не сертифікує здобувача.** Коли агент може генерувати, планувати та виконувати цілий поданий матеріал, якість продукту віддзеркалює можливість агента, а не здобувача. Це проблема сертифікації за [[tool-invariant-framework-agentic-ai|tool-invariant]] рамки в її крайньому вияві — традиційне оцінювання «подай роботу» втрачає свою доказову цінність.
- **Верифікація, а не виявлення, є єдиною життєздатною відповіддю.** Поліцейське діяння, засноване на виявленні, структурно нездатне наздогнати автономних агентів. Питання доброчесності зміщується від «чи можемо ми зловити агентів ШІ?» до «чи можемо ми перевірити, що здобувач справді може зробити?» — віддаючи перевагу [[process-oriented-assessment|process-based]], інтерактивному оцінюванню та верифікації з [[human-in-the-loop-ai]] людиною в циклі.
- **Агентне виконання оцінюваної навчальної роботи вже продемонстроване, і це відмова валідності, а не лише доброчесності.** [[ai-agents-complete-lms-assessment-validity-2026|Hadjisolomou & El-Haddad (2026)]] документували, як агенти (Claude for Chrome, Perplexity Comet, Claude Opus) входили в живий курс СУН бакалаврату і виконували справжню оцінювану роботу з єдиної інструкції — вікторину з 10 запитань, оцінену на 10/10 за менш ніж 5 хвилин, і допис на дошці обговорень, у якому агент сфабрикував правдоподібну історію особистого життя після видобування дописів ровесників. Застосовуючи засновану на аргументах рамку валідності Кейна, вони розміщують «припущення людського продукування» в основі виснову про оцінювання: агентне виконання прибирає його підґрунтя, тому кожна непід наглядом асинхронна оцінка — включно з чесно здобутою — втрачає інтерпретаційну підтримку, бо авторство неперевірне. Рамкування проблеми як валідності, а не доброчесності, має значення, бо інституція може карати за проступок і водночас не мати підстав для оцінок, які повідомляє, і бо ті самі артефакти живлять ланцюги доказів для огляду програм і акредитації. Їхній засіб, узгоджений зі «верифікацією понад виявлення» цієї сторінки, — це перепроєктування оцінювання для перевіреної людської присутності (присутність понад продукт, інтеграція понад ізоляцію, автентичність понад узагальненість, практика з низькими ставками / присутність із високими ставками) зі збереженням справедливості меню варіантів перевіреного моменту.
- **Підзвітність розмивається.** У мультиагентних системах, коли автономний агент створює проблемний результат, незрозуміло, хто несе відповідальність — здобувач, система чи інституція. Це розмиває атрибуцію, яку припускають процеси академічної доброчесності.
- **Когнітивний борг накопичується тихо.** Студенти-примари дозволяють здобувачам оминати зусильні процеси, що будують розуміння, накопичуючи [[cognitive-offloading|cognitive debt]], який виявляється лише тоді, коли потрібна незалежна продуктивність. Доброчесність тому пов’язана зі справжнім навчанням, а не лише з дотриманням правил.
- **Це розширює прогалини справедливості.** Здобувачі з доступом до більш здатних агентних систем отримують непропорційну перевагу, а автоматизована підтримка може руйнувати допомогу тим, кому вона найпотрібніша, — це вимір [[equity-in-ai-education]] справедливості в освітніх ШІ доброчесності.

Це пов’язує обговорення агентного ШІ з охопленням [[academic-integrity]] академічної доброчесності в базі знань, яке рамкує відповідь як перепроєктування оцінювання та [[ai-literacy]] ШІ-грамотність, а не лише виявлення.

## Продуктивне тертя та соціальна взаємодія

Не всяка агентна поведінка мусить бути гладкою допомогою. [[ai-agents-constructive-conflict-design-education-2026|Research on adversarial design agents]] показує, що агенти, що втілювали **конструктивний конфлікт**, спонукали до суттєво більшої кількості ітерацій проєктування, ширшого дослідження альтернатив та вище оцінених фінальних проєктів серед початківців-проєктувальників взаємодії (N=48) — динаміка *продуктивного тертя*, де агент конфлікту був розчаровуючим, але зрештою корисним. Це пов’язується з [[socratic-method|Socratic questioning]] та [[design-thinking]] мисленням проєктування, і показує, як агентний ШІ може підтримувати глибоке переосмислення, а не пасивне прийняття.

Дослідження того, як агентний ШІ досягає навчальних результатів через *психологічні*, а не технологічні шляхи, надає відсутній вимір вимірювання. [[pramod-agentic-ai-motivational-pathways-2026|Pramod and Patil (2026)]] опитали 398 студентів бізнесу в Індії та змоделювали автономність, компетентність і пов’язаність поряд з інтерактивністю, обміном інформацією та сприйманою [[community-of-inquiry|social presence]]; автономність була найсильнішим мотиваційним драйвером (β = 0,504), а інтерактивність — найсильнішим соціальним (0,468), причому мотивація та соціальна присутність живили [[student-engagement|engagement]] майже з однаковою силою (0,533 і 0,493), перш ніж залученість передбачала сприйману продуктивність навчання (0,671). Урок проєктування полягає в тому, що соціальний шлях не є автоматичним: конструкт спільного середовища змінював сприйману соціальну присутність менше, ніж звичайна чуйність та обмін інформацією, тому трактування агента як інтерфейсу спілкування, а не як учасника, залишає більшість цього шляху невикористаною.

## Наслідки для викладачів і проєктувальників навчання

Для вчителів, викладацького складу та [[learning-design|instructional designers]] агентний ШІ змінює і те, що є можливим, і те, що має бути під наглядом:

- **Перерозподіліть зусилля на роботу вищої цінності.** Агенти можуть взяти на себе планування уроків, генерацію та перевірку запитань, тріажування зворотного зв’язку та пошук ресурсів. Викладачі мають розглядати це як автоматизовані опори, що звільняють час для того, чого агенти не можуть робити: реляційного викладання, контекстуального судження та проєктування навчальних досвідів. [[ai-tpack-teacher-multi-agent-workflow|multi-agent workflows]], є багатообіцяючою моделлю.
- **Тримайте когнітивну роботу здобувача в центрі.** Центральне питання проєктування — не «що може робити агент?», а «що має робити *здобувач*?» Проєктувальники навчання мають конфігурувати агентні системи так, щоб вони надавали скаффолдинг, а не заміщали планування, моніторинг і зусилля здобувача — використовуючи динамічний [[scaffolding]] скаффолдинг і [[desirable-difficulties|intentional friction]], щоб захистити [[agency]] суб’єктність і уникнути [[cognitive-offloading|over-reliance]].
- **Проєктуйте для верифікації та процесу, а не лише для результату.** Коли агенти можуть генерувати роботу на замовлення, артефакт більше не сертифікує навчання. Викладачі мають поєднувати агентні інструменти з [[process-oriented-assessment|process-based assessment]] (усний захист, [[tool-invariant-framework-agentic-ai|tool-invariant]] завдання, перевірки верифікації), щоб вимірювалося розуміння — а не лише продукування.
- **Куруйте та обґрунтовуйте агентів у педагогіці.** Докази бенчмарків показують, що обґрунтовані в теорії агенти перевершують сире формулювання підказок. Проєктувальники мають обґрунтовувати поведінку агентів в усталених рамках навчального впливу (наприклад, поступове вивільнення відповідальності, сократівське допитування, [[learning-theories|learning theory]]), а не за замовчуванням — узагальнене ланцюгування інструментів.
- **Зберігайте людський нагляд і судження.** Мультиагентні та автономні системи роблять проєктування з [[human-in-the-loop-ai]] людиною в циклі істотним: вирішіть, де втручається людина, хто несе відповідальність і як виловлюються невдачі. Суперечливе тестування допомагає викривати режими відмов перед розгортанням.
- **Будуйте [[ai-literacy]] ШІ-грамотність викладача.** Учителі та проєктувальники потребують точних ментальних моделей агентного ШІ, щоб конфігурувати, моніторити та критикувати ці системи — і моделювати відповідальне використання для здобувачів. Це пов’язується з [[teacher-ai-competency]] ШІ-компетентністю викладача та [[educational-development|faculty development]].
- **Стежте за справедливістю.** Агентні інструменти ризикують розширювати прогалини, якщо доступ нерівний або якщо автоматизація руйнує підтримку тих здобувачів, яким вона найпотрібніша; проєктуйте з урахуванням [[equity-in-ai-education]] справедливості в освітніх ШІ.
- **Створіть інституційні опори перед масштабуванням.** Питання розгортання є не лише питанням рівня проєктування, а й рівня інституції. Синтез [[baradziej-agentic-ai-higher-education-2026|Baradziej's (2026)]] ущільнює докази управління в три стовпи: розвивайте [[ai-literacy]] ШІ-грамотність серед студентів *і* персоналу; будуйте [[ethics|ethical]] інфраструктуру (політики захисту даних, рамки алгоритмічної підзвітності та академічної доброчесності) *перед* масштабним розгортанням; і забезпечуйте засноване на компетентностях [[educational-development|educator training]], яке виходить за межі знайомства з інструментами до педагогічних рамок, що зберігають людську суб’єктність. Зважаючи на те, що лише ~6,5% викладацького складу в деяких національних контекстах повідомляє про пряме використання ШІ, прогалина в навчанні є обмежувальним стримувальним фактором відповідального впровадження.

### Прийоми забезпечення академічної доброчесності за участі агентного ШІ

Оскільки автономні агенти роблять виявлення марним, викладачі мають зосередитися на прийомах, які **перевіряють навчання** і **роблять чесну роботу видимою**, а не на поліцейському діянні:

- **Віддавайте перевагу верифікації над виявленням.** Замініть або доповніть «подaй роботу» взаємодіями, які вимагають від здобувача продемонструвати розуміння, що його не можна передати назовні: усні захисти, [[tool-invariant-framework-agentic-ai|tool-invariant]] завдання, живе [[problem-solving]] розв’язування проблем і [[process-oriented-assessment|process-based]] оцінювання. Мета — установити, що здобувач може робити незалежно, а не зловити агента.
- **Використовуйте інтерактивне та поетапне оцінювання.** Вимагайте поетапних подань (чернетки, перегляди, рефлексії) та подальших [[conversational-ai|conversational]] перевірок, які зонілюють, чи розуміють студенти подану ними роботу — підходи «AI Viva» та когнітивного керівництва. Студенти-примари не можуть витримати живого допитування, якого вони не проводили.
- **Ставте чіткі, цілеспрямовані очікування.** Обґрунтовуйте очікування щодо доброчесності в меті курсу — що дозволено робити зі ШІ, коли і чому — а не в абстрактних правилах. [[educational-policy-ai|Policy]] ясність, узгоджена з педагогікою, знижує невизначеність, якою скористаються студенти, і помилкові судження, документовані в дослідженнях доброчесності.
- **Робіть використання ШІ видимим і заявленим.** Структуровані, специфічні для завдання заяви про використання ШІ (проектування використання на когнітивні етапи) змушують до рефлексії та нормалізують чесне розкриття, зміщуючи культуру від приховування до прозорості.
- **Будуйте ШІ-грамотність як освіту з доброчесності.** Навчайте студентів відповідально користуватися агентами і критично оцінювати результати, рамкуючи доброчесність як справжнє навчання, а не дотримання правил. Це включає [[ai-literacy]] ШІ-грамотність, розуміння того, що агенти можуть і не можуть робити, і [[cognitive-offloading|learning cost]] оминання зусиль.
- **Тримайте людей у циклі.** Зберігайте [[human-in-the-loop-ai|human oversight]] над рішеннями щодо оцінювання, перевіряйте подання високих ставок інтерактивно і проєктуйте агентні інструменти так, щоб викладач завжди міг втрутитися.
- **Закривайте прогалину верифікації взаємодією.** Для повністю онлайн- або асинхронних контекстів використовуйте компоненти під наглядом або інтерактивні, які вимагають живої присутності, безпосередньо протидіючи загрозі [[bozkurt-ghost-students-agentic-ai-2026|ghost-student]], а не припускаючи, що виявлення їх зловить.

## Збалансований висновок

Агентний ШІ не є ні панацеєю, ні неминучою шкодою: його цінність залежить від проєктування. Використаний для надання скаффолдингу суб’єктності здобувача, обґрунтування в педагогіці та збереження людей у циклі, агенти можуть персоналізувати та поглиблювати навчання; використаний для максимізації автоматизації та завершення завдань, вони можуть руйнувати ті самі зусилля, які творять навчання. Повторювальний принцип проєктування — це **навмисність** — явне вирішення того, що робить агент і що він свідомо залишає здобувачеві.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[pramod-agentic-ai-motivational-pathways-2026]] — Автономність, компетентність, пов’язаність і соціальна присутність як шляхи від агентного ШІ до залученості (Pramod та Patil, 2026)
- [[ai-agents-joyful-assessment-third-space-2026]] — Агенти ШІ, радісне оцінювання та третій простір
- [[ilieva-agentic-genai-higher-education-2026]] — Рамка AGAI-HE: обмежений, під людським наглядом агентний ГШІ у вищій освіті (Ilieva та співавтори, 2026)
- [[beyond-agent-label-agentic-ai-governance-2026]] — критичний інтегративний огляд, що вводить рамку доказовості та нагляду AOE
- [[sudarshan-agentic-ai-ecosystems-higher-education-2026]] — Перспективи інклюзивних агентних мультиагентних екосистем ШІ у вищій освіті
- [[baradziej-agentic-ai-higher-education-2026]] — Систематичний огляд ролей агентного ШІ у вищій освіті (48 досліджень; шість ролей; тричастинна рамка відповідальної інтеграції)
- [[kostopoulos-agentic-ai-education-2025]] — Агентний ШІ в освіті: стан мистецтва та напрями майбутнього (огляд IEEE Access; операційне визначення + таксономія)
- [[agentic-ai-education-scoping-review]] — Огляд із визначенням меж агентного ШІ в освіті (474 дослідження)
- [[agentic-ai-pedagogical-best-practice-2026]] — Напруга між автоматизацією та навчанням
- [[tool-invariant-framework-agentic-ai]] — Викладання та оцінювання обчислювальних методів в епоху агентного ШІ
- [[jeon-isd-agent-bench-2026]] — ISD-Agent-Bench: бенчмаркінг агентів освітнього проєктування
- [[adversarial-stress-testing-role-playing-agents]] — Суперечливе стрес-тестування рольових агентів
- [[ai-agents-constructive-conflict-design-education-2026]] — Агенти конструктивного конфлікту в освіті з проєктування
- [[ai-tpack-teacher-multi-agent-workflow]] — TPACK викладача та мультиагентні робочі процеси
- [[code-gen]] — Агенти генерації коду
- [[educlaw-bench-pedagogical-llm-agents-2026]] — Бенчмарк педагогічних агентів на базі МММ
- [[guided-llm-scaffolding-independent-learning]] — Скеровуваний скаффолдинг від МММ для самостійного навчання
- [[learnmate2-llm-adaptive-learning]] — Агенти адаптивного навчання LearnMate-2
- [[cyberagents-gamified-cybersecurity-learning-2026]] — Геміфіковані агенти навчання кібербезпеці
- [[hdr-brachytherapy-agentic-ai-simulation-2026]] — Агентний ШІ в клінічній симуляції
- [[bozkurt-ghost-students-agentic-ai-2026]] — Студенти-примари та прогалина верифікації в агентному ШІ (Bozkurt та співавтори, 2026)
- [[ai-agents-complete-lms-assessment-validity-2026]] — Агенти ШІ, що виконують завдання СУН; відмова валідності через припущення людського продукування (Hadjisolomou та El-Haddad, 2026)
- [[ai-web-agents-lesson-design-2025]] — Веб-агенти ШІ: описувальний агент як оцінювач навчального досвіду (передбачає відтік, дає зворотний зв’язок із проєктування, перш ніж залучатимуться студенти)
- [[spec-driven-development-ai-agents-sdpbl-2026]] — РРС із агентами ШІ в програмній інженерії методом ПНН; автоматизація проти розуміння
- [[ai-standardized-patient-scaffolding-medical-2026]] — Оцінювання орієнтованої на скаффолдинг мультиагентної системи великих мовних моделей для навчання клінічному інтерв’ю
- [[ethics-training-agents-group-ethics-discussion-2026]] — Агенти навчання етиці: сприяння груповій освіті з етики через рольові ігри та обговорення для етичної рефлексії та дослідження

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Розвантаження когніції** — використання зовнішніх інструментів (у тому числі ШІ) для зменшення внутрішнього когнітивного запиту, перекладання психічної роботи зі здобувача на систему. В [[ai-education]] розвантаження когніції — центральний механізм, через який інструменти ШІ можуть або підтримувати, або підривати навчання: доречне розвантаження звільняє когнітивні ресурси для мислення вищого порядку, тоді як надмірне розвантаження обходить обробку, необхідну для тривалого навчання. **Надмірна опора** — шкідливий кінець цього спектра: непродуктивний патерн, коли розвантаження переходить від стратегічної підтримки до витіснення навчання.

## Питання для роздумів

- Розвантаження когніції — це використання зовнішніх інструментів, у тому числі ШІ, для зменшення внутрішнього когнітивного запиту. Сторінка явно стверджує, що розвантаження не є шкідливим самe по собі: зошити, калькулятори та пошукові системи — усі розвантажують. Що, на вашу думку, робить розвантаження з медіацією ШІ відмінним і потенційно більш значним, ніж ці знайомі інструменти?
- Поширене припущення полягає в тому, що проблема — у надто частому використанні ШІ. Але ця сторінка відокремлює надмірну опору від самої частоти: йдеться про спосіб використання, що підміняє навчання, а не про те, як часто ШІ застосовується. Чи можете ви описати спосіб використання ШІ, який є частим, але здоровим, і такий, який є рідкісним, але шкідливим?
- «Ілюзія пришвидшення» — це те, що ШІ-підсилена робота відчувається швидшою та легшою, створюють оманливе враження продуктивності, що маскує зменшене навчання — студенти змішують швидкість завершення завдання з навчанням. Коли ви відчували себе продуктивними, роблячи щось швидко, а потім усвідомлювали, що мало чому з цього навчилися?
- Дослідження виявляє, що шкода від розвантаження є умовною, а не властивою: «ШІ, який тренує, зберігає або підвищує навичку; ШІ, який підміняє, ризикує занепадом». У чому практична різниця між ШІ, який підтримує ваше мислення, і тим, який його замінює, — і як ви дізналися б, який саме ви отримуєте?
- Одне дослідження показує, що сама наявність доступу до поради ШІ майже звела нанівець готовність людей сказати «я не знаю» — навіть коли порада була хибною, — майже подвоївши впевненість і знизивши точність до третини. Що це говорить про те, як ШІ змінює наше усвідомлення власного незнання?
- Сторінка вводить поняття розриву в метакогнітивній справедливості — «ефекту Матвія зі ШІ»: оскільки продуктивне використання ШІ потребує попередніх знань і метакогніції, уже переважені здобувачі виграють більше, тоді як ті, кому найбільше потрібна практика, найімовірніше перекладуть навчання на інструмент. Як викладачеві чи проєктувальнику реагувати на те, що той самий інструмент може розширювати наявні поділи?

## Вступ

Розвантаження когніції не є шкідливим само по собі — люди завжди використовували зовнішні інструменти (зошити, калькулятори, пошукові системи) для зменшення когнітивного навантаження. Відмінність розвантаження з медіацією ШІ — у його всеосяжності: [[llm|ВММ]] можуть генерувати цілі розв’язки, пояснення та аналізи, потенційно усуваючи потребу в самих когнітивних процесах, що породжують навчання.

### Як розвантаження когніції проявляється в дослідженнях AIED

Статті бази знань документують розвантаження когніції за кількома вимірами:
- **Інструментування саморефлексії, а не вимірювання риси:** PAUSE (Patterns of AI Use: Self-Examination) перетворює літературу з розвантаження 2023–2026 років на самоаналіз за чотирма доменами — міркування й критичне мислення, креативність і самобутність, дослідження та навчання, соціальна та комунікативна спроможність, — з обернено оцінними поведінковими пунктами, якорями цитувань у кожному пункті, без складеного балу й без претензії на валідність ([[pause-ai-cognitive-offloading-self-reflection-2026|Alam, 2026]]). Його проєктна позиція — корисна інтервенція щодо розвантаження є спонуканням до рефлексії, а не постановкою діагнозу, оскільки жоден інструмент ще не має підстав виправдовувати вагоме рішення про людину.

- **Патерни підказок як сліди розвантаження:** [[misiejuk-cognitive-offloading-prompting-2026|Misiejuk та співавт. (2026)]] використовують [[network-analysis]] для того, щоб показати, що реактивні підказки (незгода без контексту домену) вказують на вище розвантаження, тоді як підказка, багата на контекст, з інтегрованою інструкцією відбиває залучену когніцію. Те, *як* застосовується ШІ, — а не лише чи застосовується він, — визначає ступінь розвантаження.
- **Натуралістичні свідчення на рівні повідомлень у масштабі — розвантаження спостережується, а не припускається:** [[student-cognitive-offloading-ai-higher-ed-2026|Piatnitckaia та співавт. (2026)]] закодували 3 047 [[conversational-ai|ChatGPT]]-повідомлень від 46 студентів бакалаврату в одному європейському університеті протягом семитижневого вікна підготовки до іспиту, використовуючи GPT-4o-mini із примусовими обґрунтуваннями ланцюжка міркувань і валідуючи конвеєр проти підготовленого оцінювача-людини на 200 повідомленнях (κ Коена = 0.76 для типу питання, 0.75 для рівня Блума). Аналізування очолило цей розподіл із 27.28% (831 повідомлення), випереджаючи Розуміння з 23.76%, — перший дрібнозернистий доказ того, що натуралістичне [[student-ai-interaction|використання ШІ здобувачами]] рутинно націлюється на роботу вищого порядку, а не на заучування. Підвибірка з 16 студентів із пов’язаними оцінками, чиї 1 140 повідомлень були закодовані вручну, дає те, чого сліди на рівні підказок не можуть: 49.6% зі 125 діалогів не показали розвантаження, 34.4% легкого та 16.0% важкого, за рубрикою, яка зберігає *важке* для випадків, коли ШІ породжує перший чернетку й конструює основний інтелектуальний продукт. Важке розвантаження було переважно явищем Створення (80% із 20 важких діалогів, 42% усіх діалогів Створення), що автори читають як свідчення, що ступінь розвантаження й рівень Блума — відмінні виміри, варті окремого вимірювання. Патерн оцінок був лише описовим — 17.6% важкого у вищому ярусі, 17.5% у середньому та 5.9% у нижчому (χ² = 5.80, df = 4, p = 0.215) — і частково спирається на одного студента, сфокусованого на програмуванні, чиє видалення знижує частоту у вищому ярусі до 8.9%, через що автори стверджують, що дисципліна формує звички делегування сильніше, ніж результативність, і рекомендують [[metacognition|метакогнітивний]] зворотний зв’язок за фактичними патернами використання, а не заборону.
- **Ілюзія пришвидшення:** [[cognitive-offloading-speedup-illusion|Дослідження ілюзії пришвидшення]] демонструє, що ШІ-підсилена робота *відчувається* швидшою та легшою, створюючи оманливе враження продуктивності, що маскує зменшене навчання. Студенти змішують швидкість завершення завдання з навчанням — метакогнітивна сліпа пляма.
- **Навчальні втрати від некерованого ШІ:** [[generative-ai-guardrails-harm-learning|РКВ із математики в старшій школі]] показують, що GenAI без [[guardrails]] дає гірші навчальні результати, ніж традиційне навчання. [[generative-ai-reduced-study-time-math|Зменшений час на навчання]] корелює зі зменшеним навчанням — студенти виконують завдання швидше, але утримують менше.
- **Рандомізована перевірка прогнозу розвантаження з затримкою 45 днів — і дефіцит не лише збережений час:** [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025|Barcaui (2025)]] рандомізував 120 студентів бакалаврату на вивчення тем ШІ/МО або з необмеженим ChatGPT (вебінтерфейс GPT-4, без вказівок щодо підказок), або традиційними методами без ШІ, а потім дав несподіваний концептуальний тест із 20 питань через 45 днів. Група зі ШІ набрала 57.5% проти 68.5% (t(83) = −3.19, p = .002, d Коена = 0.68), і невигода витримала ANCOVA з утриманням часу навчання за самооцінкою постійним (F(1, 82) = 7.89, p = .006; скориговані середні 6.50 проти 5.85), тож це не було лише артефактом кількості часу. Аргумент розвантаження статті — ChatGPT постачає синтез і пояснення напряму, роблячи його якісно відмінною формою делегування, ніж калькулятор, — такою, що може поглинути розуміння, а не лише пригадування.
- **Розвантаження не завжди шкідливе — гранична умова «коуча»:** [[coach-not-crutch-ai-writing|Lira та співавт. (2025)]] показують, що ШІ може зменшити зусилля практики *і* покращити навчальне середовище, даючи «роботи менше, вчитися більше». Дорослі, які практикували письмо з інструментом ШІ, писали кращі листи без ШІ, ніж ті, які практикували самі, — навіть перевершуючи персоналізований зворотний зв’язок від редакторів-людей, — без роздування ілюзії оволодіння. Узгодження зі шкодами вище — це **форма розвантаження**: ШІ Lira та співавт. *підтримував* (виявляючи приклади й зворотний зв’язок, утримуючи здобувача в петлі), а не *заміщав* когнітивний акт. [[ai-making-us-stupid|Перспектива «навички проти базових здібностей»]] сходиться на тій самій межі: **ШІ, який тренує, зберігає або підвищує навичку; ШІ, який підміняє, ризикує занепадом.** [[caeai-ai-scaffolding-inquiry-profiles-middle-school-2026|Kilinc та співавт. (2026)]] дають числа цій межі в класі сільськогосподарського STEM середньої школи. У 42 восьмикласників із 12 груп освоєння моделі становило 74.1% закодованих хвиль спільної залученості в профілі «найбільше покращені», тоді як розвантаження когніції та спільний тупик разом досягли 80.8% в профілі «що борються». Отже, вплив розвантаження на навчання є умовним, а не властивим.
- **Критична [[student-engagement|залученість]] проти розвантаження:** [[favero-critical-ai-tutors-empower-enslave-2025|Favero та співавт.]] рамують [[intelligent-tutoring|ШІ-тьюторів]] або як розширюючих повноваження (підтримка активної когніції), або як поневолюючих (уможливлення пасивного розвантаження), пов’язуючи з [[critical-thinking]] [[research-methods-aied|критичного мислення]].
- **Метакогнітивна обізнаність:** [[metacognitive-awareness-experiential-vs-instructional|Дослідження метакогнітивної обізнаності]] вивчають, чи усвідомлюють студенти, коли вони розвантажують, а коли навчаються, — і чи можуть інструкційні інтервенції покращити цю калібровку.
- **Втілена інтелігентність як альтернатива аутсорсингу:** [[zhu-e3-hot-embodied-intelligence-sustainable-learning|Рамка E3-HOT]] стверджує, що для протидії ШІ-спричиненому когнітивному аутсорсингу й навчанню, відірваному від автентичних контекстів, ШІ слід проєктувати навколо *втіленої інтелігентності* (ситуативного вбудування, втіленої участі, когнітивного творення), щоб здобувачі підтримували когнітивну аґентність і мислення вищого порядку, а не розвантажували його. Це рамкує втіле, [[situated-learning|ситуативне]] проєктування ШІ як позитивний аналог ризику розвантаження, пов’язуючи з [[distributed-cognition]] та [[embodied-learning]].
- **Компроміс ефективності–[[regulation]] в розподіленій когніції:** [[hao-human-ai-collaborative-problem-solving-cognition|Hao та співавт.]] показують, що в людсько-ШІ-співпраці режим, який найбільше розвантажує на ШІ (делеговане міркування), працює найкраще на завданнях, але корелює зі зменшеною саморегуляцією — емпіричне свідчення, що приріст ефективності від розвантаження може коштувати регулятивної залученості здобувача, сходячись із занепокоєннями щодо [[self-regulated-learning]].
- **Втома та когнітивне бремя:** [[ai-fatigue-academic-contexts|Дослідження втоми від ШІ]] документують, як постійна [[student-ai-interaction|взаємодія зі ШІ]] створює власне когнітивне бремя — парадокс, коли розвантаження одного завдання підвищує когнітивне навантаження від управління результатами ШІ.
- **Рамка «метакогнітивні переконання проти досвіду»:** [[cognitive-offloading-metacognitive-review-2026|Guo & Ye (2026)]] застосовують динамічну метакогнітивну модель Нельсона і Нарена, щоб узгодити суперечливі висновки інтервенцій напряму. Вони відрізняють метакогнітивні *переконання* (стабільні, самореференційні уявлення про себе, що закріплюють вибір розвантаження до завдання) від метакогнітивного *досвіду* (динамічних, специфічних для завдання почуттів, що рушать оновленням переконань під час завдання), даючи принцип **відповідності часу й компонента**: зворотний зв’язок, націлений на переконання, найефективніший до завдання, тоді як зворотний зв’язок, націлений на досвід (негайні показники правильності), найефективніший під час нього. Вони також формалізують **підмісне розвантаження** (заміщення внутрішньої обробки зовнішніми засобами) проти **дублікатного розвантаження** (доповнення її) — коли зовнішні сховища зникають, підмісні розвантажувачі різко падають, тоді як дублікатні зберігають точність, — і використовують **зміщення нагадування**, щоб кількісно оцінити відхилення від оптимального розвантаження. Це сходиться з межею «коуч проти милиці»: розвантаження, яке підтримує, зберігає навичку; розвантаження, яке підміняє, ризикує занепадом.
- **Формальна модель проблематичного використання для залежності від ШІ в академічному письмі (I-PACE):** [[ai-dependence-academic-writing-ipace-2026|Liu, Zhuang & Wang (2026)]] розширюють модель I-PACE залежності від технологій, що викликають звикання, на залежність від генеративного ШІ в коледжівському [[writing-education|академічному письмі]]. У [[mixed-methods-research|змішаній]] китайській вибірці академічний стрес є найсильнішим предиктором залежності від ШІ, [[ai-literacy]] є захисним чинником (нижча грамотність → більша психологічна залежність), і усприймана довіра опосередковує шлях від соціального впливу до залежності, — тобто залежність формується через шлях соціальний вплив → довіра → поведінка, а не лише через індивідуальне використання інструмента. Їхні [[qualitative-research|якісні]] дані додають вимір політики: студенти повідомляють про стратегічне ухилення від [[ai-detection|виявлення плагіату]] та посилаються на нечіткі правила щодо того, що вважається відповідним використанням ШІ, як на стимул імпровізувати, пов’язуючи розвантаження з [[academic-integrity]].
- **Когнітивний борг і розрізнення епізодичного та звичного розвантаження:** [[critical-thinking-paradox-genai-learning-2026|Lin & Al-Hada (2026)]] формалізують «парадокс критичного мислення» — покращені продукти поряд із зменшеною когнітивною залученістю, — через диференційовану трирівневу рамку (поверхневі/проміжні/глибинні ролі ШІ) і конструкт *когнітивного боргу*: потенційного кумулятивного спаду метакогнітивної калібровки та вищого порядку без допомоги, що триває за межі ШІ-підсиленого епізоду. Їхній ключовий концептуальний поступ — розрізнення **епізодичного розвантаження** (свідоме, специфічне для завдання делегування з утриманою обізнаністю) від **звичного розвантаження** (рутинної, слабко контрольованої опори), прогнозуючи, що останнє на завданнях глибинної обробки дає дисоціацію продукт–процес — вище оцінювані роботи, але нижче бездопоміжне відстрочене перенесення.
- **Спектр аутсорсинг–перерозподіл: розвантаження може перерозподіляти зусилля, а не зменшувати їх.** [[yan-cognitive-outsourcing-genai-assessments-2026|Yan та співавт. (2026)]] застосували модель пресаджа–процес–продукт Біґґса до 38 студентів бакалаврату в Японії та Китаї, що писали некеровані аргументовані есе, розташувавши залученість студентів із GenAI на спектрі, обмеженому **когнітивним аутсорсингом** і **когнітивною перерозподілом** — аналогом GenAI-епохи поверхневих проти глибинних підходів. Меншість перерозподілу повідомила про *незмінні загальні зусилля* із зрушеним фокусом, переміщуючи ресурси з пошуку низького рівня на критичну оцінку та рефлексивну консолідацію (написання рефлексивних нотаток після кожного сеансу, щоб протистояти поверхневому утриманню), що кваліфікує припущення, ніби розвантаження обов’язково віднімає когніцію. Перерозподіл був винятком, проте: 78.94% торкалися GenAI лише до початку або після чернеткування, а не поєднуючи його з незалежною роботою, і 76.32% покладалися на патерн «однотурний запит–отримати відповідь–зупинитися» (23.68% підтримували ітеративний діалог), тож інтегративну поведінку, що породжувала перерозподіл, треба було навчати, а не припускати.
- **Метакогнітивне тренування зменшує зміщення нагадування (прямі емпіричні свідчення):** [[metacognitive-training-optimal-cognitive-offloading-2026|Ngai & Gilbert (2026)]] дають першу чітку демонстрацію того, що коротка інтервенція може зробити розвантаження вимірно оптимальнішим. Два заздалегідь зареєстровані експерименти (N=164, N=416) виявили, що **лише п’ять практичних спроб, що поєднують прогноз результативності з вірогідним, спробним зворотним зв’язком**, покращили метакогнітивну калібровку та зменшили зміщення нагадування. Адитивний проєкт із чотирьох груп ізолював механізм: **самі прогнози були неефективними; додавання зворотного зв’язку щодо результативності рушило покращенням; явне позначення над-/недовпевненості не додало нічого далі**. Ефект з’явився на *абсолютному* (а не знаковому) зміщенні — тренування виправляло індивідуальну помилковість калібровки в обох напрямах. Це емпірично валідує рамку «переконання проти досвіду» вище: саме *націлений на досвід* зворотний зв’язок, а не переконання чи сам прогноз, змінює поведінку розвантаження. Автори пояснюють успіх фінансовим стимулом, пов’язаним з оптимальністю розвантаження, плюс негайним вірогідним зворотним зв’язком.
- **Підказка до рефлексії в межах завдання робить опору більш розрізняльною, а не більш оборонною:** [[ren-metacognitive-awareness-genai-reliance-2026|Ren (2026)]] рандомізував 342 студентів бакалаврату за трьома умовами (без ШІ, відкрита багатотурна підтримка [[conversational-ai|ChatGPT]] і та сама підтримка плюс коротка підказка до рефлексії щодо власного міркування й щодо того, що виправдовувало б відхилення пояснення ШІ) і виявив, що відкрита підтримка несла 62.4% прийняття хибної поради ШІ, яку підказка до рефлексії знизила до 39.7% (OR = 0.40), тоді як точність рекомендацій залишалася порівнянною в обох умовах із підтримкою (66.3% проти 67.0%), а узгодженість із правильною порадою залишалася високою. Рефлексія також покращила калібровку обізнаності між усприйманою та поведінковою опорою (0.59 проти 0.41) та знизила індекс специфічного для ШІ зміщення атрибуції з 0.42 до 0.21. Це той самий механізм *націлювання на досвід*, що й у дослідженні тренування вище, застосований усередині епізоду рішення, і він підтримує прочитання надмірної опори як моніторингу, а не частоти: знання про обмеження моделей саме по собі не зупиняло студентів від прийняття правдоподібної хибної поради.
- **Метакогнітивна лінь і новий розрив у [[equity-in-ai-education]]:** [[lodge-loble-cognitive-offloading-2026|Lodge & Loble (2026)]], секторальний звіт для австралійського шкільництва, стверджують, що основний ризик GenAI — це розвантаження когніції, а не [[academic-integrity|плагіат]]. Вони запроваджують **метакогнітивну лінь** (Fan та співавт. 2024) — зручність ШІ, що підриває залученість здобувачів у суттєві саморегулятивні процеси, тож здобувачі поступно делегують метакогнітивну відповідальність інструменту, — і вводять **розрив у метакогнітивній справедливості** («ефект Матвія зі ШІ»): оскільки продуктивне використання ШІ потребує [[prior-knowledge]] і метакогніції, уже переважені здобувачі виграють більше, тоді як ті, кому найбільше потрібна практика, найімовірніше перекладуть навчання на інструмент, розширюючи наявні поділи. Їхній запропонований засіб — **підсилення викладача** (передача інструмента експертним викладачам, щоб масштабувати їхню практику, із підтримкою досліджень, які показують, що ШІ для викладачів покращує результати за значно нижчої вартості), а не ШІ-тьютори для студентів, поряд із інструкцією зменшення навантаження та метакогнітивними підказками.
- **Надмірна опора — провідне [[ethics|етичне]] занепокоєння в усіх поколіннях [[conversational-ai]].** [[conversational-ai-agents-umbrella-review-2026|Зонтний огляд розмовних агентів ШІ]] (Ganguly та співавт. 2025, 34 огляди) повідомляє, що занепокоєння щодо людсько-ШІ-відносин — у тому числі надмірна опора та зменшення соціальної взаємодії — є **найчастіше обговорюваною етичною проблемою в усіх поколіннях CAI**, передуючи GenAI. Він також перелічує освітній вплив і когнітивні занепокоєння (у тому числі надмірну опору та деградацію критичного мислення) як другу найчастіше обговорювану категорію викликів, підкреслюючи, що шкода від розвантаження — це стійка, міжпоколінна тема, а не новинка, специфічна для GenAI.([[conversational-ai-agents-umbrella-review-2026]])

- **Викладачі як рефлексивні регулятори когніції:** [[teachers-reflective-regulators-cognition-offloading|Ho and Chen (2026)]] розширюють теорію розвантаження на *професійне* судження ШІ, інтерв’юючи 18 діючих викладачів. Вони визначають «метакогнітивну екологію», у якій викладачі впізнають, перерозподіляють та рефлексивно задіяють когніцію з GenAI, [[framing-ai-use-for-students|рамуючи ШІ]] як когнітивного партнера, а не замінника мислення, — і позначають «професійний дрейф» як ризик, коли розвантаження йде нерефлексивно в ШІ-підсиленій [[teacher-role]] та [[administrator|адмініструванні]].
- **Розвантаження — це прийняття рішень на основі цінностей, і деякі студенти вразливіші за інших.** [[seung-basham-cognitive-offloading-swld-2026|Seung & Basham (2026)]], концептуальний огляд у *Learning Disability Quarterly*, синтезують когнітивну науку, [[special-education]] та освітні технології, щоб змоделювати розвантаження GenAI як рішення про витрати й вигоди, що формується цілями результативності, складністю завдання, академічною самоексплікацією та уявленнями про інструмент. Вони стверджують, що **студенти з порушеннями навчання (SWLDs)** особливо вразливі до субоптимального розвантаження, — оскільки підвищене когнітивне навантаження, цілі результативності, що уникають зусиль, нижча академічна самоексплікація та завищені очікування щодо GenAI роблять передчасне або надмірне делегування імовірнішим. GenAI рамкується як **компенсаторний засіб або скорочення шляху залежно від того, як рішення про розвантаження взаємодіють із профілями здобувачів і [[learning-design|проєктуванням навчання]]**, причому інструкційні [[guardrails]] є ключовим модеруючим чинником (навчайте метакогнітивній саморегуляції, будуйте [[ai-literacy]], щоб калібрувати довіру до інструмента, впорядковуйте досвіди оволодіння та оцінюйте процес, а не лише продукт). Це розширює вимір справедливості розвантаження: той самий інструмент, який зменшує бар’єри доступу, може, якщо він не охороняється, підмінити саму ту практику, якої SWLDs найбільше потребують.
- **Ризик розвантаження є розвитковим.** [[niu-genai-children-creative-thinking-cognitive-development-review-2026|Niu та співавт. (2026)]] оглянули 24 джерела свідчень про [[generative-ai|GenAI]] і [[creativity|творче мислення]] дітей і виявили [[cognitive-offloading|надмірну опору]] та залежність від підказок серед повторюваних ризиків, найсильніших у нижчих класах, поряд із мисленням за шаблонами та труднощами дітей судити, чи була пропозиція ШІ самобутньою; одне порівняння фМРТ зафіксувало нижчу залученість мереж когнітивного контролю та уваги під час взаємодії дитини з ChatGPT, ніж у людській розмові. Оскільки молодші діти не мали лінгвістичних і метакогнітивних навичок, яких вимагає підказка на основі тексту, автори рекомендують утримувати [[ai-literacy|ШІ-грамотність]], авторство та генерування ідей без допомоги всередині самої діяльності та вимірювати незалежну креативність окремо від ШІ-підсиленого результату. Це додає вимір віку до патернів вразливості вище.
- **Питання «мислити менше проти вчитися інакше» є умовним.** [[nesnin-cognitive-offloading-ai-students-2026|Nesnin та співавт. (2026)]] пропонують ширший аналітичний огляд, що робить висновок: ШІ **не обов’язково змушує студентів думати менше, а перетворює те, як вони навчаються**, — результат залежить від використання. ШІ, який прояснює, перевіряє та веде, покращує навчання; ШІ, який заміщує незалежне мислення, дає пасивну залежність. Це сходиться з усюдисущою межею «скаффолдинг проти підміни» в базі знань та з умовним поглядом на шкоду розвантаження.
- **Розвантаження чутливе до рівнів: важлива глибина делегування, а не лише його наявність.** [[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] вводить чутливий до рівнів акаунт для [[writing-education|академічного письма]] — поверхневий (граматика/лексика), структурний (план/упорядкування), ідейний (твердження/зміст) та міркувальний (підстави/контраргументи/аргументативна логіка). У восьмитижневому квазіексперименті відкрита співпраця зі ШІ дала найвищий *підсилений* письмовий результат, але найнижчий незалежний результат без ШІ, причому глибинніші рівні розвантаження несли найсильніший негативний зв’язок із незалежним мисленням вищого порядку [[higher-ed]] (непрямий ефект розвантаження міркування ab = −0.34 проти поверхневого −0.08). [[self-regulated-learning|Саморегульоване письмо]] послаблювало, але не усувало шкоду. Це уточнює межу «скаффолдинг проти підміни»: деякі рівні делегування підтримують, тоді як глибинніші підміняють когніцію, що будує [[critical-thinking]].
- **Причинний тест прогнозу розвантаження, зі зміненим знаком: письмо з ChatGPT дало *менше* навчання, ніж письмо без допомоги.** [[chatgpt-writing-cognitive-impact-2026|Wagner-Kobayashi (2026)]] провів міжгруповий експеримент, у якому 35 студентів психології витратили 20 хвилин на розгортання вхідного тексту, із GPT-3.5, доступним лише експериментальній групі, і склали ідентичний тест знань до й після. Гіпотетична взаємодія група × час була значущою (F(70) = 5.889, p = .018), але вказувала в інший бік — група без ChatGPT навчилася більше (постиспит M = 8.29 проти 6.94; b = −1.450), — фальсифікуючи прогноз [[writing-education|письма-щоб-навчитися]], що ChatGPT посилить [[metacognition|розгортання]]. Те, що витекло, — саме зусилля розгортання: учасники породили лише 2.25 приклади та 0.88 зв’язків у діалозі з інструментом і повідомили, що пріоритезували кількість слів над глибиною, — прочитання авторами *дефіциту використання* інструмента, доступного, але не розгорнутого, і відповідно до зменшених психічних зусиль та поведінки копіювання-вставлення, яку сторінка фіксує деінде. Щойно [[motivation]] увійшла в модель, ефект група × час обвалився (p = .280), і вища мотивація та інтерес до теми прогнозували приріст лише *всередині* групи ChatGPT, тож саме студентів із низькою мотивацією та низьким інтересом інструмент ставив у невигідне становище — експериментальна підтримка мотиваційного шляху до надмірної опори, який ця сторінка документує. Автори читають результат вузько (малий ефект, що порушує припущення, під тиском часу й без тренування) і рекомендують навчати студентів, як розгортати інструмент, а не забороняти його, що утримує висновок на межі «скаффолдинг проти підміни», а не робить його вердиктом інструменту.
- **Континуум «капітуляція–розвантаження–аґентність».** Швидкий огляд Sydney PreK-12 (Arthars та співавт. 2026, 271 стаття) рамкує використання GenAI за когнітивним, метакогнітивним та афективним вимірами: *[[cognitive-surrender|капітуляція]]* (відповідальність за навчально релевантну роботу переходить до GenAI, часто несвідомо), *розвантаження* (свідоме, можливо продуктивне делегування, що стає навчанням лише якщо його перевіряють/розгортають) та *аґентність* (утримання відповідальності за зусилля й судження). Він також попереджає про **метакогнітивну нерівність**: слабші метакогнітивно студенти вразливіші до шкідливого розвантаження та менш здатні його впізнати.([[young-people-learning-generative-ai-rapid-review-2026]])
- **Залежність регулюється самоексплікацією так само сильно, як і здібністю.** Залежність від ШІ — не просто продукт технічної навички: [[student-dependency-on-ai-literacy-self-efficacy-2026|Maizel та співавт. (2026)]] показують, що ШІ-грамотність на основі навичок прогнозувала вищу залежність (узгоджено з поглядом «спроможність-що-уможливлює/розвантаження»), тоді як самоексплікація щодо ШІ та академічна самоексплікація буферизували проти надмірної опори, — вказуючи, що розвантаження регулюється мотиваційними переконаннями самоексплікації так само сильно, як і здібністю.
- **Розвантаження змінює поріг реагування, а не лише місткість.** [[ai-advice-suppresses-ikt-suspension-2026|Marcoccia та співавт. (2026)]] показують, що сама наявність доступу до поради ШІ майже звела нанівець готовність людей сказати «я не знаю» — навіть коли порада була хибною, — майже подвоївши впевненість і знизивши точність до третини; стимули відновили точність (зменшуючи опору), але не зупинення.
- **Розрив безпеки як вартість розвантаження боротьби.** [[wang-safety-gap-productive-struggle-2026|Wang & Shan (2026)]] формалізують розбіжність між ШІ-підсиленою результативністю студента та його недопоміжною спроможністю як «розрив безпеки» — епістемічний ризик, коли ШІ робить когнітивну роботу, а здобувач не може її відтворити. [[kim-ai-productive-failure-adult-2026|Kim та співавт. (2026)]] і [[puech-pedagogical-steering-llm-productive-failure-2025|Puech та співавт. (2025)]] показують, що проєктування [[productive-failure]] (утримання відповідей, збереження боротьби) є протизаходом.
- **Спектр ICAP/SAMR рамкує розвантаження як континуум режимів, а не бінарність.** [[thermomix-genai-education-analogy-2026|Rummel, Nachtigall та Panadero (2026)]] відображають аналогію кухонної машини Thermomix на навчання з [[generative-ai]] в межах рамок [[icap-framework|ICAP]] і [[samr-model|SAMR]], показуючи чотири сценарії, що прогресують від **пасивної підміни** (повний аутсорсинг завдань — кінець розвантаження, що ризикує втратою навички та обмеженою [[creativity]]) до **інтерактивного переозначення** (ШІ як [[pedagogical-agent|партнер з діалогу]], що дає зворотний зв’язок [[feedback|адаптивний зворотний зв’язок]] у реальному часі та ко-конструювання — залучений кінець). Це перерамуює шкоду розвантаження як умовну залежно від *режиму використання*, а не лише частоти, сходячись з усюдисущою межею «скаффолдинг проти підміни»: те, чи лежить використання ШІ на кінці підміни/Substitution чи переозначення/Redefinition спектра, визначає, чи витісняє воно когніцію, що будує навчання, чи підтримує її.

## Надмірна опора: коли розвантаження стає шкідливим

Драбина, за якою йде ця сторінка, має три щаблі, і лише перші два належать сюди. **Розвантаження** — це делегування психічної роботи, що часто є продуктивним; **надмірна опора** — це роблення цього хронічно й без калібровки, що є поведінковою невдачею, яку документує цей розділ; **[[cognitive-surrender]]** — це інша невдача: оцінний крок ніколи не відбувається, тож здобувач приймає відповідь ШІ без жодного судження про її якість. Межа видима в тому, що просять постачати ШІ: [[du-yuan-epistemic-dependence-2026|Ду та Юаня]] *інструментальна* допомога породжує результат, тоді як *несудоносна* допомога постачає стандарт, за яким результат судиться, і саме другий вид витісняє роботу, від якої залежить експертиза. [[young-people-learning-generative-ai-rapid-review-2026|Швидкий огляд Sydney]] проводить те саме трибічне розрізнення за 271 статтею. Отже, капітуляція має власну експериментальну сигнатуру і власну сторінку; надмірна опора залишається проблемою частоти й калібровки, і ці два є відокремлюваними результатами в тому самому завданні — в [[shaw-nave-cognitive-surrender-2026|Шоу та Нейва]] дослідженнях 73.2% спроб із хибним ШІ завершувалися капітуляцією, тоді як 19.7% — стратегічним розвантаженням.
**Бенчмарк, зовнішній щодо будь-якого окремого дослідження, вимірює ту саму невдачу й виявляє її поширеною.** ImpactBench оцінив десять моделей на 48 540 змодельованих розмовах: його метрика асиметрії когнітивного розвантаження в середньому становила 51.9%, а когнітивної інтрузії, пов’язаної з плануванням, — 47.1%. Його освітній випадок має Claude Sonnet 5, який віддає тезис, план і ціле есе «готове вставити», щойно змодельований студент тисне на закінчений чернетку, водночас усе ще відмовляючись фабрикувати цитати ([[impactbench-ai-impact-on-humans-2026|ImpactBench (2026)]]). Навчання та розвиток навичок було найслабшою з 14 підобластей за обома полярностями — 45.9% і 16.3%.

**Надмірна опора** — це надмірна або некалібрована залежність від інструментів ШІ, коли студенти делегують когнітивну роботу, яку мають виконувати самі, що дає зменшене навчання, зменшену [[agency]] та витіснення розвитку навичок. Це поведінкове проявлення надмірного розвантаження когніції: коли розвантаження стає типовим, а не стратегічним вибором. Надмірна опора — не просто про використання ШІ надто багато, — це про використання ШІ способами, що підміняють, а не доповнюють процеси навчання. Концептуальна робота закликає утримувати цю освітню надмірну опору відокремленою від реляційної прихильності та [[medical-education|клінічної]] залежності: [[yan-conversational-ai-engagement-dependence-synthesis-2026|Yan (2026)]] показує, що довіра, опора, надмірна опора, прихильність і проблематичне використання рутинно змішуються в літературі з розмовного ШІ, і що часте делегування не слід позначати як залежність без порушеного контролю чи шкоди.

- **Парадокс ефективності: цілі оволодіння, що обвалюються в розвантаження «типово».** [[yan-cognitive-outsourcing-genai-assessments-2026|Yan та співавт. (2026)]] виявляють здобувачів, які сформулювали цілі, орієнтовані на оволодіння, проте втілили поверхневі процеси, розвантажуючи «не за наміром, а типово»: їхні три групи намірів (Інструмент аутсорсингу n = 16, Помічник навчання n = 31, Когнітивний партнер n = 8) показують, що модальний випадок — це ні свідоме обманювання, ні свідоме навчання. Студенти групи аутсорсингу впізнавали власну відчуженість (копіювання-вставлення абзац за абзацом описувалося як «це повністю замінило мій мозок») і повідомляли про швидке забування, і всі 34/36 опитаних повідомили про низьку впевненість в ефективному використанні GenAI — свідчення, що надмірну опору може рушати відсутність пресаджних умов ([[ai-literacy]], компетентності підказок, специфічного для завдання керівництва), а не мотивація уникати роботи.
- **Аґентне кодування розвантажує розуміння на практиці:** [[spec-driven-development-ai-agents-sdpbl-2026|Tanaka та співавт. (2026)]] повідомляють, що студенти бакалаврату, які використовували [[agentic-ai|агентів ШІ]] в курсі проєктування програмного забезпечення, писали більше коду рік-у-рік, але показували спади розуміння за важкого використання, — відновлювані через індивідуальну перевірку викладачем згенерованого ШІ коду.
найбільш значних ризиків ШІ в освіті:

- **Витіснення навчання:** [[ai-making-us-stupid|Дослідження когнітивних ефектів ШІ]] документує, як наявність ШІ зменшує зусилля обробки — «ефект Google, розширений на міркування». [[stamatoulis-genai-use-patterns-2026|Stamatoulis та співавт. (2026)]] ізолюють це як відмінний *патерн* використання: **здобування з низькою перевіркою** (некритичне прийняття результату ШІ) прогнозувало гірші [[learning-gains|академічні результати]], тоді як **оцінна інтеграція** (використання ШІ для підтримки розуміння) прогнозувала кращі результати, — а сама **частота** використання не прогнозувала ні того, ні іншого. Отже, надмірна опора — це *режим використання*, який можна відокремити від того, наскільки багато студенти використовують ШІ.
- **Проблема аґентності:** [[aied-unfinished-mission-bypass|Незакінчена місія AIED]] рамкує надмірну опору як кризу аґентності та мотивації — студенти обходять навчання не тому, що ШІ привабливий, а тому, що навчальні завдання відчуваються безглуздими, коли ШІ може виконати їх без зусиль.
- **Ерозія мотивації:** [[ai-availability-student-motivation|Дослідження мотивації студентів]] виявляє, що знання про наявність ШІ зменшує усприйняну цінність навчання навички самому, — мотиваційний обчислення, яке особливо впливає на здобувачів-початківців.
- **Наполегливість також ейодиться, і швидко.** Приблизно після десяти хвилин із помічником, який відповідав на запит, учасники пропускали 0.20 недопоміжних задач проти 0.11 для контролю й вирішували 0.57 проти 0.73, реплікуючи в розумінні прочитаного ([[liu-ai-assistance-reduces-persistence-2026|Liu та співавт., 2026]]).
- **Борг грамотності:** [[agentic-literacy-debt|Аґентний борг грамотності]] описує кумулятивний дефіцит навички, що розвивається, коли студенти звично покладаються на ШІ, а не розвивають власних компетентностей, аналогічний до технічного боргу в програмному забезпеченні.
- **Цикли втоми:** [[ai-fatigue-academic-contexts|Дослідження втоми від ШІ]] визначає парадокс, у якому надмірна опора веде до когнітивної втоми від постійного управління взаємодією зі ШІ, що своєю чергою рушить БІЛЬШОЮ опорою — порочне коло.
- **Правило розміщення:** [[brcic-effortless-trap-productive-struggle-2026|Пастка беззусилля]] перерамковує «дозволити проти заборонити» як питання розміщення — неохоронюваний помічник ШІ залишив студентів старшої школи приблизно на 17% гіршими на іспиті без допомоги, тоді як та сама модель, перебудована, щоб утримувати відповіді, звела шкоду нанівець. Йї діагностика — *«якщо впускання ШІ робить завдання беззусильним, воно в неправильному місці»* — забезпечує першу важку спробу та фінальну перевірку без допомоги як моменти, де надмірна опора найлегше ховається як «ілюзія навчання».
- **Метакогнітивне збереження:** [[vibe-compiler-metacognition-genai-agency-2026|Модель взаїмності синтезу й аналізу]] пропонує інструменти, які зберігають людську епістемічну аґентність, структуруючи взаємодію зі ШІ навколо людських циклів аналізу, а не циклів генерації ШІ.
- **Метакогнітивна механіка надмірного використання:** рамка «переконання проти досвіду» пояснює, *чому* студенти надмірно розвантажують, навіть коли це їх шкодить, — люди розвантажують імпульсивно, а наявні метакогнітивні *переконання* закріплюють поведінку швидше, ніж завданнєві *досвіди* можуть її виправити, — тож протиотрута на надмірну опору є метакогнітивною, а не лише обмежувальною.
- **Надмірну опору можна тренувати через тренування калібровки:** [[metacognitive-training-optimal-cognitive-offloading-2026|Ngai & Gilbert (2026)]] показують, що зміщення нагадування — лабораторний аналог надмірної опори, — можна зменшити короткою метакогнітивною інтервенцією (п’ять практичних спроб, що поєднують прогноз із зворотним зв’язком), виправляючи калібровку в обох напрямах. Це означає, що протиотрута на надмірну опору — не лише обмежувальні правила, а **тренування калібровки, яке робить студентів точними щодо того, що вони справді можуть зробити без допомоги**.
- **Польові свідчення: ШІ, який тренує, проти ШІ, який відповідає.** [[making-ai-tutoring-productive-mastery-math-2026|NUMI (Oreopoulos та співавт. 2026)]] виявили, що підтримка ШІ, яка тренувала, а не давала відповіді, сповільнювала студентів, але зменшувала уникнення зусиль, — покращуючи правильність наступної спроби після помилок за більшого часу на питання («продуктивне уповільнення»), — тоді як [[one-click-away-khanmigo-two-year-school-experiment-2026|Khanmigo (Oreopoulos & Low 2026)]] показав, що без структури, що робить помилки значними, студенти типово переходять на поверхневе використання (голі відповіді, кліки підказок), а здобутки збігаються з практикою без ШІ. Обидва підтверджують, що шкода розвантаження залежить від того, **як** ШІ використовується й проєктується, а не лише від доступу. CoMeT (Hou та співавт. 2026) дає вимір проєктування, який ця межа інакше залишає неявним, — тьютор може нести *більше* праці, не купляючи більшого делегування. Його драбина піднімалася на один щабель щоразу, коли здобувач не використовував його підтримку, й падала на найлегший щабель при здобуванні, утримуючи [[metacognition|метакогнітивний запит]] статистично еквівалентним тьютору, який утримував відповіді за проєктом (p_TOST = .004), тоді як артефакт досягав робочого простору в 48.1% сеансів проти 23.7% під цим утримуючим тьютором, і здобувачі просили його будувати в 50.4% сеансів проти 51.1% під необмеженим тьютором «відповідь на запит» (OR = 0.95, p = .82). Делегування стежило за запитом, який тьютор покладав на здобувача, а не за кількістю роботи, яку він перебирав.
- **Великомасштабні польові свідчення: «[[generative-ai]]-штраф на навчання».** [[stromberg-generative-ai-learning-penalty-secondary-2026|Strömberg, Lei, & Wu (2026)]], відстежуючи 26 811 китайських студентів середньої школи протягом 30 місяців, виявили, що самоорієнтоване запровадження генеративного ШІ підвищило бали за домашні завдання на 18% і зменшило час на них на 30%, водночас *знижуючи* бали [[summative-assessment|іспитів із закритими книгами]] на 20% протягом шести місяців і бали вступних іспитів на 18–24% після двох років, — зосереджено серед приблизно 81% користувачів, чия поведінка вказувала на аутсорсинг домашніх завдань (короткий час завершення + завищені бали за домашні завдання). Це прямі великомасштабні свідчення, що неохоронюване розвантаження (використання ШІ як підміни домашніх завдань, а не як тьютора) породжує штраф на навчання, який прогнозує розвантаження когніції, часто не виявлений самими студентами.
- **Надмірна опора ейодиє самоорієнтоване навчання через мотивацію та самоексплікацію.** [[genai-thoughtless-use-self-directed-learning-2026|Zhao & Gu (2026)]] моделюють механізм напряму: у 487 китайських студентів бакалаврату **бездумне використання GenAI (TUGA)** — прийняття результатів ШІ без критичної оцінки — суттєво підривало [[self-directed-learning]] (β = −0.42) і безпосередньо, і через часткове опосередкування [[motivation]] (β = −0.54 шлях від TUGA) та [[self-efficacy]] (β = −0.37). Модель пояснювала 75.3% дисперсії SDL. Оскільки мотивація була найсильнішим позитивним рушієм SDL (β = 0.68), а бездумне використання її пригнічує, це [[quantitative-research|кількісне]] свідчення, що надмірна опора шкодить мотиваційним і самоексплікаційним ресурсам, від яких залежить автономне навчання, — з гендерними відмінностями (сильніша шкода мотивації для чоловіків, сильніша шкода самоексплікації для жінок).

- **Тенденція до розвантаження прогнозує нижчі результати вищого порядку, і грамотність перевірки потребує метакогніції, щоб окупитися.** [[davor-ai-supported-learning-higher-order-outcomes-2026|Davor, Larbi and Boateng (2026)]] опитали 533 університетських студентів у Гані та змоделювали тенденцію до розвантаження, скаффолдинг завдань ШІ та [[ai-literacy|грамотність перевірки ШІ]] проти результатів вищого порядку через [[metacognition|метакогнітивну саморегуляцію]]. Тенденція до розвантаження була найсильнішим негативним предиктором [[critical-thinking|критичного мислення]] (−.240) і технічного [[problem-solving|вирішення проблем]] (−.312), а також пригнічувала метакогнітивну саморегуляцію (−.294), тоді як скаффолдинг прогнозував обидва результати позитивно (.185 і .170). Грамотність перевірки не мала значущого прямого ефекту на жоден із результатів і працювала лише через метакогнітивну саморегуляцію — патерн повного опосередкування, який автори називають механізмом метакогнітивної активації: навчання студентів перевіряти результат ШІ недостатньо саме по собі, бо оцінна звичка окупається лише тоді, коли вона вбудована в планування, моніторинг і рефлексію під час завдання.
- **Залежність діє як гранична умова на вигідність використання.** [[shojaei-genai-dependence-critical-thinking-employability-2026|Shojaei та співавт. (2026)]] опитали 412 студентів бакалаврату з бізнесу в Омані та розклали зв’язок між використанням [[generative-ai|GenAI]] і самоповідомленою диспозицією критичного мислення: нульова кореляція була близькою до нуля (r = 0.050), тоді як скоригований коефіцієнт був позитивним (.185), бо негативний непрямий шлях через залежність (−0.147) його зівнював. Залежність була негативно пов’язана як із диспозицією (−.389), так і зі самоусприйняною працевлаштовністю (−.328) та ослаблювала обидва зв’язки використання-результат, а прості нахили падали від 0.424 за низької залежності до −0.054 за високої, — послаблення, а не обернення. Прочитання утримує висновок на боці режиму використання межі: залежність позначає, де використання зрушує від посилення до підміни, і сама частота маскує протилежні шляхи.
- **Надмірна опора на ШІ як складна [[adaptive-learning|адаптивна]] система.** Замість вивчення надмірної опори по одному користувачеві [[ai-overreliance-complex-adaptive-system-2026|стаття з моделювання]] рамкує її як процес на рівні популяції, у якому агенти оновлюють баєсівські переконання щодо якості ШІ й, коли в мережі, вчаться від ровесників. Соціальне підтвердження може обернути опору в каскад зворотного зв’язку (видиме неперевірене використання пригнічує перевірку), тоді як соціальне навчання створює консенсус, а не надмірну опору, — рамкування, яке зрушує цілі інтервенцій від індивідуальної калібровки до мережевої динаміки довіри та опори.
- **Шість діагностичних критеріїв відокремлюють продуктивну опору від шкідливої залежності.** [[du-yuan-epistemic-dependence-2026|Du & Yuan (2026)]] дають надмірній опорі більш дрібнозернистий діагностичний словник, ніж частота використання, відрізняючи інструментальну допомогу (ШІ допомагає породити результат) від несудоносної допомоги (ШІ постачає стандарти, за якими результат оцінюється). Їхній огляд операнціоналізує межу продуктивне/шкідливе через шість критеріїв — **оспівуваність, відновлюваність, перенесення, прослідовуваність, розподілена відповідальність та епістемічний плюралізм», — і простежує чотири соціотехнічні шляхи (плавна авторитетність, безтертя делегування, непрозорий синтез, інституціоналізована залежність), якими розвантаження або зберігає, або витісняє епістемічну роботу, що розвиває судження. Оскільки залежність є контекстуальною та інституційною, а не лише індивідуальною, рамка спрямовує увагу на стимули оцінювання, проєктування інтерфейсу та закупівлю нарівні з саморегуляцією здобувача.
- **Невиміряне відлуння: когнітивне вимивання.** [[cognitive-washout-ai-skill-decay-2026|Yajee (2026)]] називає найбільшим відкритим питанням напряму *пост-відкликання*: майже всі дослідження розвантаження вимірюють когніцію під час використання ШІ, але майже нічого не вимірює, що відбувається після відкликання помічника на дні чи тижні (іспит, збій, перевірка ліцензії). Він формалізує **когнітивне вимивання** з моделлю кривої вимивання — оцінними параметрами для сталої часу відновлення, повноти відновлення, залишкового зростання та індексу гістерезису, що порівнює перевчення з початковими зусиллями, — і чотирма можливими результатами (пружне відскання, часткове плато, прихований скаффолдинг, надмірне відновлення). Оскільки оборотність визначає, чи є індукований дефіцит незручністю, чи травмою на рівні цілої когорти, стаття стверджує, що відкликання заслуговує на такий самий методологічний стан, як і запровадження, і специфікує протокол із трьох рукавів, трьох доменів і двадцяти двох тижнів, щоб розсудити між результатами. Це обертає розрізнення «коуч проти милиці» та «підмісне проти дублікатного» вище в *перевірювану довгострокову* дослідну програму про те, чи і як швидко повертаються розвантажені навички.
- **Опора без знань домену деградує в вгадування.** [[ai-particle-physics-education-redesign-2026|Mikhasenko та співавт. (2026)]], перепроєктуючи вступний курс з ядерної та елементарної [[physics-education|фізики]] в Університеті Рур-Бохум, описують режим невдачі опори за відсутності знань домену: коли студент не міг судити, чи була згенерована відповідь фізично обґрунтованою, намічена «розмова зі ШІ» деградувала в вгадування проти правдоподібного, але ненадійного результату. Опитування того самого курсу в середині семестру (n=30) виявило часте використання ВММ (24 із 29 використовували їх часто або завжди) поряд із низькою [[self-report-measures|самооцінною]] підготовленістю до обчислювальної вправності, якої вимагали завдання, а відкриті відповіді підняли залежність від ШІ та нерівний доступ до платних моделей серед пунктів тертя.
- **Даоський контраргумент: розвантаження не просто непрактичне, але й саморуйнівне.** [[daoism-ai-education-philosophy-2026|Xie (2026)]] дає нормативний, антиделегаційний контраргумент із даоського самовдосконалення: у практиці Нейдань (內丹) «немає когнітивних скорочень шляху», і практикуючий не може віддати працю зовнішнім пристроям, тож ШІ має бути «не когнітивною сурогатом, а інструментальним доповненням», подібним до алхімічної печі, — рамкування, яке узгоджується з межею «коуч проти милиці» вище, а не з підмісним розвантаженням.

**Розвантаження може коштувати себе, а не лише навичку.** [[rented-self-decoupling-performance-becoming-2026|de Barba (2026)]] називає ту частину доменного себе здобувача, чиї здібності перебувають в інструменті з підтримкою ШІ і доступні лише на умовах постачальника, *найманим себе*, і відокремлює дві вартості. *Калібровочна* вартість — це помилково визначене місце: незадоволення здібності, яку хтось тримає, або завищення тієї, яку тримає інструмент, — тоді як вартість *себе* випливає щоразу, коли базова здібність є найманою, навіть свідомо, бо операції, що будують себе, ніколи не виконуються. Її чотири конфігурації перетинають місце з атрибуцією: володійна компетентність, незадоволена компетентність, видимий найм та прихований найм, — остання є тією, що знімає сигнал, спонукаючи здобувача будувати те, що він вірить, що вже володіє.

**Консенсус 30 експертів ставить шкоду на обох кінцях навчальної послідовності.** Заздалегідь зареєстроване вправління Delphi над 65 навчальними процесами виявило набуття вразливим (Кодування 3.30, Пригадування 3.30, Набуття інформації 3.00 за шкалою порушення 1-5), консолідацію посиленою (Навчання зі зворотного зв’язку 4.00, Навчання з прикладів 3.90, Самотестування 3.80), і мислення вищого порядку знову вразливим ([[genai-support-threaten-learning-k20-expert-consensus-2026|Kendeou, Greene & Nixon та співавт., 2026]]). Десять із вісімнадцяти процесів вищого порядку досягли консенсусу лише щодо вразливості, з оцінками посилення нижче порогу.

### Рамка CLT

Теорія когнітивного навантаження (Свеллер) дає оспорювану теоретичну лінзу на [[cognitive-psychology|робочу пам’ять]] і навчання: внутрішнє навантаження (складність завдання), зайве навантаження (тертя подання) та релевантне навантаження (зусилля побудови схем). Добре проєктований ШІ має зменшувати зайве навантаження, зберігаючи релевантну обробку; погано інтегрований ШІ зменшує всі три, залишаючи студентів із виконаними завданнями та порожнім навчанням. Зауважте, що претензії теорії оспорюються в ширшій літературі, але її рамкування залишається впливовим у тому, як обговорюються ефекти розвантаження.

**Ставки розвантаження на рівні професії.** Рамка когнітивного спільного ([[cognitive-commons-ai-expertise-regeneration|Lovett 2026]]) розширює розвантаження з індивідуального на колективний рівень: коли ШІ дозволяє молодшим працівникам пропускати когнітивну боротьбу, що будує глибоку експертизу, він може збіднити спільний пул експертизи професії з часом, — «Валідаційна прив’язка» означає, що ефективний нагляд за ШІ залежить від того самого оволодіння, яке запровадження ШІ може підірвати. Це перерамковує розвантаження та занепад навички на індивідуальному рівні як проблему регенерації на рівні систем із [[governance]] наслідками.

### Зв’язки з суміжними поняттями

Розвантаження когніції (і його шкідлива форма, надмірна опора) фундаментально пов’язане з [[trust-calibration]] — знати, коли довіряти ШІ, а коли його оспівувати, — та з [[ai-literacy]], яка включає метакогнітивну навичку знати, коли розвантажувати, і впізнавати власні патерни опори. Воно пов’язане зі [[scaffolding]] (структурована підтримка, яка зменшує навантаження, не усуваючи когнітивного запиту) та з [[prompt-engineering]] (основний механізм, яким розвантаження втілюється у взаємодіях із ВММ). Воно перетинається з [[metacognition]] та [[self-regulated-learning]] — ефективні здобувачі калібрують свої рішення про розвантаження, — і з [[critical-thinking]], [[agency]] та [[student-experience]]. [[online-teaching-and-learning]] — особливо вразливий контекст: середовище вже віддалює здобувачів від негайної підзвітності, а самопейсова, екранна робота запрошує скорочення шляху «попроси відповідь», яке дослідження розвантаження визначає як основний механізм шкоди (див. [[ai-misuse-learning-harm]]).

**Не все розвантажене тертя — зайве тертя.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom та Inzlicht (2026)]] проводять розрізнення, якого потребує література з розвантаження: попередні [[ai-technologies]] знімали *зайве* тертя — нудні або непереборні перешкоди з малою навчальною чи змістовою цінністю, — тоді як генеративний ШІ в інтелектуальній роботі також знімає *корисне* тертя, дозволяючи здобувачеві перейти від ідеації до оцінки, не оспівуючи результату. Вони викладають асоціативні свідчення прямо: люди, які використовують ШІ, борються з тим, щоб точно пригадати або відтворити власну роботу, набувають менше навичок, показують менше перенесення та працюють гірше, коли підтримку ШІ знято, — сходячись з висновками про когнітивний борг із ЕЕГ-досліджень написання есе з помічником ШІ. Їхній аргумент також дає мотиваційну половину механізму, якої чисто когнітивні акаунти не виловлюють: оскільки зусилля сигналізує, що наші дії важливі, розвантаження його зменшує оцінений смисл і призначення, і коли ШІ підміняє зусилля в домені, мотиваційна виплата за зусилля там ейодиється, поглиблюючи опору далі. Виправна статті — це градієнт, а не заборона: збережіть помірну боротьбу, зніміть те, що лише перевантажує ([[desirable-difficulties]], [[motivation]]).

- **Сигнал незалученості з’являється розвиково.** Перше нейровізуалізаційне порівняння дітей і дорослих, що розмовляють з ChatGPT, виявило, що 6–7-річні показували слабший внутрішньомережевий зв’язок, ніж дорослі, у фронтопарієтальних контрольних, салієнсних та дорсальних уважних мережах — за узгоджених оцінок креативності, — і не мали зв’язку креативність–зв’язок, який показували дорослі. Оскільки ці виконавчі функції (планування, моніторинг, інгібування) незрілі в першому класі, автори читають результат як релевантний до дебату про мінімальний вік. Застереження: немає контролю без ChatGPT, n = 31, і конфаунд рамкування, який міг пригнітити критичну оцінку дітей ([[horowitz-kraus-children-chatgpt-cognitive-control-2026|Horowitz-Kraus та співавт. (2026)]]).

- **Залежне проти автономного розвантаження — розрізнення, яке визначає результат:** [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] організовують свідчення GenAI навколо загостреної версії цієї межі, спираючись на трихвильове дослідження 589 студентів і молодих працівників із знань: *залежне* розвантаження делегує базове мислення інструменту і було пов’язане з перенесеною [[agency]], нижчою внутрішньою мотивацією та гіршими усприйнятими когнітивними результатами, тоді як *автономне* розвантаження утримує епістемічну аґентність у здобувача й показувало протилежний патерн. Висновок, який найбільше важливий для виявлення, — негайні вигоди результативності не відрізнялися між двома режимами, тож здобувач, який плавно вирішує завдання в будь-який даний день, не дає сигналу про те, в якому режимі він перебуває. Той самий огляд фіксує ширший розкол у свідченнях — трирівневий [[meta-analysis-systematic-review|метааналіз]] помірної загальної вигідності (g = 0.499; g = 0.669 для розуміння, когніції та креативності) проти зв’язків між залежністю, втомою та слабкішим [[critical-thinking]], — і простежує неадаптивне використання до екстерналізованої саморегуляції, а не до залежності від технологій.
- **Три шляхи взаємодії, а не одна поведінка.** Модель взаємодії нейропластичності зі ШІ (NAIM) відокремлює пряме обходження, де модель постачає розв’язок і генеративне зусилля зникає; розвантаження когніції, де специфічні підпроцеси делегуються, і ефект залежить від того, чи є ці підпроцеси навчальною ціллю; та скаффолдинг, де модель обмежує допомогу, щоб зберегти зусилля обробки ([[naim-bypass-offload-scaffold-llm-learning-2026]])
Два контрольовані дослідження в нещодавній партії фіксують обидві половини цієї претензії — чи зрушується поведінка, і що вона захищала. [[metacognitive-feedback-anti-deskilling-offloading-2026|Maier та співавт. (2026)]] зробили навчальне наслідок розвантаження видимим перед кожним вибором у заздалегідь зареєстрованому експерименті з 704 учасниками, що практикували арифметику дробів: шанси розвантажити відповідь впали до OR = 0.47, і шанси правильно відповісти на пізніше завдання тесту без допомоги зросли до OR = 1.51, тоді як винагорода на основі зусиль не рушила жодним із результатів. Розвантаження накопичувалося в межах сеансу — після розвантаження одного завдання учасники розвантажували наступне в 69.7% випадків без зворотного зв’язку і в 55.9% з ним, — і зростання розвантаження на десять відсоткових пунктів було пов’язане з 32% нижчими шансами недопоміжного успіху (OR = 0.68). [[chatgpt-programming-performance-retention-ownership-2026|Bergh та співавт. (2026)]] дають додаток з боку результату: 55 студентів бакалаврату з комп’ютерних наук, які кодували з ChatGPT, набрали 89% проти 69% без нього, пригадали менше того самого матеріалу негайно (41% проти 53%) і через 48 годин (39% проти 52%), і віднесли лише 45% поданого коду до себе проти 81%. Прочитані разом, дослідження зворотного зв’язку показує, що поведінку можна зрушити, не обмежуючи доступу до інструмента, а дослідження програмування показує, що саме захищала зрушена поведінка.. Модель калібрована проти найсильніших наявних польових свідчень: необмежений доступ до GPT-4 у дослідженні майже 1 000 студентів старшої школи з [[math-education|математики]] підвищив результативність практики на 48%, проте залишив дефіцит 17% на іспиті без допомоги, тоді як GPT Tutor, обмежений підказками, дав приріст практики 127% із дефіцитом на іспиті, зведеним нанівець у значній мірі. Отже, розвантаження шкідливе лише в конфігурації обходження, і оперативною змінною проєктування є те, чи підміняє модель цільову навичку, що оцінюється. ([[naim-bypass-offload-scaffold-llm-learning-2026]])
Та сама логіка обертає формування винагороди в інструмент проєктування: [[assistance-dilemma-rl-tutoring-2026|Macina та співавт. (2026)]] тренують тьюторів на ВММ з маскованим постиспитом близького перенесення та двома бінарними воротами, тож винагорода може зростати лише через те, що студент написав у власних хвилях, і їхній абляційний аналіз показує, що саме ворота, а не сировинна винагорода за навчальний приріст, є тим, що зменшує передачу розв’язку.


## Пов’язані поняття

- [[pedagogical-patterns]] — Ризик, якого кожна зусиль-перша послідовність покликана уникати
- [[learners]] — Здобувачі: парасолька для понять на боці здобувача
- [[ai-literacy]] — Знання, коли розвантажувати, і впізнавання патернів опори
- [[agency]] — Зменшується, коли ШІ підміняє когніцію здобувача
- [[critical-thinking]] — Деградує від некаліброваного розвантаження
- [[creativity]] — Підривається, коли ШІ заміщує генеративний акт здобувача
- [[distributed-cognition]] — Компроміс ефективності–регулювання делегування
- [[embodied-learning]] — Ситуативна когніція як альтернатива аутсорсингу
- [[generative-ai]] — Контекст інструмента ШІ-опосередкованого розвантаження
- [[metacognition]] — Калібрування, коли розвантажувати, а коли залучатися
- [[online-teaching-and-learning]] — Середовище, вразливе до скорочення шляху «попроси відповідь»
- [[prompt-engineering]] — Основний механізм розвантаження у використанні ВММ
- [[scaffolding]] — Зменшення навантаження без усунення когнітивного запиту
- [[self-directed-learning]] — Ейоджується бездумним використанням ШІ
- [[self-regulated-learning]] — Регулювання рішень про розвантаження
- [[trust-calibration]] — Знання, коли довіряти ШІ, а коли його оспівувати
- [[retrieval-spacing-interleaving]] — протипрактика до того, щоб дозволяти моделі здійснювати пригадування від імені здобувача
- [[cognitive-surrender]]

## Пов’язані статті
- [[genai-support-threaten-learning-k20-expert-consensus-2026]] - Консенсус 30 експертів над 65 навчальними процесами: розвантаження на обох кінцях навчальної послідовності
- [[rented-self-decoupling-performance-becoming-2026]] — Наймане себе: розвантаження, яке коштує доменного себе здобувача, а не лише навички
- [[caeai-ai-scaffolding-inquiry-profiles-middle-school-2026]] — Групи, що починали однаково, розійшлися: 74.1% освоєння моделі в одному профілі проти 80.8% розвантаження та тупику в іншому (Kilinc та співавт. 2026)
- [[liu-ai-assistance-reduces-persistence-2026]] — Допомога ШІ зменшила наполегливість і недопоміжну результативність у трьох РКВ (Liu та співавт. 2026)
- [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025]] — ChatGPT як когнітивна милиця: рандомізоване контрольоване дослідження утримання знань через 45 днів (Barcaui 2025)
- [[yan-cognitive-outsourcing-genai-assessments-2026]] — Від когнітивного аутсорсингу до перерозподілу: 3P-аналіз залученості студентів із GenAI в некерованих оцінюваннях (Yan та співавт. 2026)
- [[family-school-autonomy-support-genai-2026]] — Підтримка автономії родиною та школою для відповідального використання генеративного ШІ дітьми
- [[zohar-bloom-inzlicht-against-frictionless-ai-2026]] — Зайве проти корисного тертя: чому розвантаження на ШІ відрізняється від попередніх інструментів
- [[thermomix-genai-education-analogy-2026]] — З Thermomix ви втрачаєте здатність готувати: аналогія кухонної машини для генеративного ШІ в освіті (Rummel, Nachtigall & Panadero 2026)
- [[cognitive-washout-ai-skill-decay-2026]] — когнітивне вимивання: пост-відкликальна динаміка ШІ-спричиненого занепаду навички
- [[yan-conversational-ai-engagement-dependence-synthesis-2026]] — Критичний наративний синтез залученості з розмовним ШІ та залежності
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Чутливе до рівнів розвантаження когніції в письмі з підсиленням GenAI (Chen 2026)
- [[du-yuan-epistemic-dependence-2026]] — Епістемічна залежність у ШІ-опосередкованому навчанні: шість діагностичних критеріїв, що відокремлюють продуктивну опору від шкідливої залежності (Du & Yuan 2026)
- [[seung-basham-cognitive-offloading-swld-2026]] — Розвантаження когніції на GenAI для студентів з порушеннями навчання
- [[lodge-loble-cognitive-offloading-2026]] — ШІ, розвантаження когніції та наслідки для освіти
- [[cognitive-offloading-metacognitive-review-2026]] — Метакогнітивні прозріння в розвантаження когніції (Guo & Ye 2026)
- [[metacognitive-training-optimal-cognitive-offloading-2026]] — Метакогнітивне тренування полегшує оптимальне розвантаження когніції (Ngai & Gilbert 2026)
- [[critical-thinking-paradox-genai-learning-2026]] — Парадокс критичного мислення в навчанні, інтегрованому з GenAI
- [[cognitive-offloading-speedup-illusion]] — Ілюзія пришвидшення ШІ-підсиленої роботи
- [[misiejuk-cognitive-offloading-prompting-2026]] — Аналіз мереж коокуренції патернів підказок
- [[shaw-nave-cognitive-surrender-2026]] — Трисистемна теорія та когнітивна капітуляція: як ШІ перебудовує людське міркування (Shaw & Nave 2026)
- [[young-people-learning-generative-ai-rapid-review-2026]] — Континуум капітуляція–розвантаження–аґентність для GenAI
- [[ai-making-us-stupid]] — Дослідження когнітивних ефектів ШІ та витіснення навчання
- [[brcic-effortless-trap-productive-struggle-2026]] — Пастка беззусилля: ШІ, що заміщує когнітивну роботу (Brcic & Frljic 2026)
- [[genai-thoughtless-use-self-directed-learning-2026]] — Бездумне використання ШІ ейодиє самоорієнтоване навчання
- [[generative-ai-guardrails-harm-learning]] — РКВ із математики в старшій школі щодо неохоронюваного GenAI
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — Штраф генеративного ШІ на навчання: аутсорсинг домашніх завдань шкодить навчанню
- [[coach-not-crutch-ai-writing]] — ШІ може працювати менше й вчитися більше (Lira та співавт. 2025)
- [[making-ai-tutoring-productive-mastery-math-2026]] — Робота ШІ-тьюторингу продуктивною: практика математики на основі оволодіння
- [[cognitive-commons-ai-expertise-regeneration]] — Трагедія когнітивного спільного: ШІ та регенерація експертизи
- [[pause-ai-cognitive-offloading-self-reflection-2026]] — PAUSE: інструмент саморефлексії, що зберігає приватність, для розвантаження когніції, асоційованого зі ШІ
- [[chatgpt-writing-cognitive-impact-2026]] — експеримент письма-щоб-навчитися, у якому письмо з підсиленням ChatGPT дало менший приріст знань, ніж контроль без допомоги
- [[student-cognitive-offloading-ai-higher-ed-2026]] — Патерни розвантаження когніції студентами на ШІ у вищій освіті: натуралістичні свідчення на рівні повідомлень ChatGPT (Piatnitckaia та співавт. 2026)
- [[metacognitive-feedback-anti-deskilling-offloading-2026]] — Проєктування проти дескілінгу: метакогнітивний зворотний зв’язок зменшує розвантаження когніції на помічників із ВММ
- [[chatgpt-programming-performance-retention-ownership-2026]] — Когніція ваших студентів із програмування з ChatGPT: вища результативність, нижче утримання та зменшене володіння
- [[davor-ai-supported-learning-higher-order-outcomes-2026]] — Тенденція до розвантаження та грамотність перевірки, що прогнозують результати вищого порядку через метакогнітивну саморегуляцію (Davor та співавт. 2026)
- [[ren-metacognitive-awareness-genai-reliance-2026]] — Підказка до рефлексії зменшує прийняття хибної поради ШІ та покращує калібровку обізнаності (Ren 2026)
- [[shojaei-genai-dependence-critical-thinking-employability-2026]] — Залежність від GenAI як гранична умова для диспозиції критичного мислення та самоусприйнятої працевлаштовності (Shojaei та співавт. 2026)
- [[horowitz-kraus-children-chatgpt-cognitive-control-2026]] - Діти показували слабший фронтопарієтальний, салієнсний та дорсальний уважний зв’язок, ніж дорослі, розмовляючи з ChatGPT, за узгоджених оцінок креативності
- [[niu-genai-children-creative-thinking-cognitive-development-review-2026]] — GenAI і творче мислення дітей: надмірна опора та залежність від підказок в огляді обсягу (Niu та співавт. 2026)

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Когнітивна капітуляція** — прийняття результату системи ШІ без здійснення міркування, яке дозволило б вам його оцінити. Там, де [[cognitive-offloading]] питає, *наскільки багато* психічної роботи делегує здобувач і чи каліброване це делегування, капітуляція питає, чи утримує здобувач оцінну роль взагалі: відповідь приходить, приймається й стає власною позицією людини без перевірки, яка й склала б [[critical-thinking|судження]]. Термін походить із [[shaw-nave-cognitive-surrender-2026|Трисистемної теорії Шоу та Нейва (2026)]], яка розташовує його як відмінну невдачу і від розвантаження, і від [[ai-misuse-learning-harm|надмірної опори]].

## Питання для роздумів

1. Коли студент приймає відповідь ШІ, яка виявляється правильною, чи мав клас успіх? Що мало б бути істинним, щоб саме прийняття було тим, що важливо?
2. Чи відрізняється за родом калібрований делегатор, який знає власні межі, від студента, який просто не може розрізнити? Як [[teacher-role|викладач]] визначив би цю різницю за однією роботою?
3. Якщо впевненість зростає, тоді як точність падає, — як це відбувається, коли доступна порада ШІ, — що це робить з власним виявленням помилок здобувачем?
4. Де перевірка є навчальною, а де — проблемою навантаження [[educational-policy-ai|політики]]? Які частини [[curriculum-design|навчальної програми]] мусили б змінитися, щоб перевірка була нормою, а не винятком?
5. Чи мають установи вимірювати капітуляцію взагалі, чи вимірювання запрошує те саме спостереження, з яким борються правила [[ai-use-disclosure|розкриття]]?
6. Як виглядало б завдання, яке винагороджувало б студента за перекриття хибної відповіді ШІ, а не за створення відполірованої?

## Вступ

Капітуляція — це диспозиція за найпоширенішою невдачею в навчанні з підтримкою ШІ: не використання інструмента надто багато, а прийняття його слова на віру. Сторінка [[cognitive-offloading]] утримує старіший конструкт і його свідчення, а [[ai-misuse-learning-harm|шкідливе використання ШІ]] — інвентаризацію шкоди. Ця сторінка існує тому, що відмінний кластер робіт тепер називає й вимірює щось, чого ці два не досить вловлюють.

Три речі відрізняють капітуляцію. Вона про *судження*, а не про зусилля: студент може витратити значний час на [[prompt-engineering|підказки]], переформатування й удосконалення результату, жодного разу не задіявши власний стандарт щодо того, чи є результат хоч трохи гарним. Вона часто *невидима здобувачеві*: сигналювання, яке звичайно супроводжує зусилля, — вагання, невизначеність, відчуття ще незнання, — коротко замикається плавним текстом. І її *не виправляють надійно лише практика чи стимули*, — і саме тут свідчення стають указівними.

## Розвантаження, надмірна опора, капітуляція: три різні невдачі

| Конструкт | Базове питання | Типовий механізм шкоди | Де його вимірюють |
| --- | --- | --- | --- |
| [[cognitive-offloading]] | Наскільки багато психічної роботи делегується, і чи калібровано це? | Витіснена практика: здобувач пропускає [[desirable-difficulties|корисне тертя]], що будує навичку | ЧП і точність в умовах «інструмент присутній» проти «інструмент відсутній»; панелі часу відгуку |
| [[ai-misuse-learning-harm|Надмірна опора]] | Чи є делегування хронічним і некаліброваним, а не стратегічним? | Ерозія навички, втрата мотивації та самоексплікації, борг грамотності | Шкали самооцінки, дані логів, результативність на завданнях перенесення без допомоги |
| Когнітивна капітуляція | Чи задіяне власне [[evaluative-judgment|оцінне судження]] здобувача перед прийняттям відповіді? | Неперевірене прийняття хибного результату, завищена впевненість, втрата авторства | Випробування, де порада ШІ є правильною проти хибною; поведінка перекриття та перевірки |

Ці три сидять на одній драбині, а не замінюють одна одну. Розвантаження часто є продуктивним; воно обертається в надмірну опору, коли перестає бути стратегічним; капітуляція — та версія, у якої оцінний крок зникає. Розрізнення проводяться і на практиці, і в теорії: [[young-people-learning-generative-ai-rapid-review-2026|швидкий огляд Sydney]] 271 емпіричних статей про PreK-12 [[generative-ai|генеративний ШІ]] організовує поведінку студентів саме в ці три категорії — капітуляцію, розвантаження та [[agency]] — і розкладає їх за когнітивним, [[metacognition|метакогнітивним]] та афективним вимірами. [[du-yuan-epistemic-dependence-2026|Du and Yuan (2026)]] проводять ту саму межу з іншого боку: інструментальна допомога породжує результат, несудоносна допомога постачає *стандарт, за яким результат судиться*, і лише другий вид надійно витісняє роботу, що розвиває експертизу. Їхні шість критеріїв — оспівуваність, відновлюваність, перенесення, прослідовуваність, розподілена відповідальність та епістемічний плюралізм — є діагностикою капітуляції, а не мірою використання.

## Трисистемний акаунт

[[shaw-nave-cognitive-surrender-2026|Shaw and Nave (2026)]] розширюють двопроцесове міркування третьою системою. Система 1 швидка й інтуїтивна; Система 2 повільна й обдумлива; **Система 3** — це штучна когніція, що працює за межами мозку. Система 3 може доповнювати внутрішню обробку, постачаючи кандидатні відповіді й позначаючи протиріччя для Системи 2, або підміняти її, і в цьому випадку обдумування ніколи не починається. Капітуляція — це випадок підміни, і теорія прогнозує, що її слід виявляти як сигнатуру, а не як почуття: прийняти відповідь ШІ, коли вона правильна, прийняти її, коли вона хибна, і повідомити більшу впевненість в обох випадках.

## Експериментальна сигнатура

Три заздалегідь зареєстровані експерименти адаптували Тест когнітивної рефлексії й рандомізували *точність ШІ* за допомогою прихованих підказок-затравок, тож учасники не могли відрізнити гарного помічника від поганого за інтерфейсом (N = 1 372; 9 593 випробування).

- **Люди консультуються, а потім приймають.** Учасники обирали консультуватися з помічником у більшості випробувань (>50%).
- **Точність стежила за ШІ, а не за людиною.** Проти бази «лише мозок» точність зростала приблизно на 25 відсоткових пунктів, коли ШІ був точним, і падала приблизно на 15 пунктів, коли він помилявся, — контраст, який автори називають поведінковою сигнатурою капітуляції (h Коена = 0.81, 95% ДІ [0.72, 0.91]; h за дослідженнями = 0.83, 0.86, 0.78).
- **Дві поведінки розділяються чітко.** У випробуваннях із хибним ШІ 73.2% завершувалися капітуляцією, 19.7% — [[cognitive-offloading|розвантаженням]] (перекриттям хибної поради й правильною відповіддю), і 7.1% — невдалими перекриттями.
- **Впевненість зростає з доступом.** Незважаючи на те, що приблизно половина відповідей ШІ була хибною, доступ до помічника підвищував заявлену впевненість на 11.7 відсоткових пунктів (77.0% проти 65.3%).
- **Ситуаційний тиск не знімає її.** Стимули за пункт плюс зворотний зв’язок підвищили розвантаження приблизно на 19 пунктів до 37.1% і зменшили капітуляцію до 57.9%; тиск часу зменшив розвантаження приблизно на 12 пунктів до 6.2% і підвищив невдалі перекриття до 13.8%. Обидва умови зрушили бази, не закривши розрив «точний проти хибного» (OR = 14.28 за тиску часу; OR = 11.05 за стимулів і зворотного зв’язку).
- **Сприйнятливість — це диспозиція, а не лише ситуація.** [[trust-calibration|Вища довіра]] прогнозувала ширший розрив «точний проти хибного» (OR = 2.81) і, в моделі «голова в голову», капітуляцію над розвантаженням (OR = 4.36). Вища потреба в когніції зменшувала розрив (OR = 0.83) і зрушувала результати до розвантаження (OR = 0.46); вища плинна інтелігентність була захисною в тому самому напрямі (OR = 0.69), і її найсильніший одиничний ефект — нижча тенденція йти за хибною порадою, щойно помічник був задіяний (OR = 0.23).

Практичне прочитання — капітуляція є **невдачею розрізнення**, а не невдачею мотивації. Учасники, які капітулювали, не намагалися уникати роботи; вони не могли розрізнити гарну пораду від поганої, і інтерфейс не давав їм жодної причини намагатися.

## Капітуляція за межами лабораторії

Висновки лабораторії узгоджуються з польовими та спостережними роботами, які незалежно дійшли до того самого слова.

- **Витіснення на рівні популяції.** [[generative-ai-reduced-study-time-math|Rismanchian та співавт. (2026)]] аналізують 3.2 мільйони навчальних взаємодій ALEKS і 12.2 мільйона [[assessment|часів відгуку на оцінюванні розміщення]] протягом десятирічної панелі, причому задачі на основі графів слугують контролем для текстових. Студенти виконували ШІ-сприйнятливу роботу швидше й набирали на ній вище, тоді як пункти утримання під наглядом показали 25% кумулятивний спад у шансах правильної відповіді; автори називають цей патерн когнітивною капітуляцією в масштабі популяції.
- **Перевірка як розрізняльна змінна.** [[stamatoulis-genai-use-patterns-2026|Stamatoulis та співавт. (2026)]] виявляють, що те, *як* студенти використовують генеративний ШІ, прогнозує [[learning-gains|результативність]], тоді як те, *наскільки багато* вони його використовують, не прогнозує нічого: здобування з низькою перевіркою — некритичне прийняття результату — було пов’язане з гіршими результатами, а оцінна інтеграція — з кращими.
- **Бездумне використання ейодиє ресурси, яких потребує самонапрямленість.** [[genai-thoughtless-use-self-directed-learning-2026|Zhao and Gu (2026)]] моделюють прийняття-без-оцінки напряму: у 487 студентів бакалаврату бездумне використання генеративного ШІ було пов’язане з нижчим [[self-regulated-learning|самонапрямленим навчанням]] (β = −0.42), частково через зменшену [[motivation]] та [[self-efficacy]].
- **Нейронний слід і володіння.** [[your-brain-on-chatgpt-cognitive-debt-essay-writing|ЕЕГ-дослідження когнітивного боргу]] виміряло [[writing-education|написання есе]] з [[llm]], з пошуковою системою та без інструмента: група з ВММ показала найслабший нейронний зв’язок, повідомила найнижче авторство власної роботи та боролася з тим, щоб процитувати те, що вони написали.
- **Капітуляція може приходити непрошена.** [[ai-advice-suppresses-ikt-suspension-2026|Робота про зупинення судження]] виявила, що сама наявність поради ШІ обвалила готовність людей сказати «я не знаю» (0.06 проти 0.36, і 0.03 проти 0.44 у двох дослідженнях), тоді як правильність падала, а впевненість зростала приблизно з 30 до 76. Ставки не відновлювали зупинення, хоча стимули покращили точність, спонукаючи перекриття. Четверте дослідження показало ефект без жодної консультації взагалі — патерн автодоповнення чи підсумку пошуку, а не підказки в чаті.
- **Залежні та автономні режими розрізняльні лише в наслідку.** [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] стежать за 589 студентами та молодими працівниками протягом трьох хвиль: залежне розвантаження делегувало базове мислення й стежило з нижчою внутрішньою мотивацією, тоді як автономне розвантаження — ні, і негайна результативність виглядала ідентично в обох.
- **Власний внесок моделі.** [[sycophantic-ai-social-interaction-2026|Підлесництво]] — це доповнення до капітуляції: помічник, який погоджується, ховається в бік рамки користувача або плавно стверджує твердження, не дає здобувачеві нічого, проти чого можна було б тиснути.
- **Відкликання — нерозв’язана половина.** [[cognitive-washout-ai-skill-decay-2026|Робота про когнітивне вимивання]] вказує, що майже всі ці дослідження вимірюють когніцію *під час* використання ШІ, і майже жодне не вимірює, що відбувається, коли помічника забирають, — а це саме те питання, яке ставить іспит, збій або перевірка ліцензії.

## Проєктування та навчання проти капітуляції

- **Зробіть перевірку завданням, а не порадою.** Вимагайте заявлену першу відповідь перед консультацією зі ШІ і вимагайте від студентів назвати пункти, де вони його перекрили. Це обертає невидимий крок судження на оцінний артефакт.
- **Винагороджуйте перекриття, а не використання.** В експериментах стимули, прив’язані до точності, підвищували розвантаження до 37%, не усуваючи капітуляції; стимули працюють, коли вони роблять перевірку значною, — що також є висновком за правилом розміщення [[brcic-effortless-trap-productive-struggle-2026|пастки беззусилля]]: неохоронюваний помічник залишив студентів приблизно на 17% гіршими на іспиті без допомоги, а перебудована модель, яка утримувала відповіді, звела шкоду нанівець.
- **Навчайте розрізняти, а не просто не довіряти.** Оскільки потреба в когніції та плинна інтелігентність прогнозували опір, тоді як самооцінена довіра прогнозувала вразливість, навчальною ціллю є здатність розрізняти гарний результат від поганого на конкретному завданні. [[metacognitive-training-optimal-cognitive-offloading-2026|Тренування калібровки]] з випробуваннями «прогноз плюс зворотний зв’язок» — працюючий прототип: коротка інтервенція зменшила зміщення нагадування в лабораторному аналозі надмірної опори.
- **Виявляйте незгоду, а не впевненість.** Оскільки доступ завищував впевненість навіть на хибних відповідях, корисним проєктним кроком є тертя, яке подає суперечливі свідчення, невизначеності чи контраргументи, щоб у здобувача було щось оцінювати, а не щось приймати. [[human-in-the-loop-ai|Людина в петлі]] проєктування з підказками до перевірки та [[ai-use-disclosure|вимогами розкриття]] є їхніми інституційними аналогами.
- **Утримуйте [[educational-measurement|вимірювання]].** Якщо підсилена результативність і недопоміжна спроможність не вимірюються окремо, капітуляція невидима для оцінки курсу: семестр виглядає краще, а числа утримання тихо падають.
- **Розглядайте це як проблему систем і проєктування.** [[agentic-ai-pedagogical-best-practice-2026|Аґентні проєктування]] зауважають, що чим [[agentic-ai|аґентніший агент]], тим менше когнітивних зусиль витрачає здобувач, обертаючи продуктивне делегування в капітуляцію типово; [[ai-overreliance-complex-adaptive-system-2026|робота з моделювання]] додає, що опора поширюється через соціальне підтвердження, тож норми групи та типові значення інтерфейсу важливі так само сильно, як і індивідуальна звичка.

## Відкриті питання

Чи габітуює капітуляція, чи вона занепадає з незастосуванням? [[cognitive-washout-ai-skill-decay-2026|Дослідження вимивання]] формалізує питання пост-відкликання, але довгострокових даних ще не існує. Чи може капітуляцію вимірювати в природі без інвазивного логування — і чи прогнозують самооцінки поведінки перевірки що-небудь? Чи триває завищення впевненості, коли здобувача вже обпекла впевнена хибна відповідь, чи [[trust-calibration|помилковість калібровки]] є липкою? І на рівні професії, а не людини, чи збіднює поширена капітуляція спільний пул експертизи, від якого сам нагляд за системами ШІ залежить, — занепокоєння, підняте [[cognitive-commons-ai-expertise-regeneration|рамкою когнітивного спільного]]?

## Обмеження

Свідчення капітуляції як названого конструкта значною мірою спирається на одну програму лабораторних робіт: три заздалегідь зареєстровані експерименти на адаптованому Тесті когнітивної рефлексії зі зручними вибірками, що встановлює механізм і диспозиційні модератори, але не [[transfer-of-learning|переноситься]] на суворе професійне судження. Проєктування також фіксує одиничні експозиції, тож нічого в ньому не показує, чи габітуює капітуляція, чи накопичується. Польові свідчення є спостережними: панель ALEKS показує швидше завершення з гіршим утриманням під наглядом, але причинне віднесення до капітуляції, а не до зміни стратегії навчання, потребує припущень, яких проєктування не може перевірити. Визначення все ще нестабільні в літературі — розвантаження, надмірна опора, залежність, прихильність і проблематичне використання рутинно змішуються, і [[yan-conversational-ai-engagement-dependence-synthesis-2026|принаймні один синтез]] стверджує, що часте делегування не слід позначати як залежність без порушеного контролю чи шкоди. Нарешті, [[self-report-measures|самооцінки]] довіри, потреби в когніції та поведінки перевірки несуть звичайні межі, і значна частина класових свідчень стосується [[higher-ed|вищої освіти]] та [[k-12|середньої школи]], а не раннього шкільництва.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[shaw-nave-cognitive-surrender-2026]] — Трисистемна теорія та експериментальна сигнатура капітуляції
- [[generative-ai-reduced-study-time-math]] — витіснення на рівні популяції в ALEKS
- [[young-people-learning-generative-ai-rapid-review-2026]] — рамка капітуляція/розвантаження/аґентність у PreK-12
- [[du-yuan-epistemic-dependence-2026]] — інструментальна проти несудоносної допомоги
- [[ai-advice-suppresses-ikt-suspension-2026]] — обвал «я не знаю»
- [[your-brain-on-chatgpt-cognitive-debt-essay-writing]] — нейронна залученість і володіння
- [[genai-thoughtless-use-self-directed-learning-2026]] — бездумне використання та самонапрямлене навчання
- [[stamatoulis-genai-use-patterns-2026]] — здобування з низькою перевіркою проти оцінної інтеграції
- [[cognitive-washout-ai-skill-decay-2026]] — що відбувається після відкликання
- [[ai-overreliance-complex-adaptive-system-2026]] — опора як процес на рівні популяції
- [[brcic-effortless-trap-productive-struggle-2026]] — розміщення ШІ так, щоб завдання залишалося зусильним
- [[metacognitive-training-optimal-cognitive-offloading-2026]] — тренування калібровки
- [[family-school-autonomy-support-genai-2026]] — залежне проти автономного розвантаження

---

## [Фреймування використання ШІ для студентів](https://edtechdev.github.io/aied/concepts/framing-ai-use-for-students/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Фреймування використання ШІ для студентів** — переконлива та комунікативна майстерність формування того, як здобувачі розуміють цінність, мету й межі інструментів і політик ШІ, щоб вони приймали продуктивне та [[ethics|етичне]] використання, а не відкидали, уникали чи обходили його. Це той важіль «згоди», на який спираються освітні втручання [[reducing-ai-misuse]]: структурні [[guardrails]] змінюють середовище, але [[scaffolding]], навчання грамотності та політики використання ШІ закріплюються лише тоді, коли студентів справді переконують їхні аргументи.

## Запитання для роздумів

- Просте надання студентам доступу до ШІ асоціювалося з неефективним або навіть неетичним використанням, тоді як явне фреймування та вбудовування належного використання покращували результати. Якщо присутність інструмента важить менше, ніж те, як він зфреймований, що це говорить про акцент на простому «наданні студентам ШІ»?
- Знання студентами [[governance|інституційних]] правил ШІ має лише слабкі зв’язки з тим, що вони насправді роблять — більшість використовує генеративний ШІ, багато хто не впевнений, чи відповідає їхнє використання нормам, і вони спираються на інструменти з приватним доступом. Чому правила не змінюють поведінку і що могло б переконувати, а не лише інформувати?
- Коли установи реагують на ШІ страхом і засудженням, студенти можуть приховувати чи раціоналізувати своє використання, а не вчитися користуватися ним добре. Чи траплялося вам бачити, як реакція «моральної паніки» загнала студентів у таємність? Як виглядав би перефреймований, орієнтований на можливості підхід?
- Тривожність щодо ШІ — не лише бар’єр: студенти, які непокоїлися про точність і плагіат, були *більш* схильні перевіряти й переробляти результати ШІ, а не приймати їх некритично. Як продуктивну тривожність можна спрямувати в оцінювальну компетентність, замість того щоб її придушувати?
- Студенти конструюють власне відчуття допустимого через «сайти» — наміри викладачів, документи курсу, норми колег та інституційні повідомлення — які часто розходяться. Коли ці повідомлення конфліктують, яке, на вашу думку, насправді перемагає, і як фреймування закриває цю прогалину?

## Вступ

Це поняття перебуває між двома більш знайомими. Там, де [[technology-acceptance-model]] *прогнозує* впровадження зі сприйманої корисності та простоти використання, фреймування є *активною практикою* формування цих сприйнять. А там, де [[student-experience]] описує, як студенти зараз сприймають ШІ, фреймування стосується навмисної зміни цього досвіду. Воно є комунікаційним партнером для [[educational-policy-ai]]: політика ефективна лише настільки, наскільки студенти готові її підтримати.

## Чому фреймування важливе

Фреймування важливе, оскільки **політика й правила самі по собі не змінюють поведінку надійно**. Оглядове [[research-methods-aied|дослідження]] обізнаності про [[regulation|нормативні вимоги]] виявляє, що знання студентами інституційних правил щодо генеративного ШІ має лише слабко-помірні зв’язки з тим, що вони насправді роблять — більшість студентів використовує інструменти [[generative-ai|генеративного ШІ]], понад половина не впевнені, чи відповідає їхнє використання інституційним нормам, і вони спираються на інструменти з приватним доступом, а не надані установою.([[student-regulatory-awareness-genai]]) Знати правила необхідно, але недостатньо; повідомлення має *переконувати*, а не лише інформувати.

Фрейм також визначає, чи переживають студенти ШІ як **загрозу, якої треба уникати чи обходити**, чи як **ресурс, яким треба користуватися свідомо**. Коли установи реагують на ШІ страхом і засудженням — те, що один з напрямів називає повторюваною «моральною панікою» — вони загрібають студентів у приховування чи раціоналізацію їхнього використання, а не в навчання користуватися ним добре.([[moral-panic-genai-classroom]]) Перефреймування тривожності й засудження в структуровану можливість змінює всю динаміку [[student-engagement|залученості студентів]] із ШІ.

## Стратегії та дані

### Фреймуйте ШІ як продуктивний інструмент, а не як загрозу, яку треба заборонити

Найпряміше перевірене фреймувальне втручання в базі знань — шестирічний натуральний експеримент, що відстежував курс із [[visualization]] у трьох умовах: до генеративного ШІ, з доступним генеративним ШІ (присутній, але неінтегрований) і з інтегрованим генеративним ШІ (явне навчання + заохочення використовувати ШІ в прикладних роботах, заборона лише на частині перевірки знань). Висновок: просте *надання* доступу до ШІ асоціювалося з тим, що студенти використовували його неефективно або неетично, тоді як *явне фреймування та вбудовування* його належного використання відновило та покращило результати за прикладних запитань.([[moral-panic-genai-classroom]]) Урок у тому, що фреймування (як ШІ позиціонується й викладається) важить не менше за присутність інструмента — заохочення належного використання перевершує засудження чи ігнорування.

### Чітко й повторно повідомляйте очікування — і проєктуйте з урахуванням студентів

Оскільки сама обізнаність про правила не змінює поведінку, ефективне фреймування поєднує чіткі очікування зі структурним підсиленням. Студенти конструюють власне відчуття допустимого через те, що одне інтерв’ю-дослідження називає «сайтами», де політика щодо ШІ інтерпретується — наміри викладачів, документи курсу, норми колег та інституційні повідомлення часто розходяться, породжуючи раціоналізації на кшталт «копіювання тексту ШІ не має жертв».([[student-rationalization-ai-writing]]) Фреймування має тому закривати прогалину між тим, що мають на увазі викладачі, і тим, що студенти виводять, і визнавати соціальний та емоційний контекст — сором і вина регулюють, коли й як студенти роблять використання ШІ видимим, зумовлючи поведінку приховування та вибіркове розкриття, а не чесну залученість.([[shame-guilt-ai-regulation-computing-education]])

### Говоріть чому, а не лише що

Найпряміший фреймувальний важіль у базі знань — надання *причини* для межі завдання за завданням, сформульованої так, ніби звертаються до студентів («ви будете…», «ми будемо…»). [[mccorkle-aligned-genai-course-policy-2025|Дизайн-кейс McCorkle (2025)]] документує механізм: після того як розмови під час консультаційних годин виявили, що студенти, які прочитали заборону, не вірили, що вона стосується їх, вона перебудувала політику так, щоб кожен дозволений або заборонений спосіб використання генеративного ШІ був обґрунтований конкретним [[assessment]], який він захищає — наприклад, допомога генеративного ШІ з цілями навчання заборонена, бо «я оцінюю вашу здатність формулювати цілі навчання, що є конкретними, вимірюваними та на належному рівні» — і надавала це обґрунтування як у силбусі, так і у вигляді нагадувань саме вчасно всередині інструкцій до завдань. Фреймування через обґрунтування — це хід у бік [[equity-in-ai-education|справедливості]] не менше, ніж переконливий: воно припускає менше спільного фонового знання про авторство, оригінальність і атрибуцію та перетворює політику на діалог, а не на вирок ([[academic-integrity]]).

### Перефреймуйте тривожність і невизначеність в оцінювальну компетентність

[[mixed-methods-research|Дослідження змішаними методами]] академічного [[writing-education|письма]] виявило, що тривожність щодо ШІ — не просто бар’єр: студенти, які непокоїлися про точність і плагіат, були *більш* схильні перевіряти, звіряти й переробляти результати ШІ, а не приймати їх некритично. Дослідження фреймує [[ai-literacy|ШІ-грамотність]] менше як прийняття й більше як **регуляторну компетентність** — здатність ставити під сумнів результати, переробляти вибірково та нести відповідальність за авторство.([[ai-anxiety-strategic-regulation-writing-2026]]) Фреймування використання ШІ для студентів означає спрямування продуктивної тривожності в оцінювання, а не її придушення.

### Використовуйте цільові повідомлення для формування конкретних поведінок

Невеликі, добре спроєктовані повідомлення можуть змінювати поведінку. **Повідомлення-інукуляція** прохильності ChatGPT до помилок підвищило наміри студентів перевіряти надану ШІ інформацію та їхню фактичну поведінку перевірки.([[chatgpt-inoculation-training-verification-2026]]) Так само просто попередження студентів про хисткість ШІ підвищило [[help-seeking]] в системі [[intelligent-tutoring|інтелектуального тьюторства]] — фрейм *каліброваної обережності*, а не сліпої недовіри.([[ai-fallibility-warning-help-seeking]]) Це вказує на загальний принцип: чесно фреймуйте межі інструмента, і студенти відповідно калібрують свою поведінку, не надмірно довіряючи й не відкидаючи його.

### Забезпечуйте згоду і впровадження, а не лише доступ

Фреймування стоїть вище за впровадження. Польові експерименти зі тьюторством на основі ШІ виявили, що обмежувальним чинником була не можливість, а *залученість*: попри виділений час занять, майже половина студентів ніколи не використовувала платформу, а користувачі витрачали в середньому лише 2–5 хвилин на тиждень — поки невдовзі втручання дешевої людської підтримки (коротке очне впровадження) не покращило впровадження.([[access-not-enough-ai-tutoring-2026]]) Досягнення того, щоб студенти поділяли цінність і мету інструмента, є передумовою будь-якої навчальної вигоди; фреймування включає «продаж» цієї цінності, а не лише усунення бар’єрів доступу.

## Фреймування та мотивація

Фреймування пов’язується з [[motivation]] через [[self-determination-theory]]: те, як інструмент чи політика *представлені*, визначає, чи переживають студенти використання ШІ як автономне й цілеспрямоване, чи як контрольоване й нав’язане. Залученість студентів із генеративним ШІ формується тим, чи підтримує інструмент їхнє відчуття компетентності, автономії та пов’язаності — це питання фреймування так само, як і питання можливостей.([[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]]) Коли доступність ШІ підриває сприйману мету зусиль — «навіщо докладати стільки зусиль?» — фрейм має відбудувати *мету* для цих зусиль, пов’язуючи використання ШІ з тривалим навчанням, а не з виконанням завдання.([[ai-availability-student-motivation]])

## Медіа та публічне фреймування

Студентів також фреймують ширші медіа та публічний дискурс навколо [[ai-education|ШІ в освіті]], що формує їхні базові очікування ще до будь-якого повідомлення від викладача. Аналізи публічного дискурсу та того, як платформи на кшталт YouTube фреймують використання ChatGPT в освіті, показують, що панівні фрейми — хайп, жах або прагматизм — впливають на те, як здобувачі та [[teacher-role|педагоги]] ставляться до технології.([[youtube-frames-chatgpt-education]])([[ai-ethics-education-public-discourse]]) Ефективне фреймування з боку викладачів часто означає свідоме протидіяння або перенаправлення цих навколишніх наративів.

## Практичні вказівки

- **Позиціонуйте ШІ як продуктивний ресурс**, явно навчаючи *коли* і *як* його використовувати, а не забороняючи чи ігноруючи його — інтегроване фреймування перевершує і засудження, і невтручаність.

- **Повідомляйте очікування повторно й з усіх «сайтів»** — силбус, формулювання завдань, [[feedback]] і норми колег мають розповідати узгоджену історію, щоб студенти не вигадували власних раціоналізацій.

- **Спрямовуйте тривожність в оцінювання.** Фреймуйте невизначеність щодо точності як причину перевіряти й переробляти, а не як причину уникати чи обманювати.

- **Використовуйте чесні, цільові повідомлення** (наприклад, інукуляцію та попередження про хисткість), що будують калібровану обережність, а не сліпу довіру чи недовіру.

- **Прив’язуйте інструмент до фази навчання.** Центральна практична заява консенсусного звіту 30 експертів — це порядок: спочатку породжуйте ідеї без генеративного ШІ, потім використовуйте його, щоб зміцнити та закріпити вивчене, потім надавайте пріоритет власному мисленню, застосовуючи ці ідеї в нових контекстах ([[genai-support-threaten-learning-k20-expert-consensus-2026|Kendeou, Greene & Nixon et al., 2026]]]). Його порада студентам ще пряміша: короткострокові прирости продуктивності зрізають навчання, потрібне для довгострокового успіху.

- **Продавайте мету.** Пов’язуйте використання ШІ з тривалим навчанням та [[agency]] здобувача, і поєднуйте повідомлення з підтримкою, що перетворює намір на впровадження.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[genai-support-threaten-learning-k20-expert-consensus-2026]] - Консенсус 30 експертів щодо послідовності: спочатку породжуй без генеративного ШІ, закріплюй з ним, потім мисли самостійно

- [[mccorkle-aligned-genai-course-policy-2025]] — Прозоре обґрунтування кожного дозволеного та забороненого використання генеративного ШІ, завдання за завданням (McCorkle 2025)
- [[moral-panic-genai-classroom]] — Заохочення належного використання генеративного ШІ, а не засудження його як завади
- [[student-rationalization-ai-writing]] — «П’ять сайтів», де студенти раціоналізують використання ШІ в академічному письмі
- [[student-regulatory-awareness-genai]] — Знати правила недостатньо: обізнаність про нормативні вимоги та фактичне використання
- [[ai-anxiety-strategic-regulation-writing-2026]] — Від тривожності щодо ШІ до стратегічної регуляції
- [[chatgpt-inoculation-training-verification-2026]] — Повідомлення-інукуляція та поведінка перевірки
- [[ai-fallibility-warning-help-seeking]] — Попередження про хисткість ШІ підвищує пошук допомоги
- [[shame-guilt-ai-regulation-computing-education]] — Сором і вина як соціальні регулятори використання ШІ
- [[access-not-enough-ai-tutoring-2026]] — Людська підтримка покращує залученість у тьюторство на основі ШІ
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]] — Залученість із генеративним ШІ на основі SDT
- [[ai-availability-student-motivation]] — Як доступність ШІ формує мотивацію студентів
- [[youtube-frames-chatgpt-education]] — Як YouTube фреймує використання ChatGPT в освіті
- [[ai-ethics-education-public-discourse]] — Публічний дискурс про етику ШІ в освіті
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Викладачі фреймують ШІ як критичне/відповідальне використання; роботодавці — як продуктивність
- [[ssaho-ai-academic-integrity-review-2025]] — Побудова культури академічної доброчесності через чіткі очікування

---

## [Зниження шкоди від неправильного використання ШІ](https://edtechdev.github.io/aied/concepts/reducing-ai-misuse/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Зниження шкоди від неправильного використання ШІ** — дизайнерські, [[pedagogy|педагогічні]] та [[educational-policy-ai|політичні]] важелі, які не дають студентам підміняти [[generative-ai|генеративний ШІ]] своїй власній [[cognitive-offloading|пізнавальній роботі]], і натомість спрямовують їх до [[ethics|етичного]], продуктивного використання. Ефективні підходи відсортовані за впливом, а не за популярністю, і найсильніші докази на користь **структурних важелів** — вбудованих у [[guardrails]] обмежувачів і перепроєктування оцінювання, — які змінюють середовище так, що неправильне використання стає складнішим незалежно від мотивації студента, над **освітніми важелями**, які спираються на побудову тривалої спроможності та [[framing-ai-use-for-students|погодження студентів]].

## Питання для роздумів

- Студенти, які віддають домашні завдання на аутсорсинг ШІ, можуть бачити, як їхні бали за домашні завдання *зростають*, тоді як їхні бали за [[summative-assessment|екзамен із закритими книгами]] *падають*. Перш ніж читати, чому продуктивність і навчання могли б розійтися так різко — і що цей розрив підказує про те, що насправді означає «успіх» зі ШІ?
- Сторінка ранжує втручання за причинними доказами та охопленням і розміщує *структурні* важелі (вбудовані обмежувачі інструментів, перепроєктування оцінювання) вище за *освітні* ([[teacher-role|викладання]] доброї практики) — саме тому, що структурні важелі працюють незалежно від мотивації студента. Чи погоджуєтесь ви, що зміна середовища перемагає зміну мислення? Який ризик кожного з них?
- Обмежений важелями тьютор типу «підказка, а не відповідь» усунув шкоду навчанню, якої завдавав необмежений, хоч обидва здавалися корисними. Згадайте навчальний інструмент, який ви бачили й який надто охоче дає відповіді. Де межа між підказкою, яка скаффолдить, і відповіддю, яка підміняє, — і чи можете ви сформулювати її перед читанням?
- Найсильніше виправлення включає перепроєктування оцінювання: іспити в класі без допомоги, усні захисти, артефакти процесу, винагороду міркуванню над поверхневою втіленістю. Як би ви почувалися, проходячи курс, оцінюваний таким чином, і чи каже вам це почуття щось про те, чому цей важіль є водночас ефективним і непопулярним?
- Рамки декларування ШІ, які змушують студентів відображати своє використання на пізнавальні стадії (планування проти генерації контенту), зсувають акцент від поліцейського контролю до професійної практики. Чи вважаєте ви, що така рефлексія справді будує кращий розсуд, чи вона лише вчить студентів хитріше описувати неправильне використання?
- Поставте ціль перед читанням: визначте одну конкретну зміну у вашому власному курсі чи робочому процесі, яка зробила б неправильне використання ШІ складнішим, і одну, яка зробила б продуктивне використання легшим. До якого з рівнів сторінки належала б кожна?

## Вступ

Поняття спирається на доказ того, що неправильне використання ШІ активно шкодить тривалому навчанню — розрив між продуктивністю і навчанням, задокументований в [[ai-misuse-learning-harm]], — водночас інфлююючи негайну продуктивність. Тому втручання спрямовані на механізми цієї шкоди: копіювання відповідей, [[cognitive-offloading]], ерозію мотивації та витіснення навчання. Вони не є взаємовиключними; стійкий підхід поєднує структурну основу з освітнім будуванням спроможності.

### Чому структурні важелі мають найбільше значення

Втручання можна відсортувати за **причинними доказами × структурним охопленням × масштабовністю × [[sustainability]]**. На цій основі два *структурні* важелі ранжуються найвище, бо вони працють, чи студенти обирають правильну поведінку, чи ні, — вони обмежують середовище, а не залежать від внутрішньої мотивації. *Освітні* важелі є необхідними, проте ефективними лише тоді, коли студенти погоджуються, тож вони розглядаються як другий рівень, попри їхню концептуальну перспективу. [[coates-governing-academic-integrity-indicators-2025|Coates, Croucher and Calderon (2025)]] піднімають структурний аргумент на рівень вище, розглядаючи як обмежувальний не поведінку студентів, а управління, і пропонують рамку індикаторів цілісності зі 130 пунктів, щоб ті, хто управляє академічною справою, могли бачити, чи є оцінювання автентичним, чи знають студентів індивідуально викладачі, які їх оцінюють, і чи фігурує цілісність у вступних програмах і орієнтації. Їхні реформи спрямовані на архітектури управління, людей та [[ai-technologies|технології і ресурси]], і вони пропонують запозичити [[guardrails|червоні команди]] з кібербезпеки, щоб виявляти вразливості оцінювання раніше, ніж їх знайдуть студенти, — нагадування про те, що структурну основу утримують установи, яким потрібні й інформація, і воля її утримувати.

### Рівень 1 — безпосередньо доведено, що знижує шкоду навчанню

**Дизайн інструменту ШІ з обмежувачами («підказка, а не відповідь» [[scaffolding]]).** У найсильнішому причинному результаті бази знань польовий [[rct]] показав, що необмежений тьютор у стилі ChatGPT підвищив продуктивність практики з допомогою **+48%**, але знизив бали іспиту без допомоги **−17%**, тоді як обмежений важелями тьютор (підказки замість відповідей плюс інформація про завдання, написана викладачами) усунув шкоду повністю. Це механічно запобігає поведінці «милиці» в формі копіювання відповідей, що стоїть за шкодою. Активності включають тьюторство типу «підказка, а не відповідь», засівання підказок правильними розв’язками й поширеними [[misconceptions]], і вимогу спроби студента, перш ніж буде розкрито результат ШІ.

**Перепроєктування оцінювання (стійкість до ШІ + міри без допомоги).** Оскільки шкода від неправильного використання залежить від оцінювання — вона проявляється на прокторованих, із закритими книгами та без допомоги мірах, інфлюючи звичайні оцінювані курсові роботи, — зміна того, що зараховується як досягнення, водночас стримує неправильне використання і виявляє його. Активності включають іспити в класі без допомоги та усні захисти, вимогу артефактів процесу (чернетки, рефлексії, анотоване міркування), винагороду міркуванню над поверхневою втіленістю та позначення зон вільних від ШІ. [[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]] дають вимозі артефактів процесу конкретний інструмент: обов’язкові історії версій і відтворювані документи аналізу, тож підозрілий матеріал можна оглянути як хронологію того, як розвивалася робота, і обсяг вигаданого матеріалу, який студент мав би породити, зростає далеко понад те, що йому економить аутсорсинг. Великомасштабні польові докази підкреслюють це: [[stromberg-generative-ai-learning-penalty-secondary-2026|Strömberg, Lei, & Wu (2026)]] виявили, що віддача домашніх завдань на аутсорсинг підвищила бали за них на 18%, водночас *знижуючи* бали за іспит із закритими книгами на 20%, — точно той сигнал, який покликані виявляти непрокторовані, з прокторингом міри, і дослідження рекомендує збільшити вагу оцінювання в особистій присутності з закритими книгами. [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025|Leaton Gray, Edsall and Parapadakis (2025)]] дають тій самій логіці її найявніше формулювання як профілактики ситуативного злочину, стверджуючи, що невдача належить оцінюванням, на які модель може переконливо відповісти, а не студентам, і повідомляючи про випадок, у якому 25 методів профілактики, застосованих до австралійського бізнес-кепстоуна, — відстежувані взаємодії студентів, розпізнавання тривожних ознак надто експертної роботи, випадкове перепризначення команд, щотижневі іспити в класі з наглядом, повідомлення про зняття матеріалів курсу, які студенти опублікували, — нібито зменшили кількість випадків несумлінної поведінки зі 183 до 27 за рік. Їхні прескрипції є мотиваційними, а не слідчими: підвищуйте сприйняту мету оцінювання, будуйте [[self-efficacy]] і збільшуйте сприйняту соціальну ціну списування, причому автори застерігають, що звертання лише до одного чи двох із трьох зазначить невдачі, підтримано п’ятьма предметно специфічними перепроєктуваннями, що перетворюють іспити з розв’язування завдань на час на відкрите [[problem-solving|розв’язування завдань]] із письмовою рефлексією над власним процесом студента, підсумкові есеї — на [[collaborative-learning|спільні]] архівні дослідницькі проєкти, а [[eportfolio|портфелі]] — на ітеративні процеси дизайну з оцінкою однолітків.

Структурні важелі мають руку примусу, і її база доказів слабша, ніж підказує її охоплення. [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] закодували 1 162 випадки несумлінної поведінки з генеративним ШІ і виявили, що докази, найчастіше цитовані в моменті звинувачення, — результат [[ai-detection|детектора]], звіти про схожість, типові для ШІ патерни контенту, — несли найслабшу доказову цінність, тоді як зізнання, спостережена поведінка на іспиті та незалежно перевірені вигадані посилання були найсильнішими; оскільки установчі процедури не встановлюють мінімального порогу доказовості, якість доказів не мала жодного надійного зв’язку з результатами справ, і студенти, чиї справи спиралися на тонкі докази, мали переважно можливість звернення до апеляції. [[wright-transcription-not-generation-2026|Wright (2026)]] показує другу ціну тієї самої неточності: заборони, написані навколо «генеративного ШІ», а не навколо функції, захоплюють інструменти, які лише перетворюють формат роботи, вже написаної студентом, тож використання лише для транскрипції може бути санкційовано як несумлінна поведінка — надмірне включення, що найтяжче падає на тих, хто зазнає [[equity-in-ai-education|нерівності]], і на [[learners]] з інвалідністю, і не робить нічого для [[assessment-validity|валідності]]. [[harerimana-remote-proctoring-nursing-scoping-2026|Harerimana, Mtshali and Mchunu (2026)]] додають, що [[remote-proctoring|віддалений прокторинг]], найпоширеніший впроваджений засіб контролю цілісності, будує свій випадок стримування на тому, як студенти кажуть, що почуваються, а не на зниженні несумлінної поведінки, і нав’язує тривожність, втрату концентрації та пов’язане з інфраструктурою виключення, яке не показано як таке, що відповідається нижчим неправильним використанням. [[li-genai-assessment-language-equity-2026|Li (2026)]] додає вимір дизайну правил: оскільки той самий інтерфейс виконує дозволене редагування мови та заборонене змістовне написання, недиференційовані правила GenAI нав’язують зсунуті за когортою тягарі дотримання студентам, які використовують англійську як додаткову мову, тож більш захищуваною профілактикою є межа «підтримка–підміна», заснована на меті й прикріплена до конструкту оцінювання, з каліброваним розкриттям, пропорційністю, розподіленою між пороговими, доказовими та санкційними рішеннями, і важелями дизайну — поетапні подання, короткі усні перевірки, узгоджені з конструктом, запитань на основі критики, — які роблять роботу, якої детекція не може. Профілактика має покривати також і самого оцінювача: [[humble-prompt-injection-ai-grading-red-team-2026|red-team]]-оцінювання Humble’s (2026) виявило, що дві з п’яти стратегій непрямого введення підказок, вбудованих у файл матеріалу, підняли провальне есе до проходженого балу невиявленими, за повідомленими частотами успіху 100% і 94%, тож там, де роботу студентів оцінюють інструменти ШІ, [[human-in-the-loop-ai|людський перегляд]], чіткіше відокремлення інструкцій від поданого контенту та тестування на стійкість належать до структурної основи, а не до необов’язкового рівня.

### Рівень 2 — сильна підтримка рамкою, високий потенціал

**Скаффолдині послідовності використання: спершу мисли, потім ШІ, втретє рефлексуй.** Восемь принципів дизайну для інтеграції LLM без витіснення [[critical-thinking]]: збережи пізнавальне тертя, позиціонуй ШІ як тимчасового партнера з мислення, а не як авторитет, вбудовуй контрольні точки оцінювання, вимагай [[metacognition|метапізнавального]] журналювання та журналів підказок, і балансуй опосередковані ШІ фази з фазами вільними від ШІ. Кореляційні докази (незалежна робота перед ШІ породжує сильніші результати) є сильними; це педагогічно повна версія Рівня 1.

**[[ai-literacy|ШІ-грамотність]] і грамотність у [[prompt-engineering|підказках]] з навмисною практикою та негайним [[feedback]].** Модуль [[k-12]] із практикою підказок на основі сценаріїв із автогрейдером на базі [[llm]] покращив фактичні вміння складати підказки та підвищив впевненість у використанні ШІ для навчання **+10.4%**, причому 87% повідомили, що навчилися використовувати ШІ відповідально. Продемонстровані прирости вмінь; відкритим питанням є те, чи перетворюються вони на подальші [[learning-gains|результати навчання]]. Він також звертається до [[equity-in-ai-education|прогалини справедливості]] в попередньому доступі до ШІ.

**Структуровані рамки декларування використання ШІ.** Заміна узагальнених прапорців «я використовував ШІ» на [[discipline-specific-aied|предметно специфічні]] декларації, які відображають використання на пізнавальні стадії (структурне планування проти генерації контенту), змушує рефлексувати над процесом навчання та прояснює межу між прийнятною допомогою і несумлінною поведінкою, зсуваючи акцент від поліцейського контролю до професійної практики.

Освітні важелі виглядають інакше знову, коли цілісність розглядається як практика, якій вчать, а не як правило, яке примушують виконувати. [[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] стверджує, що режими цілісності, засновані на детекції та перевірці, не узгоджені з роботою, доповненою GenAI, і переформовує цілісність як педагогічну практику, втілювану через [[evaluative-judgment|оцінювальний розсуд]] — спроможність здобувача зважувати варіанти, виправдовувати академічні вибори та нести відповідальність за невизначеності, — зроблену видимою через артефакти, такі як анотовані сліди рішень, задокументована перевірка, усний захист і історії версій від чернетки до чернетки, з детекцією, зниженою до одного додаткового шару, а не до первинної інфраструктури. [[mulisa-students-genai-integrity-perspectives-2026|Mulisa and Mezgebu (2026)]] знаходять той самий отвір з боку студентів: у 27 інтерв’ю в ефіопському [[higher-ed|університеті]] використання було майже всезагальним, більшість учасників відписували GenAI підвищення їхніх досягнень, і найгостріша скарга йшла протилежно — користувачі ШІ отримують бали вищі за старанних незалежних працівників, що учасники описували як демотивуюче. Автори роблять висновок, що переконання студентів передбачають етичне використання сильніше, ніж установчі правила, тож усвідомленість, чітка політика та перепроєктування оцінювання мають приходити разом, — що є освітнім рівнем сторінки, сформульованим як умова: будування спроможності змінює поведінку лише через [[framing-ai-use-for-students|погодження студентів]], супроводжуване структурною основою. [[ji-student-voices-academic-integrity-scoping-2026|Ji’s (2026)]] [[meta-analysis-systematic-review|огляд з охопленням]] 38 досліджень голосів студентів надає поліво-рівневу версію того самого висновку: розглянуті дослідження сходяться на зсуві від ретроспективної детекції до проактивного етичного міркування, на викладанні етики ШІ та ШІ-плагіату в [[curriculum-design|навчальній програмі]], а не в разових заняттях з [[ai-literacy|грамотності]], і на детальних керівних принципах, спільно створених лідерами, факультетом і студентами, бо нечіткі керівні вказівки читаються як мовчазний дозвіл, а не як обачність. Власне прочитання Ji є таким, що власність і моральне міркування мотивують студентів більше, ніж страх покарання, і що студенти є ані пасивними отримувачами GenAI, ані винуватцями без морального обмеження, а моральними агентами, що працюють у сірій зоні, — передумова цього рівня, сформульована як результат.

### Рівень 3 — багатообіцяючий, нижчі прямі причинні докази

**Метапізнавальні втручання та самооцінювання.** Рефлексивні журнали, журнали підказок і тренування калібрування відбудовують «відсутній пізнавальний базовий рівень» студентів, нативних для ШІ, які не можуть знайти власну пізнавальну межу, бо втіленість, породжена ШІ, її маскує. Концептуально центральне, проте причинно ще не перевірене.

**Перепроєктування мотивації.** Оскільки доступність ШІ руйнує [[motivation|автономну мотивацію]] («навіщо докладати зусиль»), переструктурування завдань навколо цілей, яких ШІ не може виконати, і навколо [[agency|агентності здобувача]] безпосередньо цілиться в ерозію стійкості, що посилює пряму шкоду.

**Критична ШІ-грамотність.** Політико-знаннєве формулювання, яке вчить здобувачів допитувати, оспорювати та брати участь в [[governance|управлінні ШІ]], а не споживати його. Довгострокове, орієнтоване на справедливість і структурне в своїх амбіціях, хоч його впливи на навчання здебільшого не перевірені.

**Розпізнавання [[ai-sycophancy|сикофантії]] для запобігання некритичному прийняттю.** Оскільки [[ai-sycophancy|сикофантний]] ШІ підтверджує, а не оспорює користувача, він є прямим вектором неправильного використання: студенти, які отримують стверджувальну згоду щодо неправильного мислення, заохочуються підміняти ШІ своїй власній [[cognitive-offloading|пізнавальній роботі]]. [[contextual-sycophancy-ai-literacy|Контекстна сикофантія]] показує, що навчання ШІ-грамотності та підказок знижує, але не усуває петлю помилок, тож профілактика неправильного використання має поєднувати освітнє тренування розпізнавання з дизайном коригуючого тертя на рівні системи (див. обмежувачі Рівня 1).

- **[[desirable-difficulties|Плідне тертя]] та педагогічна функція. Сіднейський швидкий огляд стверджує, що GenAI підриває навчання, коли дозволяє студентам обходити пізнавальне/метапізнавальне тертя, потрібне для навчання, і що свідомо спроєктовані інструменти вводять *плідне тертя* (утримання відповідей, спонукання до пояснення). Він відрізняє чотири педагогічні функції — навчання *з*, *із*, *про* або *шляхом формування* GenAI, — кожна з різними вимогами до агентності та оцінювання. ([[young-people-learning-generative-ai-rapid-review-2026]])

## Пов’язані поняття

- [[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]]

## Пов’язані статті
- [[ivory-psychology-assessment-integrity-2026]] — Version-control evidence trails and reproducible analysis documents as misuse deterrents (Ivory et al. 2026)
- [[generative-ai-guardrails-harm-learning]] — GenAI Without Guardrails Can Harm Learning
- [[genai-performance-vs-learning]] — Distinguishing Performance Gains from Learning
- [[ai-assessment-scale-reform]] — The AI Assessment Scale and Assessment Reform
- [[critical-thinking-genai-scaffolding]] — Scaffolding Critical Thinking with Generative AI
- [[aaai2026-prompting-literacy-k12]] — Learning to Use AI for Learning (K-12 AI Literacy Module)
- [[genai-declaration-frameworks-higher-education]] — Structuring Transparency: GenAI Declaration Frameworks
- [[absent-cognitive-baseline-2026]] — The Absent Cognitive Baseline
- [[ai-literacy-power-knowledge]] — AI Literacy: An Exercise in Power-Knowledge
- [[contextual-sycophancy-ai-literacy]] — The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention
- [[sycophantic-ai-social-interaction-2026]] — Sycophantic AI makes human interaction feel more effortful and less satisfying over time
- [[ssaho-ai-academic-integrity-review-2025]] — Culture-building and assessment redesign over detection policing
- [[young-people-learning-generative-ai-rapid-review-2026]] — Cognitive surrender, productive friction, and metacognitive inequity
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Reconsidering oral exams as authentic, AI-resistant assessment
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — The generative AI learning penalty: homework outsourcing harms learning
- [[ai-overreliance-complex-adaptive-system-2026]] — AI overreliance modeled as a complex adaptive system
- [[burneo-can-edtech-close-learning-gaps-2026]] — Guardrails removed harm without improving exam scores
- [[munoz-misconduct-allegation-evidence-2026]] — What misconduct allegation files actually contain as evidence
- [[wright-transcription-not-generation-2026]] — Over-inclusive AI rules and the students they catch
- [[sharma-judgment-visible-genai-assessment-2026]] — Integrity as evaluative judgment rather than compliance
- [[mulisa-students-genai-integrity-perspectives-2026]] — Students on whether GenAI is a cheating tool or a learning partner
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — What remote proctoring does to students, and to equity
- [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025]] — Situational crime prevention against AI-facilitated cheating: 183 to 27 cases, and five discipline-specific redesigns (Leaton Gray, Edsall & Parapadakis 2025)
- [[ji-student-voices-academic-integrity-scoping-2026]] — What 38 studies of student voices recommend: co-created clarity and educative reasoning over detection (Ji 2026)
- [[li-genai-assessment-language-equity-2026]] — Where language support ends and substitution begins for EAL writers (Li 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Prompt injection as a misuse vector against AI grading (Humble 2026)
- [[coates-governing-academic-integrity-indicators-2025]] — Governance as the binding constraint on integrity: a 130-item indicator framework (Coates, Croucher & Calderon 2025)

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Академічна доброчесність** — етична рамка, що регулює чесну академічну працю в епоху ШІ. База знань документує, як це поняття було переосмислене завдяки [[generative-ai|генеративному ШІ]]: від проблеми [[ai-detection|виявлення нечесних робіт]] до задачі проєктування, у межах якої чесна робота стає видимою, перевіряною та такою, яку варто створювати. Дослідження академічної доброчесності [[research-methods-aied|research]] у цій сфері еволюціонували від підходів, орієнтованих на виявлення, до фундаментального перепроєктування оцінювання, управління, керованого педагогікою, та [[ai-literacy|навчання студентів доброчесному використанню ШІ]], а не лише до контролю за тим, чи роблять вони це.

## Питання для роздумів

- Згадайте, коли ви востаннє чули обговорення «нечесності з ШІ». Чи точилася розмова про те, як викривати студентів, чи про те, як проєктувати завдання, які студенти хотіли б виконувати чесно? Який акцент здається вам більш знайомим і чому?
- Бездоганний, правдоподібний твір тепер можна створити за лічені секунди. Якщо ви вже не можете судити про здібності студента за продуктом, який він здає, що вам потрібно було б побачити або почути, щоб бути впевненими, що він справді це засвоїв?
- Дослідження показують, що студенти часто раціоналізують використання ШІ («копіювання тексту ШІ — злочин без жертв»), а не вживають його зі злого умислу. Які припущення про мотиви студентів містить суто каральна політика доброчесності — і в чому ці припущення можуть помилятися?
- Одна лінія досліджень розглядає використання ШІ студентами як задачу координації: поведінка змінюється, коли змінюються очікування ровесників і стимули оцінювання, а не коли переформульовують правила. Які чинники, пов’язані з ровесниками чи проєктуванням, у вашому власному контексті можуть непомітно визначати, буде використання ШІ чесним?
- Дослідження показують, що страх покарання змушує студентів приховувати використання ШІ і що прозорі студенти навіть можуть викликати підозру. Якби ви проєктували форму «розкриття використання ШІ», що змусило б студента справді захотіти заповнити її правдиво?
- Одна й та сама інституційна політика щодо ШІ трактується по-різному студентами різних культур — саме культура, а не формулювання політики, визначає, що здається неправильним. Як слід повідомляти політику доброчесності культурно різноманітній групі, щоб очікування справді були зрозумілими?

## Вступ

Поява генеративного ШІ не створила потреби в академічній доброчесності — вона зробила слабкість наявних підходів важче ігнорувати. Бездоганний, правдоподібний продукт тепер можна створити за лічені секунди, тому **подібність продукту є дедалі ненадійнішим сигналом здібностей**. Це переносить питання доброчесності з *«чи можемо ми викрити використання ШІ?»* на *«чи можуть наші [[assessment|оцінювання]] й далі обґрунтовувати висновки, які ми робимо про навчання студентів?»*

### Еволюція від виявлення до перепроєктування

- **Скептицизм щодо виявлення:** дослідження [[ai-detection]] та [[governance|інституційні]] аналізи дедалі частіше встановлюють, що інструменти виявлення ШІ є ненадійними та процедурно несправедливими. [[detecting-llm-generated-text-latent-prompt|Виявлення тексту LLM]] стикається з фундаментальними обмеженнями. Повністю згенеровані ШІ роботи можуть проходити через системи живого іспиту майже невиявленими, а досвідчені перевіряючі не надійно розпізнають роботи, створені GenAI. Виявлення в найкращому разі є обмеженим, ситуативним інструментом — а не стратегією першого порядку. Обсяг, який його проте змушують обробляти, далекий від незначного: шестирічний аналіз курсу CS2 з великою кількістю слухачів виявив, що 45,7% студентів навесні 2026 року були позначені за закономірностями, узгодженими з кодуванням за допомогою LLM ([[argus-academic-integrity-genai-2026|Racovan et al. (2026)]]).
- **Вузький запас виявлення та нечесність як запланована поведінка:** [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025|Leaton Gray, Edsall and Parapadakis (2025)]] збирають докази на те, що ШІ підсилює вразливість, яку сектор уже мав. Текст, згенерований ШІ, проходив як створений людиною у 80% випадків, тоді як наведені ними дані вказують на машинне виявлення приблизно на рівні 80% проти 78,4% для перевіряючих-людей — занадто вузький запас, щоб нести висновок про проступок. Їхній мотиваційний аналіз — більш характерний внесок: спираючись на теорію запланованої поведінки Айзена та теорію самоефективності Бандури, вони повідомляють про метааналіз Krou et al. (2021), який встановив, що [[self-efficacy]] негативно корелює з нечесністю, тоді як фактичні здібності не корелюють з нею зворотно взагалі. Тому здібний, упевнений студент, який сприймає оцінювання як несправедливе, може порушувати правила, щоб відновити контроль. Висновок слідує тій самій інверсії, яку ця сторінка документує в іншому місці: оцінювання, на яке модель може переконливо відповісти, є інтелектуально тривіальним оцінюванням, і невдача належить оцінюванню, а не студентові.
- **Перепроєктування оцінювання:** [[authentic-assessment]], [[beyond-detection-authentic-assessment-ai-2025|підходи за межами виявлення]] та [[ai-assessment-scale-reform|шкала оцінювання ШІ]] зміщують фокус від викриття використання ШІ до проєктування оцінювань, у яких використання ШІ або не має значення, або є прозорим, або є необхідним для демонстрації певної здатності.
- **Структурна вразливість оцінювання:** [[biology-degree-integrity-genai-cheating-2026|Chan et al.]] надають конкретний приклад того, як наявне оцінювання структурно відкрите для нечесності, опосередкованої ШІ. У [[biology-education|біологічному]] факультеті викладачі сприймали лише екзамени під онлайн-наглядом у присутності як мінімально вразливі; завдання поза заняттями вважалися сильно вразливими, залишаючи близько третини оцінки студента сильно вразливою і 80% — принаймні дещо вразливими. Це окреслює проблему доброчесності частково як проблему *проєктування оцінювання*, зумовлюючи перебалансування на користь оцінювання під наглядом чи в аудиторії та [[authentic-assessment|дизайнів автентичного оцінювання]], які важче передати на аутсорсинг. [[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]] надають відповідник на рівні дисципліни для всієї трирічної програми з психології: 36 з 40 оцінювань 16 типів давали прийнятний вміст за мінімальних зусиль, а чотири, що не пройшли, були тими, що потребували присутності, візуальних медіа чи власного набору даних студента. Їхнє трактування *чому* це проходить — те, що узагальнюється: оцінювання, яке винагороджує вільну структуру та добросовісне використання правильного аналізу, спокуштовує вигадані значення та галюциновані джерела, тож саме межа «зараховано», а не виявлення, вирішує, чи оцінюється результат ШІ як досягнення, і вразливість оцінювання «не можна покладати лише на використання студентами».
- **Робота як поверхня атаки: ін’єкція підказок проти [[automated-assessment|оцінювання ШІ]].** [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] проводить ред-тимінг звичайного робочого процесу оцінювання і показує, що робота студента може нести приховані інструкції, які змінюють оцінку, що її отримує інструмент ШІ: дві з п’яти стратегій непрямої ін’єкції, вбудованих у файл роботи, підвищили незадовільний твір до «зараховано» без видимого попередження користувачеві, за повідомленими показниками успіху атаки 100% (9/9) і 94% (17/18), обидві поєднуючи маніпуляцію інструкціями, рольову гру та маскування у форматах docx, pdf і htm. Найпростіша атака провалилася повністю, і її відмова була тихою — інструмент вимкнув чат, не повідомивши про спробу — тоді як одна виявлена ін’єкція дала запевнення, що інструмент оцінюватиме «лише відповідно до офіційних інструкцій завдання», перш ніж шість наступних запусків того самого файлу все одно підвищили оцінку. Наслідок для доброчесності працює в обох напрямах: оцінка, підвищена прихованою інструкцією, не неє жодної претензії на [[assessment-validity|валідність]], та сама техніка може бути використана для зниження роботи без стійкого сліду у виході, і перевіряючий-людина залишається єдиною справжньою перевіркою маніпуляції, сконструйованої так, щоб бути невидимою.
- **Валідність як організовна рамка:** [[assessment-validity]] переосмислює доброчесність як доказову проблему. [[authentic-products-authenticated-processes-2026|Дослідження автентичного оцінювання]] вводить **підміну конструкту** — згенерований ШІ продукт приписується студентові, тож оцінювання вимірює здатність інструмента, а не студента. Доказове питання витримує будь-яку політику щодо ШІ: незалежно від того, заборонене використання, дозволене чи обов’язкове, оцінювання мусить і далі генерувати докази, що обґрунтовують зроблений висновок.
- **Варіативність у масштабі як механізм доброчесності без нагляду:** [[varia-construct-equivalent-assessment-variant-generation-2026|VARIA (Lee 2026)]] [[benchmark]] перевіряє передумову AI-Integrated Authentic Assessment (AIAA) — заміну наглядового прокторингу на варіативність завдань для кожного студента, щоб копіювання було структурно безкорисним. Гарантія доброчесності залежить від того, що LLM генерують варіанти, які є поверхнево відмінними та [[assessment-validity|еквівалентними за конструктом]]; пілотний проєкт VARIA із 600 варіантів встановлює, що фронтьєр-моделі задовольняють це лише на межі (сукупний бал 0,81–0,88), тоді як нефронтьєр-моделі розвалюються (0,50–0,55), тож «варіативність у масштабі не можна вирішити лише за допомогою [[prompt-engineering|підказок]]». Це дає дебатам «виявлення проти перепроєктування» емпіричну, фальсифіковану перевірку: обіцянка автентичного оцінювання з варіативними завданнями без нагляду тепер залежить від виміряної (і досі вузької) здатності генерації, а не від припущеної.
- **Автентифікація студентської рефлексії проти GenAI:** [[5p-reflection-model-genai-2026|Kadel et al. (2026)]] стверджують, що традиційні моделі рефлексії вже не можуть автентифікувати рефлексію студента, коли GenAI може писати рефлексивну прозу, і вбудовують доброчесність безпосередньо в модель рефлексії — етап «Підводні камені» рамки 5P явно обробляє плагіат, [[hallucination-risk|hallucination-risk]], та надмірну залежність, тоді як його етапи «Процес» і «Продукт» вимагають документування підказок і перевірки результатів, щоб власні міркування [[learners]] були відрізними від внесків, згенерованих ШІ.
- **Розробка політики:** [[genai-policies-higher-ed-computing|інституційні політики щодо ШІ]] та дослідження [[educational-policy-ai]] вивчають, як університети розробляють і повідомляють очікування щодо доброчесності — і чому абстрактні твердження політики так часто зазнають невдачі.
- **Доброчесність як проблема управління, а не виявлення.** [[coates-governing-academic-integrity-indicators-2025|Coates, Croucher and Calderon (2025)]] переносять обмежувальний чинник із поведінки студентів до академічного [[governance]], який вони називають стійким, але «не добре розташованим і не готовим» протистояти загрозам GenAI автентифікації оцінювання студентів. Їхня відповідь — рамка показників доброчесності з 130 пунктів у восьми вимірах, від «Проєктування» (19 пунктів) до «Вдосконалення» (6), що складається з питань управління, а не психометричних шкал — чи отримує вищий орган установи оновлення щодо якості оцінювання, який відсоток оцінювань нагадує відповідні та змістовні проблеми, який відсоток студентів відомий індивідуально викладачам, які їх оцінюють. Вона була розроблена шляхом багаторічного огляду досліджень, п’яти кейс-стаді австралійських університетів, прототипування, експертного підтвердження з 60 запрошеними експертами з шести регіонів світу та [[quantitative-research|quantitative]] пілотування, і вона поєднана з реформами архітектур управління, людей і технологій і ресурсів, які автори очікують віддавати лише під зовнішнім тиском [[regulation]], бенчмаркінгу та міжуніверситетської конкуренції; вони представляють рамку як формативну і закликають до психометричної валідації, перш ніж вона буде використана для порівняння або [[educational-measurement|educational-measurement]].
- **Що насправді кажуть документи: доброчесність домінує в інституційній політиці щодо ШІ.** [[institutional-ai-policy-health-informatics-2026|Eldredge et al. (2026)]] проаналізували політику щодо ШІ та керівні документи всіх 48 акредитованих CAHIIM магістерських програм з health informatics і health information management у США: 40 (83%) мали щонайменше один відповідний документ, і ці документи окреслювали ШІ переважно як питання запобігання зловживанням студентів у курсовій роботі, центруючи академічну доброчесність і прийнятне використання. Академічна доброчесність була далеко найчастішим ключовим словом (n = 139, попереду цитування — 59, оцінювання — 50 і плагіату — 38), тоді як приватність, інтелектуальна власність та регуляторні теми були присутні, але менш поширені (HIPAA n = 5, FERPA n = 11, настанови IRB n = 8). Тематичне моделювання того ж корпусу дало чотири теми, першою з яких була академічна доброчесність і належне використання ШІ, поряд із генеративним ШІ у викладанні, ШІ та використанням інструментів даних у дослідженнях і залученням студентів до розмовних систем ШІ. Доказова цінність для цієї сторінки — це квантифікація: оформлення, зцентроване на доброчесності, є не просто риторичним типовим елементом інституційної політики щодо ШІ, але емпірично домінуючим її вмістом. Найдокладніше зауваження авторів — про те, де ця увага зупиняється, відзначаючи, що порівняно мало настанов охоплює використання ШІ в прикладному навчанні, дослідженнях і модельних середовищах, де перетинаються навчальні та занепокоєння щодо управління даними, тож документи регулюють курсову роботу, тоді як середовища, для яких ступінь готує студентів, залишаються здебільшого неврахованими.
- **Рамка доброчесності поступається регулюванню на рівні завдань:** [[chirikov-regulate-ai-syllabi-2026|Chirikov (2026)]] у довгостроковому дослідженні 31 000+ програм курсів показує, що політики викладачів щодо ШІ відходять від чисто доброчесної рамки: згадки академічної доброчесності в силабусах впали з 63% (весна 2023) до 49% (осінь 2025), тоді як посилання на вплив ШІ на навчання зросли з 1% до 29%. Викладачі дедалі частіше регулюють ШІ **за типом завдання** — обмежуючи його для написання/міркування (де ШІ витісняв би навчання) і дозволяючи для редагування/вичитування та підтримки навчання — а не застосовуючи повну заборону на підставі доброчесності. Це переосмислює політику доброчесності як рішення про проєктування на рівні завдання, а не як бінарне правило.

### Процедура щодо проступків та її доказовий розпад

Машинний механізм, який стоїть поверх політики доброчесності, сам є рішенням про проєктування, і генеративний ШІ зруйнував його доказову основу. [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] стверджує, що процедура щодо проступків, яку університети запозичили з плагіату, припускає, що заборонене використання можна виявити і довести — передумова, яку технологія розчиняє. На відміну від програм зі зіставлення тексту, які вказують на скопійоване джерело, класифікатор ШІ-тексту не ідентифікує жодного джерела (його не існує); він видає ймовірнісне судження про стиль, яке деградує під парафразом, систематично неправильно позначає письмо неносіїв англійської і не може бути поясненим або перехресним, тоді як вміле чи легко відредаговане використання не залишає сліду взагалі. Наполягання на цьому у будь-якому разі перевертає тягар доказування (студента просять довести негатив), напружує кожен елемент процедурної справедливості і призводить до шкоди хибного звинувачення найбільше для тих, хто вже є невигідним. Запропонований засіб двоплановий: доказовий стандарт, за яким оцінка детектора сама по собі ніколи не обґрунтовує висновок, із градуйованими, освітньо-орієнтованими відповідями, і перенесення зусиль установи до проєктування оцінювання, зцентрованого на валідності, та [[authentic-assessment|автентичного оцінювання]] — відповідь на невиявний ШІ — краще оцінювання, а не кращий нагляд. Граничний випадок не має машинного механізму взагалі: [[ai-written-admissions-essays-penalized-2026|Isley, Gaebler and Goel (2026)]] документують магістерську програму державної політики США, яка забороняла допомогу генеративного ШІ у підписаному засвідченні і не перевіряла жодної роботи, де 56,1% заявників 2025 року подали щонайменше один твір, який комерційний детектор класифікував як переважно написаний ШІ, і кожен позначений твір був пов’язаний із на 1,5 відсоткового пункта нижчою ймовірністю вступу (p < .01), що зростало до 2,6 пункта (p < .001), коли якість твора утримувалася постійно. Без виявлення, розгляду або етапу забезпечення виконання між правилом і результатом покарання доставлялося повністю через саму класифікацію детектора.

[[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] надають емпіричний відповідник, кодуючи кожну справу про проступок із GenAI в одному регіональному австралійському університеті протягом трьох років: 1162 справи, що несуть 1855 доказових елементів, кожен оцінений за релевантністю, довірливістю та висновковою силою. Вихід детектора був доказом, до якого найчастіше тягнулися і який найменше міг нести вагу — звіти Turnitin або звіти про подібність несли 100% слабкої висновкової сили, а окремий вихід детектора — 100% низької довірливості, і докази детектора впали до 0,5% елементів до 2025 року, оскільки установи засвоїли, чого він не міг довести — тоді як найсильніші типи доказів були ті, що не спираються на ймовірнісну класифікацію тексту: визнання студентів, спостережувана заборонена поведінка на іспиті та незалежно перевірені вигадані джерела, які були найбільшим структурним зрушенням на рівні 22,3% елементів. Їхня найдокладніша критика є структурною, а не доказовою, оскільки «немає вимоги для слідчих оцінити довідову якість доказів перед продовженням звинувачення, немає мінімального доказового порога на жодному етапі конвеєра», тож якість доказів не мала надійного зв’язку з результатами справ. Вони також фіксують, як політика наздогнала практику: політика оцінювання, що діяла до 2024 року, не мовила нічого про ШІ, а з січня 2025 року переглянута політика дозволяла схвалене програмне забезпечення автентичності, забороняючи завантаження робіт студентів до сторонніх інструментів виявлення ШІ.

Друга невдача — це невдача обсягу, а не доказу. [[wright-transcription-not-generation-2026|Wright (2026)]] показує, що заборони, написані на рівні ідентичності платформи, а не функції, захоплюють негенеративне перетворення формату — розпізнавання мовлення в текст, OCR, звичайний текст у LATEX — поряд із генеративним написанням, яке вони мають намір заборонити, хоча рецензована література з інформатики розглядає розпізнавання і генерацію як відмінні операції. Витрата падає нерівномірно: студенти з станами, що впливають на контроль дрібної моторики, розбірливість почерку або точність набору тексту, покладалися саме на ці інструменти, і оскільки автономні продукти перетворення мовлення в текст знімаються з виробництва або деградують, розпізнавання мовлення на основі ШІ заповнює функціональний проміжок, тож надмірно широка правило усуває основний засіб створення розбірливої роботи, роблячи суперечку суперечкою [[accessibility]] та [[equity-in-ai-education|equity-in-ai-education]] раніше, ніж суперечкою доброчесності. Засіб Wright — визначення генеративного ШІ на основі функції плюс чотири операційні критерії — точність, недоповнення, простежуваність і засвідчення — які дають студентові структурований шлях спростувати звинувачення лише в розпізнаванні, залишаючи тягар доказування на установі.

Доказова проблема виявлення є також проблемою валідності. Оскільки допомога ШІ є ітеративною і вплетеною в написання, а не переданою на аутсорсинг цілком, авторство і володіння змістом розходяться, і звучаща подана робота може не встановлювати, що студент здійснив судження, на яке було націлено завдання. Продуктивність детекторів варіюється за завданнями, дисциплінами і версіями моделей, і розкрите або підозрюване використання ШІ може діяти як упереджувальна підказка для перевіряючих, тож відповідь на виявлення додає конструктно-нерелевантну варіацію, а не усуває її. Коли дебати про доброчесність питають, хто створив слова, рахунок валідності питає, яку заяву про студента обґрунтовує продуктивність.

### Проблема раціоналізації

Студенти загалом не [[ai-misuse-learning-harm|ai-misuse-learning-harm]] зі злого умислу; вони раціоналізують це. [[student-rationalization-ai-writing|student-rationalization-ai-writing]] ідентифікує щонайменше **п’ять точок роз’єднання**, де трактування студентами політики щодо ШІ розходиться з наміром факультету, і таксономію **20+ відмінних раціоналізацій** — від «копіювання тексту ШІ — злочин без жертв» до «текст, що відображає мої вірування, є моїм власним письмом». Ці раціоналізації є ситуативними, пост-гок і внутрішньо непослідовними, і вони описують «крутий етичний слизький схил», на якому студенти ковзають далеко за межі [[pedagogy|pedagogy]] цілей. Саме тому [[misconceptions|misconceptions]] студентів про ШІ є вихідною причиною порушень доброчесності, і саме тому освіта доброчесності мусить враховувати [[ethics|ethics]], а не лише технічну вправність.

[[ji-student-voices-academic-integrity-scoping-2026|Ji (2026)]] у розгорнутому огляді 38 емпіричних досліджень голосів студентів надає синтез, на якому спирається цей розділ. Його чотири теми — неоднозначність (генерація цілого завдання читається як нечесність, перевірка граматики і мозковий штурм є здебільшого прийнятними, а парафразування, окреслення і переклад сидять у сірій зоні), етична [[agency]], в якій студенти будують особисті правила в вакуумі настанов, який вони читають як мовчазне схвалення їхніх дій, розрив між етичною обізнаністю і практикою, і різноманітність за статтю, рівнем, дисципліною і культурою. Розрив обізнаності-практики — це проблема раціоналізації, виміряна в масштабі: Індекс етичної дисонанси Huang et al. розсортував 522 китайських студентів на чотири кластери, один з яких часто робив те, що вважав нелегітимним, і структурне моделювання Ofem et al. 4679 нігерійських студентів встановило, що позитивні сприйняття ChatGPT передбачали нечесне використання, тоді як позитивні ставлення до доброчесності діяли як значний негативний посередник. Ji читає студентів ні як пасивних отримувачів GenAI, ні як злочинців без морального обмеження, але як активних агентів, що навігають етичною сірою зоною, чому розглянуті дослідження збігаються на співстворених, освітніх і контекстно-чутливих відповідях, а не на каральних.

### Чому політика сама по собі зазнає невдачі: проблема координації

[[ethical-ai-higher-ed-game-theory|ethical-ai-higher-ed-game-theory]] надає рахунок на рівні механізму того, чому проголошення політики рідко змінює поведінку: використання ШІ студентами є **проблемою координації**, де індивідуальні вибори залежать від очікувань ровесників і проєктування оцінювання. Ключове встановлення моделі — **нелінійна порогова динаміка** — малі, добре калібровані зміни стимулів рефлексивного оцінювання можуть спричинити швидкі зрушення всього курсу до відповідального використання, тоді як слабкі або роз’єднані стимули дозволяють опортуністичній практиці зберігатися. Практично, скромне перепроєктування (наприклад, вимога від студентів рефлексувати над їхніми взаємодіями з ШІ) може мати непропорційні ефекти там, де абстрактні правила не мають жодних.

Відповідальність ровесників не завжди вказує на доброчесність, як [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] встановили в оцінюваному [[group-work|group-work]]: сім із п’ятнадцяти груп студентів свідомо знизили своє використання GenAI частково, щоб уникнути вільного проїзду за рахунок однокурсників, оскільки наслідки для групи були спільними, а не самодостатніми, проте в п’яти групах дозвільний колективний клімат — «кожен у моїй групі використовує GenAI» — знизив сприйнятий [[ai-misuse-learning-harm|ai-misuse-learning-harm]] і обернув той самий механізм відповідальності, який групова робота має створити. Те саме дослідження виявило студентів, які переформульовували оригінальність як вірність розумінню, яке їхні однокурсники будували разом, і його практична рекомендація слідує прямо: зробіть узгодження прийнятного використання ШІ явним, документованим і оцінюваним результатом, а не залишайте норму виникати з тиску ровесників або сприйнятого ризику.

Непослідовність політики в межах установи створила саме вгадування, яке передбачає рахунок координації. Дев’ять із одинадцяти опитаних у [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] окреслили явний дозвіл свого власного курсу використовувати генеративний ШІ як можливу «пастку» — приманку, щоб ідентифікувати студентів, які не змогли опиратися — хоча політика була відкритою і написаною в настановах оцінювання; студенти узагальнювали з заборон і попереджень, зустрінутих в іншому місці, а не читали правила свого власного курсу на їхніх власних умовах. Висновок авторів слідує механізму, а не формулюванню: чіткості на рівні курсу було недостатньо, і потрібна послідовність на рівні [[educational-policy-ai|educational-policy-ai]], щоб студенти перестали вгадувати намір з навколишньої культури.

**Ідентична поведінка, різні вердикти — і розкриття, яке не змінює нічого.** [[genai-governance-australian-higher-ed-2026|Poudyal (2026)]] застосував 15 стандартизованих віньєток до політичних середовищ 20 австралійських університетів і створив 300 класифікацій: 120 (40,0%) явно заборонені, 56 (18,7%) невизначені і жодна явно дозволена, тоді як обов’язкові інструменти мовчали про генеративний ШІ в 100 комбінаціях, які настанови розв’язували в 88. Розкриття не визначало результатів — той самий статус розкриття створював різні класифікації залежно від правил дозволу і інструкцій завдання, і поле розкриття зафіксувало 117 задоволених вимог і 80 хибних заяв.

Процедури мають таке саме значення, як політики, і їхня доказова основа розвалилася для ШІ. [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] стверджує, що процедура щодо проступків, яку університети запозичили з плагіату, спирається на передумову, яку генеративний ШІ зруйнував: що заборонене використання можна виявити і довести. На відміну від програм зі зіставлення тексту, які можуть вказати на скопійоване джерело, класифікатори ШІ-тексту не ідентифікують жодного джерела, оскільки його не існує — вони видають ймовірнісне судження про стиль, яке деградує під парафразом, неправильно класифікує неносіїв систематично і не може бути поясненим або перехресним, тоді як вміле чи легко відредаговане використання не залишає сліду взагалі. Наполягання на цьому у будь-якому разі перевертає тямар доказування (студента просять довести негатив), напружує кожен елемент процедурної справедливості і призводить до шкоди хибного звинувачення найбільше для тих, хто вже є невигідним. Запропонований засіб двоплановий: опублікувати доказовий стандарт, за яким вихід детектора сам по собі ніколи не обґрунтовує висновок, із градуйованими освітньо-орієнтованими відповідями, і перенести зусилля установи до проєктування оцінювання, зцентрованого на валідності, та автентичного оцінювання. [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] надають відповідник на рівні механізму з боку студента: оскільки кожне середовище оцінювання робить якусь відповідь найпривабливішою, заборона залишає приховування привабливим, коли перевірка є тонкою, моніторинг робить приховане використання дорожчим, не роблячи розкриття безпечним, і лише перепроєктування — зниження винагороди від аутсорсингу, підвищуючи цінність видимого міркування — переміщує студентів до відповідального використання. Їхній найдокладніший результат — стримування працює через розрізнення детектора між прихованим використанням і легітимною роботою, а не через його показник виловлення, тож коли хибні позитивні зростають швидше, ніж справжні позитивні, сильніший моніторинг може зробити приховування відносно більш привабливим.

- **Обов’язок доброчесності може бути переписаний як індивідуальна компетентність.** Через 366 абстрактів вищої освіти GenAI слово «доброчесність» з’являється 461 раз, але лише 6 із 166 виразів обов’язку називають студентів, тож перевірка і розкриття виникають як навички, які, як очікують, студенти мають мати, а не як обов’язки, які установи забезпечують ([[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal, 2026]]).

- **Наскільки прескриптивною є політика доброчесності, не розкриває, наскільки відкрите оцінювання.** Аудитуючи 15 587 записів модулів, [[villanueva-ai-vulnerability-assessment-audit-2026|Villanueva (2026)]] встановив, що університети з мандатами реформи в межах установи і ті з широкими рамками розподіляються в тому ж діапазоні відкритості оцінювання — емпіричний відповідник рахунку координаційної гри того, чому проголошення рідко змінюють поведінку.

### Соціально-емоційний вимір

Забезпечення доброчесності має знехтувану емоційну витрату. Дослідження [[shame-guilt-ai-regulation-computing-education|shame-guilt-ai-regulation-computing-education]] зі студентами показує, що ці емоції регулюють, коли і як використання ШІ стає видимим, створюючи **поведінку приховування та вибіркове розкриття** — і що вони співіснують із продовжуваним використанням, створюючи цикли зниженої спроможності та моральної напруги, а не зміни поведінки. Саме тому [[social-norms-ai-use|social-norms-ai-use]] регулюють видимість ефективніше, ніж вони регулюють використання. Студенти навіть описують своє використання ШІ мовою залежності. Наслідок: політика, важка на виявленні, орієнтована на нагляд, ризикує **приводити [[ai-misuse-learning-harm|ai-misuse-learning-harm]] до підпілля**, а не враховувати його, підриваючи відверте узгодження, якого потребує продуктивне використання.

Зворотне приховуванню — відмова, і вона несе свою власну емоційну витрату. Серед 85 студентів-викладачів, яких [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] опитали за політики оцінювання, яка явно дозволяла генеративний ШІ, 62,4% (53) вибрали не використовувати його взагалі, і використання прийнявших було поверхневим і виправним — вичитування (43,8%) і перевірки чіткості (34,4%) далеко перевершували генерацію тексту (18,8%) і мозковий штурм (12,5%). Страх [[legal-issues-and-risks|legal-issues-and-risks]], а не технічна складність, зробив багато з цієї роботи: 41,5% неприймавши назвали його проти 13,2%, що цитують відсутні знання або навички, тоді як 77,4% окреслили невикористання просто як перевагу працювати наодинці.

### Заяви про розкриття використання ШІ

[[ai-use-disclosure|Заяви про використання та розкриття ШІ]] — конкретний механізм, через який очікування доброчесності стають операційними — і дослідження показують, що вони часто зазнають невдачі, коли їх розглядають як нейтральні форми відповідності. [[gonsalves-student-non-compliance-ai-declarations-2025|Gonsalves (2025)]] встановив, що 74% студентів не заявили про використання ШІ на обов’язковому титульному аркуші курсової роботи, що зумовлено страхом покарань, неоднозначністю настанов, непослідовним дотриманням і нормами ровесників. [[kirsanov-beyond-detection-ai-online-assessments-2026|Kirsanov et al. (2026)]] та [[vetter-hidden-cost-disclosure-genai-2026|Vetter et al. (2026)]] підтверджують, що страх помсти та незрозуміла політика гальмують розкриття — і що прозорі студенти навіть можуть викликати підозру. [[chang-should-i-tell-my-teacher-ai-disclosure-2026|Chang et al. (2026)]] переосмислюють розкриття як поведінку [[help-seeking]]/[[self-regulated-learning|саморегуляції]], яку тривога перенаправляє на ровесників. Спільний урок: політика розкриття мусить враховувати [[affective-computing|афективні]] та соціальні бар’єри, бути чіткою і послідовною, і розглядати розкриття як [[formative-assessment|формативну]] педагогіку, а не як нагляд. **[[luo-dawson-value-judgments-grading-2026|Luo & Dawson (2026)]]** додають сторону викладача до рівняння: оцінювання викладачами робіт із допомогою GenAI керується ціннісними судженнями про чесність, старанність і довіру студентів, і багато викладачів штрафують (або спокушуються штрафувати) студентів, які розкривають використання GenAI — навіть коли якість роботи сильна. Це проблема «двосторонньої [[explainable-ai|прозорості]]»: від студентів очікують заяви про використання, але викладачі рідко уточнюють, як ця заява вплине на оцінки, тож чесне розкриття може нести невисловлене штрафне оцінювання. Дослідження засновує проблему розкриття в ціннісно насиченій реальності оцінювання викладачами і стверджує, що прозорість мусить працювати в обох напрямах.

Власні повідомлення студентів квантифікують, наскільки погано це послання доходить. В опитуванні 504 студентів-соціологів 81 відсоток сказав, що їхні викладачі чи асистенти давали настанови щодо використання ШІ, проте лише 46 відсотків назвали ці інструкції дуже чіткими; 19 відсотків повідомили про відсутність настанов взагалі, а решта описала їх як в кращому разі дещо чіткі ([[student-genai-use-views-writing|Kuznetsov, Sheely & Baker, 2026]]). Страх скоїти академічний проступок був другим найпоширенішим занепокоєнням, яке піднімали студенти (28 відсотків) — витрата, накладена неоднозначністю, а не забезпеченням виконання, оскільки лише 3 відсотки повідомили про використання GenAI для генерації тексту завдання і 2 відсотки — для створення повного чернетки. Практичний наслідок — сама чіткість комунікації є механізмом доброчесності, і студент, який не може зрозуміти, що дозволено, несе ризик, який установа ніколи не мала наміру накладати.

Дозвіл на рівні курсу також не вирішує дилему розкриття. У дослідженні [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] 85 студентів-викладачів, чиї оцінювання явно дозволяли генеративний ШІ, самозаяви налічували 28 користувачів проти 32 в анонімному опитуванні, і два джерела розходилися в протилежних напрямах за курсами — Курс A зафіксував 14 користувачів в опитуванні, але лише 8 заяв, тоді як Курс C обернув закономірність (8 опитування, 12 заяв). Автори читають розходження як оцінювальні наслідки, що формують, що студенти були готові зробити видимим, додаючи докази студентів-викладачів, що система заяв вимірює поведінку розкриття так само, як і вона вимірює використання.

### Культурна та контекстуальна варіація

Текст політики не дорівнює сприйняттю політики. [[cross-cultural-student-perceptions-genai-computing|Міжнаціональні дослідження]] встановили, що, незважаючи на функціонально ідентичні інституційні політики, студенти різних університетів оцінювали ті самі практики з допомогою ШІ по-різному — **культура, а не формулювання політики, визначала сприйняту неправильність**. Гармонізація політики не дає гармонізації сприйняття, тож культурно різноманітні групи трактують ті самі правила по-різному, що є занепокоєнням щодо справедливості для забезпечення виконання і оцінювання і говорить на користь уточнення на основі сценаріїв замість абстрактних тверджень правил.

Мовне тло, а не культура, є другою віссю варіації. [[li-genai-assessment-language-equity-2026|Li (2026)]] стверджує, що, оскільки той самий інтерфейс виконує дозволене мовне редагування і заборонене субстантивне написання, правила доброчесності, які розглядають GenAI як одну категорію несанкціонованої допомоги, перетворюють мовну невигоду на ризик доброчесності: повна заборона усуває масштабовану форму мовної підтримки, режим «дозволи, але розкрий» накладає роботу відповідності на студентів EAL, чиє використання є більш частим і ітеративним, і заборони на редагування за межами незначних змін концентрують підозру на авторах, чия вільність змінилася найбільше. Межа, яку пропонує Li, є цілевою, а не інструментальною — дозволена підтримка не додає нових ідей, нових джерел і матеріального перепорядкування аналізу, тоді як підміна створює або матеріально переформовує інтелектуальну роботу, що оцінюється — і вона заснована на конструкті оцінювання, оскільки рубрики, які надають бали за вільність та ідіоматичний вираз, вводять конструктно-нерелевантну варіацію для авторів EAL ([[assessment-validity]]). Рамка знижує вихід [[ai-detection|ai-detection]] до сигналу тріажу, який рідко становить доказ, віддаючи перевагу тріангуляції через поетапні подання, історії чернетків, перевіряємі сліди джерел і коротку розмову, узгоджену з конструктом, і калібрує [[ai-use-disclosure|ai-use-disclosure]] так, щоб рутинна підтримка не несла витрат відповідності, що перевищують ті, які несуть одномовні ровесники.

### Від поліцейської функції до педагогіки

База знань документує зміну парадигми: від ШІ як загрози доброчесності, яку треба поліцювати, до ШІ як інструмента, чиєму належному використанню треба вчити. Це етичний вимір [[ai-literacy]], і він [[embodied-learning|embodied-learning]] у практичному проєктуванні:

- **Заяви про використання ШІ для конкретних завдань:** [[genai-declaration-frameworks-higher-education|рамки заяв для конкретних доменів]] замінюють універсальні прапорці «Я використовував ШІ» структурованими заявами, які відображають використання на когнітивних етапах (наприклад, структурне планування проти генерації вмісту), змушуючи до рефлексії і зміщуючи фокус від поліцейської функції до професійної практики.
- **Оцінювання, прозоре щодо процесу:** архітектури, такі як [[credential-cognitive-stewardship-ai-assessment|когнітивне керівництво]], поетапні подання, усні захисти та [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|AI Viva]] ([[conversational-ai|розмовний агент]], що досліджує, чи розуміють студенти свої подання), роблять [[human-in-the-loop-ai|людське судження]], перевірку та відповідальність видимими. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran and Arar (2026)]] просувають ту саму логіку до самої підказки: їхня зразкова рубрика оцінює ітеративне вдосконалення, критичну інтерпретацію результату та рефлексивне переглядання, тож оцінюється залучення студента з інструментом, а не артефакт, який він створив, і вони стверджують, що навчання студентів лише оптимізувати результат залишає етичні та епістемологічні виміри використання незайманими.
- **[[reducing-ai-misuse|Зменшення зловживань]]:** доброчесність стоїть поряд із [[ai-misuse-learning-harm]] (навчальна витрата зловживань) та [[reducing-ai-misuse]] (інтервенції, які їх запобігають), пов’язуючи чесність із справжнім навчанням, а не з дотриманням правил.
- **Прозорість як стратегія доброчесності, а не лише як ввічливість:** дизайн-кейс [[mccorkle-aligned-genai-course-policy-2025|McCorkle (2025)]] розглядає *обґрунтування* для кожного дозволеного чи недозволеного використання GenAI як сам механізм доброчесності. Опитані після ігнорування політики заборони студенти пояснили, що вони не бачили себе такими, що поводяться нечесно, що переосмислює невдачу як неоднозначність, а не як невідповідність — тож перепроєктування відповіло на це, обґрунтовуючи кожне обмеження конкретним [[assessment]], яке воно захищає, і проєктуючи для «переконливої середини 20-60-20» McCabe, а не для небагатьох рішучих. Кейс також називає витрату справедливості нечіткої політики: очікування, які є незрозумілими і нерівними між викладачами, є тим, що перетворює невдачу політики на дисциплінарну дію ([[equity-in-ai-education]]).

- **Проєктування, а не виявлення: кейс Бохума.** Перепроєктування Рурським університетом Бохума вступного ядерного та частинкового [[physics-education|physics-education]] ([[ai-particle-physics-education-redesign-2026|Mikhasenko et al., 2026]]) пов’язало свою політику щодо ШІ з практичною невдачею доброчесності, а не з виявленням: оскільки задачі семінарів розкривалися заздалегідь, деякі студенти готували згенеровані ШІ рішення і копіювали їх на дошку, не беручи участі в наміченому міркуванні. Автори розглядають це як проблему проєктування — перенесення задач семінарів у підготовлене обговорення в аудиторії і зроблення письмового іспиту визначником оцінки — а не як проблему поліцейської функції, явно дозволяючи ШІ в навчанні, пояснюючи, чому перевірка є відповідальністю студента, і відзначаючи, що домашні завдання з відкритим дозволом на ШІ також підвищили залежність, нерівний доступ до платних моделей і навантаження асистентів викладання.

Найдокладніше твердження педагогічної інверсії походить від [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma (2026)]], які стверджують, що реформа, що починається з підозри, звужує освітню уяву до контролю, відповідності та нагляду, і що доброчесність мусить бути **наслідком** оцінювання, спроєктованого для залучення, а не його відправною точкою. Їхнє підтримуюче спостереження — механізм, уже видимий в іншому місці цієї бази знань: розчарування є однією з умов, за яких нечесність стає більш ймовірною, тож програми, що стрес-тестують оцінювання чи обмежують використання ШІ, не враховуючи залучення, залишають частину проблеми незайманою.

Студенти поза англомовною вищою освітою описують ту саму напругу своїми власними термінами. [[mulisa-students-genai-integrity-perspectives-2026|Mulisa and Mezgebu (2026)]] опитали 27 студентів бакалаврату ефіопського університету і виявили, що студентське товариство розділене проти себе: майже всі використовували GenAI або бачили, як ровесники його використовують, більшість приписувала йому покращення їхніх академічних досягнень, мала меншість називала таке використання відвертим проступком, і майже кожен описував нерівне ігрове поле, в якому роботи з допомогою ШІ заробляли кращі оцінки, ніж чесні зусилля, тоді як незалежні працівники втрачали почуття старанності. Найдокладніша риса обліку — визначення студентами плагіату, яке є технічно захистимим і неповним — якщо плагіат означає відтворення чиїхось чужих слів, машинно написаний текст, який нічого не копіює, не є плагіатом — чому автори стверджують, що визначення мусить розширюватися за межі копіювання та вставлення, слідуючи «ШІ-плагіату» Ka та Chan (2025), і чому вони поміщають власні вірування студентів, а не лише інституційні правила, у центр етичного використання.

[[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] просуває педагогічну інверсію ще крок, розширюючи рамку постплагіату Eaton від етичної орієнтації до проєктування оцінювання. Доброчесність, на цей рахунок, здійснюється через [[evaluative-judgment|оцінювальне судження]] — здатність здобувача зважувати варіанти, обґрунтовувати академічні вибори і приймати відповідальність за епістемічної невизначеності — і робиться видимою через чотири практики: анотовані сліди рішень, практики перевірки та відповідальності, усний захист і діалогічну відповідальність, і розходження чернетків з історією версій. Виявлення утримується лише як додатковий шар для чіткого спотворення або свідомого аутсорсингу інтелектуальної праці, ніколи як первинна інфраструктура доброчесності, оскільки воно питає, чи було використано GenAI, а не як були зроблені рішення за роботою; аргумент також називає ризик справедливості, що моделі, зцентровані на виявленні, падають найбільше на здобувачів, які покладаються на генеративні інструменти для мовного або когнітивного [[scaffolding]].

Третій маршрут стоїть між виявленням і перепроєктуванням. [[akcapinar-ai-cheating-risk-lms-prediction-2026|Akçapınar (2026)]] передбачає ризик нечесності з допомогою ШІ з ранньосеместрових [[learning-analytics|слідів LMS]] з AUC 0,763 і окреслює вихід як академічну настанову з низькими ставками — нагадування, подальші дії щодо завдань, короткі перевірки — а не як доказ проступку, наполягаючи, щоб оцінка залишалася відокремленою від оцінювання і дисциплінарних записів.

### Зв’язки

Академічна доброчесність пов’язана з [[assessment-validity]], [[ai-literacy]], [[ai-detection]], [[authentic-assessment]], [[assessment]], [[educational-policy-ai]], [[regulation]], [[ethics]] та [[equity-in-ai-education]]. Вона є етичним виміром [[ai-education|ШІ в освіті]], невіддільним від [[cognitive-offloading|over-reliance]] і ширшого питання про те, як [[generative-ai]] переформатовує [[higher-ed]] та [[k-12]] навчання.

- **Синтез систематичного огляду.** Огляд PRISMA 25 досліджень (Balalle & Pannilage 2025) встановлює, що ШІ діє і як загроза (генероване ШІ письмо, інструменти парафразування), і як інструмент виявлення (оцінки ШІ Turnitin), що програмне забезпечення виявлення є ненадійним для робіт, згенерованих ШІ, і що установи мусять будувати культуру академічної доброчесності через чітку політику, перепроєктування оцінювання та навчання етиці, а не лише через поліцейську функцію.([[ssaho-ai-academic-integrity-review-2025]])
- **Від поліцейської функції до діалогу: перевірка навчання.** Практичний облік інституційної рамки Grand Canyon University ([[best-response-student-ai-dialog-2026|Mandernach 2026]]) стверджує, що виявлення є ненадійним і формальні процеси доброчесності рідко досягають розв’язання, залишаючи викладачів з «підозрою без засобів». GCU натомість запровадила **перевірку навчання** — просячи студентів продемонструвати розуміння своєї поданої роботи в короткій розмові — переосмислюючи доброчесність від проблеми відповідності до проблеми оцінювання. Вона відновлює авторитет викладача, переміщує студентів від «як не бути викритим» до справжнього [[student-engagement|залучення]], і розглядає використання ШІ як прийнятне, коли студент може продемонструвати навчання; початкова тривога студентів щодо перевірки підкреслює, що політика, важка на нагляді, може роз’їдати [[trust]].

- **GenAI перемагає автогрейдувальні домашні завдання (2026):** ChatGPT пройшов кожен із 150 тестових сеансів на навмисно змінених, автогрейдувальних завданнях домашніх робіт Qiskit (квантові обчислення) — [[personalized-learning|персоналізація]], приховані посилання, рефлексії, виконання [[simulation|симулятора]] — показуючи, що оцінювачі на основі рубрик не можуть надійно розрізняти роботи, виконані ШІ, і роботи, виконані студентом, і стверджуючи на користь прямого оцінювання розуміння ([[chatgpt-qiskit-homework-autogradable-2026]]).
- **Оцінювання в епоху ШІ — результат як доказ (2026):** аналіз на рівні університету стверджує, що криза оцінювання ШІ є розходженням між проєктуванням оцінювання та [[learning-gains|навчальними результатами]], а не лише нечесністю; вона документує шкоди нагляду (браузери блокування, відстеження очей), «Пастку розкриття» (студенти бояться, що заяви про використання ШІ знижують оцінки), розрив у продуктивності, який оцінює соціально-економічний статус (платні проти безкоштовних рівнів [[llm]]), і «педагогічне вигорання» серед викладачів, які поліцюють ШІ — рекомендуючи оцінювання на основі процесу замість виявлення ([[evaluation-age-ai-output-evidence-2026]]).

### Новіші докази: етичне міркування, межі виявлення, маркетинг ШІ та студенти-привиди

Хвиля нещодавніх досліджень загострює картину академічної доброчесності в епоху генеративного ШІ:

- **Старшокласники міркують про «ШІ-гіарізм» ситуативно, а не як фіксоване правило.** [[chan-rethinking-aigiarism-secondary-integrity-2026|Chan (2026)]] показує, що етичне міркування старшокласників про «ШІ-гіарізм» є витонченим і контекстно залежним — багато хто бачить роботи з допомогою ШІ прийнятними, коли вони підтримують розуміння, але проблематичними, коли вони заміщають їхні власні зусилля — кидаючи виклик припущенню, що студенти просто не мають доброчесності або що одна політика може охопити їхню етику.
- **Одні автентичні оцінювання не можуть убезпечити доброчесність.** [[kofinas-generative-ai-authentic-assessment-integrity-2025|Kofinas et al. (2025)]] встановлюють, що перевіряючі загалом **не можуть розрізняти** оцінювання з внеском GenAI від тих без нього, і що рівень автентичності оцінювання **не має впливу** на здатність убезпечитися від або виявити використання GenAI. Сектор вищої освіти «не може покладатися лише на автентичні оцінювання, щоб контролювати вплив GenAI» — прямий виклик стратегії [[authentic-assessment|перепроєктування оцінювання]], яка мусить бути поєднана з іншими заходами.
- **Настанови щодо доброчесності мусять поширюватися на процес дослідження, а не лише на [[teacher-role|викладання]].** [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai & Chan (2026)]] встановлюють, що аспіранти-дослідники здійснюють [[ai-literacy]] на дослідницьких задачах і стверджують, що політики відповідального використання, які нині зосереджуються на викладанні і оцінюванні, мусять [[scaffolding|скаффолдити]] етичні виміри використання GenAI у дослідженнях — де занепокоєння центруються на оригінальності, авторстві, [[privacy|приватності даних]] і деградації навичок, а не лише на плагіаті.
- **Мета мусить передувати політиці.** [[taylor-lacroix-purpose-before-policy-academic-integrity-2026|Taylor & LaCroix (2026)]] стверджують, що те, чи становить використання GenAI проступок, залежить від *мети* університету. Зростаючі справи про проступки відображають структурну неузгодженість неоліберального університету, де технологічний ентузіазм, корпоративний вплив і забезпечення політики конфліктують — залишаючи студентів відповідальними за поведінку, яку установа неявно формує. Університети не можуть правдоподібно забезпечувати доброчесність без узгодженості між заявленою місією, педагогікою і практикою технологій.
- **Психологічні та поведінкові детермінанти.** [[psychological-mechanisms-academic-integrity-ai-2026|Дослідження Frontiers]] відображає психологічні механізми та поведінкові детермінанти академічної доброчесності за ШІ — як ставлення, самоефективність, норми і сприйняті наслідки формують чесне використання — пов’язуючи доброчесність з [[motivation]], [[self-efficacy]] та [[ai-literacy]] як поведінковими конструктами, а не як чистим дотриманням правил. [[predictors-ethical-genai-use-higher-ed-2026|Tabares-Cruz et al. (2026)]] квантифікують їх в SEM 980 студентів еквадорських університетів, розташовуючи схильності до академічної доброчесності та прозорості першими, далі — ШІ-грамотність, [[critical-thinking|критичну перевірку]], інституційні настанови, саморегуляцію та захист даних — причому схильності до доброчесності та [[ai-literacy]] разом пояснюють значну частку етичного використання GenAI і перевершують самі лише інституційні правила.

- **Маркетинг ШІ нормалізує використання і формує «нечесність проти конкуренції».** [[sobo-cheating-competing-ai-marketing-literacy-2025|Sobo et al. (2025)]] показують, що ШІ продається студентам як практична необхідність («Зробіть своє письмо більш природним, щоб вас не помилково позначили»), і студенти почуваються змушеними запровадити його, щоб залишатися конкурентними, навіть турбуючись про залежність і втрату навчання — інтерналізований підприємницький імператив. Це вказує на потребу в [[reducing-ai-misuse|грамотності щодо маркетингу]] як частині освіти з доброчесності ШІ.
- **ШІ-гуманізатори викривають перформативний цикл виявлення.** [[roe-ai-humanizers-legitimacy-assessment-2026|Roe et al. (2026)]] каталогізують 55 вебсайтів ШІ-гуманізаторів, які змінюють згенерований ШІ текст, щоб ухилитися від виявлення, окреслених через драматургію Гоффмана. Гуманізатори роблять проступок дискурсивно відсутнім і перформують легітимність, демонструючи, що гонка озброєнь «виявлення проти обходу» є структурно нескінченною — підкріплюючи перехід від [[ai-detection|поліцейської функції]] до проєктування оцінювання та [[ai-literacy]].
- **Забезпечення виконання, а не виявлення, — там, де живе розмова.** Через 270 929 записів, пов’язаних із ШІ, з 26 освітніх сабреддитів, що охоплюють три з половиною роки, кластер академічної доброчесності утримував 37,1% обговорення, а «Забезпечення виконання проступків» було єдиною найбільшою темою на рівні 12,1%, тоді як 32,3% гілок «викладач–студент» сиділи в суперечках виявлення і забезпечення виконання ([[reddit-genai-education-discourse-analysis-2026|Yüce et al. (2026)]]).
- **Студенти-привиди і розрив перевірки агентного ШІ.** [[bozkurt-ghost-students-agentic-ai-2026|Bozkurt, Crompton & Fell Kurban (2026)]] вводять **«студента-привида»**: цифровий сурогат, створений шляхом зчеплення LLM («розум») з браузерами агентного ШІ («тіло»), який може навігавати LMS, залучати вміст і виконувати оцінювання з людським мімікруванням, роблячи фактичну присутність здобувача необов’язковою. Це створює **розрив перевірки**, який традиційний прокторинг і виявлення структурно нездатні закрити — загрозу доброчесності, яка зростає, коли ШІ стає [[agentic-ai|агентним]], а не лише генеративним.

Найдокладніший дисциплінарний приклад на користь перепроєктування, а не виявлення, походить з обчислювальної освіти. [[meta-analysis-systematic-review|Систематичний огляд]] 72 досліджень генеративного ШІ в обчислювальній і [[cs-education|освіті з програмування]] ([[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong 2026]]) виявив лише **три** дослідження, що вивчають механізми виявлення ШІ — найтоншу доказову базу з 14 тем, які він консолідував — тоді як перепроєктування курсу і оцінювання підтримувалося 25. Огляд розглядає дисбаланс як діагностичний, а не випадковий: установи здебільшого оновили документи політики без перепроєктування оцінювань, і більшість викладачів сидять на рівні *терпимості*, а не *трансформації* інтеграції, причому 70% однієї національної вибірки викладачів явно просили навчання з проєктування оцінювань, стійких до ШІ. Його рекомендована відповідь конкретна: додати усний компонент або інший видимий щодо процесу елемент принаймні до одного високоставочного оцінювання на курс, і зробити критичне залучення з результатом ШІ (читання, тестування, змінення, пояснення, критика) оцінюваним, спостережуваним компонентом роботи студента, а не прагненням, залишеним на розсуд студента ([[assessment-validity]]).
- **Вигадані джерела дійшли до опублікованого запису обчислювальної освіти.** [[citation-errors-hallucinations-computing-education-2026|Denny et al. (2026)]] простежили 113 588 джерел із 5225 статей з обчислювальної освіти в ACM Digital Library проти повного корпусу 723 930 публікацій і 15 872 533 джерел, вручну перевірили 828 підозрюваних записів і підтвердили 30 джерел, що містять перевіряємо вигадану бібліографічну інформацію, в 14 статтях, усі опубліковані в 2025 або 2026 році. На SIGCSE Technical Symposium перевірена кількість зросла з 3 у 2025 році до 17 у 2026 році, сидячи в 2,3% статей збірника 2026 року, і галюциновані джерела з’явилися на п’яти майданчиках, спонсорованих SIGCSE або у співпраці з ним, у 2025 році. Число ціле лише зі своєю контрвагою: більшість позначених джерел були доброякісними — 229 були невідповідностями метаданих ACM, де PDF був правильним, і 188 були чинними бібліографічними варіантами — тож цифра майданчика є свідомою нижньою межею. Вона падає на авторів, а не лише на [[peer-assessment]], оскільки рецензенти, які перевіряють списки джерел, не можуть перевірити кожен запис, і створення чернетків з допомогою [[llm]] робить вигадане, але правдоподібне цитування дешевим для створення.

- **Чіткість без перепроєктування переміщує зловживання вбік, а не усуває його.** [[petricini-zipf-ai-use-ethics-matrix-2026|Petricini & Zipf (2026)]] розташовують використання ШІ на двох осях — намір і зусилля студентів проти чіткості і підтримки, яку надає середовище — і повідомляють, що найбільш населеним квадрантом у їхніх даних інтерв’ю була *тривожна відповідність*, де студенти приховують легітимну допомогу (підтримка граматики, пояснення понять, організація власних ідей), щоб уникнути [[legal-issues-and-risks|хибного звинувачення]]. Їхнє попередження є напрямленим: там, де правила стають чіткими, але [[assessment]] досі винагороджує швидкість і продукт, студенти, обізнані з політикою, переходять до *ефективного обходу*, а не до *чеснотного використання інструментів*. [[austin-ai-agents-assignment-redesign-2026|Austin (2026)]] доходить до того самого місця з боку завдання — коли агенти задовольняють кожен критерій рубрики без видимого міркування, оцінювання сліду рішень (калібрація впевненості, відкинуті пропозиції ШІ, обмеження, специфічні для курсу) заміняє виявлення, яке, як вона зазначає, дає збій в обох напрямах.
- **Роботодавці дисконтують оцінки, які, на їхню думку, створив ШІ — і сходяться на перевірці в присутності.** В експерименті з опитуванням приблизно 1750 фахівців з найму в США [[boyd-swan-employer-responses-genai-2026|Boyd-Swan & Reynolds (2026)]] показують, що окреслення використання ШІ студентами як допоміжного інструмента залишало заявників нештрафованими, тоді як окреслення його як *заміни зусиль і здібностей студента* знижувало ймовірність інтерв’ю і — більш різко — готовність до переговорів про зарплату, сконцентровану серед заявників із високим GPA незалежно від раси/статі. Коли їх запитали, що полегшило б занепокоєння, обидві групи окреслення вибрали лише один спільний засіб: тести в присутності. Експеримент ізолює вірування (а не фактичне використання ШІ), тож він показує, як лише канал *сигналізації* переміщує результати найму — ранні докази, що ринки праці можуть штовхати оцінювання назад до форматів, перевіряємих за присутності, того самого напряму проєктування, який література про студентів-привидів закликає установи запровадити.

Перше дослідження теорії запланованої поведінки наміру проступку на основі GAIT розширює цю картину: серед 186 студентів бакалаврату [[intentions-academic-misconduct-gait-2026|Baig and Paparo (2026)]] встановили, що ставлення до проступку, суб’єктивні норми щодо нього та позитивні ставлення до ШІ кожне передбачало намір, тоді як негативні ставлення до ШІ — ні, і вища сприйнята ймовірність виявлення передбачала нижчий намір — стримування, підірване документованою ненадійністю інструментів виявлення ШІ.


**Політики доброчесності переходять від того, хто написав слова, до того, хто мав ідеї, і детектори перебудовуються, щоб відповідати цьому.** IdeaLens передбачає походження ідей з плану, а не з прози: на 50 історіях, які люди написали з нуля, слідуючи згенерованим ШІ планам, він позначив 68% як ШІ, проти 8% для Pangram 4 і 0% для його контрольного, навченого на прозі, і він позначив 94,7% відполірованого ШІ людського тексту як людський ([[idealens-detecting-ai-ideas-2026|Rajendhran et al. (2026)]]). Його власна заява про етику називає вихід статистичною оцінкою, яка не мусить використовуватися сама по собі як переконливий доказ використання ШІ.

## Пов’язані поняття
- [[pedagogical-patterns]] — Послідовності перевірки, запроваджені у відповідь на генеративний ШІ
- [[ai-use-disclosure]] — Заяви про використання та розкриття ШІ
- [[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]] — неформальні правила, що сидять під формальною політикою

## Пов’язані статті

- [[ivory-psychology-assessment-integrity-2026]] — Ціла програма з психології, прийнятна за мінімальних зусиль, і критерії оцінювання, які її пропускають (Ivory et al. 2026)
- [[zou-is-this-a-trap-student-teachers-genai-2026]] — Студенти-викладачі відмовилися від GenAI за дозвільної політики; окреслення «пастки» та розрив між опитуванням і заявами
- [[ai-agents-joyful-assessment-third-space-2026]] — Агенти ШІ, радісне оцінювання та третій простір
- [[kumar-genai-computing-education-systematic-review-2026]] — Докази виявлення тонкі (3 дослідження з 72); перепроєктування несе вагу
- [[mccorkle-aligned-genai-course-policy-2025]] — Узгоджена політика курсу GenAI: дозволи, похідні від оцінювання, прозоре обґрунтування (McCorkle 2025)
- [[varia-construct-equivalent-assessment-variant-generation-2026]] — Генерація варіантів оцінювання, еквівалентних за конструктом (Lee 2026)
- [[chirikov-regulate-ai-syllabi-2026]] — Як викладачі регулюють ШІ в 31 000 програм курсів; окреслення доброчесності знижується (Chirikov 2026)
- [[biology-degree-integrity-genai-cheating-2026]] — Чи можуть студенти обдурити шлях до ступеня з біології? Кейс-стаді вразливості оцінок курсів з біології до академічної нечесності в епоху генеративного ШІ
- [[gonsalves-student-non-compliance-ai-declarations-2025]] — Невідповідність студентів вимогам щодо заяв про використання ШІ
- [[detecting-llm-generated-text-latent-prompt]] — Виявлення тексту, згенерованого LLM
- [[beyond-detection-authentic-assessment-ai-2025]] — За межами виявлення: автентичне оцінювання в середовищі, опосередкованому ШІ
- [[ai-assessment-scale-reform]] — Шкала оцінювання ШІ та реформа оцінювання
- [[authentic-products-authenticated-processes-2026]] — Від автентичних продуктів до автентифікованих процесів
- [[student-rationalization-ai-writing]] — Це нормально, бо… раціоналізація студентами використання ШІ
- [[ethical-ai-higher-ed-game-theory]] — Рамка координаційної гри для етичного використання ШІ
- [[shame-guilt-ai-regulation-computing-education]] — Сором і провина як соціальні регулятори використання ШІ
- [[cross-cultural-student-perceptions-genai-computing]] — Чи Аліса зробила неправильно? Міжкультурне сприйняття використання ШІ
- [[luo-dawson-value-judgments-grading-2026]] — Ціннісні судження в оцінюванні робіт із допомогою GenAI: чесність, довіра, валідність та двостороння прозорість (Luo & Dawson 2026)
- [[chen-zou-genai-group-assessment-agency-2026]] — Відповідальність ровесників та оригінальність в груповому оцінюванні, опосередкованому GenAI
- [[teichmann-detecting-undetectable-misconduct-2026]] — Доказовий розпад виявлення та аргумент на користь процедурної справедливості, пропорційності та проєктування
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Стримування, розкриття та перепроєктування як проблема проєктування оцінювання за недосконалої інформації
- [[munoz-misconduct-allegation-evidence-2026]] — На яких доказах справді спиралися 1162 файли про проступки GenAI, і відсутній доказовий поріг
- [[wright-transcription-not-generation-2026]] — Надмірно ширі правила щодо ШІ та розрізнення розпізнавання проти генерації
- [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025]] — Нечесність на основі цифрових технологій ШІ та етичні педагогіки, засновані на запобіганні: справа про проступок від 183 до 27 і п’ять дисциплінарно-специфічних перепроєктувань (Leaton Gray, Edsall & Parapadakis 2025)
- [[coates-governing-academic-integrity-indicators-2025]] — Доброчесність як проблема управління: рамка показників із 130 пунктів для академічних управлінців (Coates, Croucher & Calderon 2025)
- [[ji-student-voices-academic-integrity-scoping-2026]] — Розгорнутий огляд 38 досліджень голосів студентів вищої освіти про академічну доброчесність і GenAI (Ji 2026)
- [[li-genai-assessment-language-equity-2026]] — Проведення лінії «підтримка проти підміни» для авторів EAL та несправедливість правил, які ігнорують мовне тло (Li 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Ін’єкція підказок проти оцінювання, опосередкованого ШІ: приховані інструкції, які непомітно змінюють оцінку (Humble 2026)
- [[petricini-zipf-ai-use-ethics-matrix-2026]] — Матриця етики використання ШІ: тривожна відповідність і чому сама чіткість може штовхнути студентів до ефективного обходу (Petricini & Zipf 2026)
- [[austin-ai-agents-assignment-redesign-2026]] — Оцінювання сліду міркувань, коли агенти ШІ можуть виконати завдання (Austin 2026)
- [[ai-written-admissions-essays-penalized-2026]] — Твори для вступу, написані ШІ, є поширеними, але штрафуються
- [[genai-higher-ed-agency-responsibility-discourse-2026]] — Хто діє, хто знає, хто відповідає? Корпусний дискурс-аналіз спроможності, епістемічної відповідальності та підзвітності в дослідженнях вищої освіти з генеративного ШІ

- [[genai-governance-australian-higher-ed-2026]] — Відображення авторизованої межі: порівняльне дослідження віньєток політики управління генеративним ШІ в австралійській вищій освіті
- [[argus-academic-integrity-genai-2026]] — Argus: академічна доброчесність в епоху генеративного ШІ
- [[villanueva-ai-vulnerability-assessment-audit-2026]] — Результат секторального аудиту: університети з мандатом і рамками не показують відмінностей у відкритості оцінювання, емпіричний відповідник проблеми координації
- [[akcapinar-ai-cheating-risk-lms-prediction-2026]] — Akçapınar (2026) — Раннє передбачення ризику нечесності з допомогою ШІ зі слідів LMS, окреслене як академічна настава, а не як доказ проступку
- [[reddit-genai-education-discourse-analysis-2026]] — Три з половиною роки освітнього Reddit: забезпечення виконання домінує, і суперечки доброчесності є головною майданчикою «викладач–студент» (Yüce et al. 2026)
- [[boyd-swan-employer-responses-genai-2026]] — Експеримент з опитуванням: окреслення підміни використання ШІ студентами штрафує заявників із високим GPA на наймі та зарплаті; тестування в присутності — єдиний засіб, який вибрали обидві групи

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Викладання** — як ШІ перебудовує роботу, ідентичність і агентність освітян. З 50+ статтями, що розглядають цей вимір, база знань документує фундаментальну трансформацію: від єдиного носія знання до оркестратора навчальних середовищ, у яких взаємодіють люди та ШІ. Ця сторінка виходить за межі опису цього зсуву — вона деталізує, що викладачі фактично *роблять* інакше, як вони можуть адаптувати свою практику і як це пов’язується з [[learning-design]], [[ai-literacy]] та [[academic-integrity]].

> [[caeo-navigating-ai-educational-future-scenarios-2026|Malyn-Smith et al. (2026)]] називають це парадоксом «більшої людяності»: в шести сценаріях на 2030 рік, співсконструйованих 20 дослідниками з 13 країн, насиченість ШІ посилює, а не витісняє людську педагогічну роботу. Сценарії описують ШІ як «систему повітропостачання навчальної екосистеми» — її помічаєш лише тоді, коли вона виходить з ладу.

## Питання для роздумів

- Сторінка описує зсув викладача «від єдиного носія знання до оркестратора навчальних середовищ, у яких взаємодіють люди та ШІ». Що ви як освітянин отримуєте і що втрачаєте, коли перестаєте бути основним джерелом контенту?
- Сторінка стверджує, що ШІ перерозподіляє найдефіцитніший ресурс викладача — увагу — від створення матеріалів до інтерпретації здобувачів. Чи співзвучне це переосмислення вам, і що ви фактично робили б із відвойованим часом?
- [[research-methods-aied|Research]], наведене на сторінці, показує викладачів як активних проєктувальників ШІ — авторів підказок і скаффолдингів, які формують, як ШІ поводиться для їхніх студентів, — а не пасивних споживачів. Що б знадобилося вам (або знайомим вам викладачам), щоб почуватися проєктувальником ШІ, а не його користувачем?
- На далекому кінці спектра «командної взаємодії викладача зі ШІ» викладач оркеструє команду з людей-здобувачів, ШІ-тьюторів і ресурсів навчального плану. Де в цій команді людське судження залишається незамінним, і що може тихо розмиватися, якщо оркестрування залишити здебільшого ШІ?
- Якщо увагу викладача перерозподіляють від створення матеріалів до інтерпретації здобувачів, які нові компетентності та ризики це породжує — і хто підтримує викладача в їхньому розвитку?

## Вступ

Викладання тут називає професійну роль у тому вигляді, в якому її перебудовує ШІ: менше — постачання контенту, більше — оркестрування людських і машинних учасників, інтерпретація того, що здобувачі фактично розуміють, і проєктування умов, за яких використання ШІ є легітимним. Сторінки, зібрані під цим поняттям, документують командну взаємодію викладача зі ШІ і зміну робочих процесів, [[teacher-ai-competency|competencies]], які роль тепер вимагає, і напругу між здобутками в ефективності та увагою, потрібною для індивідуальної підтримки. Вона стоїть поряд із [[educational-development]], [[ai-literacy]] та [[assessment]] як одна з ролей, які визначають, чи змінює інтеграція ШІ практику, чи лише прикрашає її. [[learning-sciences|learning sciences]] — це дослідницьке поле, свідчення якого перебудовують цю позицію: вони описують і перевіряють, як відбувається навчання і які дизайни його змінюють, тоді як ця сторінка висвітлює роль в аудиторії, яка має діяти на основі цих свідчень у моменті.

## Як ШІ трансформує викладання

- **Від інструктора до оркестратора:** [[teacher-ai-teaming-five-levels|Five levels of teacher-AI teaming]] та [[teacher-student-agency-orchestration|agency orchestration research]] відображають спектр від ШІ як інструмента до ШІ як навчального партнера. На далекому кінці викладач оркеструє команду, що включає людей-здобувачів, [[intelligent-tutoring|AI tutors]] і ресурси навчального плану, а не постачає весь контент самостійно.
- **Трансформація робочого процесу:** [[ai-changing-teaching-workflows]] показує, як ШІ зсуває час викладача від постачання контенту до активностей із вищою цінністю, як-от індивідуальна підтримка, [[feedback]] і [[curriculum-design]]. Найдефіцитніший ресурс викладача — увагу — перерозподіляють від створення матеріалів до інтерпретації здобувачів. [[li-language-educators-genai-review-2026|systematic review of language educators]] (Li та співавт. 2026) підтверджує це: освітяни цінують генеративний ШІ найбільше за підготовчу роботу (планування уроків, створення матеріалів, підтримка письма), вагаючись щодо використання в живій аудиторії, і їхнє впровадження формується чинниками професійної ідентичності, педагогічними, технічними, інституційними та чинниками академічної доброчесності — причому прогалини в компетентностях відображаються на епістемі (розуміння можливостей/меж ШІ), техне ([[prompt-engineering]], проєктування завдань і оцінювання з розширенням від ШІ, виявлення згенерованого ШІ тексту) та фронесісі (етичне судження, робота з упередженістю/приватністю, чутливе до контексту судження). Також документує, як ШІ зсуває час викладача від постачання контенту до активностей із вищою цінністю, як-от індивідуальна підтримка, [[feedback]] і [[curriculum-design]]. Найдефіцитніший ресурс викладача — увагу — перерозподіляють від створення матеріалів до інтерпретації здобувачів.
- **Вимоги до компетентностей:** [[teacher-ai-competency|Teacher AI competency frameworks]] визначають, що освітянам потрібно знати — від базового вільного користування інструментами до педагогічно обґрунтованого оркестрування. [[teacher-ai-adoption-confidence|Adoption studies]] визначають справжні бар’єри: [[governance|institutional]] підтримку, впевненість і занепокоєння навантаженням. [[ai-teaching-innovation-ai-tpack-2026|Bai & Hsieh (2026)]] додають до цього емпіричну вагу в SEM із 898 китайських викладачів університетів: інновації у викладанні за підтримки генеративного ШІ залежать менше від ізольованого технологічного знання про ШІ і більше від педагогічно та дисциплінарно вбудованої компетентності в галузі ШІ ([[ai-literacy]] і професійна ідентичність), кожна з яких частково опосередковувала зв’язок компетентність→інновація, — сигнал будувати професійний розвиток викладацького складу навколо вбудованої, пов’язаної з ідентичністю компетентності в галузі ШІ, а не навкола навчання лише інструментам.
- **Готовність як здатність проєктувати, а не як ставлення:** [[charles-teacher-readiness-by-design-ai-rich-2026|Charles (2026)]] стверджує, що готовність викладача до інтерактивного навчання з великою присутністю ШІ не можна зчитати з впровадження, впевненості чи цифрової компетентності, бо жодна з них не прогнозує якості дизайнів, які викладачі фактично створюють. Готовність через проєктування орієнтована на втілення: викладачі мобілізують педагогічне знання, пов’язане зі ШІ, педагогічні переконання, [[self-efficacy]] та етичну орієнтацію через *опосередкування дизайном* (вибір інструмента, проєктування завдань і підказок, скаффолдинг, прозорість, перевірка, перебудова оцінювання, планування доступності та людський нагляд) усередині інституційної та політичної екології, яка вможливлює та пом’якшує цей переклад. Два твердження несуть практичну вагу. Самоефективність є ресурсом мобілізації, а не показником якості, тому впевненість без педагогічного знання, пов’язаного зі ШІ, або етичної орієнтації може прискорювати поганий дизайн. А ясність політики та матеріальна підтримка є окремими пом’якшувачами, тому добре забезпечена школа може водночас залишати викладачів у невизначеності щодо того, що дозволено. Charles також відмовляється ототожнювати невикористання з неготовністю: обґрунтоване рішення утримати ШІ може саме демонструвати готовність.
- **Співпроєктування та агентність:** [[teacher-authored-prompts-student-ai-dialogue|Teacher-authored prompts]] та [[gaide-vibe-coding-k12-teachers|vibe coding for teachers]] показують освітян як активних проєктувальників ШІ, а не пасивних споживачів — авторів підказок і скаффолдингів, які формують, як ШІ поводиться для їхніх студентів. У плануванні уроків із мистецьких дисциплін STEAM для дітей [[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo and Tahir (2025)]] експериментально підтвердили, що має значення *як* викладач делегує ChatGPT: заповнення прогалин у контенті власного окресленого уроку (метод, якому віддали перевагу 60% і який було рекомендовано) зберігало автономію викладацького дизайну, водночас підвищуючи якість плану за оцінкою експертів (медіана 20,5 проти 17,6, p = ,002, великий ефект), перевершуючи як варіант, у якому ШІ створював цілі плани, так і варіант, у якому він лише перевіряв уже готовий. ШІ слугував переважно як помічник у пошуку натхнення та прогалин, а не як джерело повністю оригінальних інновацій, — посилюючи, що викладач залишається агентом дизайну та суддею результату, включно з виловленням недоліків щодо безпеки дітей та культурної упередженості, які інструмент пропустив. [[meta-analysis-systematic-review|systematic review]] [[wang-teacher-ai-co-design-review-2026|teacher–AI co-design of learning tasks]] (Wang, Liu та Islam, 2026) встановлює, що ця позиція співпроєктувальника залишається нерівномірною — домінантним режимом усе ще є ШІ як помічник/генератор контенту, — а [[talebzadeh-ai-group-activity-roles-2026|Talebzadeh (2026)]] показує, що агентність викладача як «[[multilingual-learning|bilingual]] проєктувальника навчання» є тим, що перетворює спроєктовані ШІ групові активності на диференційовану інструкцію, узгоджену з ЗПР.

- **Створення бота — не те саме, що контроль над тим, чого він навчає.** Двадцять сім викладачів середньої школи, які налаштовували інструмент створення чатбота з визначеними цілями та правилами, побачили лише часткову відповідність у згенерованій поведінці: узгодженість падала з 88,9% для відгукливості та 81,5% для персоналії до 70,4% для правил і 59,3% для мети, а дотримання правил варіювалося залежно від обраної моделі, — розрив виконання/оцінювання, який робить роль викладача-проєктувальника репетицією наміру, а не його гарантією ([[teachers-configure-educational-chatbots-2026|Riahi et al. (2026)]]).
- **[[teacher-education|Preservice]] підготовка:** [[ai-tpack-preservice-math-teachers|TPACK-based training]] і програми [[educational-development]] готують майбутніх викладачів до аудиторій із підтримкою ШІ раніше, ніж вони в них увійдуть. [[zhuang-zhang-chatgpt-math-teacher-education-2026|Simulated-student role-play]] розширює це на практику вручну: спеціальний бот на базі ChatGPT (Student GPT), який відіграє роль учня середньої школи, сповненого математичних [[misconceptions|misconception]], дозволяє майбутнім викладачам репетирувати діагностику та керування міркуванням студента в середовищі з низьким ризиком, готуючи їх до центрального навчального завдання — читання та корекції мислення студента.

- **Фронтир, орієнтований на викладача, у який база свідчень ледве увійшла:** [[edustories-classroom-case-studies-2026|Štefánik et al. (2026)]] збирають **Edustories** — 1 492 кейси, написані викладачами про справжні аудиторії початкової та старшої школи — проблемну поведінку студента, інтервенцію, яку спробував викладач, і що з цього вийшло, — саме тому, що більшість досліджень ШІ в освіті була спрямована на індивідуалізовану допомогу студентам, тоді як більшість викладання відбувається в колективних аудиторіях. [[benchmark|Benchmarking]] чотири родини мовних моделей на прогнозуванні того, чи була інтервенція успішною, найсильніші моделі досягли 58% точності проти 64% для людських експертів; автори читають цей розрив в обох напрямах — як межу для сучасної допомоги, орієнтованої на [[teacher-ai-competency|teacher-facing]], і як свідчення нової потенції. Те, що сторінка з цього отримує, — це виміряна стеля, а не твердження про можливості: порада викладачам має бути кращою за експертне судження, перш ніж їй можна довіряти, і сьогодні порядок зворотний. Паралельна прогалина з’являється в PRISMA-огляді [[yalcin-genai-programming-education-systematic-review-2026|Yalçın et al.'s (2026)]] 46 емпіричних досліджень генеративного ШІ в програмуванні у вищій освіті: ролі викладачів та інституційні практики були серед найменш досліджених областей поля, і 26 із 46 досліджень не дали кодифікованого опису свого навчального підходу, тому проєктні рішення, що дали повідомлені результати, часто невидимі навіть для інших викладачів.

- **Де ШІ фактично входить у роботу, за завданнями:** [[where-ai-enters-teacher-work-2026|Holster (2026)]] відокремлює впровадження від розподілу, використовуючи дані TALIS 2024 від 56 669 викладачів із вибіркою розподілу з 24 058 користувачів ШІ в 46 освітніх системах. Завдання, оцінене на один пункт вище за власний середній попит для викладача, з більшою ймовірністю отримувало допомогу ШІ (OR = 1,163), але напрям відрізняється за завданнями: планування зростає з попитом (OR = 1,084), оцінювання та позначення падає (OR = 0,921), а підтримка та адаптація в спеціальній освіті зростає різко (OR = 1,442, прогнозований розкид від 34,0% до 50,3% у межах діапазону попиту). Читання з точки зору [[teacher-ai-competency|competency]] та політики: викладачі вже зберігають позначення з високими ставками людським, водночас тягнучись до ШІ в роботі над індивідуалізованою адаптацією, тому настанови, які розглядають використання ШІ викладачами як єдину поведінку, упускатимуть те, де підтримка фактично потрібна.

### Як насправді виглядає зміна ролі: конкретні приклади

Абстракцію «оркестратора» легше осягнути через конкретні, повсякденні зсуви в роботі інструктора:

- **Від написання кожного роздаткового матеріалу до курування згенерованих ШІ чернеток.** Викладач, який колись проводив вечір за створенням диференційованого робочого аркуша, тепер дає підказку ШІ створити три версії різного рівня складності, а потім проводить той самий вечір за їхнім *переглядом і адаптацією* — зсув від авторства до редакційного судження. Робочі процеси [[curriculum-as-code-instructional-design-2026|Curriculum-as-Code]] роблять цей конвеєр явним, а [[kibar-ilgaz-ai-instructional-design-review-2026|Kibar & Ilgaz's systematic review]] показує ШІ як «колегу», який створює чернетку контенту, що потім удосконалює проєктувальник. Експертна валідація згенерованих ШІ планів уроків із природничих наук робить явним те, що має зважувати це редакційне судження: [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli and Yildirim (2026)]] встановили, що одинадцять фахівців із [[science-education]] оцінили плани ChatGPT-4 та освітньо орієнтованого інструмента для шостого класу як придатні для використання чернетки — 7 із 11 судили їх як «застосовні з коректурою», лише 3 — прямо «Застосовні», — і переваги розходилися з «сирими» оцінками (7 віддали перевагу освітньо орієнтованому інструменту з вищою оцінкою, 4 — плану загального призначення), бо судження зважувало [[affective-computing|affective]] та контекстуальні виміри понад структурною відповідністю. Викладачі залишаються суддями того, чи стане і як стане чернетка ШІ придатним для викладання, контекстуально обґрунтованим уроком.
- **Від лекціювання до коучингу в реальному часі.** Замість того щоб давати те саме пояснення всьому класу, викладачі дедалі частіше спрямовують рутинні запитання до ШІ-тьютора й зосереджують особистий час на студентах, які потребують людського судження, — [[ai-changing-teaching-workflows|workflow studies]] документують саме цей перерозподіл уваги.
- **Від оцінювання до проєктування оцінювань, які ШІ не може обіграти.** Викладачі припиняють спиратися на завдання на запам’ятовування, які [[llm|LLMs]] вирішують тривіально, і натомість проєктують [[authentic-assessment|authentic assessments]], [[ai-assessment-scale-reform|assessment scales]] та [[formative-assessment|formative]] завдання, які зберігають [[learning-gains]].
- **Від викладання контенту до викладання *використання*.** Робота викладача дедалі більше включає моделювання того, як робити підказки, оцінювати та відповідально використовувати ШІ, — [[ai-literacy]], вплетений у кожен курс, а не окремий предмет.
- **Від читання [[visualization|dashboards]] до дій на їхній основі — контекстуально.** [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] показують, що те, як викладачі фактично користуються панелями аналітики, розходиться за контекстами: викладачі з перевернутою аудиторією (університет) дотримувалися послідовного дослідження й віддавали перевагу адаптації на рівні курсу та показу панелей на занятті, тоді як викладачі професійної освіти поверталися до підсумкових сторінок і використовували інструмент переважно для індивідуальних коучингових сесій. Дії, які пропонували викладачі, формувалися представленим контентом і їхнім рівнем викладання, а не типом графіка: викладачі університетів віддавали перевагу щотижневим тестам і адаптації курсу, викладачі професійної освіти — прямому, індивідуалізованому коучингу. Це вказує на контекстно обізнане проєктування панелей та диференційовані потреби викладачів у підтримці, а не на універсальний інтерфейс аналітики.
- **Від отримання сповіщень до їхнього оцінювання.** [[ai-emotional-alerts-teachers-mathematics-classroom-2026|Swidan (2026)]] стежив за одним викладачем і вісьмома високодосягнутими студентами старшої школи на уроці геометрії в GeoGebra, де Dash4Emotion обрамовлював студентів червоними прямокутниками, що сигналізували про негативну емоцію, і встановив, що результати визначали не сповіщення, а крок викладача після кожного сповіщення: переобрамлення завдання для Мири від пошуку мінімального значення до геометричного місця мінімальних точок відкрило її дослідження наново, три одночасних сповіщення спричинили переобрамлення для всього класу, а свідома невтручальність протягом одного уроку сама була педагогічним рішенням. Позиція дослідження: згенероване ШІ сповіщення про емоцію є сигналом, який має інтерпретуватися поряд із тим, що викладач може бачити, а не інструкцією, якій треба підкорятися.
- **Від воротаря до принципового фасилітатора зворотного зв’язку про співпрацю.** Пілоти Community Builder ([[breideband-community-builder-cobi-2026|CoBi]]) в аудиторіях показують, що роль викладача вирішально формує *цілісність впровадження*: викладачі, які використовували помічене системою та візуалізації, щоб розпалити [[metacognition]] та критичну рефлексію про [[collaborative-learning|collaboration]], досягали високої цілісності використання, тоді як ті, хто дозволяв системі сповзати до моніторингу результативності — або збиватися на загальні обговорення ШІ, — ні. Викладачі також непокоїлися тим, що зворотний зв’язок у реальному часі поставить їх «у незручне становище», і віддавали перевагу перегляду до/після дії над показом у прямому ефірі, підкреслюючи, що оркестрування ШІ для співпраці в межах усієї аудиторії вимагає суттєвого [[professional-training|professional learning]], а не лише вільного користування інструментом.
- **Від інструктування зі ШІ до заміщення його.** Там, де [[digital-divide]] не залишає пристрою для кожного студента, викладач може стати *фізичним інтерфейсом* до системи — посередником, а не її оркестратором. У моделі [[rodrigues-aied-unplugged-numeracy-2026|Rodrigues et al.'s (2026)]] студенти продовжують працювати з папером і ручкою, поки викладач фотографує їхні розв’язки, а ШІ повертає [[personalized-learning|personalized]] списки вправ і [[feedback]] щодо конкретних помилок, які треба передати назад. Це кластеризований квазіексперимент у 19 справжніх бразильських класах початкової школи, а не демонстрація прототипу, і два його результати безпосередньо стосуються ролі. По-перше, навчальна перевага над звичайною практикою походила від єдиної 50-хвилинної сесії *навчання викладачів*, а не від технології: умови з навчанням і з навчанням плюс системою не відрізнялися за [[learning-gains|gains]] (−4,33, 95% ДІ [−17,29; 7,23]), тому підготовка, а не інструмент, є активним інгредієнтом. По-друге, власна вигода системи діяла *опосередковано, через викладача*, — знижене зусилля опосередковувало позитивний ефект на здобутки (3,649, 95% ДІ [1,097; 6,398]), — тому ефект сягає студентів, яких ШІ ніколи не торкався, а описана викладачами праця із фіксування та перевірки (фотографування аркушів, очікування обробки, виправлення помилок розпізнавання) є частиною педагогічної вартості поширення ШІ на недостатньо забезпечені аудиторії.
- **Від постачальника інформації до проєктувальника навчання.** [[heutagogical-teaching-ai-enhanced-education-2026|Hochberg and Waitzman (2026)]] стежили за 93 викладачами впродовж восьмитижневої програми зі ШІ й встановили, що практика зсувається до heutagogічного проєктування заради агентності здобувача, хоча самоописані зсуви не були значними після коригування, а результати навчання здобувачів не вимірювалися.

### Метафора оркестрування

Домінантною метафорою в базі знань є *оркестрування*: викладачі координують людей-здобувачів, [[intelligent-tutoring|AI tutors]] і ресурси навчального плану. Це контрастує з наративами заміщення — ШІ розширює, а не заміщає людське викладання. Емпіричні свідчення підтримують цю позицію: PRISMA-керований [[meta-analysis-systematic-review|systematic review]] 42 досліджень (2023–2025) встановив, що LLM зрівнюються з людськими оцінювачами на коротких, добре структурованих завданнях, але результативність падає на довшій, багатомовній і нюансованій роботі, — роблячи висновок, що LLM не можуть повністю замінити викладачів і що гібридні системи оцінювання з людиною в циклі досягають найвищої ефективності оцінювання ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]). Оптика оркестрування переосмислює основну вмілість інструктора як *судження*: вирішення того, коли людина, ШІ або спроєктована навчальна активність є правильним інструментом для даного здобувача й моменту. PRISMA-огляд 2026 року з 29 досліджень [[teacher-intervention-k12-ai-based-instruction-2026]] загострює метафору до чотирифазового циклу — моніторинг, судження, втручання, оркестрування, — і показує, чому жодну фазу не можна припускати. Викладачі віддавали перевагу спільному контролю, приймаючи, змінюючи, відкидаючи або перекриваючи пропозиції ШІ; деякі свідомо відкладали втручання, щоб студенти могли спершу продуктивно боротися; а панелі, які розширювали обізнаність, могли також перевантажувати увагу або перевищувати те, на що один викладач міг фізично відреагувати. Його три стратегії — педагогічний переклад результату ШІ, проєктування підтримки навчання та реконструкція структур взаємодії — описують роботу як реконтекстуалізацію, а не схвалення, що розміщує викладача ближче до посередника, ніж до ролі рецензента з людиною в циклі. Спостереження в аудиторії називає ті самі поведінки типами. Шість уроків із досвідченим викладачем додали три типи оркестрування до чотирьох Драйверса — моніторинг панелей, коригування ШІ та опосередкування ШІ, — причому предметна та етична ролі викладача були найвидимішими, коли він коригував згенерований ШІ зворотний зв’язок ([[teachers-instrumental-orchestration-ai-math-2026|Noh & Kim, 2026]]).

### Ролі викладача, що розвиваються, і критичні ролі

Новітні роботи розширюють метафору оркестрування до багатших концептуалізацій ролей:

- **Співоркестратор на переходах між активностями.** [[teacher-student-agency-orchestration|Yang et al. (2026)]] використовують партисипаторне спід-дейтинг з 17 викладачами та 13 студентами, щоб відобразити, як контроль має розподілятися між етапами активності в аудиторії — переходами до, під час і після між індивідуальною та спільною роботою, — в інструменті співоркестрування, що підтримує динамічне парування в реальному часі. Проєктний принцип, який виникає, полягає в тому, що контроль *не* є фіксованою точкою: викладачі та студенти хочуть різного обсягу агентності на кожному етапі, і інструмент має дозволяти викладачу коригувати групування, переходи між активностями та час втручання в реальному часі, зберігаючи водночас можливість перекриття викладачем. Це позиціонує викладача як **співоркестратора всього живого навчального середовища** — роль, більш специфічна, ніж загальна метафора оркестрування, зосереджена на гранульованих, момент-до-моменту рішеннях про те, хто з ким, коли й за якої підтримки працює, — і вона пов’язує дослідження індивідуального тьюторства з проєктуванням на рівні аудиторії.
- **«Когнітивний хореограф».** Постгуманістичні рамки перетворюють викладача на *когнітивного хореографа*, який оркеструє когніцію, розподілену між [[biology-education|biological]] та штучними системами, виходячи за межі інструменталістських моделей, як-от [[tpack]] і SAM.([[elsayed-pedagogical-symbiosis-posthuman-learner]])
- **Фасилітатор, співдослідник, [[ethics|ethical]] наглядач.** У навчанні природничих наук ролі викладачів зміщуються від передавачів знання до фасилітаторів і співдослідників і отримують нові обов’язки як етичні наглядачі відповідального використання ШІ студентами.([[li-ai-science-situated-learning-teachers-2025]])
- **Посередник принципів навчання.** Освітяни операціоналізують віковічні принципи навчання (досвідницька, ситуативна та розподілена когніція) через ШІ, розглядаючи ШІ як інструмент, який посилює, а не заміщає керівну роль освітянина.([[fowlin-operationalizing-learning-principles-ai]])
- **Критичний посередник, який перетворює результат ШІ на об’єкт критики.** [[canonigo-teacher-mediation-generative-ai-mathematics-2026|Canonigo (2026)]] стежив за десятьма викладачами [[math-education|mathematics]] середньої школи впродовж восьмитижневої інтервенції з ChatGPT-4 і визначив п’ять практик опосередкування: постановка задач, згенерованих ШІ; скаффолдинги-підказки, створені так, щоб поступово зніматися; критичне порівняння результату ШІ з власною роботою студентів; диференційоване підказування (візуальна аналогія для студента, який має труднощі, кубічне розширення для однокласника) та ШІ як партнер у рефлексивному діалозі. Там, де викладачі це втілювали, результат ставав чимось, із чим треба сперечатися, а не ключем до відповідей, і студенти рухалися до припущення та метакогнітивного опитування; там, де опосередкування було відсутнє, авторитет мігрував до алгоритму, причому студенти зверталися до ШІ раніше за свого викладача і поверталися лише за валідацією, змушуючи одного викладача описати перехід від «оракула» до «редактора». Висновок дослідження щодо справедливості є найгострішим: на 300 відповідях моделі модель безкоштовного рівня була неточною в 32,7% випадків проти 12% для преміальної моделі (χ²(1) = 17,5, p < ,001), тому викладачі в недостатньо забезпеченій школі називали її «майже непридатною для математики». Якість інструмента, а не лише доступ до нього, стає педагогічною змінною, а політика прийнятного використання в школі одного викладача була десятирічної давнини й мовчала щодо ШІ, залишаючи прогалину в управлінні аудиторії.
- **Невпорядкована та вразлива професійна ідентичність.** [[farazouli-navigating-uncertainty-teachers-genai-2026|Farazouli et al. (2026)]] документують *емоційний* бік реконфігурації ролі: 24 шведських викладачі університетів пережили появу генеративного ШІ як тривожне та приголомшливе, повідомляючи про «стан вразливості» (низька впевненість, непевність, страх «не випереджати студентів») і почуття «застряглості» між утопічними й дистопічними дискурсами. Генеративний ШІ спонукав їх переоцінити свої пріоритети — культивування [[critical-thinking]], [[evaluative-judgment]] та етичного використання генеративного ШІ — і поставити під сумнів власну майбутню роль та майбутню роль університету в ландшафті, який відчувався «непідконтрольним». Це обрамлює зсув ролі викладача як зсув на рівні ідентичності та емоційно навантажений, а не лише зміну навичок чи робочого процесу.
- **Розробники академічних програм як цифрові посередники, включно як гальмо.** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] інтерв’ює дванадцять розробників академічних програм і проєктувальників навчання в двоїх південноафриканських Historically Disadvantaged Institutions і встановлює, що роль зміщується від фасилітації рефлексивного викладання до технологічного посередника й розв’язувача проблем, із опосередкуванням, що охоплює педагогіку, етику та інституційну політику. Характерним ходом є розгляд уповільнення як частини роботи: один учасник описує переклад між «тим, чого хоче керівництво, тим, що може зробити технологія, і тим, чого фактично непокоїться викладацький склад», називаючи плагіат, залежність студентів та аутсорсинг мислення раніше, ніж ентузіазм задає темп, — «Це не просто технічна підтримка; це також узгодження». Те саме дослідження документує афективну вартість («Я почуваюся самозванцем. Я вивчаю ШІ на ходу, а установа очікує експертизи») та професійно-навчальну відповідь: простори колег, які тестують і свідомо ламають інструменти, націлюючись на судження, а не на вміння, і явну відмову від бінарності «впровадження чи опір» — «Я не проти ШІ; я за контекст».
- **Принципова вибірковість замість впровадження чи опору.** [[ai-integrated-teaching-identity-tensions|Adiozaman and Segar (2026)]] інтерв’ювали двоїх академіків із понад десятирічним досвідом тричі впродовж одного семестру й встановили, що робота над ідентичністю організовувалася навколо трьох взаємопов’язаних напружень — педагогіка проти платформи, освітянин проти фасилітатора та турбота проти відповідності, — які розв’язувалися не в усталену позицію, а в *принципову вибірковість*: чутливі до контексту рішення, керовані педагогічними цінностями, етичним зобов’язанням і професійним судженням. Вони описують траєкторію від неявної орієнтації через стратегії середини семестру, як-от прохання до студентів пояснити своє мислення та перепроєктування завдань і оцінювання, до позицій, які залишалися свідомо відкритими, а не фіксованими, причому відмова від певного використання розглядалася як легітимне вправання судження, а не як невдача впровадження. Це постачає конструктивний відповідник до вразливості, задокументованої вище: те, що вимагає зсув ролі, — це судження, тому інституційні відповіді, побудовані навколо навчання інструментам, усувають не ту проблему.
- **Напівавтономність як бажана операційна точка.** [[dai-genai-frenemy-teaching-autonomy-2026|Dai et al. (2026)]] опитали 287 викладачів із досвідом роботи з генеративним ШІ в 27 країнах і регіонах і встановили, що вони розміщують інструмент на *напівавтономних* рівнях шкали автоматизації — 130 обрали Рівень 2 («допомога викладача»), 94 — Рівень 3 («часткова автоматизація»), і точно один обрав Рівень 6, — описуючи його як «допоміжний», «скаффолдинг», «доповнення» чи «партнер». [[technology-acceptance-model|Perceived usefulness]] домінувала в їхньому намірі впроваджувати (β = ,832, p < ,001), тоді як сприймана штучна автономність впливала на намір лише опосередковано через корисність, а уникання ризику знижувало намір, не підриваючи корисність, бо їхні непокої стосувалися використання *студентами* — шахрайства та доброчесності, ослаблення базового знання та мислення вищого порядку, [[hallucination-risk|hallucinations]], зниження людської взаємодії та етичних, правових ризиків і ризиків [[equity-in-ai-education]]. Мітка авторів «друг-ворог» точно фіксує цю позицію: генеративний ШІ цінується як інструмент підтримки, але викликає недовіру як автономний агент. Наслідок для ролі викладання: викладачі хочуть залишатися вирішальним агентом і визначати випадок за випадком — дисципліна, потреби студентів, тип завдання, час, — тому інструменти оркестрування мають будуватися навколо [[human-in-the-loop-ai|human oversight]] та судження на рівні випадку, а не обіцянок автономії.
- **Авторитет залишається за викладачем; здатність розширюється лише всередині нього.** [[reichert-human-centered-llm-chatbot-design-teachers-2026|Reichert, Briceno, Tabarsi & Barnes (2026)]] дали шести викладачам середньої школи з класів 6-12 (суспільнознавчі дисципліни, [[math-education|mathematics]], тваринництво, природничі науки та [[cs-education|computer science]] і робототехніка) завдання створити паперний прототип чатбота на основі [[conversational-ai|chatbot]] для власної аудиторії й встановили, що кожен прототип кодував ту саму позицію: система була *обмеженим експертом*, спеціалізованим, але стриманим визначеною предметною областю та під наглядом викладача. Викладачі накреслили два кордони. Кордони *авторитету* випливали з професійної та правової відповідальності — контроль над тим, що студенти вивчають і як зберігається їхня безпека, не можна делегувати, тому нагляд (повні журнали розмов, сповіщення в реальному часі про неналежні запити та ручне перекриття) розглядався як обов’язок ролі, а не як перевірка інструмента. Кордони *експертизи* випливали з того, чого модель не може знати: історій індивідуальних студентів, динаміки аудиторії та інституційних норм. Делегування потім розподілялося вибірково в межах інструкції — викладачі вітали, щоб ШІ представляв контент, постачав практичні задачі, забезпечував скаффолдинг і давав формативний [[feedback]], але інформування студентів про цілі та [[summative-assessment|summative]] [[assessment]] залишали за собою. Це постачає задокументовану вище перевагу напівавтономності конкретною архітектурою: авторитет викладача є фіксованим елементом, і здатність ШІ зростає лише всередині нього.
- **Викладачі як навантажені цінностями оцінювачі.** [[luo-dawson-value-judgments-grading-2026|Luo & Dawson (2026)]] показують, що оцінювання робіт із допомогою генеративного ШІ не є нейтральним, основаним на критеріях актом, а ціннісним судженням, яке формується припущенням викладачів про те, ким є студент (чесність, старанність), на що він здатний (незалежність, вміння роботи з генеративним ШІ, дисциплінарна майстерність), як він ставиться до інших (довіра) і чи веде рішення до добрих результатів ([[bias-mitigation|fairness]], благодійність). Викладачам часто бракує обізнаності про ціннісні орієнтації, що лежать в основі їхнього оцінювання, і вони варіюються за дисципліною ([[humanities-education|humanities]] критичніші до використання генеративного ШІ; точні/прикладні науки — менше викликів в оцінюванні) та епістемологічною позицією (абсолютистською/мультиплістською/евалюативістською). Це позиціонує викладача як оцінювального професіонала, чиє судження — а не лише користування інструментами — має підтримуватися та робити прозорим.
- **Викладач як суддя педагогічно значущих пояснень.** Оскільки [[trust|trust in AI]] до рекомендацій ШІ зростає, коли пояснення обрамлені *їхньою* навчальноплановою/педагогічною мовою, а не «сирими» внутрішніми характеристиками моделі, ефективні інструменти мають «говорити» предметною мовою викладача. В експерименті в межах одного суб’єкта [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] встановили, що зорієнтованим на предметну область поясненням інструмента групування зі ШІ довіряли й їх прийняли значно більше, ніж зорієнтованим на дані поясненням про важливість характеристик, позиціонуючи педагогічний словник викладача як інтерфейс, через який ШІ заробляє довіру та використання, — а їхнє судження про те, чи є пояснення педагогічно обґрунтованим, як вирішальний чинник у впровадженні.
- **Фасилітатор, чия функція може бути частково делегована.** [[kuhail-great-debaters-ai-facilitators-2026|Kuhail et al. (2026)]] дали 32 студентам STEM обговорювати під керівництвом людського модератора, чатбота ШІ (GPT-4, з підказкою на поведінки, очікувані від викладацького складу: нейтральність, рівний час на виступ, короткі вказівки, дотримання теми, запитання на уточнення, деескалація) або кожного по черзі, і встановили відсутність суттєвої різниці за ефективністю, задоволенням, задоволеністю, корисністю чи наміром повторного використання (t = 0,23 до 1,30, p = 0,198 до 0,818). Автори читають нульовий результат як нормалізацію співпраці людини та ШІ в обговоренні, обмеженому правилами, а не як рівнозначність. Шлях до повторного використання відрізнявся: під людським модеруванням задоволення спричиняло намір користуватися, тоді як під модеруванням ШІ цю роль виконувала сприймана корисність (0,806 проти 0,495), тому активність, фасилітована ШІ, виживає за рахунок продемонстрованої корисності, а не за рахунок того, наскільки приємною вона відчувається. Практичне прочитання: модерування зі ШІ як засіб масштабування для великих або слабко укомплектованих курсів під людським наглядом, із неперевіреною справедливістю для сарказму, непрямої мови та стилів комунікації меншин.
- **Той, хто задає цілі, а не лише компетентності.** [[fagerlund-competency-agency-purposes-ai-education-2026|Fagerlund et al. (2026)]] інтерв’ювали 13 фінських викладачів від дитячого садка до 9 класу про те, чому студенти мають вчитися про ШІ та зі ШІ, читаючи їхні розповіді через кваліфікацію, соціалізацію та суб’єктивізацію Бієсти. Кваліфікація була найяснішою й найконкретнішою метою, охоплюючи ШІ і як ціль навчання, і як інструмент для нього; соціалізація з’являлася як культивування сприятливих позицій щодо ШІ та підготовка студентів як майбутніх працівників, обізнаних зі ШІ; суб’єктивізація — самовизначена та особисто значуща залученість — схвалювалася як важлива, але не мала за собою конкретних навчальних стратегій, спираючись на «обговорення та осмислення». Автори пропонують *обізнану агентність щодо ШІ* — суб’єктивізацію в центрі з компетентностями як її основою, — що дає ролі викладання обов’язок задавати мету: зробити «чому» явним, щоб вміння набували контексту, а не стояли як самі цілі, і доповнити технічні рамки, як-от [[tpack]], сталою увагою до освітньої мети.

Ці ролі пов’язують роботу викладача з [[distributed-cognition]], [[situated-learning]], [[embodied-learning]] та [[critical-pedagogy]] і переосмислюють викладача як проєктувальника та етичного провідника навчання, [[sociocultural-learning|mediated learning]] ШІ, а не лише користувача.

- **Підтримувані ШІ рішення концентруються там, де доступні поведінкові дані.** [[ai-supported-lecturer-decision-making-2026|Köroğlu et al. (2026)]] переглянули 27 емпіричних досліджень (2016–2025) і визначили вісім типів рішень викладача, встановивши, що підтримка ШІ концентрувалася на рішеннях щодо інструкції, [[feedback]] та [[assessment]], тоді як рішення щодо навчального плану, навчального середовища, емоційні, етичні та адміністративні рішення підтримувалися рідко. Панелі [[learning-analytics]] були найпоширенішою системою, обробляючи текстові дані та дані журналів у поведінкові показники результативності та залученості; [[multimodal]] дані та дані взаємодій, агентні системи та когнітивні, метакогнітивні, [[motivation|motivational]] та афективні результати були всі порівнянно рідкісними в переглянутому корпусі. Практичне прочитання для інструкторів: простір рішень, який відкриває інструмент ШІ, обмежений даними, які він показує, тому вибір інструмента — це також вибір щодо того, які рішення з викладання забезпечуються ресурсами.

## Як інструкторам слід адаптувати свою практику викладання до ШІ

Свідчення бази знань сходяться на наборі конкретних адаптацій:

**Проєктуйте педагогічну обгортку ШІ, а не лише інструмент.** Той самий ШІ дає великі [[learning-gains]] або чисту шкоду залежно від того, як активність проєктована навколо нього. [[kibar-ilgaz-ai-instructional-design-review-2026|Kibar & Ilgaz]] і свідчення щодо [[learning-gains]] узгоджені: робота інструктора — *проєктувати навчальний досвід*, розглядаючи ШІ як компонент у межах структурованої активності, а не як механізм відповідей. Спершу забезпечте скаффолдинг для спроби студента, потім дозвольте ШІ коучити — у цьому різниця між [[formative-assessment|assessment]] і [[cognitive-offloading|performance inflation]].

**Вимагайте контрольної точки з [[human-in-the-loop-ai]].** Замість того щоб приймати результат ШІ за чисту монету, навчіть студентів оцінювати, коригувати та брати на себе відповідальність за роботу із допомогою ШІ. [[mechanical-compliance-human-flourishing-ai-literacy-2026|Fair-use AI literacy]] обрамлює це як балансування продуктивності ШІ проти справжнього розквіту людини та авторства. Проєктуйте завдання так, щоб ШІ допомагав з чернеткою, але здобувач залишався агентом оцінювання та перегляду.

**Куруйте чернетки зворотного зв’язку від ШІ; не пересилайте їх.** [[chen-chatgpt-assisted-teacher-feedback-critical-thinking-2026|Chen et al. (2026)]] дали 64 китайським майбутнім викладачам зворотний зв’язок із допомогою ChatGPT на аргументоване письмо й встановили, що розгляд результату як матеріалу для чернетки, а не як готового коментаря, зрушив критичне мислення там, де зворотний зв’язок лише від викладача цього не зробив (d Коена на постресті 3,74 проти 0,25 на претесті, p < ,001). Те, що викладачі робили з чернеткою, є переносимою частиною: вони копіювали відповідний контент на рівні, близькому до власного (28%), розширювали його глибшим внеском (16%), постачали його (16%), переглядали його (14%) або відкидали цілком (14%), причому ще 9% потребували коригування. Зворотний зв’язок із допомогою ШІ схилявся до моделювання (демонстрація, 33,1% проти 10,9%) та вивчення (запитання-уточнення, 21,5% проти 6,0%), а студенти переглядали його до аналізу, оцінювання та створення, а не до розпізнавання, але шість із восьми опитаних усе ще повідомляли про неточність та непрофесійність. Крок перевірки від викладача є тим, що робить гібрид безпечним.

**Адаптуйте оцінювання до епохи ШІ.** Відходьте від завдань, які LLM можуть виконати дослівно, до [[authentic-assessment|authentic]], процесно орієнтованих та особистих оцінювань. [[ai-assessment-scale-reform|Assessment scales]] дають інструкторам рубрику для вирішення, який обсяг допомоги ШІ є легітимним на кожному етапі, а [[zhao-genai-higher-order-thinking-meta-2026|meta-analytic evidence]] показують, що ШІ може підтримувати мислення вищого порядку, коли цього вимагає дизайн оцінювання.

**Захищайте умови для тривалого навчання.** Оскільки відповіді ШІ роблять навчання таким, що виглядає легким, інструктори мають проєктувати заради протидії [[cognitive-offloading|performance-learning gap]]. [[lodge-loble-cognitive-offloading-2026|Lodge & Loble]] попереджають, що легка успішність із ШІ може маскувати відсутність навчання; інструктори мають вбудовувати [[productive-failure|productive struggle]], вимагати демонстрації опанування без допомоги інструментів і розглядати відповіді, отримані за підтримки ШІ, як відправну точку, а не як готовий результат.

**Плануйте засiб постачання.** Адаптація не є нейтральною до засобу: [[online-teaching-and-learning|online teaching]] зі ШІ множить і можливості (масштабована [[personalized-learning|personalization]], підтримка цілодобово), і ризики (доброчесність, перекладання когнітивного навантаження). Проєктуйте обгортку ШІ так само свідомо в онлайн, як і в особистих контекстах.([[lopez-pernas-llm-appropriate-student-support-2026]])

## Вплетення ШІ-грамотності у викладання

ШІ-грамотність не є окремим модулем — вона вплетена в те, як інструктори проєктують кожен курс. Ефективні підходи включають:

- **Моделюйте ШІ-грамотність на практиці.** Викладачі, які самі [[teacher-ai-competency|use, evaluate, and critique AI]], задають норму для студентів. [[ai-literacy-continuum-higher-education|AI literacy continua]] описують прогресію від вільного користування інструментами до критичного оцінювання, для якої інструктори мають забезпечувати скаффолдинг.
- **Викладайте оцінювання та [[trust-calibration|calibration]], а не лише використання.** Студентам потрібно знати, коли ШІ вартий довіри, а коли він галюцинує, — [[critical-thinking]] про результати ШІ є основною грамотністю. Це пов’язується з [[reducing-ai-misuse|responsible use]] та [[framing-ai-use-for-students|how AI use is framed for students]].
- **Співконструюйте норми використання ШІ зі студентами.** [[finkelstein-principled-ai-education-2025|Principled approaches to AI education]] та [[teacher-authored-prompts-student-ai-dialogue|teacher-authored prompts]] показують, що явні, співпроєктовані очікування працюють краще за каральні правила.

## Забезпечення академічної доброчесності в епоху ШІ

Академічна доброчесність із ШІ — це проблема *проєктування*, а не проблема поліцейського нагляду. Інструктори адаптуються через:

- **Переобрамлення доброчесності навколо процесу та авторства.** Замість виявлення підкреслюйте [[academic-integrity]] як прозоре, задокументоване використання. [[bozkurt-ghost-students-agentic-ai-2026|Agentic AI and ghost-student research]] показує, що ризик для доброчесності зміщується, коли студенти розгортають [[agentic-ai|AI agents]] від свого імені, тому інструктори мають визначити, що означає авторство, коли «привидом» є ШІ.
- **Використання розкриття та обрамлення.** [[framing-ai-use-for-students|How AI use is framed for students]] — чи як опора, чи як легітимний інструмент, — формує, чи розкривають вони його. Норми [[explainable-ai|Transparency]] (наприклад, розкриття використання ШІ) знижують стимул приховувати використання ШІ.
- **Проєктування з усуненням стимулу до шахрайства.** Автентичні, процесно орієнтовані та особисті оцінювання (усні іспити, [[eportfolio|portfolios]], спостережуване [[problem-solving]]) роблять аутсорсинг менш привабливим, ніж це роблять інструменти виявлення ШІ. [[ai-assessment-scale-reform|Assessment scales]] та [[authentic-assessment]] є конструктивною альтернативою гонкам [[ai-detection|detection]] озброєнь.
- **Регулювання на рівні завдання [[regulation]] є тим, як інструктори фактично керують ШІ.** [[chirikov-regulate-ai-syllabi-2026|Chirikov's (2026)]] 31 000+ навчальних програм курсів показує, що інструктори дедалі більше діють як *регулятори на рівні завдання*, а не застосовують загальні правила: вони обмежують ШІ для чернеткування/перегляду (79% курсів) і міркування/розв’язування проблем (65%), дозволяють його для редагування/коректури (83%) і підтримки навчання (80%) і залишають породження ідей/планування найбільш оспорюваним (46% дозволяють / 54% обмежують). Ця диференціація — побудована на тому, які завдання ШІ витісняє проти яких він розширює, — є конкретною, керованою інструкторами альтернативою політиці «впровадження або заборона» і дає ролі викладача центральне місце в формуванні [[educational-policy-ai|policy]].

## Пов’язування викладання з проєктуванням навчання

Викладання та [[learning-design]] — дві сторони однієї медалі: повсякденні судження інструктора є живим виконанням спроєктованого навчального досвіду. ШІ посилює цей зв’язок:

- **Викладачі як проєктувальники навчання.** [[learnai-just-in-time-ai-cocreation-university-2026|LearnAI]] та [[teacher-authored-prompts-student-ai-dialogue|teacher-authored prompt design]] показують інструкторів, що функціонують як проєктувальники: вони визначають активність, роль ШІ та скаффолдинги, які структурують навчання. Це [[learning-design]] в дії в точці використання.
- **Принципи проєктування навчання керують педагогікою ШІ.** Ті самі принципи [[learning-design]] — чіткі цілі, узгоджене оцінювання, [[scaffolding]] та [[feedback]] — визначають, чи допомагає ШІ, чи шкодить. [[jeon-isd-agent-bench-2026|ISD-Agent-Bench]] емпірично валідує, що обґрунтування дизайну ШІ в формальних моделях проєктування інструкції перевершує [[prompt-engineering|prompting]], вільне від теорії.
- **Проєктуйте для оркестрування викладачем.** Ефективні навчальні середовища зі ШІ проєктуються *з думкою про викладача* — інструменти, які дає [[prezenski-human-centered-ai-aided-learning|human-centered AI]], мають зменшувати навантаження викладача та розширювати судження, а не додавати ще одну непрозору чорну скриньку. Коли інструктори співпроєктують навчальні активності зі ШІ ([[activity-theory-teachers-adoption-ai-sem-2026|activity-theory perspectives]]), і впровадження, і якість покращуються.

## Співвідношення з ідентичністю здобувача

Роль викладача та [[learner-identity]] є взаємними обличчями того самого людського процесу, і ШІ перебудовує обидві.

- **Ідентичність викладача є професійною ідентичністю; ідентичність здобувача є навчальною ідентичністю.** Сторінка ролі викладача документує, як ШІ перебудовує *роботу, ідентичність та агентність* освітян — їхнє мінливе професійне саморозуміння (див. [[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw's framing of GenAI as an identity crisis]]). Ідентичність здобувача є паралельним конструктом для студентів: ким вони є і ким стають як здобувачі — в [[stem-education|disciplinary]], професійному, творчому та навчальному відношенні.
- **Вони причинно пов’язані.** Викладачі, які переживають порушення ідентичності (непевність щодо їхньої професійної мети серед [[generative-ai|GenAI]]), менш здатні підтримувати розвиток ідентичності своїх студентів — викладач, який сумнівається в своїй ролі, зіткнувається з труднощами у валідації новотворного почуття себе студентів в тій самій предметній області. Навпаки, викладачі, які зберігають впевнену професійну ідентичність, краще позиційовані, щоб забезпечувати скаффолдинг належності та авторства студентів.
- **Відмінні режими невдач.** Ідентичності викладача загрожують *застарілість ролі* та *мета* (питання «у чому сенс викладання?»). Ідентичності здобувача загрожують *втрата авторства* та *компетентність* (питання «чи це справді моє / чи я достатньо добрий?»). Обидва є відповідями на рівні ідентичності (а не лише на рівні навичок) на ШІ.
- **Обидва є занепокоєннями професійного розвитку та [[pedagogy|pedagogical]].** Підтримка ідентичності викладача належить до [[educational-development]] та [[teacher-ai-competency]]; підтримка ідентичності здобувача належить до [[student-experience]], [[authentic-assessment]] та [[agency]]. Добре спроєктована система з інтегрованим ШІ звертає увагу на обидві, — бо ідентичність викладача є умовою, за якої формуються ідентичності здобувачів.

## Співпроєктування викладачами ранньої ШІ-грамотності

- **Співпроєктування викладачами в ранній ШІ-грамотності.** Lee (2026) показує, що двоє викладачів дошкільної групи та двоє викладачів дитячого садка, які співспроєктували навчальний план Play With AI (PL-AI), зазнали суттєвого зростання впевненості та педагогічної агентності, причому співпроєктування культивувало володіння навчальним планом, рефлексивну практику та значущу адаптацію. Це позиціонує викладачів як центральних співпроєктувальників — а не лише реалізаторів — навчальних планів ШІ-грамотності, відповідних до рівня розвитку, моделі з наслідками для [[teacher-education|teacher preparation]] в [[early-childhood-elementary-ai-education|early childhood]] [[ai-education|AI education]].

### Викладачі, що співпроєктують ресурси навчання зі ШІ

- Роль викладача поширюється на співпроєктування ресурсів навчання зі ШІ: співпроєктовані викладачами та ШІ [[simulation|simulations]] для інструкції зі STEM із дронами зберігали результат генеративного ШІ педагогічно валідним і контекстуально релевантним, а викладачі є передбаченими бенефіціарами шкали ШІ-грамотності викладачів. Ефективна інтеграція генеративного ШІ дедалі більше залежить від участі викладачів у проєктуванні.

### Системи рефлексії зі ШІ мають адаптуватися до досвіду викладача

- **Аналітика рефлексії, орієнтована на викладача, має бути адаптована до експертизи, а не бути універсальною.** Опитування 100 викладачів K–12 США (поділ медіаною на дев’яти роках; біноміальні тести; різниці в виборі на 15% виявляються при ~83% потужності) встановило систематичні розходження в перевагах. Менш досвідчені викладачі називають відсутність часу на рефлексію провідною перешкодою втричі частіше за досвідчених (37% проти 12%, p < ,001) і хочуть аналітику щодо відключення студентів (48% проти 33%, p = ,028) та емоцій (31% проти 18%, p = ,036).
- **Правило проєктування, виведене з розходження, — режими рекомендацій, адаптованих до досвіду.** Досвідчені викладачі хочуть аналітику щодо покращеного навчання після допомоги студенту (40% проти 26%, p = ,019) і щодо своїх методів викладання (42% проти 26%, p = ,012); їхня провідна перешкода — відстеження результативності (28% проти 15%, p = ,009). Правило проєктування: режим новака = структуровані підказки та аналітика залученості; режим експерта = гнучкий поздовжній аналіз — прямий аргумент проти універсальних панелей. ([[falhs-teacher-expertise-reflection-2025]])

## Пов’язані поняття
- [[pedagogical-partnerships]] — Педагогічні партнерства
- [[learner-identity]] — мінливі дисциплінарні, професійні, творчі та навчальні ідентичності здобувачів
- [[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]] — Зонтична категорія: педагогіки та стратегії викладання в освіті зі ШІ
- [[stakeholders]] — Зонтична категорія: люди та аудиторії в освіті зі ШІ (здобувачі, викладачі, проєктувальники, адміністратори, політики)

## Пов’язані статті
- [[caeo-navigating-ai-educational-future-scenarios-2026]] — Парадокс більшої людяності: експертні сценарії на 2030 рік встановлюють, що насиченість ШІ посилює, а не витісняє людську педагогічну роботу (Malyn-Smith та співавт. 2026)
- [[teachers-instrumental-orchestration-ai-math-2026]] — Шість спостережуваних уроків математики в старшій школі розширюють інструментальне оркестрування трьома новими типами (Noh та Kim 2026)
- [[ai-emotional-alerts-teachers-mathematics-classroom-2026]] — Реагування на згенеровані ШІ сповіщення про емоції: втручання викладачів і залученість студентів на занятті з математики

- [[edustories-classroom-case-studies-2026]] — «Edustories: A Collection of Real-world Case Studies from Classroom Practices»
- [[reichert-human-centered-llm-chatbot-design-teachers-2026]] — Викладачі проєктують чатботів для аудиторії як обмежених експертів і зберігають авторитет
- [[dai-genai-frenemy-teaching-autonomy-2026]] — Генеративний ШІ як «друг-ворог»: викладачі віддають перевагу напівавтономності, корисність керує впровадженням, уникання ризику спрямоване на використання студентами (Dai та співавт. 2026)
- [[ai-supported-lecturer-decision-making-2026]] — «AI-Supported Lecturer Decision-Making in Higher Education»
- [[chirikov-regulate-ai-syllabi-2026]] — Як інструктори регулюють ШІ в 31 000 навчальних програм курсів; регулювання на рівні завдання (Chirikov 2026)
- [[ai-teaching-innovation-ai-tpack-2026]] — Поведінка інновацій у викладанні зі ШІ серед викладачів коледжів (SEM на основі AI-TPACK; Bai та 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]] — Генеративний ШІ як криза ідентичності, а не прогалина в навичках
- [[lodge-loble-cognitive-offloading-2026]] — ШІ, перекладання когнітивного навантаження та наслідки для освіти (Lodge та Loble 2026)
- [[kibar-ilgaz-ai-instructional-design-review-2026]] — «AI and Instructional Design Practice: A Systematic Review» (Kibar та Ilgaz 2026)
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Чи може ШІ постачати відповідну підтримку для різноманітних профілів студентів? Великомасштабна оцінка
- [[bozkurt-ghost-students-agentic-ai-2026]] — Студенти-привиди та агентний ШІ в оцінюванні
- [[wang-teacher-ai-co-design-review-2026]] — Співпроєктування навчальних завдань викладачами та ШІ: тенденції та перспективи (Wang та співавт. 2026)
- [[farazouli-navigating-uncertainty-teachers-genai-2026]] — Досвід і сприйняття університетськими викладачами: вразливість, переосмислення оцінювання, навчання студентів під загрозою (Farazouli та співавт. 2026)
- [[luo-dawson-value-judgments-grading-2026]] — Ціннісні судження в оцінюванні робіт із допомогою генеративного ШІ: чесність, довіра, валідність та двобічна прозорість (Luo та Dawson 2026)
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Робимо висновки машинного навчання доступними для викладачів у змішаних аудиторіях
- [[li-language-educators-genai-review-2026]] — Практики та розвиток викладачів мов із генеративним ШІ
- [[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]] — Напруження ідентичності та принципова вибірковість в інтегрованому зі ШІ викладанні (Adiozaman та Segar 2026)
- [[teacher-intervention-k12-ai-based-instruction-2026]] — Втручання викладачів в навчання на основі ШІ для K-12: систематичний огляд
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Розробники академічних програм як цифрові посередники: реконфігурація ролі, афективна праця та судження в південноафриканських HDI
- [[where-ai-enters-teacher-work-2026]] — «Where Artificial Intelligence Enters Teacher Work»
- [[rodrigues-aied-unplugged-numeracy-2026]] — AIED unplugged: викладач як посередник між здобувачами та ШІ, квазіексперимент у 19 класах, де навчання та непряме зниження зусилля керують здобутками (Rodrigues та співавт. 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]] — Опосередкування викладачем у математиці: п’ять практик критичного опосередкування, зсув авторитету та алгоритмічний розрив між безкоштовною та преміальною моделлю
- [[charles-teacher-readiness-by-design-ai-rich-2026]] — Готовність викладача через проєктування: готовність як здатність проєктувати, а не впровадження чи впевненість (Charles 2026)
- [[chen-chatgpt-assisted-teacher-feedback-critical-thinking-2026]] — Зворотний зв’язок викладача з допомогою ChatGPT: викладачі курують чернетки ШІ, а не пересилають їх
- [[fagerlund-competency-agency-purposes-ai-education-2026]] — Від компетентності до агентності: погляди викладачів на цілі освіти зі ШІ
- [[kuhail-great-debaters-ai-facilitators-2026]] — Людські модератори дебатів проти ШІ: рівнозначні оцінки, різні шляхи до повторного використання
- [[yalcin-genai-programming-education-systematic-review-2026]] — Генеративний ШІ в освіті з програмування: систематичний огляд, у якому ролі викладачів досліджені найменше
- [[heutagogical-teaching-ai-enhanced-education-2026]] — Від постачальників інформації до проєктувальників навчання: heutagogічні практики викладання в освіті з розширенням від ШІ
- [[falhs-teacher-expertise-reflection-2025]] — «How Expertise Levels Shape Preferences and Reflection Needs: Towards AI Reflection Systems for Teacher Empowerment» (Falhs та співавт. 2025)

---

## [Компетентність викладача в галузі ШІ](https://edtechdev.github.io/aied/concepts/teacher-ai-competency/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Компетентність викладача в галузі ШІ** — знання, вміння та диспозиції, необхідні викладачам для ефективної, етичної та справедливої інтеграції ШІ у викладання та навчання. Вона виходить за межі технічного користування інструментами й включає [[pedagogy|педагогічну]] інтеграцію, [[assessment|грамотність в оцінюванні]], етичне судження та впевненість у тому, щоб [[ai-literacy|використовувати ШІ добре]]. Компетентність викладача в галузі ШІ є викладацьким відповідником [[ai-literacy]] і розвивається через [[educational-development|професійний розвиток]]. Вона має центральне значення для того, як трансформується [[teacher-role|роль викладача]] в аудиторіях із підтримкою ШІ.

## Питання для роздумів

- Сторінка стверджує, що викладач є «вирішальним чинником» у тому, чи покращує ШІ навчання, — що інструменти допомагають лише тоді, коли викладачі вміють планувати їхнє використання, забезпечувати скаффолдинг і оцінювати результати. Чи узгоджується це з вашим досвідом, чи вважаєте, що сам інструмент важливіший за викладача?
- Компетентність викладача в галузі ШІ охоплює технічну майстерність, педагогічну інтеграцію, грамотність в оцінюванні та етичне судження. Якої з них, на вашу думку, викладачам бракує найбільше, і яку найважче сформувати навчанням?
- [[research-methods-aied|Дослідження]] документує розрив між самовизначеною та фактичною майстерністю викладачів у галузі ШІ. Як ви думаєте, чому люди переоцінюють свою готовність, і що потрібно для того, щоб чесно закрити цей розрив?
- Інтенсивна програма професійного розвитку у наведеному дослідженні дала значний приріст педагогічної майстерності в галузі ШІ, що свідчить про те, що технічно-педагогічну майстерність можна сформувати. Якщо це так, чому так багато викладачів усе ще видаються непідготовленими — що заважає?
- Якщо викладач може «добре використовувати ШІ», що для вас означає «добре» — і звідки ви дізналися б, що викладач цього досяг, а не просто прийняв інструмент?

## Вступ

Компетентність викладача в галузі ШІ важлива, бо викладач є вирішальним чинником у тому, чи покращує ШІ навчання. Дослідження послідовно показують, що інструменти ШІ перетворюються на кращі результати лише тоді, коли викладачі вміють планувати їхнє використання, забезпечувати скаффолдинг для студентів, оцінювати результати та інтегрувати їх у узгоджений навчальний процес. Література бази знань розглядає *виміри* цієї компетентності, *розриви* між самосприйняттям і фактичною майстерністю та *професійний розвиток*, який її формує.

## Основні виміри компетентності

Дослідження бази знань сходяться на кількох взаємопов’язаних вимірах:

- **Технічна майстерність:** створення ефективних [[prompt-engineering|підказок]] для освітніх цілей, [[ai-ed-evaluation|оцінювання інструментів]] ШІ на відповідність педагогічним завданням і безпечність, а також усунення неполадок у реальному часі. [[genai-pd-ai-pck-learning-gain-2026|Інтенсивна програма професійного розвитку з генеративного ШІ]] зафіксувала значний приріст за всіма п’ятьма компонентами AI-PCK (загалом *d* = 2,36), що свідчить про те, що технічно-педагогічну майстерність можна сформувати.
- **Педагогічне знання є вирішальним шаром.** Дослідження міжрівневої [[k-12|шкільної]] [[ai-education|освіти зі ШІ]] ([[pedagogy-first-technology-second-teacher-knowledge-2026|46 викладачів, 2 832 студенти]]) встановило, що одного технічного знання про ШІ недостатньо — воно навіть могло дещо знизити сприйняття студентами ШІ для суспільного блага, — тоді як педагогічне знання про ШІ спричиняло сприйняття студентів та їхній намір вивчати ШІ. Тому рамки компетентності мають надавати педагогічному знанню про ШІ ваги ключового виміру, а не додаткового елемента.
- **Педагогічна інтеграція:** відображення використання ШІ на цілях навчання, проєктування [[scaffolding]], який підтримує [[metacognition]] студентів і само[[regulation]], та інтеграція ШІ в [[learning-design|проєктування навчального процесу]]. [[ai-tpack-teacher-multi-agent-workflow|Дослідження AI-TPACK]] моделює, як викладачі поєднують технологічне, педагогічне та предметне знання через робочі процеси з багатьма [[agentic-ai|агентами]], тоді як [[teacher-ai-teaming-five-levels|рамка взаємодії викладача з ШІ на п’ять рівнів]] (трансакційна → синергійна) фіксує, як [[generative-ai|генеративний ШІ]] може замінити, доповнити або розширити компетентність викладача.
- **Грамотність в оцінюванні:** оцінювання згенерованого ШІ контенту та результатів роботи студентів із ШІ, а також розуміння того, як зміщується [[assessment-validity|валідність]], коли студенти користуються ШІ. Це пов’язується з [[automated-assessment]], [[ai-detection]] та ширшою програмою перебудови [[assessment]]. Для систем рекомендацій це поширюється на судження про те, чи пояснення ШІ справді зрозумілі та педагогічно значущі: [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor та співавт. (2025)]] встановили, що викладачі більше довіряли рекомендаціям ШІ щодо групування, коли пояснення були сформульовані мовою предметної області (навчального плану), а не коли вони розкривали «сирі» характеристики моделі, — це вміння вимагати та оцінювати [[explainable-ai|якість пояснень]], а не приймати непрозорий результат.
- **Вибір моделі та проєктування підказок як демонстрованні вміння:** інструментальна [[ai-literacy]] включає знання того, яку модель використовувати і як сформулювати завдання. [[teacher-ai-literacy-prompt-feedback-quality-2026|Jacobsen та співавт. (2026)]] досліджували цілі планування уроків 153 майбутніх викладачів, які критикувалися за допомогою ChatGPT-4, Claude 3 та Gemini Advanced за чотирьох систематично змінених підказок (N = 240 відгуків у Дослідженні 1, 345 — у Дослідженні 2), причому [[feedback]] оцінювався за дев’ятьма категоріями якості. Лише вибір моделі пояснював 26,9% дисперсії в оціненій якості (18,4% у Дослідженні 2), а проєктування підказки додавало значні 15,9% (5,7%) понад це; єдиною вирішальною характеристикою підказки була предметно-технічна термінологія, вилучення якої суттєво знижувало якість (β = −0,412), тоді як додавання прикладів і відмова від інструкції ланцюжка міркувань не давали суттєвої різниці в Дослідженні 1. Їхнє прочитання — що предметна термінологія водночас розблоковує відповідний контент навчальних даних і професійно обрамовлює запит, подібно до підказки з роллю, — поряд із практичним правилом використовувати найпотужнішу наразі фронтирну модель робить вибір моделі дидактичним рішенням, а не технічним.
- **Етичне та критичне використання:** розпізнавання [[bias-mitigation|упередженості]] в результатах ШІ, захист даних студентів ([[privacy]]) і забезпечення справедливих результатів ([[equity-in-ai-education]]). [[llm-cultural-relevance-k12|Культурно релевантне використання ШІ]] аналізує, як викладачі можуть використовувати LLM для диверсифікації матеріалів, а не для посилення домінантних норм.
- **Етична відповідальність розподілена, а не індивідуальна.** У семи національних кейсах викладачів позиціонують як моральних воротарів використання ШІ, тоді як їм бракує інституційної та епістемічної підтримки, тому етична ШІ-грамотність має поширюватися на критичну та політичну агентність, а не лише на технічне вміння ([[raffaghelli-situated-ai-ethics-2026|Raffaghelli та співавт. (2026)]]).
- **Впевненість та ставлення:** [[self-efficacy|впевненість]] викладача формує впровадження. [[teacher-ai-adoption-confidence|Дослідження впровадження]] встановлює, що впевненість, підтримка та сприймана корисність визначають, чи справді викладачі користуються ШІ, а [[ai-pedagogical-orientation|орієнтації викладацького складу]] формують впровадження в дослідженнях і викладанні.

- В опитуванні 1 405 викладачів K-12 у п’яти країнах готовність щодо ШІ прогнозувала позитивні переконання про навчальну цінність генеративного ШІ (B = ,59, R² = ,50), проте прогнозувала *більше* занепокоєння креативністю (B = ,18), і ті самі предиктори пояснювали лише 7% і 6% занепокоєння — будівництво готовності саме по собі залишає занепокоєння незачепленим ([[k12-teachers-genai-beliefs-five-countries-2026|Xiu та співавт. (2026)]]).

Готовність слід упорядковувати та вимірювати відповідно: модель «Здатність–Рішення» розміщує продемонстровану здатність щодо ШІ вище за ставлення та впевненість і пропонує показники результативності замість одного лише самоопитування — завдання на проєктування уроків, завдання на оцінювання підказок із введеними помилками, судження про валідність контенту та рубрики артефактів із аудиторії ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

**Емоційна та моральна готовність є окремим виміром.** [[vassallo-ai-guilt-complex-faculty-2026|Vassallo (2026)]] опитав науково-педагогічний склад мальтійського [[higher-ed|університету]] (109 респондентів) і побудував індекс почуття провини через ШІ (α = 0,88) із чотирьох морально-емоційних тверджень, встановивши, що *антиципаційне* почуття провини переважало розкаяння, яке виникало після використання: найсильнішим було занепокоєння тим, що використання ШІ підриває вашу довіру (34,9% згоди), далі — відчуття, ніби ви [[academic-integrity|шахраюєте]], коли його використовуєте (25,7%), тоді як розкаяння після використання набрало лише 9,2%. Висновки, які мають значення для рамок компетентності, полягають у тому, що ті, хто не користується ШІ, повідомляли про *більше* почуття провини, ніж користувачі (M = 3,25 проти M = 2,32), і що почуття провини зменшувалося зі зростом кар’єрної безпеки — викладачі на початку кар’єри повідомляли про найбільше (M = 2,71), а старші викладачі про найменше (M = 2,03). Тому емоційна готовність не фіксується вимірами майстерності чи впевненості, і робота стверджує, що рамки компетентності мають розглядати почуття провини та занепокоєння ідентичністю як нормальні перехідні реакції, а не вади, які слід виправляти.

Сильніша версія цього переосмислення стверджує, що генеративний ШІ є пороговим поняттям, а не прогалиною в навичках: автоетнографічний опис доводить, що тривожність викладацького складу та опір є конститутивними для перетину порога, тому навчання на основі навичок зазнає невдачі, а принципове невпровадження слід поважати, а не виправляти ([[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]]).

## Прогалина в компетентності

Ключовим висновком є **розрив між компетентністю, [[self-report-measures|про яку повідомляють самі викладачі]], і компетентністю, основаною на результативності**. [[ai-literacy-assessment-misalignment|Дослідження оцінювання ШІ-грамотності]] документує суттєву розбіжність (до ~40%) між тим, що викладачі *уважають*, що вміють, і тим, що вони можуть фактично *продемонструвати*, — викладачі, впевнені в навичках зі ШІ, часто не мають базових умінь створювати підказки та оцінювати. Це спонукає до **[[assessment|оцінювання на основі результативності]]** компетентності викладача замість спирання на самоопитування та пов’язується зі [[self-assessment|відкаліброваним самооцінюванням]]. Національне опитування 2 586 нігерійських викладачів середньої школи виміряло обидві сторони окремими інструментами — помірну обізнаність щодо ШІ (M = 3,13 із 8) проти нижчої педагогічної майстерності в галузі ШІ (M = 2,47 із 5), — причому викладачі на початку та в середині кар’єри повідомляли про вищу майстерність, ніж досвідченіші колеги ([[nigerian-teachers-ai-awareness-pedagogical-skills-2026|Olurinola та співавт., 2026]]).

Розрив полягає не лише між уявною та фактичною майстерністю, а й у *широті* знань викладачів: національне опитування 2 018 українських педагогів середньої школи встановило, що 84% повідомили про використання ШІ в професійній практиці, тоді як лише 11% могли назвати спеціалізований сервіс ШІ понад ChatGPT ([[ukraine-ai-literacy-secondary-framework-2026|Marienko, Markova & Semerikov (2026)]]). Друга вузькість виявляється в тому, що викладачі надають добровільно, а не в тому, що вони можуть назвати: 53 діючі викладачі, позначаючи власні кейси з аудиторії за Рамкою ШІ-грамотності ОЕСР, описали 43 практики, що свідчать про ШІ-грамотність, проти лише 10 невдач ([[ailithub-ai-literacy-case-infrastructure-2026|Wang та співавт., 2026]]). Їхній вибір компетентностей концентрувався на практичному судженні (оцінювання результатів ШІ, N = 38) і рідко досягав суспільної упередженості (N = 5), етичної узгодженості (N = 6) або енергоспоживання ШІ (N = 9).

Розрив помітний в артефакті так само, як і в самоопитуванні. В [[ai-integration-instructional-design-collaboratory-2026|міжінституційній колегії викладацького складу в підготовці вчителів]], у межах якої педагоги-методисти проєктували ШІ у власні методичні курси, було встановлено, що кандидати могли створювати відполіровані плани уроків із допомогою ШІ, не будучи здатними пояснити, чому план відповідає здобувачам і стандартам, бо сам план не говорить нічого про міркування за ним. Однією відповіддю є оцінювання обґрунтування, а не продукту. [[bondurant-shaughnessy-ai-pedagogies-practice-2026|Рамка «педагогік практики»]] пропонує іншу, розглядаючи репетицію як наближення практики: репетиція з опосередкованим ШІ із структурованим зворотним зв’язком після неї підвищила використання кандидатами питань, що вивчають і досліджують, проте власні судження кандидатів про свою результативність усе ще розходилися з тим, що фіксували спостерігачі.

**Падіння самооцінки після навчання може сигналізувати про навчання, а не про втрату.** У шестимісячній програмі [[educational-development|професійного розвитку]] [[tpack|Intelligent-TPACK]] із 64 викладачами гонконзьких університетів проти 61 контрольної групи загальна компетентність щодо ШІ зросла приблизно на половину стандартного відхилення (d Коена = −,521), проте деякі викладачі в обох групах набрали менше на постресті, ніж на претесті ([[intelligent-tpack-pd-intervention-hongkong-2025|Tan, Cheng & Ling, 2025]]). Інтерв’ю віднесли ці спади до переходу від несвідомої несвідомості до свідомої несвідомості — перекалібрування, яке передбачає ефект Даннінга–Крюгера, — а не до втраченої майстерності. Автори роблять висновок, що самоопитування до й після навчання занижує ефект інтервенції, бо частина приросту приходить як коригування вниз в самому інструменті.

**Прогалина виявляється також як неучасть.** [[watson-rainie-ai-challenge-faculty-survey-2026|Watson & Rainie (2026)]] опитали 1 057 викладачів коледжів США наприкінці 2025 року і встановили, що 26% узагалі не користуються інструментами [[generative-ai|генеративного ШІ]], причому третина обрала не користуватися ними у викладанні, а невикористання зосереджене в мистецтвах та [[humanities-education|гуманітарних дисциплінах]] (40%). Інституційний бік прогалини був більшим за індивідуальний: 68% сказали, що їхні установи не підготували викладацький склад до використання генеративного ШІ у викладанні та наставництві, і викладачі назвали опір колег (82%) та необізнаність (83%) провідними перешкодами для впровадження на кафедрах — картина, в якій будівництво потенціалу, норми колег та політика мають рухатися разом.

**Передпрофесійна підготовка здебільшого оминає етичний вимір компетентності.** [[meta-analysis-systematic-review|Систематичний огляд]] застосування ШІ в початковій підготовці вчителів математики початкової школи ([[pinto-ai-initial-teacher-training-mathematics-review-2026|Pinto та співавт., 2026]], відібрано 11 досліджень із 341 запису) встановив, що інтервенції концентрувалися на короткострокових технічних і педагогічних здобутках, причому дев’ять із одинадцяти були короткими інтервенціями на одну–шість сесій, і було повідомлено, що етика розглядалася лише в трьох із одинадцяти досліджень. Рамки компетентності називають етичне судження виміром; література передпрофесійної підготовки, покликана його будувати, рідко його викладає або вимірює.

## Професійний розвиток, який працює

Література з професійного розвитку в базі знань визначає ефективні підходи:

- **Інтенсивні, теоретично обґрунтовані програми:** [[genai-pd-ai-pck-learning-gain-2026|інтенсивна програма професійного розвитку з генеративного ШІ]] з 163 викладачами/майбутніми викладачами дала значний приріст за всіма компонентами AI-PCK, причому майбутні викладачі отримали найбільшу вигоду. [[teacher-education-ai-literacy-sdt-2026|Професійний розвиток на основі теорії самодетермінації]] показує, що навчання, що підтримує потреби, покращує ШІ-грамотність викладачів, ставлення та [[student-engagement|залученість]], зменшуючи водночас тривожність.
- **[[design-based-research|Дизайн-орієнтовані]] та інтегративні підходи:** [[genai-literacy-training-teacher-education-dbr-2026|навчання ШІ-грамотності на основі дослідження, заснованого на дизайні (DBR)]] усуває надмірний нагляд на технічному знанні та інструментах доби до генеративного ШІ; [[rail-ed-genai-literacy-teacher-education|інтегративні, розвивні рамки]] та [[sec-ai-literacy-narrative-review-2026|інтеграція соціально-емоційних компетентностей]] розширюють грамотність почисту техніку.
- **Дослідження та автентична практика:** [[quest-ai-inquiry-preservice-teachers|моделі дослідження з підтримкою ШІ]] будують ШІ-грамотність і автентичну результативність у майбутніх викладачів.
- **Готовність, специфічна для контексту:** [[sangwa-epiq-ai-faculty-readiness-2026|рамка готовності EPIQ-AI]] підкреслює, що готовність викладацького складу є соціотехнічною проблемою, яка потребує узгодження потенціалу викладачів, [[governance]] та забезпечення якості.
- **Підтримка має диференціюватися за досвідом і майстерністю в галузі ШІ.** [[choi-teacher-ai-interaction-lesson-design-2026|Choi та співавт. (2026)]] встановили, що те, як викладачі фактично взаємодіють зі ШІ в проєктуванні уроків, залежить від *взаємодії* педагогічного досвіду та майстерності в галузі ШІ, а не від кожного з них окремо. Досвідчені викладачі з високою майстерністю в галузі ШІ критично адаптують результат ШІ до контексту (повторними підказками, розгортанням), тоді як новаки — навіть технічно вільні — схильні приймати відповіді ШІ безпосередньо й рідко беруть до уваги студентів і контекст. Це свідчить за профільний професійний розвиток: контрольні списки оцінювання відповідей і шаблони підказок для новаків, а практичне формування вмінь — для досвідчених викладачів із нижчою майстерністю в галузі ШІ.

Конфігурація переконань є другою віссю профілювання: серед 40 680 викладачів у TALIS 2024 той самий статус невикористання маскував протилежні бар’єри — 83,3% профілю «Байдужі» наводили педагогічні застереження, тоді як 66,2% профілю «Вимірене схвалення» — недостатні знання та вміння ([[teachers-ai-belief-profiles-talis-2024-2026|Fang & Jin (2026)]]). Професійне навчання, пов’язане зі ШІ, відстежувало членство в профілі послідовніше, ніж вік або освітній рівень.

- **Викладачі не поділяють єдиного уявлення про ШІ.** Феноменографічне дослідження 16 данських викладачів вищої освіти виявило три уявлення про викладання зі ШІ та три про навчання зі ШІ, тому єдина модель семінару охоплює лише частину будь-якої групи викладацького складу ([[stenalt-good-education-teacher-ai-conceptions-2026|Stenalt (2026)]]).
- **Співпроєктування та педагогічна грамотність у підказках є компетентностями, а не додатковими елементами.** [[meta-analysis-systematic-review|Систематичний огляд]] співпроєктування викладачами й ШІ навчальних завдань ([[wang-teacher-ai-co-design-review-2026|Wang, Liu & Islam, 2026]], 28 досліджень) встановлює, що домінантним режимом співпраці є ШІ як помічник/генератор контенту, і локалізує прогалину в ширших потенціалах викладачів щодо співпроєктування та діалогічного партнерства. [[talebzadeh-ai-group-activity-roles-2026|Talebzadeh (2026)]] показує, що професійний розвиток, який поєднує технічне навчання ШІ з педагогічним міркуванням — будуючи «педагогічну грамотність у підказках» (кодування [[tpack|PCK]] у підказках), — і є тим, що дозволяє викладачам перетворювати результат ШІ на ефективні [[collaborative-learning|диференційовані групові активності]].
- **Структури, що будують компетентність, а не її переліки.** [[physics-faculty-learning-community-ai-2026|Perl-Nussbaum та Finkelstein (2026)]] провели шість сесій двомісячного навчального співтовариства на кафедрі фізики великого державного університету R1 — дев’ятнадцять викладачів упродовж серії, близько десяти на кожній зустрічі, — де кожна сесія відкривалася локальними даними, переходила до тестування ШІ малими групами на реальних анонімізованих домашніх завданнях студентів і завершувалася колективним обговоренням, і це дало спільне сховище з п’яти записів, а не навчальний пакет. Грамотність в оцінюванні може будуватися так само через інструмент проєктування: в пілоті [[authentic-assessments-generative-ai-pilot-2026|Paula та співавт. (2026)]] вісім досвідчених координаторів курсів із STEM і здоров’я розширили свою грамотність в оцінюванні, критикуючи проєкти оцінювання спеціального GPT проти дисциплінарних стандартів, хоча результати повторно не враховували дисциплінарний контекст, ігнорували послідовність тем і в одному разі містили вигадані посилання через повторні підказки. Усі вісім залишили [[evaluative-judgment|академічне судження]] за собою й відмовилися від повної автоматизації, що робить механізмом розвитку структуровану критику згенерованих проєктів, а не навчання користуванню інструментами.
- **Короткі сесії можуть змінити сприйняття, не змінивши впровадження.** [[mesenhoeller-teachers-ai-differentiation-acceptance-2026|Mesenhöller та Böhme (2026)]] оцінили тригодинну сесію INSIGHT зі 100 німецьких викладачів початкової та середньої школи і встановили, що і сприймана корисність, і сприймана легкість використання суттєво зросли (корисність t(99) = −3,24, p = ,002, d = ,32; легкість використання d = ,25), тоді як поведінковий намір користуватися технологіями на основі ШІ для диференціації не змінився. Автори зазначають, що їхні вихідні рівні вже були сприятливими, тому ефект стелі правдоподібний. Прочитання для проєктування професійного розвитку є вузьким, але корисним: коротка сесія може змінити те, як викладачі судять інструменти ШІ, не змінивши того, чи планують вони їх використовувати, — це та зміна, яка потребує доведення до кінця, а не одноразової події.

- **Викладачі віддають перевагу вільному володінню, а навчання приписують скаффолдингу.** Серед 41 викладача базовий варіант на GPT-4o був переважним загалом (21 проти 13), проте точно налаштованій покроковій моделі (ідентифікуй, досліджуй, розвивай) частіше приписували навчання (18 проти 13), і ці два судження узгоджувалися лише у 39% випадків ([[teachingcoach-chatbot-instructor-guidance|Molnar та співавт. (2026)]]).
- **Інституційна підтримка:** [[educational-development|професійний розвиток]] має поєднуватися з інституційною інфраструктурою ([[educational-policy-ai|політика]], [[institutional-change-framework-ai|інституційні зміни]]) для сталого впровадження.
- **Інструменти авторства не гарантують педагогічної відповідності.** [[teachers-configure-educational-chatbots-2026|Riahi та співавт. (2026)]] дослідили, як 27 викладачів середньої школи налаштовують освітні чатботи на семінарах професійного розвитку, аналізуючи фокус-групи поряд із журналами налаштувань і взаємодій. Викладачі розглядали чатбота як навчальний скаффолдинг, обмежений визначеними викладачами правилами, проте узгодженість між наміром і поведінкою на основі журналів була сильною для відгукливості (88,9%) і персоналії (81,5%), ніж для правил (70,4%) і мети (59,3%). Самі налаштовувані засоби керування не переносять педагогічний намір у поведінку, тому висловлювання, тестування та вдосконалення педагогіки чатбота саме є компетентністю, яку інструментарій авторства має підтримувати.

Контрприклад на основі дизайну розглядає компетентність як ситуативну, а не як сходинку на драбині. [[adaptive-ai-model-teacher-educators-2025|Дослідження на основі дизайну Eyal 2025 року з 22 педагогами-методистами вищої освіти]] мало учасників розглянути п’ять опублікованих рамок оцінювання та співспроєктувати альтернативу, організовану навколо трьох взаємопов’язаних осей: відповідність контексту (інфраструктура, соціокультурні чинники, локальні потреби, стадія розвитку), професійні потреби (дисципліна, педагогіка, лідерство, підтримка) та динамічний розвиток. Модель відкидає фіксовані рівні компетентності й дозволяє нелінійний прогрес, і вона постачається з рефлексивним опитувальником самооцінки на 20 тверджень з оцінкою від 1 до 5. Її валідація є лише якісною, без кількісного тестування надійності, тому вона стоїть як внесок у дизайн, а не як валідований інструмент.
- **Метааналітична оцінка.** [[teacher-ai-literacy-professional-development-meta-2026|Guo та співавт. (2026)]] об’єднали 212 розмірів ефекту з 34 досліджень і оцінюють професійний розвиток із ШІ-грамотності викладачів на рівні g = 0,76 (95% ДІ [0,50; 1,02]), найсильніший для вмінь (g = 0,91) і найслабший для ставлень і цінностей (g = 0,61); коригування на видимий відбір публікацій знижує оцінку приблизно до g = 0,49.

- **Відвідуваність прогнозує здобутки там, де відчуття участі — ні.** В тій самій шестимісячній програмі рівень відвідуваності прогнозував приріст компетентності (β = ,407, p = ,001), тоді як самовизначена участь — ні (β = ,049, p = ,692), а дисципліна, педагогічний досвід і посада пояснювали мало; автори читають відвідуваність як поведінкове інвестування, а сприйману участь — як залученість на поверхневому рівні ([[intelligent-tpack-pd-intervention-hongkong-2025|Tan, Cheng & Ling, 2025]]).

- **Цінності відстають від вмінь і в програмі, специфічній для предметної області.** В річній програмі в Гонконзі з 30 викладачами англійської мови знання стратегій мультимодального оцінювання зросло з 3,13 до 4,15 із 5 (часткове η² = 0,571), а компетентність у підтримці студентів — з 3,05 до 3,98 (0,482), обидва суттєві, тоді як кожен піддомен цінностей залишався статистично плоским при коригованому за Бонферроні α = ,006. Викладачі приписували ці здобутки спільному плануванню в межах школи та зустрічам міжшкільних кластерів, а не лише семінарам ([[multimodal-assessment-literacy-l2-teachers-genai-2026|Jiang та співавт., 2026]]).

## Компетентність викладача в галузі ШІ та трансформація ролі викладача

Оскільки ШІ перебирає рутинні навчальні та оцінювальні завдання, характерний внесок викладача зміщується до оркестрування, судження та стосунків: вирішення того, коли і як використовується ШІ, забезпечення скаффолдингу для [[agency|агентності студентів]] і критичного використання, забезпечення справедливості, а також надання соціальної та емоційної підтримки, якої не може дати ШІ. Це переосмислює компетентність викладача навколо [[human-in-the-loop-ai|людського нагляду в циклі]], [[ethics|етичного судження]] та [[self-regulated-learning|підтримки саморегульованого навчання]] — пов’язуючи з [[teacher-role]] та [[cognitive-offloading|захистом від надмірної залежності]].

## Наслідки для ШІ в освіті

- **Оцінюйте результативність, а не лише самоопитування:** компетентність викладача слід оцінювати через демонстрацію, зважаючи на задокументований розрив у самоопитуванні.
- **Навчайте повної компетентності, а не лише інструментів:** професійний розвиток має будувати технічні, педагогічні, оцінювальні та етичні виміри разом, спираючись на [[learning-theories|теорію навчання]].
- **Будуйте впевненість поряд із майстерністю:** ставлення та [[self-efficacy]] формують впровадження, тому професійний розвиток має зменшувати тривожність і будувати впевненість через автентичну, підтриману практику.
- **Підтримуйте інституційний шар:** стала компетентність викладача потребує узгодженої політики, управління та потенціалу, а не ізольованого навчання.

- **Цифрова компетентність викладача для проєктування навчального плану з генеративним [[curriculum-design|ШІ]].** [[guillen-curriculum-genai-teacher-competence-2026|Guillén-Gámez (2026)]] валідують діагностичний інструмент на основі TAM з 434 діючими викладачами; поведінковий намір був основним предиктором цифрової компетентності у використанні генеративного ШІ в плануванні навчального плану, а самоефективність — кореневим драйвером.
### Психометричний інструмент для компетентності викладача в галузі ШІ

- Психометричне дослідження розробило шкалу ШІ-грамотності викладачів (TAILS) для вимірювання ШІ-грамотності саме в межах [[teacher-education|підготовки викладачів мов]], операціоналізуючи шість вимірів рамки ED-AI. Розробка інструмента заповнює прогалину в оцінюваннях, спрямованих на студентів або загальних користувачів, підтримуючи вимірювання компетентності викладача в галузі ШІ.

З того часу сам ландшафт інструментів було переглянуто. [[assessing-teachers-ai-literacy-measurement-tools-2026|Систематичний огляд інструментів вимірювання ШІ-грамотності викладачів Zainal, Mohd Matore та Maat (2026)]] оцінив 33 інструменти, опубліковані між 2019 і 2025 роками, і встановив, що поле методично одноманітне: 31 (93,9%) — це шкали самоопитування сприйманої впевненості, лише два (6,1%) об’єктивно тестують знання, і жоден не використовує завдань, основаних на результативності. Внутрішня узгодженість була найсильнішою областю якості (28 із 33 на оцінці A), а справедливість — найслабшою, причому п’ять інструментів (15,2%) повідомляли про інваріантність вимірювання або докази диференційованої функції пунктів. Контент також відстає від технології, бо 29 інструментів (87,9%) спрямовані на загальні поняття ШІ, і лише чотири (12,1%), усі з 2025 року, стосуються генеративного ШІ.

## Пов’язані поняття

- [[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]] — Зонтична категорія: педагогіки та стратегії викладання в освіті зі ШІ

## Пов’язані статті
- [[multimodal-assessment-literacy-l2-teachers-genai-2026]] — Грамотність у мультимодальному оцінюванні: річна програма, в якій знання та компетентність змінилися, а цінності — ні
- [[teacher-ai-literacy-professional-development-meta-2026]]
- [[intelligent-tpack-pd-intervention-hongkong-2025]] — Професійний розвиток Intelligent-TPACK: пів стандартного відхилення приросту та негативні прирости, що читаються як перекалібрування — «The impact of professional development programs on K-12 teachers' AI literacy: A systematic review and meta-analysis»

- [[ailithub-ai-literacy-case-infrastructure-2026]] — Викладачі позначали власні кейси зі ШІ з аудиторії й легко досягали практичних компетентностей, але рідко — суспільних і етичних (Wang та співавт. 2026)
- [[typology-generative-ai-tools-education-2026]] — Вибір інструмента як прояв агентності педагога
- [[generative-ai-k12-teaching-learning-systematic-review-2026]] — Систематичний огляд генеративного ШІ у викладанні та навчанні K-12 (Marzano 2026)
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — Професійне знання викладача в освіті зі ШІ K-12: TAIK проти TPAIK і навчання студентів (Shen та співавт. 2026)
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Патерни взаємодії викладача зі ШІ в проєктуванні уроків залежно від досвіду та майстерності в галузі ШІ (Choi та співавт. 2026)
- [[preservice-teachers-responsible-genai-2026]] — Відповідальне використання генеративного ШІ майбутніми викладачами: наслідки для навчального плану (Kohnke та співавт. 2026)
- [[melo-llm-classroom-observation-teach-2026]] — Спостереження в аудиторії на основі LLM для професійного розвитку викладача (Melo та співавт. 2026)
- [[bondurant-shaughnessy-ai-pedagogies-practice-2026]] — Генеративний ШІ в представленнях, декомпозиціях та наближеннях: репетиція, структурований зворотний зв’язок та застереження щодо точності
- [[genai-pd-ai-pck-learning-gain-2026]] — Ефективність інтенсивної програми професійного розвитку з генеративного ШІ
- [[ai-tpack-teacher-multi-agent-workflow]] — Моделювання AI-TPACK через робочі процеси викладача з багатьма агентами
- [[teacher-ai-teaming-five-levels]] — До синергійної взаємодії викладача зі ШІ
- [[teacher-education-ai-literacy-sdt-2026]] — Підготовка викладачів для ШІ-грамотності через теорію самодетермінації
- [[genai-literacy-training-teacher-education-dbr-2026]] — Навчання ШІ-грамотності генеративного ШІ на основі дослідження, заснованого на дизайні
- [[rail-ed-genai-literacy-teacher-education]] — Переосмислення грамотності щодо генеративного ШІ в підготовці викладачів
- [[sec-ai-literacy-narrative-review-2026]] — Інтеграція соціально-емоційних компетентностей із ШІ-грамотністю
- [[teacher-ai-adoption-confidence]] — Впровадження ШІ серед викладачів: впевненість і підтримка
- [[ai-pedagogical-orientation]] — Орієнтації викладацького складу формують впровадження ШІ
- [[ai-literacy-assessment-misalignment]] — Розбіжність між компетентністю в галузі ШІ, про яку повідомляють самі викладачі, і компетентністю, основаною на результативності
- [[quest-ai-inquiry-preservice-teachers]] — Дослідження з підтримкою ШІ для майбутніх викладачів
- [[sangwa-epiq-ai-faculty-readiness-2026]] — Рамка готовності викладацького складу EPIQ-AI
- [[llm-cultural-relevance-k12]] — LLM для культурно релевантної педагогіки K-12
- [[institutional-change-framework-ai]] — Рамка інституційних змін для ШІ
- [[teachingcoach-chatbot-instructor-guidance]] — Чатбот TeachingCoach для керівництва викладачами
- [[laidlaw-genai-identity-crisis-faculty-2026]] — Генеративний ШІ як криза ідентичності, а не прогалина в навичках
- [[raffaghelli-situated-ai-ethics-2026]]
- [[guillen-curriculum-genai-teacher-competence-2026]] — Оцінювання цифрової компетентності викладача для проєктування навчального плану з генеративним ШІ (Guillén-Gámez 2026)
- [[stenalt-good-education-teacher-ai-conceptions-2026]] — Феноменографічне дослідження уявлень університетських викладачів про ШІ
- [[ukraine-ai-literacy-secondary-framework-2026]] — П’ятирівнева рамка ШІ-грамотності та професійний розвиток для українських педагогів середньої школи (Marienko та співавт. 2026)
- [[wang-teacher-ai-co-design-review-2026]] — Співпроєктування навчальних завдань викладачами та ШІ: тенденції та перспективи (Wang та співавт. 2026)
- [[talebzadeh-ai-group-activity-roles-2026]] — Архітектура ролей у диференційованих групових активностях, спроєктованих ШІ (Talebzadeh 2026)
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[teacher-ai-literacy-prompt-feedback-quality-2026]] — Проєктування підказок і вибір моделі як предиктори якості зворотного зв’язку ШІ (Jacobsen та співавт. 2026)
- [[vassallo-ai-guilt-complex-faculty-2026]] — Комплекс провини через ШІ: антиципаційне почуття провини та чотири профілі моральної реакції серед науково-педагогічного складу (Vassallo 2026)
- [[mesenhoeller-teachers-ai-differentiation-acceptance-2026]] — Тригодинна сесія професійного розвитку викладачів підвищила сприйману корисність і легкість використання, але не заявлений намір впроваджувати (Mesenhöller & Böhme 2026)
- [[pinto-ai-initial-teacher-training-mathematics-review-2026]] — Систематичний огляд ШІ в передпрофесійній підготовці викладачів математики початкової школи: етика розглянута лише в трьох із одинадцяти досліджень (Pinto та співавт. 2026)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — Опитування 1 057 викладачів США від AAC&U/Elon: готовність, невикористання та розрив у політиці між індивідуальним та інституційним рівнем (Watson & Rainie 2026)
- [[ai-integration-instructional-design-collaboratory-2026]] — Міжінституційна колегія викладацького складу: інтеграція ШІ як проєктування навчального процесу в підготовці вчителів
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — Систематичний огляд 33 інструментів вимірювання ШІ-грамотності викладачів: 31 самоопитування, два об’єктивні тести знань, жодного завдання на результативність (Zainal, Mohd Matore & Maat 2026)
- [[adaptive-ai-model-teacher-educators-2025]] — Адаптивна модель ШІ-грамотності на основі дизайну та рефлексивний опитувальник на 20 тверджень, співспроєктовані з 22 педагогами-методистами (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]] — Упорядкована модель готовності викладача з пріоритетом здатності та показниками здатності на основі результативності
- [[k12-teachers-genai-beliefs-five-countries-2026]] — Міжнаціональне опитування 1 405 викладачів K-12: готовність прогнозує позитивні переконання, але не занепокоєння
- [[teachers-ai-belief-profiles-talis-2024-2026]] — Чотири профілі переконань викладачів TALIS 2024 пов’язують професійне навчання та бар’єри, специфічні для профілю, з використанням ШІ

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Проєктування навчання** (Learning Design, також відоме як *інструкційне проєктування*, instructional design) — систематичний процес створення ефективних навчальних досвідів через аналіз навчальних потреб та проєктування, розробку, впровадження й оцінювання навчальних матеріалів і діяльностей. ШІ трансформує проєктування навчання, автоматизуючи створення контенту, уможливлюючи [[adaptive-learning|адаптивні навчальні]] траєкторії, підтримуючи ітерації на основі даних і розширюючи — а не заміщаючи — роль інструкційного дизайнера.

## Питання для роздумів

- Згадайте курс або заняття, які ви відвідували або проєктували. Де закінчувалося «чому вчити» (навчальний план), а починалося «як вчити» (проєктування навчання) — і як ці два виміри взаємодіяли?
- Поширене припущення: краща вільність володіння ШІ автоматично породжує кращий освітній контент. Сторінка спростовує це свідченнями, що саме явна педагогічна структура — а не лише вільність володіння ШІ — визначає ефективність навчання. Де ви бачили вражаючий результат, який не навчав?
- Якщо інструмент ШІ може згенерувати цілий курс з однієї підказки, які людські рішення стають важливішими, а не менш важливими? Сторінка стверджує, що ШІ розширює, а не заміщає роль інструкційного дизайнера — якою була б така розширена роль?
- Деякі моделі інструкційного проєктування, як-от ADDIE, використовують як жорсткі лінійні кроки. Проте сторінка розглядає їх як ітеративні, гнучкі евристики планування. Коли занадто буквальне дотримання процесу може підірвати гарне проєктування?
- Сторінка показує, що педагогічно обґрунтоване підказування — наприклад, рамка з п'яти кроків, заснована на теорії навчання — значно покращило результати вищого порядку. Якби ви створювали ШІ-тьютора, що ви б закодували в явному шарі проєктування, щоб його стратегія навчання залишалася простежуваною й відтворюваною?

## Вступ

Проєктування навчання — міждисциплінарний між можливостями ШІ та ефективною педагогікою. Там, де [[curriculum-design]] вирішує питання *чому* вчити на рівні програми, проєктування навчання вирішує питання *як* вчити на рівні курсу й заняття. Статті в цій базі знань досліджують і ШІ як інструмент для тих, хто проєктує навчання, і принципи проєктування навчання для створення ефективних [[intelligent-tutoring|систем ШІ-тьюторінгу]].

Що саме вміщує така проєктувальна робота на практиці — саме по собі емпіричне запитання. [[tang-chatbots-learning-design-2026|Tang та ін. (2026)]] закодували 1 378 ходів «дизайнер — чат-бот» п'ятьох дизайнерів навчання-новачків, які працювали з чат-ботом, вбудованим в інструмент проєктування, і виявили, що діалог концентрувався на бажаних результатах навчання та педагогічному підході, а не на генерації контенту. Дизайнери поверталися до результатів знову й знову як до перевірки відповідності, перетворюючи компоненти навчального плану на конкретні завдання, а роль помічника змінювалася між фазами — від уточнення термінів до підтримки проєктування завдань і до контрольного проходу перед дедлайном. З огляду на ці свідчення підтримка проєктування менше полягає в створенні матеріалу, ніж у збереженні узгодженості проєктувального замислу.

Навчальна аналітика й генеративний ШІ підтримують різні частини проєктування: у 11 фокус-групах в одному австралійському університеті дискурс аналітики найчастіше супроводжував контекст і вирішення проблем на рівні курсу (0,32), тоді як дискурс GenAI концентрувався на проєктуванні оцінювання (0,26) і проєктуванні для самовизначення студента (0,15) ([[claassen-learning-analytics-genai-learning-design-2026|Claassen та ін. (2026)]]).

### Ключові теми досліджень

**Створення контенту за допомогою ШІ** — найбезпосереднішо трансформаційне застосування. **[[curriculum-as-code-instructional-design-2026|Curriculum as Code]]** подає шестифазну архітектуру, що інтегрує генеративний ШІ з LaTeX і Python для автоматизації створення матеріалів із [[stem-education|STEM]], перевірену на 8 модулях і 28 проєктних контекстах із оцінками якості від студентів 8,5–9,9/10. **[[instructional-agents-multi-agent-course-gen|Instructional Agents]]** використовує мультиагентну рамку, структуровану навколо моделі ADDIE, з рольовими агентами (Teaching Faculty, Instructional Designer, Course Coordinator), що співпрацюють для генерації повних матеріалів курсу. **[[courseblueprint-adaptive-video-generation|CourseBlueprint]]** забезпечує структурований конвеєр для адаптивної генерації [[pedagogy|педагогічних]] [[video-education|відео]], заснований на корпусах курсів, демонструючи, що явна педагогічна структура — а не лише вільність володіння ШІ — є необхідною для генерації освітнього контенту. Платформи [[generative-ai|генеративного ШІ]] можуть також втілювати принципи проєктування навчання в контенті, який вони породжують: [[ai-modeling-problem-generation-platform-2026|платформа на основі ШІ для генерації задач на математичне моделювання]] поєднала утверджені принципи проєктування з [[prompt-engineering|генерацією, розширеною пошуком]], розробленою в рамках підходу ADDIE, щоб породжувати педагогічно обґрунтовані завдання та рекомендації, яких не вистачає в звичайних генераторах контенту. Проте віддача від такого створеного за допомогою ШІ контенту й уроків опосередкована власною експертизою викладача: [[choi-teacher-ai-interaction-lesson-design-2026|Choi та ін. (2026)]] виявили, що досвідчені викладачі критично адаптують згенеровані ШІ ідеї уроків до студентів і контексту (пере-підказуючи й розвиваючи вивід), тоді як новачки схильні приймати пропозиції ШІ безпосередньо — тож педагогічна цінність інструментів контенту на основі ШІ залежить від досвіду та володіння ШІ викладача, а не лише від самого інструменту. Систематичний огляд [[wang-teacher-ai-co-design-review-2026|спільного проєктування навчальних завдань викладачем і ШІ]] (Wang, Liu & Islam 2026) підтверджує цю закономірність у масштабі на 28 дослідженнях (2015–2025): GenAI використовується здебільшого для планування уроків, генерації підказок і творчої ідеації, а домінуючим режимом співпраці є ШІ як помічник/генератор контенту, а не повноцінний співпроектувальник — при цьому ефективність, оперативність, [[creativity]] і [[equity-in-ai-education|справедливість]] повторюються як можливості. [[talebzadeh-ai-group-activity-roles-2026|Talebzadeh (2026)]] загострює висновок про експертизу викладача для проєктування групової діяльності: досвідчені викладачі породжують багатші, більш синергійні, краще узгоджені з ЗПР архітектури ролей у спроєктованих ШІ кооперативних діяльностях, ніж новачки, незалежно від знайомства зі ШІ, розглядаючи «педагогічну грамотність у підказках» як важіль, що перетворює вивід ШІ на ефективне [[collaborative-learning|диференційоване групове навчання]].

Там, де згенеровані матеріали не дотягують, — це відповідність навчальному плану: сім викладачів математики оцінили згенеровані ШІ задачі на продуктивну невдачу близько до людських за загальною якістю (M = 17,19 проти 17,43 із 25), але нижче за відповідністю навчальному плану (M = 2,57 проти 3,29), тож згенеровані задачі все ще потребували редагування за довжиною, рівнем читання й візуалізаціями ([[rhaimi-productivemath-2025|Rhaimi та ін. (2025)]]).

**Педагогічно обґрунтований ШІ-тьюторінг** застосовує принципи інструкційного проєктування до проєктування системи ШІ. **[[didactical-teacher-assistant-dimensional-modeling|Brisson та ін.]]** побудували дидактично керованого помічника-викладача на [[llm]], де стратегія тьюторінгу закодована в явному зовнішньому шарі — що робить відбір контенту та дидактичну структурузацію простежуваними й відтворюваними, безпосередньо звертаючись до занепокоєнь щодо непрозорості в [[rethinking-scaffolding-llm-tutors]]. **[[instructional-guidance-genai-learning|Hou та ін.]]** продемонстрували, що рамка [[prompt-engineering|підказування]] з п'яти кроків, обґрунтована на генеративній [[learning-theories|теорії навчання]], значно покращила когнітивні результати вищого порядку, показуючи, що саме інструкційне керівництво — а не лише доступ до ШІ — визначає ефективність навчання. Обидва дослідження пов'язуються зі [[scaffolding]] і [[intelligent-tutoring]].

**Рамки та оцінювання** дають структуровані підходи. **[[bridging-instructional-design-framework-math]]** і **[[cotal-formative-assessment-scoring-2026|CoTAL]]** демонструють принципи проєктування з [[human-in-the-loop-ai|людиною в циклі]]. **[[genai-mindtool-generative-learning]]** позиціонує ШІ як «ментальний інструмент» (mindtool) — когнітивного партнера, який розширює, а не заміщає мислення здобувача, — безпосередньо застосовуючи теорію інструкційного проєктування до інтеграції ШІ. **[[ludia-udl-ai-thought-partner-2026|LUDIA]]** застосовує принципи Універсального проєктування для навчання, щоб створити доступного партнера з мислення на основі ШІ для освітян, пов'язуючи інструкційне проєктування з [[inclusive-learning]]. **[[airis-cognitively-activated-ai-physics-2026|AIRIS]]** (Activate–Inquire–Reflect) — рамка структурування завдань для когнітивно активного використання ШІ, що обмежує внесок ШІ так, щоб передбачення, інтерпретація та оцінювання залишалися за здобувачем, — адаптація циклів дослідження специфічно для ШІ, обґрунтована на [[self-regulated-learning]], теорії когнітивного навантаження й [[human-ai-collaboration]]. Доповнюючи ці рамки проєктування, [[dohn-boundary-object-classifying-genai-learning-activities-2026|таксономія Dohn та ін. (2026)]] пропонує *класифікацію*, а не метод проєктування: шість категорій (Learning Objective, Content, Representation Format, Epistemic [[student-engagement|Engagement]], Social Design, Artifacts), що дозволяють дизайнерам і [[research-methods-aied|дослідникам]] описувати, порівнювати й уявляти навчальні діяльності з GenAI, явно окреслюючи, чому, що, як, за допомогою чого й з ким здобувачі залучають GenAI, — побудовану як об'єкт-межа через постцифровий діалог. Рамки розумної аудиторії розширюють це на [[teacher-education|підготовку викладачів]]: [[instructional-design-proficiency-masters-math-2026|Zhu, Liang, Mao та Wang (2026)]] пропонують тривимірну рамку для розумної освіти — ефективність навчання, інформаційно-комунікаційні технології (ICT) і організація аудиторії — і втілюють її в магістерському курсі з [[math-education|математики]], який інтегрує [[automated-assessment|автоматизоване оцінювання]], персоналізовані рекомендації та [[ai-feedback-quality|ШІ-зворотний зв'язок]] кількох видів упродовж до-, під- та післякласових етапів. Квазіексперимент показав значні здобутки в умінні студентів формулювати точні, професійно обґрунтовані навчальні цілі, даючи переносну **модель D-T-E** (Disciplinary Demand–Technological Empowerment–Evaluation Loop) — [[discipline-specific-aied|галузеспецифічне]] керівництво для [[educational-development|тих, хто готує викладачів]], що переводить концепції розумної освіти в практику інструкційного проєктування.

**Проєктування для охоплення.** Рамка серед семи важілів від Halani ставить щодо кожного курсу запитання, які з них ще працюють, коли студент сам наодинці зі ШІ; структурні кроки, як-от зміна того, що сертифікує оцінка, або завдання, які не можна виконати без мислення, діють далі, ніж розповіді студентам про те, що процес має значення ([[halani-designing-for-reach-2026|Halani, 2026]]).

**Обмежте інструмент, щоб захистити мислення.** Дев'ятитижневе проєктування для аргументованого письма впорядковувало визначені викладачем чат-боти, які ставлять запитання й відмовляються генерувати прозу студента, і чотири старшокласники перейшли від пасивних споживачів ШІ до оцінювачів, які оскаржували вивід, — саме стратегічне обмеження, а не необмежена генеративність, відстежувало здобутки ([[making-ai-annoying-constrained-writing-2026|Konradt, Boote & Taub (2026)]]).

**Підказування на основі рубрик як важіль проєктування.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar та ін. (2026)]] продемонстрували, що рубрика функціонує як опосередкувальний інтерфейс між педагогічним замислом людини та машинним висновком: розгляд критеріїв оцінювання як переглядовуваних артефактів проєктування — а не фіксованих інструментів — та їхнє ітеративне спільноудосконалення з LLM підвищило згоду LLM–людина щодо проєктувальних робіт студентів із 54,75 % до 81,25 %. Рубрики, інженерені для LLM, мусять балансувати точність і гнучкість — занадто туманна запрошує вільну інтерпретацію, занадто жорстка зводить модель до зіставлення зразків — а рольове підказування (викладач, рецензент-ровесник, рецензент грантів) давало різний оцінювальний зворотний зв'язок. Це позиціонує інженерію рубрик як конкретну практику проєктування навчання для формування поведінки ШІ в оцінюванні, при цьому нагляд із людиною в циклі залишається необхідним.

**Агенти ШІ для інструкційного проєктування** розширюють поле на [[agentic-ai|агентний ШІ]]. **[[jeon-isd-agent-bench-2026|ISD-Agent-Bench]]** — перший стандартизований, теоретично обґрунтований бенчмарк для оцінювання агентів інструкційного проєктування на основі LLM — його матриця контексту з 25 795 сценаріїв (51 контекстуальна змінна × 33 підкроки ISD з ADDIE) показує, що агенти, обґрунтовані на класичних рамках ISD (ADDIE, Dick & Carey, Rapid Prototyping ISD), перевершують агентів без теорії, емпірично підтверджуючи, що інструкційне проєктування є структурованою дисципліною, а не загальним завданням підказування. Агенти — не лише *будівельники* проєктувань, але й *критики* їх: [[ai-web-agents-lesson-design-2025|Wang, Mitchell & Piech (2025)]] використовують єдиного автономного веб-агента, який навігує багатокроковий онлайн-урок як студент, щоб оцінити проєктування навчання *до* того, як справжні здобувачі залучаться, — його опис досвіду студента передбачає, де саме відпадатимуть новачки, і виявляє придатний до дії зворотний зв'язок щодо проєктування, перевершуючи всі базові лінії і навіть змодельовану когорту студентів на загальному курсі CS1. Це робить оцінювання на основі агентів до запуску недорогим доповненням до людських ітерацій проєктування. **[[wang-multi-agent-systems-learning-designers-2025]]** і **[[instructional-agents-multi-agent-course-gen|Instructional Agents]]** досліджують мультиагентні рамки, що оркеструють рольових агентів навколо моделей інструкційного проєктування, тоді як **[[ai-tpack-teacher-multi-agent-workflow|AI-TPACK]]** досліджує, як викладачі та агенти спільно застосовують знання про взаємозв'язок технологій, педагогіки й контенту. Ця робота пов'язує інструкційне проєктування з [[benchmark|бенчмаркінгом]], [[ai-ed-evaluation]] і проєктуванням [[curriculum-design|навчального плану]] в масштабі.

### Зв'язки з суміжними поняттями

Проєктування навчання — містова дисципліна [[ai-education|ШІ в освіті]] — воно пов'язує [[curriculum-design]] (чому вчити) зі [[scaffolding]] (як підтримувати здобувачів), [[educational-development]] (як готувати освітян) і [[generative-ai]] (самими інструментами). Воно тісно пов'язане з [[teacher-role]], оскільки інструменти ШІ переформують те, що роблять дизайнери навчання та викладачі, і з [[ai-literacy]], оскільки ефективна інтеграція ШІ вимагає від освітян розуміння можливостей і обмежень ШІ. Проєктувальна робота зрештою зводиться до *порядку діяльності*: [[pedagogical-patterns|педагогічні патерни]] каталогізують перевірені порядки ходів, тож дизайнер може вирішити, де в уроці місце ШІ, а не лише що в нього включати. [[learning-sciences|Науки про навчання]] — дослідницьке поле за цими принципами: там де ця сторінка висвітлює професійну практику створення навчальних досвідів, науки про навчання досліджують цю практику та її проєкти емпірично й генерують когнітивні, мотиваційні та соціальні принципи, які проєктування навчання потім операціоналізує.

### Як проєктування навчання визначає навчальні здобутки

Проєктування навчання — важіль, що вирішує, чи породжує ШІ [[learning-gains|навчальні здобутки]], чи лише здуті ШІ показники продуктивності. Свідчення бази знань узгоджені в цьому: **той самий інструмент ШІ дає великі здобутки або чисту шкоду залежно від того, як проєктовано навчальний досвід навколо нього.** [[instructional-guidance-genai-learning|Hou та ін.]] показали, що рамка підказування з п'яти кроків, обґрунтована на теорії навчання, значно покращила когнітивні результати вищого порядку, тоді як сам доступ до ШІ — ні; рамки [[genai-mindtool-generative-learning|ментального інструменту]] та [[airis-cognitively-activated-ai-physics-2026|AIRIS]] зберігають когнітивну роботу здобувача, щоб виникали стійкі здобутки (а не ефективність виконання завдання). Вибірки проєктування, що захищають [[learning-gains]] — скаффолдинг, що вимагає спроби студента, [[formative-assessment]] з мірами несприяного результату, і педагогічна структура, що зберігає здобувача агентом, — віддзеркалюють висновок поля (див. [[learning-gains]]), що ШІ — сильний здобуток, коли він тренує, і шкода, коли він відповідає. Навпаки, погано проєктовані уроки з інтегрованим ШІ стають жертвою [[cognitive-offloading|розриву між продуктивністю і навчанням]], де видимий успіх маскує відсутність навчання.

### Практичні поради для дизайнерів і розробників

Для інструкційних дизайнерів, розробників курсів і інженерів, які будують сприяні ШІ навчальні досвіди, висновки бази знань переводяться в придатну до дії практику. Варто відзначити одну межу, перш ніж перейти до самих практик: проєктування навчання в тому вигляді, як описано на цій сторінці, — це проєктування курсу для відомої когорти, тоді як ті самі принципи, вкладені в продукт, яким користуватимуться багато курсів — викладаних людьми, яких дизайнер ніколи не зустріне, — є роботою [[educational-technology-developers]], де налаштування за замовчуванням, можливості конфігурації та документація несуть педагогічну вагу:

**Ґрунтуйте генерацію ШІ на структурованій інструкційній моделі.** Контент ШІ лиш настільки добрий, наскільки добра педагогічна структура за ним — саме явна структура, а не вільність володіння ШІ, визначає якість. Проєктуйте навколо визнаної моделі (ADDIE, Dick & Carey, швидке прототипування) і явно кодуйте педагогічні рішення, а не покладайтеся на те, що модель виведе їх сама.([[courseblueprint-adaptive-video-generation]])([[jeon-isd-agent-bench-2026]])([[didactical-teacher-assistant-dimensional-modeling]])

**Ухваліть ще й рамку на рівні принципів, а не лише інструкційну модель.** Модель на рівні курсу структурує одне проєктування; опублікована рамка задає критерії, яким мусять відповідати багато проєктувань. Приклад, вартий прочитання повністю, — *Powerful Learning with Emerging Technology* від Digital Promise, яка організовує свої настанови за трьома принципами — Evidence-Based, Learner-Centered, Skill-Building — кожен розгорнутий у практики й стратегії, і прив'язує [[privacy]], [[explainable-ai|пояснюваність]] і справедливість до конкретних практик як зобов'язання щодо безпеки, а не як додаткові опції.([[powerful-learning-with-emerging-technology-2025]])

**Відповідайте конфігурацію ШІ завданню, а не складності.** [[pchl-he-framework-genai-content-creation-2026|Nalyvaiko (2026)]] розрізняє чотири шари — підказка, контекст, обв'язка (harness) і перевірений цикл — і застосовує принцип мінімально достатнього шару: використовуйте найменш складну конфігурацію, здатну дати перевіровмий результат, оскільки додана оркестрація несе витрати на координацію, перевірку, приватність і розуміння.

**Використовуйте рольові мультиагентні робочі процеси для створення контенту.** Замість однієї загальної підказки оркеструйте окремих агентів/ролі (викладацький склад, інструкційний дизайнер, координатор курсу), які співпрацюють через визначений конвеєр — це віддзеркалює, як працюють справжні команди курсів, і дає повніші матеріали, ніж одна підказка.([[instructional-agents-multi-agent-course-gen]])([[wang-multi-agent-systems-learning-designers-2025]])

**Давайте інструкційне керівництво, а не лише доступ до ШІ.** Чи взаємодіють здобувачі безпосередньо зі ШІ, чи з згенерованими ШІ матеріалами, керівництво, побудоване на теорії навчання (наприклад, покроковий [[scaffolding|скаффолдинг]] підказок, обґрунтований на принципах генеративного навчання), веде до результатів вищого порядку; сам доступ — ні. Проєктуйте навчальну діяльність навколо того, як навчається розум, і розглядайте ШІ як когнітивний «ментальний інструмент», що розширює мислення, а не заміщає його.([[instructional-guidance-genai-learning]])([[genai-mindtool-generative-learning]])

**Моделюйте забування й плануйте повторення там, де спад найгірший.** G4L представляє спад знань кривою забування Еббінгауза, керованою часом, що минув, і повтореннями, і надає пріоритет тим одиницям, що найбільше вразливі до спаду, а не знову подає те, що було оцінено найнедавніше ([[graph-its-adaptive-algorithms-2026|Csépányi-Fürjes & Kovács, 2026]]).

Fowlin та ін. (2026) додають операційний крок для вирішення, де входить ШІ: розберіть діяльність на компоненти, які найкраще виконувати самостійно, і ті, які найкраще пов'язати зі ШІ, зберігаючи осуд освітяна центральним у цьому поділі ([[fowlin-operationalizing-learning-principles-ai|Fowlin та ін. (2026)]]).

**Зробіть контент простежуваним і переглядовуваним.** Дозвольте людському дизайнеру переглядати й виправляти вивід ШІ, перш ніж він дійде до здобувачів, і структуруйте генерацію ШІ так, щоб педагогічне обґрунтування (чому цей контент, у цьому порядку) було оглядовим — звертаючись і до якості, і до занепокоєнь щодо непрозорості, що підриває згенероване [[trust]] навчання.([[bridging-instructional-design-framework-math]])([[cotal-formative-assessment-scoring-2026]])

- **Переглядайте згенеровані ШІ медіа на етапі сценарію, а не після синтезу.** PedaCo ставить перегляд освітяна на сценарій — де педагогічні помилки дешево виправити — до того, як будь-що буде відрендерено; оцінена інструкційна валідність зросла з 3,07 до 3,86, тоді як автоматизований шар після синтезу покращив лише два з п'яти вимірів ([[ai-video-dual-gatekeeping-2026|Kim, Baek and Kwak (2026)]]).

**Проєктуйте для [[accessibility]] з самого початку.** Застосовуйте принципи [[universal-design-for-learning|універсального проєктування для навчання]], будуючи інструменти ШІ й згенеровані ШІ матеріали, щоб вони служили різноманітним здобувачам, а не дообладнанням доступності постфактум.([[ludia-udl-ai-thought-partner-2026]])

**Плануйте під засіб доставки.** Інструкційне проєктування для [[online-teaching-and-learning|онлайн-навчання й викладання]] — не нейтральний переклад проєктування для особистої присутності — засіб змінює те, які скаффолдинг, оцінювання та взаємодія є життєздатними, а ШІ помножує і можливості (масштабована [[personalized-learning|персоналізація]], підтримка цілодобово), і ризики ([[academic-integrity|академічна доброчесність]], [[cognitive-offloading|когнітивне перекладання]]), які дизайнери мусять планувати. Проєктуйте педагогічну оболонку ШІ так само свідомо в онлайн, як і в очних контекстах.

**Оцінюйте за бенчмарком, а не за враженнями.** Якщо ви будуєте агента інструкційного проєктування, оцінюйте його за стандартизованим, теоретично обґрунтованим бенчмарком (наприклад [[jeon-isd-agent-bench-2026|ISD-Agent-Bench]]), щоб вимірювати, чи справді обґрунтованість на справжній рамках ISD покращує вивід порівняно з узагальненим LLM.([[jeon-isd-agent-bench-2026]])

- **ШІ переформуює практику інструкційного проєктування.** [[kibar-ilgaz-ai-instructional-design-review-2026|Kibar & Ilgaz (2026)]] [[meta-analysis-systematic-review|систематично оглядають]] 28 досліджень (2020–2025) і виявляють, що ШІ допомагає дизайнерам із генерацією контенту, шаблонами та персоналізацією і концептуалізується як співробітник/співавтор/партнер, а не лише як інструмент — хоча педагогічна відповідність і готовність практиків залишаються викликами.

## Пов’язані поняття

- [[interpreting-and-applying-aied-research]]
- [[pedagogical-partnerships]] — Педагогічні партнерства
- [[online-teaching-and-learning]] — Онлайн-навчання й викладання
- [[curriculum-design]] — Проєктування навчального плану
- [[scaffolding]] — Скаффолдинг
- [[educational-development]] — Розвиток освіти
- [[teacher-role]] — Роль викладача
- [[ai-literacy]] — ШІ-грамотність
- [[generative-ai]] — Генеративний ШІ
- [[intelligent-tutoring]] — Інтелектуальний тьюторінг
- [[personalized-learning]] — Персоналізоване навчання
- [[adaptive-learning]] — Адаптивне навчання
- [[formative-assessment]] — Формувальне оцінювання
- [[higher-ed]] — Вища освіта
- [[k-12]] — K-12
- [[agentic-ai]] — Агентний ШІ
- [[inclusive-learning]] — Інклюзивне навчання
- [[universal-design-for-learning]] — Універсальне проєктування для навчання
- [[learning-theories]] — Теорії навчання
- [[learning-sciences]] — Науки про навчання
- [[learning-gains]] — Навчальні здобутки
- [[behaviorism]] — Біхевіоризм
- [[educational-technology-developers]] — Розробники освітніх технологій
- [[pedagogy]] — Зонтичне поняття: педагогіка й стратегії навчання в освіті зі ШІ
- [[stakeholders]] — Зонтичне поняття: люди та аудиторії в освіті зі ШІ (здобувачі, викладачі, дизайнери, адміністратори, розробники політики)

## Пов’язані статті

- [[powerful-learning-with-emerging-technology-2025]] — Powerful Learning with Emerging Technology
- [[claassen-learning-analytics-genai-learning-design-2026]] — Навчальна аналітика та GenAI в прийнятті рішень щодо проєктування навчання
- [[tang-chatbots-learning-design-2026]] — Використання чат-бота в проєктуванні навчання: дизайнери концентруються на результатах і педагогіці, а не на генерації контенту (Tang та ін. 2026)
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Патерни взаємодії викладач–ШІ в проєктуванні уроків залежно від досвіду та володіння ШІ (Choi та ін. 2026)
- [[long-ai-higher-ed-engagement-teaching-methods-2026]] — ШІ у вищій освіті: залученість + опосередкувальна роль методів викладання
- [[curriculum-as-code-instructional-design-2026]]
- [[dohn-boundary-object-classifying-genai-learning-activities-2026]] — Таксономія (об'єкт-межа) для класифікації навчальних діяльностей з 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: автономний веб-агент оцінює проєктування уроків і передбачає відпадання студентів до того, як студенти залучаються (Wang, Mitchell & Piech 2025)
- [[airis-cognitively-activated-ai-physics-2026]] — AIRIS: рамка для когнітивно активного розширення можливостей за допомогою ШІ у фізиці
- [[wang-multi-agent-systems-learning-designers-2025]]
- [[ai-tpack-teacher-multi-agent-workflow]]
- [[halani-designing-for-reach-2026]] — Designing for Reach: сім важілів і студент сам наодинці зі ШІ
- [[fowlin-operationalizing-learning-principles-ai]]
- [[ai-video-dual-gatekeeping-2026]] — Коли «ні» робить відео кращими: подвійний контроль для педагогічно обґрунтованого створення контенту за допомогою ШІ
- [[rhaimi-productivemath-2025]] — ProductiveMath: ШІ для підтримки проєктування задач на продуктивну невдачу
- [[kibar-ilgaz-ai-instructional-design-review-2026]] — ШІ та практика інструкційного проєктування: систематичний огляд (Kibar & Ilgaz 2026)
- [[graph-its-adaptive-algorithms-2026]] — Графовий інтелектуальний тьюторінг для динамічних доменів (2026)
- [[making-ai-annoying-constrained-writing-2026]] — Навмисно дратівливий ШІ: обмеження в підтримуваному ШІ письмі (Konradt, Boote & Taub 2026)
- [[instructional-design-proficiency-masters-math-2026]] — Модель розумної аудиторії та цикл D-T-E, що покращують уміння інструкційного проєктування в магістерській програмі з математики (Zhu та ін. 2026)
- [[ai-modeling-problem-generation-platform-2026]] — Платформа на основі ШІ, що генерує задачі на математичне моделювання (ADDIE, RAG)
- [[wang-teacher-ai-co-design-review-2026]] — Спільне проєктування навчальних завдань викладачем і ШІ: тенденції та перспективи (Wang та ін. 2026)
- [[talebzadeh-ai-group-activity-roles-2026]] — Архітектура ролей у спроєктованих ШІ диференційованих групових діяльностях (Talebzadeh 2026)
- [[yasar-llms-iterative-pedagogical-design-2026]] — LLM як агенти ітеративного педагогічного проєктування

---

## [Освітній розвиток](https://edtechdev.github.io/aied/concepts/educational-development/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освітній розвиток** (також відомий як *розвиток професорсько-викладацького складу*) — процеси, програми та інституційні підтримки, які допомагають викладачам розвивати навички, упевненість і [[learner-identity|професійну ідентичність]], необхідні для ефективного викладання зі ШІ. Освітній розвиток охоплює індивідуальну підготовку, перепроєктування [[curriculum-design|навчального плану]], зміни в [[educational-policy-ai|інституційній політиці]] та культурну роботу осмислення того, що GenAI означає для академічної професії.

## Запитання для роздумів

- Якщо викладачі одного факультету описують ШІ з одного боку як людського «помічника», а з іншого — як звичайний «інструмент» чи «пошукову систему», чи може програма підготовки справді досягти успіху раніше, ніж ці лежачі в основі ментальні моделі будуть виявлені? Що могло б статися, якби розвиток пропустив цей крок?
- Освітній розвиток часто розглядають як закриття прогалини в навичках — навчіть викладачів інструментів, і вони їх упровадять. Але деякі [[research-methods-aied|дослідження]] фреймують інтеграцію GenAI як зміну на рівні ідентичності («у чому сенс викладання у світі GenAI?»). Який фреймінг, на вашу думку, є точнішим і які різні дії передбачає кожен із них?
- Рамки готовності на кшталт EPIQ-AI поділяють готовність викладацького складу на епістемічну, [[pedagogy|педагогічну]], інституційну та сфери якості та відповідності вимогам. Якщо готовність є соціотехнічною проблемою узгодження, а не індивідуальною прогалиною в навичках, що це говорить про те, де поодинокий «семінар із ШІ», найімовірніше, виявиться недостатнім?
- Коли ви відчували, що ваші власні припущення про нову технологію виявлялися й змінювалися — через обговорення, метафору чи спільну мову, а не через інструктаж? Яку роль, на вашу думку, відіграють спільна мова та аналіз метафор у тому, щоб допомогти викладачам осмислити ШІ?
- Уявіть низькотехнологічний «семінар із метафор», де викладачі, персонал і студенти висловлюють, чи відчувають вони ШІ як швейцарський армійський ніж, помічника, чорну скриньку чи конкурента. Чи може виявлення страхів (включно зі страхом, що ШІ замінить ролі викладачів) зробити більше для впровадження, ніж ще більше технічної підготовки?

## Вступ

Освітній розвиток — це професійна та інституційна робота, за допомогою якої викладацький склад будує здатність добре проєктувати, викладати й оцінювати, — і в епоху ШІ він став передумовою для того, щоб будь-яка педагогічна зміна набрала сили. Поняття охоплює індивідуальний рівень ([[ai-literacy|ШІ-грамотність]], упевненість, [[teacher-ai-competency|компетентність]], ставлення) та інституційний (стандарти, політику, забезпечення якості та узгодження між заявленими очікуваннями щодо ШІ та фактичним дизайном оцінювання). Повторюваним висновком у цій базі знань є те, що докази щодо ефективної практики суттєво випереджають те, що впровадила більшість установ, що робить роботу з розвитку — а не нові первинні дослідження — обмежувальним чинником. [[learning-sciences|Науки про навчання]] продукують висновки, які несе ця робота: там, де ця галузь емпірично встановлює, як люди навчаються і які дизайни змінюють результати, освітній розвиток є тією інституційною практикою, яка переводить такі докази в те, як викладачі фактично викладають і оцінюють. Його робота, однак, обмежена інституційною межею: розвиток будує здатність персоналу всередині установи, тоді як інструменти, які цей персонал потім має впроваджувати, зазвичай будуються поза нею [[educational-technology-developers]], чиї дизайнерські рішення та рішення щодо закупівлі — типові налаштування, можливість конфігурації, що виживає після фінансування — приходять як обмеження для програми, а не як її продукти.

## Освітній розвиток в епоху ШІ

- **Рамки готовності:** [[sangwa-epiq-ai-faculty-readiness-2026|Рамка EPIQ-AI]] визначає чотири домени готовності: епістемічний, педагогічний, інституційний та якості й відповідності вимогам. Готовність викладацького складу є соціотехнічною проблемою узгодження, а не лише індивідуальною прогалиною в навичках.
- **Стандарти інтеграції технологій:** [[crompton-faculty-technology-integration-standards-2026|Crompton et al.]] використовують [[design-based-research|дизайн-орієнтоване дослідження]] для розробки стандартів інтеграції технологій (включно зі ШІ) для факультету в установах [[higher-ed|вищої освіти]].
- **Впровадження та упевненість:** [[teacher-ai-adoption-confidence|Дослідження впровадження ШІ викладачами]] визначає побоювання, підтримку, упевненість та ставлення як ключові предиктори. Програми розвитку факультету мають враховувати всі чотири.
- **Інтеграція в навчальний план:** [[institutional-change-framework-ai|Рамки інституційних змін]] і [[ai-assessment-scale-reform|реформа оцінювання]] вимагають від факультету перепроєктовувати курси, а не лише додавати інструменти ШІ.
- **Програми підготовки:** [[crewscaler-ai-upskilling-framework|Рамки підвищення кваліфікації зі ШІ]] і [[ai-tpack-preservice-math-teachers|доуніверситетська підготовка на основі TPACK]] надають моделі для структурованої [[ai-education|освіти факультету зі ШІ]].

- **Підтримана ШІ професійна рефлексія.** Модель рефлективного трикутника позиціонує ШІ як когнітивного посередника між саморефлексією, колаборативною рефлексією та рефлексією спільноти в професійному навчальному співтоваристві, випробувану в чотиритижневому кейсі доцільності з шістьма викладачами; межа, яку вона проводить, полягає в тому, що індивідуальна проникливість не стає автоматично спільним професійним знанням ([[reflective-triangle-model-teacher-ai-2026|Nguyen (2026)]]).
- **[[governance]] і політика:** [[genai-policies-higher-ed-computing|Аналіз інституційної політики щодо ШІ]] документує розрив між інституційними амбіціями та можливостями підтримки факультету.
- **ШІ-грамотність є інституційно невидимою.** Систематичний огляд 32 досліджень ШІ-грамотності викладачів мови виявив її відсутність у моделях навантаження, політиках просування та розподілі ресурсів, із фрагментованим розвитком і зсунутою між установами та агентствами підзвітністю — тому розвиток грамотності типово переходить на індивідуальні зусилля, а не на структурну підтримку ([[governing-unseen-ai-literacy-language-teachers-2026|Deng, Çelik & Duran (2026)]]).

### Метафори та спільна мова в освітньому розвитку

Викладацький склад має різноманітні, часто глибоко амбівалентні ментальні моделі ШІ, і ефективний розвиток має їх виявляти та працювати з ними. [[engineering-faculty-metaphors-ai-understanding-2026|Gerhardt et al.]] показують, що [[engineering-education|інженерні]] викладачі фреймують ШІ через метафори, які водночас конструюють і обмежують розуміння (ШІ як людський «помічник» проти «інструмента» чи «пошукової системи»); оскільки викладачі в межах одного факультету часто мають принципово різні концептуалізації, спільна, точна мова про [[generative-ai|GAI]] є передумовою для ефективного розвитку факультету та продуктивних факультетських обговорень впровадження.

Практичний метод виявлення цих ментальних моделей — **семінар із аналізу метафор**. [[fear-awe-genai-metaphor-workshops-2025|Vallis, Wilson & Casey (2025)]] спроєктували й валідували низькотехнологічний, колаборативний семінар для викладачів, персоналу та студентів, щоб сформулювати свої метафори генеративного ШІ. Метафори учасників кластеризувалися в чотири категорії — *Функції* (інструментальні: «швейцарський армійський ніж»), *Ролі* (людські: «помічник», «відчайдушний друг-ворог»), *Якості* (непізнанні: «чорна скринька», «ковзкий схил») та *Агентність* (загрозливі: «конкурент», «зловісний робот») — виявляючи стійкі напруги між людською та машинною [[agency]] та між пізнаним і непізнаним. Семінар допоміг учасникам виявити припущення, поєднатися між ролями, відчути, що «ти не сам», і подумати про [[ethics]] GenAI, не вимагаючи технічної експертизи. Як інструмент розвитку він дає проєктантам програм низькопороговий спосіб виявити припущення команди *перед* перепроєктуванням [[assessment]] або впровадженням політики, і протистояти страхам прямо — включно зі страхом, що ШІ замінить [[teacher-role|ролі викладачів]].([[fear-awe-genai-metaphor-workshops-2025]])

### GenAI як робота з ідентичністю, а не лише підвищення кваліфікації

Погляд, обізнаний з пороговими поняттями, переосмислює інтеграцію GenAI як **онтологічну трансформацію** для факультету, а не як прогалину в навичках. Застосовуючи теорію порогових понять (Meyer & Land), Laidlaw стверджує, що GenAI демонструє всі п’ять порогових характеристик — *трансформативність* (перебудовує припущення про оцінювання, педагогіку та професійну роль), *проблемність* (порушує вірування про оригінальність, людську агентність і зв’язок між зусиллям та досягненням), *незворотність*, *інтегративність* (поєднує технологію, педагогіку, епістемологію та ідентичність) і *обмеженість* (володіння GenAI стає новим маркером професійної валюти).([[laidlaw-genai-identity-crisis-faculty-2026]])

За цим розрахунком викладачі, які запитують «у чому сенс викладання у світі GenAI?», не є некомпетентними; вони перебувають у **лімбічній фазі переходу через поріг**, де тривожність, опір і плутанина є необхідними частинами трансформації, а не перешкодами, які треба усунути. Підготовка на основі навичок, яка відповідає на питання компетентності, якого викладачі не ставлять, може стати периферійною щодо справжньої трансформації, а добре намічене управління може перетворитися на «ілюзію забезпечення дотримання» — комунікуючи правила, а не підтримуючи зміну.([[laidlaw-genai-identity-crisis-faculty-2026]])

**Наслідок для дизайну:** доповнюйте (не заміщайте) формування навичок **практиками, що підтримують ідентичність**, — відкривайте сеанси питаннями ідентичності, а не технічними демонстраціями, ведіть постійні [[discipline-specific-aied|специфічні для дисципліни]] когорти, де викладачі досліджують, що GenAI означає для сенсу їхньої галузі, створюйте структури взаємонаставництва, які шанують різні часові рамки трансформації, і відрізняйте вагання, засноване на страху (якому корисна підтримка), від принципової відмови від впровадження, обґрунтованої легітимними дисциплінарними цінностями (яка заслуговує на повагу).([[laidlaw-genai-identity-crisis-faculty-2026]]) Наведена вище модель семінару з метафор є однією конкретною реалізацією цього: замість того щоб починати з технічного [[lifelong-learning|підвищення кваліфікації]], вона відкривається інтерпретативним, навантаженим ідентичністю питанням про те, що GenAI означає для учасників.

**Емпірична підтримка фреймінгу роботи з ідентичністю.** [[farazouli-navigating-uncertainty-teachers-genai-2026|Farazouli et al. (2026)]] надають прямі [[qualitative-research|якісні]] докази на користь цього розрахунку: 24 шведські викладачі університету описували появу GAI як тривожну та приголомшливу, повідомляючи про «стан уразливості» (низька упевненість, невпевненість, страх «не бути попереду студентів») і відчуття, що вони «застрягли» між утопічними та дистопічними дискурсами. Їхні обмежені знання та досвід, поряд із відчуттям уразливості, вказують на брак готовності викладачів орієнтуватися в GAI, оцінювати та впроваджувати його, — і автори стверджують, що установи мають надати **виділені простори й час** для того, щоб викладачі експериментували з GAI, обмінювалися ідеями та спільно розвивали практики й настанови на інституційному, факультетському і курсовому рівнях. Це обґрунтовує підхід, орієнтований на роботу з ідентичністю та підтримку, у власному досвіді викладачів, а не лише в теорії.

**Програма, яка працювала з питанням ідентичності напряму.** [[chick-faculty-development-ethical-ai-2026|Chick, Morello & Staffey (2026)]] повідомляють про шеститижневий літній інститут, який вивів десятьох викладачів із факультетів освіти, наук про здоров’я, бізнесу та інших програм із низького володіння ШІ (середня самооцінка 1,89 за шістибальною шкалою) до 60%, що повідомили про високу упевненість у наставництві [[student-ai-interaction|використання ШІ студентами]] і 90% позитивних сприйнять, і вони пов’язують цей зсув менше з підготовкою до інструментів, ніж зі структурованими, безпечними експериментами, які відкривалися екзистенційним питанням професійної цінності, а не з демонстраціями. Маркером, на який вони спираються, є зміна словника: ранні формулювання ШІ як «машини для списування» чи «знелюднювальної сили» поступилися місцем «допитливому помічнику», а їхні чотири теми — від страху до допитливості, прагнення до етичної ясності, якого не забезпечив вакуум політики, [[inclusive-learning|інклюзивний дизайн]] як підсилювач [[equity-in-ai-education|справедливості]], і перехід викладачів від ролі привратників до ролі провідників, — описують часткову, свідому переорієнтацію навчальної ідентичності. Десять капістоун-перепроєктувань є важчим доказом, вісім із десяти позиціонують ШІ як скаффолдинг, що підтримує, а не заміщає, мислення, а автори формалізують те, що побудували учасники, як **симбіотичну педагогіку**: взаємодоповнювальний дизайн, прозорий процес, критичну інтеграцію, вбудоване етичне міркування та ітеративне вдосконалення. Застереження є структурним, а не індивідуальним: ті самі учасники назвали суперечливі сигнали політики, особисті підписки на інструменти та відсутність звільненого часу для перепроєктувань, тому автори роблять висновок, що опір ніколи не був проблемою і що частинні відповіді, що залишають політику та інфраструктуру недоторканими, зазнають невдачі навіть із ентузіастичною когортою.

**Розвиток як посередництво, і перше питання, яке ставить розробник.** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] досліджує академічний розвиток — старішу назву галузі, і термін, який використовує *International Journal for Academic Development*, що опублікувало статтю, — у двої південноафриканських Historically Disadvantaged Institutions і переосмислює розробників не як технічних реалізаторів, але як **цифрових посередників**, що працюють у трьох регістрах: педагогічному (перекладаючи дискурс ШІ в життєздатну практику викладання, навчання та [[assessment]]), етичному (тримаючи автоматизацію проти [[academic-integrity]], інновації проти турботи) та інституційному (працюючи в лімбічному просторі між імперативами управління та академічними побоюваннями). Два висновки мають значення для дизайну програм. По-перше, фільтрувальне питання є контекстуальним раніше, ніж технічним — «що це означає для викладання тут, для наших студентів із бідних шкіл?» — і уповільнення впровадження вважається частиною роботи, а не опором до неї. По-друге, афективна ціна є структурною, а не особистою: від розробників очікували проєктування експертизи в інструментах, наслідки яких вони ще осмислювали («Я відчуваю себе самозванцем. Я вивчаю ШІ на ходу, але установа очікує експертизи»), і їхньою відповіддю було колегіальне [[professional-training|професійне навчання]], спрямоване на судження, а не на навичку, включно з навмисною спробою зламати інструменти. Аналітичний внесок статті — відокремити [[digital-divide|цифрову нерівність]], дистрибутивну проблему, від **алгоритмічної колоніальності**, епістемічної проблеми, яка виживає за умов повного доступу, — і розмістити обидві всередині [[global-south|Global South]] [[higher-ed|вищої освіти]], де роботу з розвитку очікують бути трансформативною, а не нейтральною службою підтримки.

**Провина та моральний дискомфорт як сигнал розвитку.** [[vassallo-ai-guilt-complex-faculty-2026|Vassallo (2026)]] надає афективний відповідник розрахунку ідентичності. В опитуванні академічного персоналу університету на Мальті (109 відповідей, рівень 3,5%, який стаття читає як сам по собі інформативний щодо стану етичної дискусії), провина стежила за приховуванням, а не за розкриттям — обмеження використання ШІ через дискомфорт корелювало з індексом провини щодо ШІ на r = .62, а уникнення розкриття колегам — на r = .50, — тоді як формальне [[ai-use-disclosure|розкриття]] в академічних роботах не показало жодного зв’язку (r = .08). Лише 31,2% бачили чіткі інституційні настанови, і кореляція між цією ясністю та нижчою провиною була слабкою (r = −.25, p = .010), що стаття читає як доказ, що накази згори не можуть вирішити проблему, яка є частково емоційною та заснованою на ідентичності. Її рекомендації є безпосередньо розвитковими: розглядайте провину та побоювання щодо ідентичності як нормальні перехідні реакції, а не як вади, які треба виправляти, використовуйте структуровані експерименти з низькими ставками, щоб провести персонал через антиципаційну тривожність, і спирайтеся на наставництво з боку старших академіків, оскільки провина була найвищою серед персоналу на початку кар’єри (M = 2,71) і найнижчою серед старших (M = 2,03).

### Практичні настанови для проєктантів програм

Для розробників факультету, академічних лідерів та [[stakeholders|дизайнерів навчання]], які планують [[professional-training|професійний розвиток]] із ШІ, докази бази знань вказують на таке:

**Враховуйте чотири драйвери впровадження, а не лише знання.** Упевненість, ставлення, підтримка та побоювання передбачають, чи факультет фактично впроваджує ШІ, — семінар, заснований лише на знаннях, який ігнорує їх, навряд чи змінить практику. Проєктуйте розвиток так, щоб будувати упевненість через практичне використання, надавайте постійну підтримку (а не одноразову підготовку) та активно виявляйте й відповідайте на побоювання факультету.([[teacher-ai-adoption-confidence]])

Упевненість і грамотність не є взаємозамінними цілями: у SEM з 502 респондентами з викладацького складу університету ШІ-грамотність була домінантним предиктором ШІ-благополуччя (β = 0,713), тоді як [[self-efficacy|технологічна самоефективність]] давала малий внесок (β = 0,082), а підтримка досягала благополуччя лише опосередковано ([[faculty-ai-well-being-social-supports-2026|Liu et al. (2026)]]).

**Розглядайте попит на настанови та їхню адекватність як окремі проблеми.** Викладачі одного університету сильно підтримували інституційні заходи проти неетичного використання ШІ (M = 4,59), водночас оцінюючи наявні настанови найнижче (M = 2,99), і називали приватність даних і культурну інклюзивність найслабшими своїми знаннями — конкретна ціль для професійного розвитку ([[bilgic-sever-ethical-dimensions-ai-higher-ed-2026|Bilgic & Sever, 2026]]).

**Розглядайте готовність як соціотехнічну проблему узгодження.** [[sangwa-epiq-ai-faculty-readiness-2026|Рамка EPIQ-AI]] показує, що готовність викладацького складу охоплює епістемічний, педагогічний, інституційний домени та домен якості й відповідності вимогам. Програми, які тренують лише індивідуума, пропускають інституційні важелі (політику, навантаження, стимули, стандарти якості), які вможливлюють або блокують зміну, — узгоджуйте їх поряд із підготовкою.([[sangwa-epiq-ai-faculty-readiness-2026]])

**Не прирівнюйте інвестиції в інфраструктуру до трансформації.** У межах 125 досліджень інвестиції установ в інфраструктуру GenAI та освітній розвиток корелювали лише слабко з фактичною педагогічною зміною (r = 0,12), тоді як 60–70% викладачів почувалися неготовими інтегрувати GenAI, — що робить розвиток, а не закупівлю, обмежувальним чинником.([[genai-higher-education-systematic-review-2026|Rathnayake (2026)]])

**Будуйте в напрямі перепроєктування навчального плану, а не впровадження інструментів.** Мета — щоб факультет перепроєктовував курси та оцінювання, а не лише додавав інструменти ШІ. Обґрунтовуйте професійний розвиток у роботі з перепроєктування на рівні курсу та реформі оцінювання і надавайте факультету структуровані рамки для цього (наприклад [[ai-assessment-scale-reform|шкали оцінювання]], [[institutional-change-framework-ai|рамки інституційних змін]]).([[institutional-change-framework-ai]])([[ai-assessment-scale-reform]])

**Зберіть громаду, а не індивідуума.** У межах 12 опитаних академіків і 17 студентів перепроєктування оцінювання в епоху GenAI перевищувало можливості будь-якого окремого академіка — називалися негнучкі процеси, довгі терміни виконання та тягар навантаження, — тому автори пропонують команду рівня програми, що поєднує експертизу з дизайну оцінювання, GenAI, предметної області, програми та галузі ([[nicola-richmond-programwide-assessment-genai-2025|Nicola-Richmond et al., 2025]]).

**Ведіть серію на власних даних кімнати, а не на імпортованій найкращій практиці.** [[physics-faculty-learning-community-ai-2026|Perl-Nussbaum and Finkelstein (2026)]] документують опрацьовану модель з великого державного фізичного факультету R1: шість двотижневих сеансів по 60–75 хвилин, дев’ятнадцять викладачів, що брали участь у серії, і приблизно десять на кожній зустрічі, де кожен сеанс відкривався локальними даними чи матеріалами факультету, переходив до тестування ШІ в малих групах проти реальних анонімізованих домашніх завдань студентів і завершувався колективним обговоренням. Те, що викладачі виявили через тестування, було кориснішим за будь-який пакет, який фасилітатори могли б імпортувати, — ШІ вирішив кожну задачу, яку вони спробували, але його зворотний зв’язок на реальних роботах студентів був нерівномірним, залежним від підказки та зосередженим на поверхні, якщо йому не давали явних цілей і рубрик, а студенти підказували поверхнево і модифікували результат поверхово, якщо продуктивне використання не моделювалося. Першим конкретним результатом стало живий репозиторій із п’яти записів — тверджень політики в описі курсу, матеріалів для обговорення в класі, опитування студентів, інтегрованих із ШІ домашніх завдань та структур оцінювання, — і саме тому автори розглядають саму структуру сеансів як аргумент, а не будь-який зміст, який вона доставила.

**Закріплюйте в рамці компетентностей.** Розвиток має також будувати **педагогічну [[prompt-engineering|підказкову грамотність]]** — здатність кодувати педагогічні наміри в підказках, — оскільки [[talebzadeh-ai-group-activity-roles-2026|Talebzadeh (2026)]] виявляє, що саме педагогічна експертиза, а не володіння ШІ, визначає якість проєктної роботи викладачів із підтримкою ШІ.([[crewscaler-ai-upskilling-framework]])([[ai-tpack-preservice-math-teachers]])([[talebzadeh-ai-group-activity-roles-2026]])

**Послідовно ставте розуміння перед автоматизацією.** [[qualitative-research|Критичний дискурс-аналіз]] 14 творивої сірої літератури, опублікованої між листопадом 2022 і квітнем 2025, яка радить практикам щодо генеративного ШІ для конструктивного узгодження, виявляє, що здатність має передувати доступові інструментів: оскільки в рамці [[constructivist]] якість залучення передує якості розуміння, ризик масштабується обернено пропорційно до знайомості, а новачки є найбільш відкритими до керованого правдоподібністю прийняття правдоподібних, але педагогічно тонких результатів. [[mcinnes-salvaging-constructive-alignment-genai-2026|McInnes et al. (2026)]] далі стверджують, що підрозділи розвитку мають опиратися техніцистському брифу — допомагаючи факультету «набути володіння» інструментами, які виконують «важку роботу» [[learning-design|дизайну курсу]], — оскільки цей фреймінг вимикає розробників із замкненого циклу «викладач–GenAI» і переосмислює розвиток, керований цінностями і стосунками, як посередницький механізм для впровадження програмного забезпечення. Захищана альтернатива зберігає освітніх розробників як кураторів і встановлювачів правил будь-якого інституційно обмеженого помічника з узгодження на основі [[rag|розширеного пошуком]] витягнення, який ставить розвідувальні питання, позначає недо- та надмірне оцінювання і генерує альтернативи, але ніколи — готові артефакти, причому ескалація до [[human-in-the-loop-ai|людського судження]] в питаннях акредитації та міжпрограмних питань розглядається як особливість, а не як виняток.

**Виявляйте страхи та ментальні моделі та відповідайте на них.** Перед перепроєктуванням викладання використовуйте семінар із аналізу метафор ([[fear-awe-genai-metaphor-workshops-2025|Vallis, Wilson & Casey 2025]]), щоб виявити припущення та тривожності команди щодо GenAI — включно зі страхом, що він замінить ролі викладачів, — і будуйте розвиток, який відповідає на них, а не ігнорує їх.([[fear-awe-genai-metaphor-workshops-2025]])

**Моделюйте ШІ-грамотність і вимірюйте справжні здобутки.** Розвиток факультету має сам утілювати практики, яких він навчає, — використовуючи ШІ педагогічно, критично оцінюючи результати, — і має оцінювати продемонстровану компетентність, а не [[self-report-measures|самооголошувану]] упевненість, оскільки самосприйняття надійно переоцінює навичку ШІ.([[ai-literacy-assessment-misalignment]])([[genai-pd-ai-pck-learning-gain-2026]])

**Не припускайте, що експертиза в предметній області переноситься на GenAI.** [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo, Chowdhury & Liu (2026)]] опитали 127 викладачів дослідницьких університетів США за допомогою інструменту [[tpack|TPACK-21]] і виявили, що знання змісту (CK) показали **відсутність значущої кореляції** з технологічними знаннями чи будь-яким доменом, інтегрованим із технологіями (r = .11–.15, нз), — дисциплінарна експертиза не передбачала знань щодо інтеграції GenAI. Домени, інтегровані з технологіями (TPK, TCK, TPACK), взаємокорелювали настільки сильно (r = .81–.91), що можуть функціонувати як єдиний фактор інтеграції GenAI. Практично: будуйте інтеграцію GenAI через **специфічні для дисципліни** активності, які поєднують можливості GenAI із предметною областю кожного члена факультету, і розглядайте домени, інтегровані з технологіями, як єдину спільну основу грамотності щодо GenAI, а не тренуйте їх як окремі навички.([[sutedjo-faculty-genai-tpack-21-2026]])

**Специфічні для дисципліни моделі розумних класів.** [[instructional-design-proficiency-masters-math-2026|Zhu, Liang, Mao, and Wang (2026)]] показують, як курс [[math-education|математики]] для ступеня M.Ed. може бути збагачений інтелектуальними освітніми [[ai-technologies|технологіями]] ([[automated-assessment|автоматичним оцінюванням]], персоналізованими рекомендаціями, багато-[[ai-feedback-quality|ШІ зворотним зв’язком]]), інтегрованими на етапах до, під час і після заняття в межах тривимірної рамки розумного класу. Їхній квазіексперимент виявив статистично значущі здобутки в профіцієнтності дизайну навчальних цілей, пропонуючи переносиму **модель D-T-E** (Disciplinary Demand–Technological Empowerment–Evaluation Loop) для [[teacher-education|освітян викладачів]] і освітніх розробників, які прагнуть перевести рамки розумної освіти від макропонять до специфічної для дисципліни практики.

**Вимірюйте відвідуваність, а не відчуття залученості.** У шестимісячній програмі Intelligent-TPACK для 64 викладачів університету норма відвідуваності передбачала приріст у компетентності зі ШІ (β = .407, p = .001), тоді як самосприйнята участь — ні (β = .049, p = .692), що автори читають як конкретну поведінкову інвестицію проти залученості на поверхневому рівні ([[intelligent-tpack-pd-intervention-hongkong-2025|Tan, Cheng & Ling, 2025]]). Програма поєднувала онлайн-лекції з трьома очними семінарами, потім вимагала від викладачів переглянути свої дизайни навчання та впровадити їх наступного семестру, і автори рекомендують вводити відвідуваність до атестації поряд із змістовними стимулами.

**Зіставляйте з тим, що повідомляє сам факультет.** Опитування [[watson-rainie-ai-challenge-faculty-survey-2026|Watson & Rainie (2026)]] серед 1 057 викладачів США виявляє, що інституційний шар є тонким у таких відношеннях, які проєктанти програм можуть вимірювати напряму: 59% вважали, що їхня школа не готова ефективно використовувати генеративний ШІ для підготовки студентів до майбутнього, і 68% казали, що вона не підготувала факультет використовувати його для викладання та наставництва, тоді як структурна відповідь сягала робочої групи в 55% установ, але результату загальноосвітньої ШІ-грамотності — лише в 13%. Факультет не чекав політики — 87% писали власні правила на рівні завдань проти 48%, які могли вказати на інституційне, — і він називав опір колег (82%) та незнайомість (83%), а не наказ, перешкодами для факультетського впровадження. Для програм розвитку це вказує на необхідність розглядати колегіальні норми, спільну мову політики на рівні завдань і явні заміри інституційної готовності як частину втручання, а не залишати їх політичному документу.

**Відповідь викладача віддзеркалює центри влади, а не ставлення.** В інструментальному кейс-дослідженні 33 викладачів письма чотири поліцентричні центри влади — глобальний тренд GenAI, університет/факультет, колеги та студенти — формували практику, і ад’юнкти, обмежені обмеженою дискурсивною владою, переміщалися від виявлення до викладання прийнятного використання ([[zuo-instructor-power-genai-writing-2026|Zuo et al. (2026)]]).

## Пов’язані поняття

- [[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]] — Umbrella: people and audiences in AI education (learners, teachers, designers, administrators, policymakers)

## Пов’язані статті

- [[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

---

## [Історія ШІ в освіті](https://edtechdev.github.io/aied/concepts/history-of-aied/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Історія ШІ в освіті** — вивчення того, як штучний інтелект і освіта співоеволюціонували від середини XX століття, і як минулі концептуальні, термінологічні та проєктні вибори продовжують формувати сьогоднішні дебати про ШІ в навчанні. Замість того щоб розглядати генеративний ШІ як раптову, безпрецедентну силу, історична лінза виявляє повторювані напруги — контроль проти аґенційності, стандартизація проти креативності, автоматизація проти посилення, — які структурували ШІ в освіті від самих його початків.

## Питання для роздумів

- Сьогоднішній генеративний ШІ часто описують як безпрецедентну революцію. Як це формулювання («хроноцентризм») може заважати нам бачити повторювані патерни під ним?
- Галузь майже назвали «кібернетикою», а не «штучним інтелектом». Як цей єдиний вибір імені міг би сформувати те, чи бачимо ми машини як незалежні інтелекти, чи як частину взаємопов’язаних систем зі зворотним зв’язком?
- Сторінка формулює історію AIED як напругу між контролем (когнітивні репетитори Андерсона, що оптимізують навчання) і аґенційністю (конструктивізм Паперта, що розширює можливості здобувачів). Де ваші власні вибори щодо ШІ в освіті падають на цьому спектрі — і чому?
- Персоналізація, стверджує сторінка, має два значення: варіювання шляху до того самого результату або уможливлення різноманітних, керованих здобувачем результатів. Який вид персоналізації ваша установа насправді переслідує, і який, на вашу думку, має б?
- Якщо сьогоднішні дебати про GenAI «дзеркалять» ці історичні напруги, які минулі помилки ми можемо повторювати — і чого ми могли б уникнути, пам’ятаючи про них?
- Сторінка стверджує, що технічні проєктні рішення вбудовують ціннісні судження про мету навчання. Чи можете ви виокремити проєктне рішення в інструменті освіти зі ШІ, яким ви користувалися, що тихо надавало перевагу стандартизації над аґенційністю здобувача — або навпаки?

## Вступ

Історія галузі — не лінійний поступ, а серія контингентних рішень, ефекти яких досі лунають. Розуміння цієї історії оберігає від «хроноцентризму» (упередженості, що полягає в розгляді нинішніх подій як унікально революційних), допомагає уникнути повторення минулих помилок і виявляє, як вибори щодо формулювання та термінології — а не лише технології — керують траєкторією ШІ в освіті.

### Ключові історичні нитки

**Від кібернетики до «штучного інтелекту».** Коли John McCarthy планував Dartmouth Summer Research Project 1956 року, він свідомо обрав термін *artificial intelligence* замість *cybernetics* — частково, щоб віддалити галузь від Норберта Вінера та його фокусу на аналоговому зворотному зв’язку. Це рішення щодо імені сформулювало можливості машин у прямому порівнянні з людською когніцією (антропоморфне формулювання), керуючи пріоритетами досліджень, публічним сприйняттям та етичними дебатами десятиліттями. Збережи галузь кібернетичне формулювання, уявляє стаття, ми б тепер говорили про «кібернетичні навчальні системи», що наголошують на зворотному зв’язку та взаємопов’язаності, а не про «репетиторів на основі ШІ», що позиціонують машину як незалежне джерело інтелекту.

**Когнітивна революція та корені ITS.** Ранні піонери — Herbert Simon, Allen Newell, Marvin Minsky, John Anderson — не просто моделювали когніцію; вони досліджували фундаментальні питання про навчання та інструкцію. Їхня робота дала моделі обробки інформації людської когніції, які стали основоположними для освітньої психології, і призвела до [[intelligent-tutoring|інтелектуальних систем репетиторства (ITS)]], укорінених у парадигмах евристичного пошуку та експертних систем штучного інтелекту 1960–70-х. Ці системи природно узгоджувалися з існуючими структурами оцінювання та стандартизації і зрештою злилися в спільноту AIED.

**Контроль проти аґенційності: Андерсон і Паперт.** З’явилися два конкуруючі бачення, втілені в John Anderson та Seymour Papert. **Андерсонові** [[intelligent-tutoring|когнітивні репетитори]] (теорія ACT/ACT-R) розкладали знання на продукційні правила, давали точний індивідуалізований зворотний зв’язок і посилювали традиційні освітні структури — бачення ШІ як інструменту для оптимізації навчання. [[constructivist|Конструктивізм]] **Паперта** (Logo, «мікросвіти», налагодження як навчання) бачив комп’ютери як середовища, в яких діти конструюють знання через творчі експерименти, — бачення ШІ як інструменту інтелектуального розширення можливостей, що кидає виклик інституційним ієрархіям. Ця «суттєва напруга» між контролем і аґенційністю є наскрізною ниткою історії галузі.

**Дві форми персоналізації.** [[personalized-learning|Персоналізація]] має дві відмінні інтерпретації, які відображаються на цих баченнях. Перша підтримує рівномірні результати, варіюючи шлях (укорінена в навчальних машинах Скіннера; баченні Khan Academy, що веде до володіння знанням). Друга приймає різноманітні результати — здобувачі, які переслідують індивідуальні інтереси та таланти, не обмежені межами стандартного куррикулуму (Zhao, 2024). Модель ITS підтримує першу; конструктивізм — другу.

**Уроки для ери GenAI.** Сьогоднішні дебати про генеративний ШІ тісно дзеркалять ці історичні напруги. GenAI часто позиціонується як інтелектуальний репетитор наступного покоління (продовжуючи Андерсона), породжуючи занепокоєння щодо нагляду, збору даних та стандартизації. Альтернативно він може бути інструментом для творчої аґенційності (продовжуючи Паперта), вимагаючи від нас переосмислити оцінювання та прийняти більш невизначені результати. Як стверджують [[mishra-control-vs-agency-history-2025|Mishra et al.]], інституційні сили повторно надають перевагу підходам, що посилюють існуючі структури, — і мова та метафори, які ми обираємо, формуватимуть майбутні можливості. [[rismanchian-ai-education-four-decades-aixed-2026|Фреймворк AI×Ed Rismanchian & Doroudi]] дає цій інтуїції емпіричну основу: розміщуючи статті з матеріалів AIED (1985, 1993, 2021, 2024) і IJAIED (2004, 2014, 2021) уздовж двох осей — ролі ШІ (застосований інструмент проти аналогії до людського інтелекту) та кінцевого користувача, — вони простежують галузь, що рушила від різноманітної суміші, включно зі суттєвими ранніми дослідженнями, що використовують ШІ як аналогію до людського інтелекту (обчислювальні моделі навчання, мікросвіти Паперта, аґентно-орієнтовані моделі набуття знань), до майже виключного фокусу на застосованих, інструментальних використаннях до 2000-х. Примітно, що ера генеративного ШІ, здається, частково розвертає цю траєкторію: на AIED 2024 три з чотирьох статей у квадранті «ШІ як аналогія» галузі базувалися на LLM, включно з роботою найкращої статті про навчальних агентів на основі LLM.

## Нещодавній вплив генеративного ШІ

Поява [[generative-ai|генеративного ШІ]] — широкої родини, що включає [[llm|великі мовні моделі]] (текст), плюс генератори зображень, аудіо та відео, — позначає найбільш злодійливу точку перегину в історії AIED від заснування галузі. LLM є найвиразнішим членом цієї родини і драйвером більшості впливу в аудиторії, але генеративний ШІ як ціле (здатний продукувати новий текст, зображення, звук і код) є ширшою силою, що переформатовує освіту. Його найкраще розуміти на тлі історії AIED, а не як чистий розрив. Кілька особливостей роблять еру генеративного ШІ відмітною:

**Масштаб і сяг.** На відміну від когнітивних репетиторів і ITS ранніх десятиліть, які діяли в контрольованих лабораторних та аудиторних умовах, LLM сягли сотень мільйонів здобувачів і викладачів упродовж місяців від випуску, майже відразу входячи в щоденне письмо, домашні завдання та навчання. Дебати про GenAI перейшли зі спеціалізованих журналів в аудиторії, ради директорів і законодавчі органи з безпрецедентною швидкістю.

**Новий вид здатності.** Ранні системи AIED моделювали когніцію та постачали структуроване навчання (традиція Андерсона). LLM виконують відкрите генерування — продукування есе, пояснень, коду та діалогу, — що виводить на передній план аґенційність та креативність здобувача (традиція Паперта) способами, яких ранні ITS не могли. Саме тому нинішній момент так гостро розпалює напругу контроль-проти-аґенційності: той самий інструмент можна розгорнути як інтелектуальний репетитор наступного покоління (контролюючи результати) або як творчого співавтора та партнера з мислення (посилюючи аґенційність).

**Розвертання рівняння доступу.** Історично персоналізоване репетиторство було дефіцитним і дорогим; GenAI зробив адаптивну підтримку один-на-один майже вільною та універсальною — різко знизивши бар’єри доступності та витрат, які формували раннє AIED. Але він також запровадив нові небезпеки: алгоритмічну упередженість, галюцинації, нагляд, збір даних та знеуміння викладачів.

**Поновлене занепокоєння щодо ШІ-грамотності та неправильного використання.** Ера генеративного ШІ зробила [[ai-literacy]] нагальною та переформулювала дебати про [[academic-integrity]] (виявлення проти діалогу), водночас відродивши довготривалі занепокоєння щодо автоматизації, стандартизації та епістемічної залежності. Це сучасні вирази первісних напруг галузі.

**Небезпека хроноцентризму.** Як попереджають [[mishra-control-vs-agency-history-2025|Mishra et al.]], хайп навколо генеративного ШІ часто бракує історичної обізнаності, дозволяючи технологічним євангелістам домінувати в розмові. Розуміння того, що сьогоднішні дебати про GenAI лунають розділенням Андерсон–Паперт та рішенням 1955 року про ім’я кібернетики, допомагає нам робити свідомі вибори, а не розглядати теперішнє як неминуче. Справжнє питання не в тому, що можуть робити інструменти генеративного ШІ, а в тому, що ми хочемо, щоб вони робили, — рішення, сформоване тим, де ми були.

## Наслідки

- **Читайте хайп історично.** Усвідомлюйте, що кожна нова хвиля ШІ формулюється як революційна; історична обізнаність виявляє безперервність і допомагає опиратися корпоративному домінуванню в розмові.
- **Розглядайте проєктні вибори як ціннісні вибори.** Технічні рішення щодо ШІ в освіті вбудовують ідеологічні позиції щодо мети навчання — висувайте їх на поверхню і ставити під сумнів.
- **Зважуйте контроль проти аґенційності свідомо.** Чи має ШІ оптимізувати в бік стандартних результатів, чи уможливлювати різноманітні, керовані здобувачем результати, — це справжній вибір з інституційними та політичними наслідками, а не технічна данина.
- **Зберігайте аґенційність здобувача.** Повторюваний опір стандартизації та контролю на користь відкритих, зосереджених на здобувачі підходів є стійкою ниткою, вартою захисту.

## Пов’язані поняття

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

## Пов’язані статті

- [[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]]

---

## [Тлумачення та застосування досліджень AIEd](https://edtechdev.github.io/aied/concepts/interpreting-and-applying-aied-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Тлумачення та застосування досліджень AIEd** — як вирішити, чи варто діяти на підставі знахідки про ШІ в освіті, незалежно від того, чи ви викладаєте, керуєте програмою, проєктуєте курс чи розробляєте програмне забезпечення. Щоб користуватися цією сторінкою, статистика не потрібна. Вона починається з запитання, яке справді має практик, — *чи варто мені це робити?* — проходить через кілька речей, що на нього відповідають, і зберігає технічні деталі в пізнішому розділі для тих, хто їх хоче або потребує. Коротка версія: знахідка варта дії, коли ви знаєте, з чим її порівнювали, що вимірювали, кого досліджували та чи інструмент існує ще в тій формі, що була досліджена. Більшість тверджень, що доходять до викладачів, адміністраторів і розробників, провалюють одне з цих чотирьох.

## Питання для роздумів

- Постачальник, новинна історія або колега каже, що інструмент ШІ покращив навчання. Що одне ви хотіли б побачити, перш ніж спробувати його у своєму курсі, — і ви знали б, де це шукати?
- Кожна сторінка статті в цій базі знань тепер має розділ **Що це означає для практики**, і більшість мають розділ **Обмеження**. Читаючи обидва разом, що кожен із них говорить вам такого, чого не говорить інший?
- Студенти практикуються з інструментом ШІ і краще справляються з практичною роботою, а потім гірше з [[summative-assessment|closed-book exam]]. Яке число є навчальним результатом, про який дбає ваш курс, — і чи виявили б ваші нинішні засоби оцінювання цю відмінність?
- Дослідження обіцяє велике покращення, але стежило за 30 студентами одного курсу в одній установі, і версія інструмента, що досліджувалася, більше не є тією версією, якою хтось користується. Який із цих двох фактів непокоїть вас більше і чому?
- Багато інструментів ШІ збільшують те, наскільки студенти їх використовують, не збільшуючи того, скільки вони навчаються. Якби довелося вибирати між інструментом, що підвищує залученість, і тим, що підвищує неасистовану продуктивність, які свідчення це вирішили б?
- Вас просять схвалити або купити інструмент на основі власних цифр постачальника щодо ефективності. Що ви хотіли б, щоб розкрили про те, як ці цифри були отримані?

## Вступ

Ця сторінка для людей, яким доводиться щось вирішувати: викладача, що роздумує, чи змінити завдання; [[administrator]], що зважує пілот; проєктувальника навчання, що будує курс; розробника програмного забезпечення, який вирішує, що має робити функція; або дослідника, що пояснює знахідку будь-кому з них.

Дві звички мають значення, і жодна не потребує дослідної підготовки.

**Спершу прочитайте два розділи, написані для вас.** Кожна сторінка статті тут тепер несе розділ **Що це означає для практики** — зазвичай три–п'ять конкретних дій, виведених із цього дослідження, — і більшість несуть розділ **Обмеження**, що зазначає, чого дослідження не може підтримати. Читайте їх до висновків дослідження, а не після. Розділ про практику каже вам, для чого дослідження є придатним; розділ про обмеження каже, де воно закінчується. Якщо розділ про практику відсутній або невиразний, розглядайте цю сторінку як незавершену, а не як свідчення.

**Оцінюйте твердження, а не впевненість твердження.** Твердження про [[ai-education|AI in education]] зазвичай точні щодо *чогось* і оманливі щодо того, про що ви дбаєте, бо дослідження і ваша аудиторія відрізняються чотирма способами: з чим його порівнювали, що воно вимірювало, хто брав участь і яку версію інструмента використовували. Решта цієї сторінки дає вам перевірки простою мовою, а потім свідчення за кожною з них для читачів, які їх хочуть.

Те, що далі, також не є замінником своїх сусідів. [[research-methods-aied|Research Methods in AI in Education]] охоплює те, як будуються дизайни; [[limitations-in-aied-research|Limitations in AIEd Research]] каталогізує повторювані слабкості літератури; [[ai-ed-evaluation|AIED Evaluation]] охоплює те, як оцінюються системи та результати; а [[differential-effects-across-learner-groups|Differential Effects Across Learner Groups]] охоплює те, кого знахідка включає, а кого ні.

## Чотири питання, що вирішують більшість тверджень

Поставте їх, перш ніж витрачати час, гроші або семестр на щось.

**1. З чим його порівнювали, і чи було це порівняння справедливим?** «Студенти, які використовували ШІ, справилися краще, ніж студенти, які не використовували» щось говорить вам лише тоді, коли інші студенти робили щось справжнє. Якщо порівнянням було звичайне лихо — або ніщо, — то знахідка в'яже інструмент разом із додатковим часом, додатковою увагою та новизною. На що дивитися: **контрольна група**, яка отримала правдоподібну альтернативу, і випадкове призначення на дві умови.

**2. Що саме вони вимірювали?** Саме тут більшість захопливих тверджень тихо провалюються. Бали тестів, якість домашніх робіт, [[motivation]], ставлення й [[student-engagement|engagement]] зводяться в одне число «досягнення», або міра продуктивності *за присутності інструмента* подається як навчання. Навчання, що залежить від присутності інструмента, не є тим самим, що навчання, яке триває. На що дивитися: що вимірював інструментарій, чи був він валідований для цієї популяції, і чи вимірювався результат **без** ШІ в приміщенні.

**3. Кого досліджували, скількох і як довго?** Тридцять студентів одного курсу — це сигнал, а не результат. Чотиритижнева інтервенція не може сказати вам про рік. І дослідження студентів, не схожих на ваших, усе ще є корисним — це гіпотеза про вашу обстановку, а не передбачення. На що дивитися: розмір вибірки, як вербували учасників, один сайт, тривалість і чи була будь-яка підгрупа достатньо великою для аналізу.

**4. Чи інструмент існує ще в тому вигляді, що досліджувався?** Можливості ШІ рухаються швидше, ніж публікація. Знахідка 2025 року описує покоління моделей 2025 року — іноді конкретну версію, іноді конфігурацію, якою тепер ніхто не користується. Це не робить знахідку хибною; це робить її застарілою, і це означає, що твердження має бути перевірене, а не успадковане. На що дивитися: версія моделі та вікно збору даних.

## Що кажуть свідчення про твердження щодо ШІ загалом

Якщо ви щось одне запам'ятаєте з цієї сторінки, запам'ятайте, що заголовне число зазвичай завищене, а порівняння зазвичай слабке. Це не маргінальна думка — це те, що повідомляють аудити самої галузі. Кілька добре спроєктованих досліджень справді показують реальні здобутки; річ у тім, що тягар доказу лежить на твердженні.

- **Близько двох третин середнього ефекту зникає**, щойно ви коригуєте на те, що вражаючі результати публікуються, а невражаючі — ні. [[bartos-ai-learning-meta-meta-analysis-2026|Bartoš et al. (2026)]] звели 1 840 розмірів ефекту з 67 оглядів і виявили, що скориговане середнє становило приблизно третину опублікованої медіани — SMD 0,196 проти 0,67.
- **Назва продукту не є методом навчання.** Аудитуючи порівняння за відомою мета-аналізом, [[weidlich-chatgpt-effect-search-cause-2025|Weidlich et al. (2025)]] виявили, що лише **21%** мали добре визначену обробку, контрольну групу та валідну міру навчання — і подана перевага для «використання ChatGPT» вийшла більшою, ніж для спеціально побудованих [[intelligent-tutoring|intelligent tutoring systems]] (g = 0,7 проти 0,66), що є ознакою попередження, а не тріумфом.
- **Продуктивність із інструментом регулярно приймають за навчання.** В одному дослідженні математики [[k-12|K-12]] студенти, що практикувалися із загальним [[conversational-ai|chatbot]], отримали кращі оцінки за практику, а потім набрали на **близько 17% гірше**, ніж однолітки без доступу до ШІ, на закнижковому підсумковому іспиті ([[stanford-evidence-base-ai-k12-2026|Stanford's evidence base for AI in K-12]]).
- **Власні огляди галузі не витримують аудиту.** Аудит [[oneill-presumed-effective-meta-analysis-2026|O'Neill's (2026)]] **14 рецензованих мета-аналізів**, що стверджують, ніби ШІ покращує освіту, виявив, що **жоден** не надав валідної основи для тверджень, які він просував, і серед 46 випадково відібраних первинних досліджень **61%** містили занепокоєння щодо валідності. Проблема не в одному поганому папері; вона в культурі звітування.
- **Самооцінки лестять усім.** Люди оцінюють власні [[ai-literacy|AI skills]] на **40%** вище, ніж показують міри продуктивності, тому опитування задоволеності та впевненості є найслабшими свідченнями, на які можна діяти ([[self-report-measures|Self-Report Measures]], [[educational-measurement|Educational Measurement]]).
- **Більшість продуктів, уже присутніх в аудиторіях, не мають жодних незалежних свідчень.** [[instruction-partners-ai-in-action-learning-tour-2026|Instruction Partners' 2025–26 learning tour]] профілював 20 орієнтованих на студента продуктів ШІ і виявив, що з 16 із повними профілями лише сім мали незалежний огляд, що досліджував досягнення студентів між групами студентів у США; двох досліджували лише за кордоном, у чотирьох дослідження тривали, а три спиралися лише на внутрішні дані. Автори стверджують, що незалежні причинні дослідження, що охоплюють пріоритетні групи, мали б бути очікуванням для всіх орієнтованих на студента продуктів — чого ще не є нормою для інструментів, якими школи вже користуються.

## Перетворення знахідки на рішення

Послідовність, що зберігає найбільше зусиль, у порядку.

1. **Спершу запишіть свій результат.** Не «більше використовувати ШІ», а «студенти можуть робити X без інструмента». Якщо ваш результат — неасистована продуктивність, то дослідження, що вимірювало асистовану продуктивність, є суміжним свідченням, а не прямим.
2. **Знайдіть порівняння та міру** — у дослідженні або в розділі про практику його сторінки статті. Якщо будь-що з цього відсутнє, розглядайте твердження як демо, а не як знахідку.
3. **Читайте розділ обмежень як інструкції, а не як застереження.** «Один курс, самооцінювані результати, чотири тижні» каже вам точно, які з ваших припущень дослідження не охоплює.
4. **Перевірте версію та дату.** Якщо дослідження використовувало покоління моделей двома роками раніше, плануйте перетестувати, а не припускати.
5. **Назвіть умови, що дають змогу.** Вартість, ліцензії, час персоналу, правила даних і чи студенти мають платити за рівень, який справді працює. Дослідження рідко несуть їх, і вони вирішують, чи інтервенція виживе семестр. У [[chick-faculty-development-ethical-ai-2026|a faculty-development study of ten participants]] кожен сказав, що продовжить використовувати ШІ, тоді як ті самі люди описували особисті підписки на доступ до інструмента і відсутність підтримки часу для перепроєктувань, які планували.
6. **Пілотуйте мало, і вимірюйте умову без підтримки.** Короткий пре-/посттест з одним оцінюванням, зробленим без інструмента, перевершує опитування задоволеності. Мало і чесно перевершує велике й риторичне. Див. [[learning-design|Learning Design]] щодо того, де це вписується в проєктування курсу.
7. **Запишіть дату перегляду в щоденник і будьте готові відкинути твердження.** Коли передумовою дослідження є можливість, якої вже немає, чесним ходом є відставлення твердження, а не цитування його безкінечно — тієї самої дисципліни, яку ця база знань застосовує до своїх власних сторінок.

## Слова, які ви зустрінете в дослідженнях

Прості переклади, щоб ви могли продивитися дослідження або сторінку постачальника без методичної підготовки.

- **Розмір ефекту** — наскільки великою була відмінність, за шкалою, де 0 — це ніщо. Розглядайте малі значення як «підштовхування», а не «трансформацію».
- **Статистично значущий** — малоймовірний як чистий випадок *у цій вибірці*. Він нічого не говорить про те, чи ефект великий і чи він відбудеться у вашому класі.
- **Довірчий інтервал** — діапазон результатів, які дані не можуть виключити. Якщо діапазон включає нуль, знахідка може бути зовсім нічим, хоч який цікавий заголовок.
- **[[meta-analysis-systematic-review|Meta-analysis]]** — дослідження, що зводить багато досліджень. Потужний, і лише настільки добрий, наскільки добро те, що він зводив, тому огляди аудитуються.
- **Упередженість публікації** — цікаві результати публікуються, а нудні — ні, тому середнє літератури виглядає рожевіше за дійсність.
- **Самооцінка** — люди описують себе. Корисно для ставлень, слабко для компетентності чи поведінки.
- **Контрольна група** — умова порівняння. Єдина найважливіша річ, на яку варто дивитися.
- **Пре-/посттест** — вимірювання до і після без групи порівняння. Навіювальне, ніколи не переконливе.
- **Аналіз підгруп** — результати для зрізу вибірки. Зазвичай недостатньо потужний, тому розглядайте їх як гіпотезу.
- **Реплікація** — хтось інший отримав той самий результат. Рідкісна, і найсильніші доступні свідчення.
- **[[benchmark|Benchmark]]** — фіксований набір задач для оцінювання систем. Бали рухаються, коли рухається ціль, тому перевіряйте дату.

## Коли все одно сповільнитися

- **Твердження походить від постачальника, за метриками постачальника.** Це все ще може бути інформативно — один [[intelligent-tutoring|AI tutoring]] провайдер повідомляє метрику залученості, калібровану проти людських експертів на F1 0,83, із покращеннями від понад 40 експериментів за п'ять місяців ([[ai-tutoring-quality-k12-methodologies-2026|Udeshi et al., 2026]]), — але конструкт, оцінювачі та метрика є виборами постачальника. Просіть групу порівняння та неасистований результат.
- **Автоматизоване оцінювання розглядається як розв'язане.** Висока згода з людськими оцінювачами — це надійність, а не якість. В одному дослідженні оцінювання людські оцінювачі погоджувалися з багатооцінювацьким консенсусом приблизно на r = 0,88, тому автоматизовані бали близько r = 0,85 уже були на власній вимірювальній стелі задачі ([[know-when-to-trust-ai-scoring-reliability-2026|Know When to Trust AI Scoring]]).
- **Список джерел робить важку роботу.** Тридцять записів джерел, що містять перевірно фабриковану бібліографічну інформацію, було підтверджено в 14 паперах [[cs-education|computing-education]], усіх з 2025 і 2026 років ([[citation-errors-hallucinations-computing-education-2026|Denny et al., 2026]]). Якщо твердження спирається на цитату, перевірте цитату.
- **Ніхто не виміряв поведінку, від якої залежить ваша політика.** За 493 дедуплікованих записів та 14 пріоритетних досліджень жодне дослідження не виміряло, чи перевірка вдалася *і* що здобувач зробив потім із нею, оцінене проти незалежного стандарту якості результату ([[verification-quality-reliance-calibration-genai-2026|verification and reliance calibration]]). Політики курсу залежать саме від цієї поведінки.

## Якщо ви будуєте або купуєте інструмент

Ті самі перевірки обертаються в вимоги до проєктування, і сторінки оцінювання бази знань несуть деталі ([[ai-ed-evaluation|AIED Evaluation]], [[automated-assessment|Automated Assessment]]).

- **Зробіть порівняння частиною специфікації функції.** Визначте, чим здобувач інакше займався б, і будьте здатні сказати, чому ваш інструмент перевершує це, — а не чому він перевершує ніщо.
- **Вимірюйте умову без підтримки.** Якщо ваш результат — навчання, включіть задачу, виконану без інструмента; асистована продуктивність сама введе вас в оману так само, як і ваших покупців.
- **Звітуйте, як ваші автоматизовані судження були валідовані** — золотий стандарт, ціль калібрації, хто вирішував розбіжності, — і звітуйте це як надійність, а не як якість.
- **Назвіть версію та дату** в будь-якому твердженні про ефективність, бо ваш наступний реліз інвалідизує його.
- **Покажіть противаги:** вартість на студента, [[accessibility]], поводження з даними і що відбувається зі здобувачами на безкоштовному рівні. Див. [[ai-use-disclosure|AI Use Disclosure]], [[privacy]] і [[governance]].

## Для читачів, які хочуть свідченства

Перевірки вище не є народною мудрістю; вони походять із задокументованих провалів цієї літератури. Цей розділ зберігає деталі для тих, хто рецензує папер, захищає рішення або стверджує, що інструмент має бути належно оцінений.

**Провали валідності мають розподіл, а не лише присутність.** У [[oneill-presumed-effective-meta-analysis-2026|O'Neill's (2026)]] невідповідність залежної змінної була найпоширенішою проблемою (n = 15) — міра не вловлювала того, що стверджувало твердження, — за нею йшла невідповідність незалежної змінної (n = 11), проблеми експериментального дизайну (n = 7), проблеми витягання даних (n = 6), відсутність контрольної групи (n = 6) і невипадкове призначення груп (n = 6). Із 14 мета-аналізів дванадцять розглядали кілька розмірів ефекту, узятих з одного й того самого первинного дослідження, як незалежні, що завищує видиму базу свідчень.

**Твердження про підгрупи зазвичай нерозв'язні в дослідженнях, що їх роблять.** [[ai-tutoring-micro-rct-gcse-science-2026|GCSE science micro-RCT]] повідомляє взаємодію обробка-на-статус **0,57 бала (95% CI −2,25 до 3,39)**, зі стратифікованими оцінками **g = 0,28 (95% CI −0,04 до 0,59)** для однієї групи та **g = 0,35 (95% CI 0,18 до 0,52)** для іншої. Інтервал, що перетинає нуль, не є знахідкою [[equity-in-ai-education|equity]]; він є питанням для локального пілоту.

**Синтез може задовольняти власний протокол і все ж зводити незважену якість.** [[ai-supported-instruction-stem-meta-analysis-2026|Doğan et al. (2026)]] прямо заявляють, що не використовували жодного формального інструмента оцінки якості, розглядаючи свої критерії включення як поріг суворості, тому квазіекспериментальне дослідження й рандомізоване вносили однаково, — і їхня гетерогенність читається **I² = 82,98% за моделлю фіксованого ефекту, але 15,75% за моделлю випадкових ефектів**, чому цифра гетерогенности, процитована без своєї моделі, не може сказати вам, наскільки несумісним є корпус.

**[[assessment-validity|Validation]] автоматизованого судження є частиною результату.** Згода з людськими кодувальниками — це твердження про надійність, і стеля вище показує, чому вона не є тим самим, що якість ([[machines-misread-pedagogical-quality|machines misread pedagogical quality]]).

**Вік інструмента є обмеженням першого класу.** Огляд ШІ-асистованого оцінювання зазначає, що його власні знахідки відбивають конкретні версії моделей у конкретні часи, і що рух поля робить будь-який опис можливостей моделей потенційно застарілим упродовж місяців ([[ai-assisted-assessment-instruction-higher-ed-2026|AI-Assisted Assessment and Instruction in Higher Education]]). Обмежуйте твердження до свого покоління: «[[generative-ai|generative AI]] покращив X» не є портативним, тоді як «інструментарій ери GPT-4, у цій задачі, з цим [[scaffolding]]» є.

**Цілі бенчмарків рухаються**, тому результат, який система сьогодні насичує або провалює, може обернутися з наступним релізом; перевірки насичення та контамінації мають стояти поруч із будь-яким твердженням на основі бенчмарку.

**Читання цієї літературу поряд із її власними критиками є нормальною практикою тут.** Чеклісти з боку звітування для авторів і рецензентів є в [[reporting-interpreting-aied-research|the FAQ on reporting and interpreting AI research]], а звички оцінки в цій сторінці паруються з [[theory-development-aied|Theory Development in AI in Education]], коли твердження є теоретичним, а не емпіричним.

## Короткий чекліст

1. Сформулюйте свій результат одним реченням, включно з тим, чи інструмент у ньому присутній.
2. Знайдіть порівняння. Немає правдоподібного порівняння — немає рішення.
3. Узгодьте міру зі своїм твердженням і надавайте перевагу неасистованому результату.
4. Здуйте число: читайте скоригований на упередженість ефект, а не заголовний.
5. Перевірте версію моделі та дати дослідження.
6. Читайте розділ обмежень як інструкції щодо того, чого ви ще не знаєте.
7. Оцініть вартість: ліцензії, рівні, час персоналу, правила даних.
8. Пілотуйте мало з неасистованою мірою, потім вирішуйте.
9. Запишіть дату перегляду на рік уперед і будьте готові відставити твердження.

## Пов’язані поняття

- [[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]] — Дослідження з підтримкою ШІ в освіті
- [[meta-analysis-systematic-review]]
- [[quantitative-research]]
- [[benchmark]]
- [[rct]]
- [[intelligent-tutoring]]
- [[cognitive-offloading]]
- [[ai-use-disclosure]]
- [[theory-development-aied]]

## Пов’язані статті

- [[oneill-presumed-effective-meta-analysis-2026]] — Presumed Effective: судовий аудит 14 мета-аналізів AIED
- [[bartos-ai-learning-meta-meta-analysis-2026]] — Кориговані на упередженість публікації ефекти ШІ — близько третини поданого розміру
- [[weidlich-chatgpt-effect-search-cause-2025]] — ChatGPT in Education: An Effect in Search of a Cause
- [[ai-supported-instruction-stem-meta-analysis-2026]] — Критерії включення, використані як поріг суворості, і гетерогенність, що змінюється з моделлю
- [[know-when-to-trust-ai-scoring-reliability-2026]] — Коли надійність автоматизованого оцінювання зустрічає вимірювальну стелю задачі
- [[verification-quality-reliance-calibration-genai-2026]] — Чого не вимірює література про перевірку та покладання
- [[citation-errors-hallucinations-computing-education-2026]] — Фабриковані джерела, що дійшли до друку в 2025–2026 роках
- [[stanford-evidence-base-ai-k12-2026]] — Здобутки в практиці, втрати на іспиті: проблема усунення допомоги в математиці K-12
- [[ai-tutoring-micro-rct-gcse-science-2026]] — Ефекти підгруп, чиї довірчі інтервали перетинають нуль
- [[chick-faculty-development-ethical-ai-2026]] — Умови, що дають змогу: сигнали політики, особисті підписки, жодного часу
- [[ai-tutoring-quality-k12-methodologies-2026]] — Метрики постачальника з розкритою калібрацією та кількістю експериментів
- [[ai-assisted-assessment-instruction-higher-ed-2026]] — Знахідки, пов'язані з версіями моделей, та кипіння поля
- [[instruction-partners-ai-in-action-learning-tour-2026]] — Лічильники незалежних свідчень для 16 орієнтованих на студента продуктів ШІ, уже вжитку

---

## [Обмеження досліджень AIEd](https://edtechdev.github.io/aied/concepts/limitations-in-aied-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Обмеження досліджень AIEd** — повторювані слабкості та обмеження, що впливають на те, наскільки великої довіри заслуговують висновки про ШІ в освіті, і на те, як читачам слід їх тлумачити. Вони простягаються через окремі дослідження: методологічні обмеження (узагальнюваність, розмір вибірки, валідність, самооцінювання), проблема швидкості (ШІ та висновки швидко застарівають, тоді як публікація відстає), обмеження практики дослідження (відтворюваність, практики FAIR, пропрієтарні інструменти) і слабке використання теорії. Методологічні межі є вимірюваними, а не імпресіоністськими: у критичному огляді 80 досліджень HCI про критичне мислення зі ШІ 42 (52%) не мали контрольної групи, а більшість решти спирались на самооцінювання, тож позитивні висновки галузі спираються на конструкції, які не можуть відокремити вплив ШІ від звичайної рефлексії ([[critical-review-critical-thinking-hci-research-ai-2026]]). Кодування результатів є нерівним так само: систематичний огляд 103 досліджень вищої освіти розподілив свій корпус за чотирирівневою типологією результатів і помістив 56% його в єдину умовну модель, де впевненість і мотивація росли без відповідного зростання стійкої компетентності ([[generative-ai-higher-education-systematic-review-2026]]).. Визнання цих меж є необхідним для критичного читання літератури та для проєктування сильніших досліджень.

## Питання для роздумів

- Наскільки ви б довіряли заголовку на кшталт «ШІ-тьюторінг підвищує навчання на 30%», якби дізнались, що він походить від 30 студентів одного курсу в одній установі? Сторінка позначає узагальнюваність і малі вибірки як повторювані межі — що ви хотіли б знати, перш ніж діяти на підставі будь-якого окремого висновку?
- Разючим обмеженням є «проблема швидкості»: ШІ розвивається швидше, ніж публікуються висновки, тож дослідження одного покоління моделі вже може описувати застарілу систему. Як це має змінити довіру, яку ви покладаєте на дослідження ШІ в освіті?
- Багато досліджень спираються на [[self-report-measures|самооголошені]] ставлення та використання, які є упередженими, — люди переоцінюють свою компетентність і занижують повідомлення про неправильне використання. Чи доводилось вам коли-небудь відповідати в опитуванні про власні навички чи поведінку так, що це не збігалось з реальністю? Чому засновані на сприйнятті міри так часто розходяться з об’єктивною продуктивністю?
- Сторінка зазначає, що знайомі рамки, як-от таксономія Блума, часто неправильно читаються як жорсткі драбини, і що навіть широко вживані теорії, як теорія [[cognitive-offloading|когнітивного навантаження]], піддавались оскарженню. Коли ви бачили, що теорію висувають як узгоджену істину в контексті, де її власні докази насправді оспорювались?
- Більшість досліджень ШІ залежить від пропрієтарних, непрозорих моделей, чиї дані й оновлення ви не можете перевірити. Якщо ви не можете перевірити, яка саме модель дала результат, наскільки можна довіряти твердженням, побудованим на ньому, — і що зробило б висновки більш відтворюваними?
- Якщо ви викладач або проєктувальник, в якого немає часу читати первинні дослідження, як ви вирішуєте, які твердження про ШІ достатньо заслуговують на довіру, щоб змінити вашу практику, — зважаючи на те, що література фрагментована, попередня і написана для дослідників?

## Вступ

ШІ в освіті — це швидко змінна, гетерогенна галузь, і її доказова база несе особливий набір обмежень, які дослідники, практики та ті, хто формує політику, мають зважати при використанні будь-якого висновку. Деякі з них спільні з ширшою літературою наук про навчання та психології; інші посилені або зроблені унікальними самою природою ШІ. Ця сторінка організовує їх у чотири наскрізні області.

## Методологічні обмеження

Сторінка [[research-methods-aied|методів дослідження]] цієї бази знань детально описує сильні та слабкі сторони кожної конструкції. Кілька меж повторюються через усі конструкції й заслуговують на окрему увагу:

- **Узагальнюваність.** Висновки від одного курсу, установи, дисципліни чи національного контексту можуть не переноситись. Малі, зручні або однієї установи вибірки обмежують зовнішню валідність; результати одного інструменту ШІ рідко поширюються на інший інструмент чи контекст.

- **Порівняння переконань між країнами несуть ризик вимірювання.** Опитування 1 405 викладачів K-12 у п’яти країнах використало автоматизований машинний переклад без зворотного перекладу чи перевірки інваріантності вимірювання і вимірювало занепокоєння щодо плагіату та креативності одиничними пунктами, тож його контрасти між країнами не можна читати як еквівалентні конструкти ([[k12-teachers-genai-beliefs-five-countries-2026|Xiu та співавтори (2026)]]).
- **Ригорозність на рівні синтезу — це окрева вісь від ригозності первинного дослідження.** Метааналіз може задовольняти власні критерії включення й водночас об’єднувати дослідження, що різняться конструкцією, вірністю реалізації та мірою результату, не зважаючи ні на що з цього: [[ai-supported-instruction-stem-meta-analysis-2026|Doğan і колеги (2026)]] прямо заявляють, що не використовували формального інструменту оцінки якості і розглядали критерії включення як поріг ригозності, тож квазіекспериментальне і рандомізоване дослідження однаково вносили вклад у зведену оцінку [[stem-education|STEM]]. Той самий огляд показує пов’язану небезпеку звітності: його гетерогенність подається як I² = 82.98% за моделі з фіксованими ефектами та I² = 15.75% за моделі з випадковими ефектами, а це означає, що читачі, які беруть одиничне число гетерогенності без його моделі, не можуть сказати, наскільки насправді непослідовним є корпус. Оцінюйте синтез за ти, як він поводився із залежними розмірами ефекту, якістю та гетерогенністю, а не лише за ти, чи дотримав він протоколу пошуку.

- **Конструкція пошуку задає заголовні числа синтезу.** У оглядовому огляді 195 досліджень підготовки викладачів цифрова компетентність і [[tpack|TPACK]] були явними дескрипторами пошуку, тоді як інструкційне проєктування та оцінювання не мали еквівалента, тож подані 46.5% та 1.9% описують знайдений корпус, а не галузь ([[digital-competence-ai-responsive-pedagogy-2026|Patiño Hernández та співавтори (2026)]]).
- **Малі розміри вибірки.** Багато досліджень AIEd є недopotужненими — надто мало учасників, щоб надійно виявляти значущі ефекти чи підтримувати ті сильні твердження, які іноді з них роблять.
- **Оцінки в кінцевій точці можуть приховувати те, що досліджується.** У огляді за PRISMA 103 досліджень [[higher-ed|вищої освіти]] 56% повідомляли здобутки, що були умовними на скаффолдинг або перевірку, а нульові відмінності в оцінках часто супроводжувались реальними змінами в процесі — більше налагодження, більше циклів перевірки, — тож самі оцінки не можуть сказати, чи зміцнив [[generative-ai|GenAI]] практику, чи випорожнив її ([[hawi-genai-higher-ed-uses-outcomes-risks-2026|Hawi і Samaha (2026)]]).

- **Конструкція валідації може фабрикувати заголовне число.** [[eeg-familiarity-automated-assessment-2026|Nanayakkara і Halloluwa (2026)]] зіставили п’ятнадцять моделей на основі ЕЕГ-записаної знайомості й показують, що стандартна стратифікована крос-валідація допускає часовий витік і подає до 0.9853 F1, тоді як незалежна від проби Group K-Fold валідація опускає пік до 0.6038 F1 — усе ще вище випадкового, але далеко від поданого результату.
- **Бенчмарки можуть постачати ті провали, про які повідомляють.** Повторне оцінювання експертами 250 відхилених фізичних завдань віднесло 238 (95.20%) до помилок бенчмарку або оцінювача і лише 12 (4.80%) до справжніх помилок моделі, тож виміряна частота помилок моделі не може бути нижчою за частку дефектів інструменту.([[frontier-models-physics-benchmark-audit-2026|Ansari та співавтори (2026)]])
- **Валідність та вимірювання.** [[assessment-validity|Валідність конструкту]] часто є тонкою: проксі для «навчання», «[[student-engagement|залученості]]» чи «грамотності» дуже різняться, а інструменти не завжди валідовані для тієї популяції чи конструкту, що досліджується. Точність [[benchmark|бенчмарку]] не дорівнює освітній ефективності.
- **Самооцінювання та дані опитувань.** Велика частка корпусу спирається на самооголошені ставлення, мотивацію та використання. Самооцінювання є упередженим — респонденти переоцінюють компетентність, занижують [[ai-misuse-learning-harm|неправильне використання]] і неправильно оцінюють власну поведінку, — тож засновані на сприйнятті міри часто розходяться з об’єктивною продуктивністю (див. [[ai-literacy-assessment-misalignment]] і [[educational-measurement]]).
- **Контекст і звітність про валідацію можуть бути виміряні крізь літературу.** Огляд за PRISMA-ScR 421 дослідження про НЛП у коментарях оцінювання викладання виявив, що країну не було визначено в 221 дослідженні, обсяг однієї установи — в 232 із 284 визначених випадків (81.7%), зовнішню валідацію — в 33 (7.8%), а узгодженість між анотаторами — в 54 (12.8%) ([[nlp-student-evaluation-teaching-scoping-review-2026|Eicher і da Silva (2026)]]).
- **Багатство звітності є вимірюваним, і тип метода його передбачає.** У 888 статтях про автоматизацію оглядів 38.0% статей про програмне забезпечення/продукти після 2023 року не повідомляли жодного оцінювання проти 9.3% статей про LLM, і 52% із 118 статей про LLM лише з позитивними результатами усе ще позначали неперевищений поріг надійності, — та сама модель, що стоїть за п’ятьма рівнями розкриття PRISMA-LLM ([[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta і Lin (2026)]]).
- **Стандартизація в межах кожного набору даних може приховати перекручення розкиду.** Коли синтетичні освітні когорти були стандартизовані за власним розкидом, той факт, що їхня тижнева структура змінювалась у 2,6–4,9 раза менше, ніж у реальних когорт, став невидимим для поданої статистики — рутинна попередня обробка, на слова авторів, а не гіпотетичне занепокоєння ([[synthetic-educational-data-structural-fidelity-2026|Inoue і Yasutake, 2026]]).

- **Мітки, згенеровані моделями, не є еталоном.** Там, де мітки, якими тренують або оцінюють систему, самі породжені мовними моделями, узгодженість між анотаторами не може встановити валідність: [[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado та співавтори (2026)]] ніколи не валідували свої анотації тверджень проти людських еталонних міток, і 49 класифікаторів-кодерів, які вони випускають, успадковують це походження й можуть бути невалідними там, де застосування різняться за значущими вимірами. Їхня схема також суттєво поступалась дотонченому класифікатору, натренованому на експертнозанотованих даних (macro-F1 0,673 проти 0,76), залишаючи експертнозанотовані корпуси вартими зусиль, коли потрібна висока впевненість.

## Проблема швидкості: ШІ розвивається швидше, ніж висновки

ШІ змінюється безперервно, і висновки, зроблені від будь-якої конкретної моделі чи системи, можуть швидко стати **застарілими**. Дослідження одного покоління [[llm]] може не описувати наступне; оцінки бенчмарків, якість тьюторінгу і навіть практична корисність висновку змінюються, коли моделі вдосконалюються. Це посилює те, що **процес публікації є повільним** — від проєктування дослідження до рецензованої публікації може пройти рік або більше, — тож опублікований результат уже може описувати застарілу систему. Тому рецензентам і читачам слід розглядати висновки AIEd як попередні, чутливі до дати твердження, а не як сталі істини, і надавати перевагу нещодавній, орієнтованій на реплікацію та явно версійній роботі.

[[thoeni-ai-chatbots-higher-education-expectations-evidence-2026|Thoeni і Fryer (2026)]] роблять наслідок конкретним для однієї літератури: оскільки системи на основі RAG стали загальнодоступними лише в листопаді 2023 року, вони стверджують, що висновки до 2023 року про [[intelligent-tutoring|інтелектуальні тьюторінги]] — що спирались на системи НЛП на основі правил, зіставлення ключових слів або евристик, які мають мало функціональної подібності до сучасних великих мовних моделей, — слід розглядати як історичний контекст, а не як безпосередньо порівнянні докази, і повідомляють, що їхній огляд не знайшов жодного опублікованого РКВ, який вивчав би чат-бот на основі RAG в освіті бакалаврату за повний академічний семестр. Звідси випливає, що фундаментальні питання про те, як genAI впливає на навчання, можливо, треба ставити наново до кожного нового покоління моделей, а не вважати вирішеними шляхом об’єднання старіших результатів.

## Обмеження практики дослідження

Кілька обмежень стосуються проведення та інфраструктури самого дослідження:

- **Відсутність відтворюваності.** Дослідження часто не повідомляють достатньо деталей (підказок, версій моделей, гіперпараметрів, даних, коду аналізу), щоб інші могли відтворити чи перевірити результати, — що є особливою проблемою зважаючи на те, наскільки чутливий до підказок і налаштувань є вивід LLM.
- **Практики дослідження FAIR.** Відкрита та відтворювана практика — **З**найдині, **Д**оступні, **І**нтероперабельні, **П**ридатні до повторного використання дані та код, передреєстрація та спільні бенчмарки, — нерівно впроваджена в AIEd. Слабке дотримання принципів FAIR ускладнює повторне використання, порівняння та будівництво на дослідженнях.
- **Пропрієтарні інструменти та моделі.** Багато досліджень залежить від закритих, пропрієтарних [[ai-technologies|систем ШІ]], чия внутрішня поведінка, тренувальні дані та оновлення моделей є непрозорими й можуть змінюватись без повідомлення. Це обмежує відтворюваність, робить точну реплікацію неможливою і може прив’язувати висновки до дорожньої карти постачальника. Це також порушує питання незалежності оцінювання (див. [[ai-ed-evaluation]]).

## Слабке або обмежене використання теорії

Повторюваною критикою є те, що багато емпіричних статей має **обмежене або застаріле теоретичне обрамлення**. Дослідники можуть:

- **Приймати теорії некритично.** Рамки запозичуються, бо є знайомими, без повного залучення їхніх припущень, обсягу чи доказової бази.
- **Тлумачити рамки як фіксовані послідовності.** Кілька широко вживаних рамок розглядаються як упорядковані драбини, які здобувач має підійматися від «низької» до «високої» стадії, — проте докази не підтримують завжди починати знизу. Наприклад:
    - **Таксономію Блума** часто читають як жорстку ієрархію (пригадування → застосування → оцінювання), проте високорівневі цілі не вимагають спершу відпрацювання нижчорівневих; завдання можна конструювати так, щоб залучати оцінювання чи творення від самого початку (див. [[cross-dataset-bloom-question-classification]]).
    - **ADDIE** та інші моделі інструкційного проєктування іноді розглядаються як жорсткі лінійні фази, а не як ті ітеративні, гнучкі евристики планування, якими вони мають бути (див. [[learning-design]]).
- **Оглядати оспорювані теорії.** Деякі теорії, широко вжиті в AIEd, самі були оскаржені. **Теорію когнітивного навантаження**, наприклад, критикували, а її емпіричні твердження спростовували або оспорювали в попередніх дослідженнях, проте її далі висувають як узгоджений фундамент у новій роботі AIEd.

Звідси випливає не те, що теорії та рамки є непридатними, а те, що їх слід використовувати з увагою до їхньої справжньої доказової бази, до баченого ними обсягу та відомих критик, — а не як самозрозумілі [[scaffolding|скаффолдинги]] чи жорсткі процесуальні послідовності.

## Метааналітична криза доказової бази

Зростаючий корпус метадосліджень — оглядів, що перевіряють огляди, — стверджує, що заголовні твердження галузі про навчальні здобутки від ШІ спираються на доказову базу, яка значно слабша, ніж здається. Три взаємодоповнювальні критики роблять цей висновок з незвичайною силою:

- **Упередженість на користь позитивних синтезів є сильною та вимірюваною.** [[bartos-ai-learning-meta-meta-analysis-2026|Bartoš та співавтори (2026)]], у мета-метааналізі на рівні досліджень 1 840 розмірів ефекту від 67 метааналізів, виявили сильні докази упередженості публікацій (усі тести Еггера *p* < .0001) і крайню гетерогенність між дослідженнями (τ = 0,869). Скориговані на упередженість публікацій ефекти були приблизно **втричі** меншими за загальноприйняті подавані (SMD = 0,196 проти медіани 0,67 в опублікованій літературі), з інтервалом прогнозу від −1,521 до +1,908 — від великої шкоди до великої вигоди. Жодна підгрупа за результатом, галуззю, рівнем чи роллю ШІ не показала стабільних здобутків, і не було відмінності між дослідженнями до та після 2023 року. Їхній висновок: широкі твердження про узагальнені навчальні здобутки є передчасними.
- **Метааналітичні методи систематично неправильно застосовуються.** [[oneill-presumed-effective-meta-analysis-2026|Судовий аудит O’Neill (2026)]] 14 високовпливових метааналізів AIEd виявив, що *жоден* не дає чинного підґрунтя для своїх тверджень: жоден не мав узгодженого конструкту (розглядаючи інструмент «ChatGPT» ніби єдину інтервенцію й об’єднуючи оцінки тестів, мотивацію, [[self-efficacy]] та ставлення в одне число «[[learning-gains|академічного досягнення]]»); подана гетерогенність була сильною, із I² від 77.2% до 94.4% за 13 метааналізів, які її повідомляли, причому 12 із цих 13 були вище 80%, і вона так і не була розв’язана (жоден не дотягував до мінімального розміру підгрупи в десять досліджень, п’ять спирались на підгрупи з одного дослідження, а три інші — на підгрупи з двох); дванадцять розглядали залежні розміри ефекту з одного дослідження як незалежні, надуваючи видимість доказів; і жоден чинно не оцінив упередженість публікацій (звичайними були дискредитовані метрики fail-safe N і неправильно застосовані тести Еггера). Оскільки I² залежить від точності, він сам по собі не може встановити, наскільки далеко розходяться справжні ефекти, і звітність, яка б це показала, була здебільшого відсутня: лише чотири метааналізи повідомляли міждослідницьку дисперсію (τ²) і лише два повідомляли інтервал прогнозу, і обидва включали нуль. Більшість (61%) випадково перевірених первинних досліджень були проблемними, а одне дослідження зі сфабрикованими посиланнями було включено шістьма з 14 метааналізів.
- **«Втручання» є чорною скринькою.** [[weidlich-chatgpt-effect-search-cause-2025|Weidlich та співавтори (2025)]] відроджують дискусію про медіа та методи, щоб стверджувати, що «ChatGPT» — це інструмент, а не метод; запитання, чи «поліпшує він навчання», є non sequitur. Аудитувавши підмножину досліджень, що стоїть за метааналізом Deng та співавторів (2025), вони виявили, що лише 21% порівнянь мали добре визначене втручання, контрольну групу *та* чинну міру навчання; подані розміри ефекту (g = 0,7) навіть перевищували ті, що були в цільово побудованих [[intelligent-tutoring|системах інтелектуального тьюторінгу]] (0,66), — червоний прапорець, що «втручання» було гетерогенним «таємним соусом».

Сам факт збіжності цих трьох незалежних критик є доказом: через різні методи, корпуси й обрамлення вони приходять до того самого висновку — що позитивні розміри ефекту AIEd, особливо від ранніх метааналізів, найімовірніше відображають **упередженість публікацій, неузгодженість конструкту та методологічні скорочення** так само сильно (або сильніше), як справжні навчальні здобутки. Це не означає, що інструменти ШІ не мають освітньої цінності; це означає, що докази їхньої цінності на *рівні галузі* зараз надуті, і їх слід відповідно читати. Це також перекладає відповідальність на [[meta-analysis-systematic-review|якість синтезу]]: метааналіз є настільки ж заслуговуючим на довіру, наскільки узгоденими є його конструкти, наскільки незалежними — його розміри ефекту, наскільки адекватними — його аналіз модераторів і гетерогенності, і наскільки чинним — його оцінювання упередженості публікацій, — і критики показують, що кожен із цих пунктів рутинно порушується.

## Критичне читання літератури AIEd

Узяте разом, це обмеження стверджують за критичним, багатосигнальним читанням досліджень AIEd: перевіряйте, чи узагальнюється висновок і чи достатньо він потужний; перевіряйте, як були виміряні конструкти (і чи спираються твердження на самооцінювання); надавайте перевагу нещодавній, явно версійній, відтворюваній роботі; і ставите під сумнів теоретичне обрамлення, а не розглядати знайомі рамки як дане. Це є доповненням до ригорозного [[research-methods-aied|вибору метода]] та [[ai-ed-evaluation|оцінювання]]: хороші методи та хороше оцінювання є необхідними, проте читання з увагою до обмежень — це те, що перетворює докази на захищені рішення.

## Від дослідження до практики

Дальшим, практичним обмеженням є **виклик застосування дослідження до [[teacher-role|викладання]] та інструкційного проєктування**. Практики — викладачі, [[stakeholders|інструкційні проєктувальники]] та ті, хто розвиває викладацький склад, — часто не мають часу чи спеціалізованої експертизи, щоб читати, оцінювати та перекладати первинні дослідження в конкретні рішення для аудиторії. Література є великою, фрагментованою та написаною для дослідників; висновки подаються зі статистичними та методологічними деталями, які не є безпосередньо придатними до дії; і оскільки твердження є попередніми (див. проблему швидкості вище), практик не може просто взяти окреме дослідження за обличчя. Це створює розрив між тим, що підтримують докази, і тим, що насправді доходить до [[pedagogy|практики викладання]].

Метою цієї бази знань є допомогти закрити цей розрив — зробити легшим триматись у курсі, тлумачити та застосовувати дослідження про ШІ в освіті до практики — шляхом курування вільнодоступних висновків у структуровані, доступні підсумки, пов’язуючи пов’язану роботу через [[ai-education|сторінки понять]] і позначаючи обмеження, які читачі мають зважати. Вона має на меті підтримувати засновану на доказах практику у викладанні та інструкційному проєктуванні, і, роблячи це, також виводити на поверхню прогалини та питання, які можуть інформувати нові дослідження та розробки. Тому розуміння меж дослідження не є самоціллю: воно дозволяє практикам належно застосовувати висновки, а дослідникам — проєктувати сильніші дослідження, які краще служать практиці.

## Пов’язані поняття

- [[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]] — Розвиток теорії в ШІ в освіті

## Пов’язані статті

- [[thoeni-ai-chatbots-higher-education-expectations-evidence-2026]] — Чат-боти ШІ в вищій освіті: порівняння очікувань із доказами (Thoeni & Fryer 2026)
- [[ground-truth-reliability-aied]] — Надійність і валідність еталонної істини в оцінюванні
- [[ai-literacy-assessment-misalignment]] — Самооголошена проти заснованої на продуктивності ШІ-грамотності
- [[machines-misread-pedagogical-quality]] — Чому машини неправильно читають педагогічну якість
- [[favero-critical-ai-tutors-empower-enslave-2025]] — Критичні межі ШІ-тьюторів і використання теорії
- [[cross-dataset-bloom-question-classification]] — Таксономія Блума та класифікація питань
- [[eeg-familiarity-automated-assessment-2026]] — Автоматизація оцінювання здобувачів: прогнозування знайомості на основі ЕЕГ
- [[weidlich-chatgpt-effect-search-cause-2025]] — ChatGPT в освіті: ефект у пошуках причини (критика порівняння медіа)
- [[bartos-ai-learning-meta-meta-analysis-2026]] — Мета-метааналіз: скориговані на упередженість публікацій ефекти ШІ ≈ 1/3 поданого розміру
- [[oneill-presumed-effective-meta-analysis-2026]] — Presumed Effective: судовий аудит 14 метааналізів AIEd
- [[prisma-llm-ai-assisted-systematic-reviews-2026]] — PRISMA-LLM: емпірична рамка звітності для систематичних оглядів із підтримкою ШІ
- [[frontier-models-physics-benchmark-audit-2026]] — Наскільки добре провідні моделі володіють фізикою? Повторне оцінювання експертами виявляє зламані оцінювання та близьке насичення провідних бенчмарків
- [[ai-supported-instruction-stem-meta-analysis-2026]] — Критерії включення, вжиті як поріг ригозності, і число гетерогенності, що змінюється разом із моделлю (Doğan та співавтори 2026)
- [[domain-specific-chatbot-stem-enthusiasm-2025]] — Кластерно рандомізоване випробування в аудиторії, чий результат продуктивності не сягнув значущості (Rücker & Becker-Genschow 2025)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: ШІ-тьюторінг і людський тьюторінг дають еквівалентні навчальні здобутки GRE
- [[llm-feedback-focus-adaptivity-student-writing-2026]] — Оцінювання фокусу зворотного зв’язку та педагогічної адаптивності в зворотному зв’язку LLM на письмо студентів
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: схеми на основі тверджень для аудитованого кодування освітніх діалогів
- [[nlp-student-evaluation-teaching-scoping-review-2026]] — Від класифікації тональності до придатного до дії та відповідального зворотного зв’язку: оглядовий огляд і карта доказів НЛП в оцінюванні викладання студентами, 2015–2026
- [[synthetic-educational-data-structural-fidelity-2026]] — Чого не бачать метрики відповідності: структурна перевірка синтетичних освітніх даних
- [[digital-competence-ai-responsive-pedagogy-2026]] — Оглядовий огляд 195 досліджень підготовки викладачів, де конструкція пошукового запиту формує подавані частоти
- [[k12-teachers-genai-beliefs-five-countries-2026]] — Міжнаціональне опитування викладачів K-12: перекладені машиною пункти, одиничні міри занепокоєння, відсутність перевірки інваріантності
- [[hawi-genai-higher-ed-uses-outcomes-risks-2026]] — Систематичний огляд 103 досліджень GenAI у вищій освіті: 56% умовних здобутків, оцінки, що приховують зміну процесу (Hawi & Samaha 2026)

---

## [Філософія ШІ в освіті](https://edtechdev.github.io/aied/concepts/philosophy-of-ai-in-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Філософія ШІ в освіті** — галузь філософії освіти, що досліджує фундаментальні концептуальні питання, породжені штучним інтелектом у [[teacher-role|викладанні]] та навчанні: якою є природа знання й мислення, коли в них беруть участь машини? Хто такий здобувач, коли пізнання розподілене між людськими та штучними системами? Які форми [[agency]], відповідальності та особистості застосовні до ШІ і що освіта винна здобувачам у світі, опосередкованому ШІ? Відмінна від (але пов’язана зі) сторінкою бази знань [[learning-theories]], яка систематизує теорії того, *як відбувається навчання*, філософія ШІ в освіті ставить глибинніші питання про те, *чим фундаментально є навчання, розум і здобувач* в умовах опосередкування ШІ.

## Питання для роздумів

- Чи вимагає мислення свідомості й тіла? Якщо ШІ справді бере участь у ваших міркуваннях, чи відбувається частина «мислення» в машині — і чи змінює це, хто навчається?
- Сторінка порушує ідею «розподіленого» пізнання між людськими та штучними системами. Згадайте завдання, яке ви розв’язали за допомогою ШІ: де закінчувалося ваше мислення і починалося машинне?
- Якщо когнітивні процеси здобувача стають справді гібридними (частково людськими, частково штучними), що це означає для того, що ми називаємо «здобувачем» — і для того, що освіта йому винна?
- Сторінка розрізняє філософію (чим фундаментально є навчання і здобувач) і теорії навчання (як відбувається навчання). Чи можете ви назвати переконання про навчання, яке ви поділяєте і яке насправді є філософською позицією?
- Якщо ШІ може здійснювати «функціональну агенційність» без свідомості, чи несе він відповідальність за свої освітні наслідки — а якщо ні, то хто? Хто має відповідати, коли [[intelligent-tutoring|репетитор на базі ШІ]] вводить студента в оману?
- Постгуманістична думка переосмислює здобувачів як «постлюдські» сутності. Як ця ідея кидає виклик вашим уявленням про те, де розташований розум студента, або порушує їх?

## Вступ

Це сторінка поняття, присвячена філософським і теоретичним засадам [[ai-education|ШІ в освіті]]. Тоді як [[learning-theories]] документують емпіричні та орієнтовані на проєктування теорії ([[behaviorism]], [[constructivist|конструктивізм]], [[cognitive-offloading|когнітивне навантаження]], [[self-regulated-learning|саморегульоване навчання]] тощо), філософський напрям опрацьовує онтологічні, епістемологічні та етичні питання, які ці теорії припускають. Обидва напрями тісно пов’язані: філософські позиції визначають, які теорії навчання здаються переконливими і які освітні цілі варто переслідувати.

### Ключові філософські питання

- **Природа розуму й пізнання.** Чи вимагає мислення свідомості й тіла? Чи може ШІ брати участь у справді когнітивних процесах? Підходи на кшталт **ансамблевого пізнання** стверджують, що ШІ здійснює *функціональну агенційність* — справжню причинну дієвість у когнітивних процесах — без свідомості, і що мислення виникає з динамічної взаємодії люди зі [[student-ai-interaction|ШІ]].([[ensemble-cognition-philosophy-ai-education]]) [[distributed-cognition|Розподілене пізнання]] і теза про розширений розум висувають подібні твердження про пізнання, розподілене між системами.
- **Хто такий здобувач?** Постгуманістична філософія переконцептуалізує здобувача як «постлюдську» сутність, чиї когнітивні процеси є справді гібридними та розподіленими між [[biology-education|біологічними]] та штучними системами.([[elsayed-pedagogical-symbiosis-posthuman-learner]]) Це кидає виклик припущенню, що здобувач є обмеженим, автономним індивідуальним розумом.
- **Втіленість і межі розутіленого ШІ.** [[embodied-learning|Втілена]] та посткогнітивістська філософія критикує домінування символічних, розутілених моделей ШІ, стверджуючи, що пізнання ґрунтується на ситуативності, емерджентності та сенсомоторному зчепленні, якого сучасному [[generative-ai|генеративному ШІ]] бракує.([[videla-embodied-ai-education-choreography]])
- **Агенційність, авторство й зміст.** Коли ШІ опосередковує інтерпретацію та конституювання змісту, філософія питає, як переконфігуровуються авторство, епістемічна [[agency]] та автономія інтерпретації.([[voicu-ai-interpretive-cognition-ssh-2026]])
- **Онтологія згенерованих ШІ наукових об’єктів.** У хімії передбачені ШІ сполуки та криві тітрування займають «лімбічний онтологічний простір» — ні цілком гіпотетичні, ні повністю реальні, доки не доведені емпірично, — що зсуває дисципліну від реалізму до конструктивістського погляду, у якому реальність є співпрацею людини й машини ([[philosophy-experimentation-ai-chemistry-2026|Reyes and Regala (2026)]]).
- **Когнітивна пасивність як епістемічна шкода.** Bai and Costa (2026), спираючись на Арендтове розуміння мислення як внутрішньої, непередаваної діяльності, стверджують, що GenAI, який постачає роботу, не просто розвантажує мислення, а перекриває його, тоді як бурдьєзівське поле й габітус локалізують ризик в інституційних структурах ([[genai-chinese-higher-education-integrity-2026|Bai & Costa (2026)]]).
- **Цінності, справедливість і мета освіти.** Філософський аналіз досліджує, чи служить освіта на основі ШІ розквіту людини та освітній справедливості, чи вона інструменталізує навчання в служінні продуктивності.([[avraamidou-ai-colonization-science-education]]) Це пов’язано з [[critical-pedagogy]] та [[ethics]].
- **Епістемологічне обґрунтування того, як люди залучають ШІ.** [[strydom-human-gai-paradigms-2026|Strydom (2026)]] виводить сім парадигм залучення людини до генеративного ШІ з п’яти вимірів особистісних епістемологічних переконань Шоммера (джерело, достовірність, організація, контроль і швидкість знання) і стверджує, що вони втілюються, а не просто маються, — тому зміна способу залучення здобувачами ШІ вимагає зміни соціотехнічного середовища, а не їхніх переконань.
- **Чия філософія? Плюралізм у концептуальних засадах галузі.** Xie (2026) стверджує, що філософську дискусію галузі надто детермінує єдина західна архітектура — [[agency|епістемічна агенційність]] як властивість дискретних суб’єктів, знання, сформульоване репрезентаційно та обчислювально, і відношення людини зі ШІ, розміщене в межах дуалізму суб’єкт–об’єкт, — так що її межі стають межами колективної уяви галузі. Як порівняльну противагу він реконструює даоські концепти — «природу Дао» (道性), самовдосконалення (修道) і «чженьжень» (真人) — не як «східний контент», доданий до незмінної рамки, а як ресурси, що переформують концептуальні засави, через які сам ШІ розуміється, застосовуючи їх до знання (епістемічна монокультура та синтетична дезінформація), пізнання (розвантаження, що деградує [[critical-thinking|критичне мислення]]) і впливу (екологічні витрати та асиметрії між Північчю і Півднем).([[daoism-ai-education-philosophy-2026]])
- **Агенційність без підзвітності.** Корпусний дискурс-аналіз 366 анотацій праць із GenAI у вищій освіті виявляє, що [[generative-ai|ШІ]] згадується 2 050 разів і входить у 447 строгих асоціацій «актор–предикат» — найчастіший актор галузі, — проте предикати дії домінують над ними (78,7 %) і жодне речення не робить систему відповідальною: з 166 виразів обов’язку жоден не призначає відповідальність системі, а єдине речення, що пов’язує ШІ з підзвітністю, стверджує, що ШІ не підзвітний. [[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal (2026)]] читає це як функціональну агенційність, визнану в мові, без реляційної відповідальності, яка прив’язувала б її до когось.

**Ані інструмент, ані співавтор: посередницький агент.** [[generative-ai-mediational-agent-sociocultural-2026|Warschauer, Tate and Ritchie (2026)]] стверджують, що називати генеративний ШІ лише інструментом — применшувати його взаємодійний вплив, тоді як називати його співавтором — помилково наділяти його інтенційністю та підзвітністю, і пропонують *посередницького агента* — реагувальну, непідзвітну систему, чия новизна полягає в участі, а не в інтелекті.

### Співвідношення з теоріями навчання

Філософія ШІ в освіті та [[learning-theories]] є взаємодоповнювальними лінзами. Теорії навчання пояснюють механізми навчання (наприклад, як [[feedback]], [[scaffolding]] або когнітивне навантаження формують результати); філософія ж перепитує припущення цих механізмів — що вважається знанням, хто вважається знаючим і чим фундаментально є здобувач. Постгуманістична та критико-філософська робота, зокрема, кидає виклик галузі вийти за межі інструменталістських рамок на кшталт [[tpack]] і SAM у бік глибиншої онтологічної переорієнтації.([[elsayed-pedagogical-symbiosis-posthuman-learner]])

### Співвідношення з розвитком теорій

Філософія ШІ в освіті та [[theory-development-aied|розвиток теорій в AIEd]] є взаємодоповнювальними, але відмінними. Філософія ставить онтологічні та епістемологічні питання — чим фундаментально є розум, знання і здобувач в умовах опосередкування ШІ, — тоді як розвиток теорій продукує й емпірично перевіряє *механізми*, що операціоналізують відповіді на ці питання (генеративізм, епістемічна коагенційність, відсутній когнітивний базис). Обидва напрями взаємно інформують один одного: філософія прояснює припущення, які несуть теорії (наприклад, [[learning-with-machines-toward-a-theory-of-epistemic-co-agency|епістемічна коагенційність]] припускає розподілену, неіндивідуалістичну модель пізнання), тоді як розвиток теорій надає філософським позиціям перевірної, фальсифікованої форми. Найфундаментальніші статті галузі роблять і те, й інше водночас, перебуваючи на межі між двома поняттями.

## Пов’язані поняття

- [[learning-theories]]
- [[theory-development-aied]]
- [[distributed-cognition]]
- [[ethics]]
- [[agency]]
- [[embodied-learning]]
- [[critical-pedagogy]]
- [[human-ai-collaboration]]
- [[critical-thinking]]
- [[ai-education]]
- [[chemistry-education]] — Освіта з хімії та ШІ: лабораторії, формуюче оцінювання, межі LLM, філософія експериментування

## Пов’язані статті
- [[genai-chinese-higher-education-integrity-2026]] — Gen-AI у китайській вищій освіті: академічна доброчесність і залученість
- [[ensemble-cognition-philosophy-ai-education]] — Ансамблеве пізнання: філософська рамка для людсько-ШІ пізнання
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — Педагогічний симбіоз і постлюдський здобувач
- [[videla-embodied-ai-education-choreography]] — Втілена, посткогнітивістська критика розутіленого ШІ в освіті
- [[voicu-ai-interpretive-cognition-ssh-2026]] — Розвитково-критична модель інтерпретаційного пізнання в гуманітарних науках
- [[learning-with-machines-toward-a-theory-of-epistemic-co-agency]] — Епістемічна коагенційність як філософія навчання з машинами
- [[avraamidou-ai-colonization-science-education]] — Критико-феміністична філософія, що ставить під сумнів колонізацію освіти ШІ
- [[generative-ai-mediational-agent-sociocultural-2026]] — Генеративний ШІ як посередницький агент
- [[young-people-learning-generative-ai-rapid-review-2026]] — Екологічна рамка наук про навчання для GenAI
- [[philosophy-experimentation-ai-chemistry-2026]] — Філософія експериментування в хімії зі ШІ
- [[strydom-human-gai-paradigms-2026]] — Рамкування динаміки людини й ШІ: сім парадигм залучення GAI (Strydom 2026)
- [[daoism-ai-education-philosophy-2026]] — Альтернативна філософія ШІ: даосизм як метод для ШІ в освіті
- [[genai-higher-ed-agency-responsibility-discourse-2026]] — Who Acts, Who Knows, Who Answers? Корпусний дискурс-аналіз агенційності, епістемічної відповідальності та підзвітності в дослідженнях генеративного ШІ у вищій освіті

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Теорії та фреймворки** — робочий інвентар пояснювальних і організаційних структур, які ця база знань справді використовує. Теорії пояснюють, чому навчання відбувається ([[learning-theories]], [[self-determination-theory]], [[sociocultural-learning]], [[activity-theory-aied|теорія діяльності]]); фреймворки організовують рішення щодо проєктування, викладання й упровадження ([[tpack]], [[samr-model|SAMR]], [[technology-acceptance-model|моделі сприйняття технологій]], [[icap-framework|ICAP]], [[universal-design-for-learning|універсальний проєкт для навчання]]); моделі роблять твердження про навчання перевірними й обчислюваними ([[item-response-theory|теорія відгуку на завдання]], [[assessment-validity]], [[knowledge-tracing]]). Використовуйте цю сторінку, щоб знайти лінзу, на якій спирається дослідження, або щоб вибрати власну для своєї роботи.

## Питання для роздумів

- Теорія передбачає, що станеться, коли щось змінюється; фреймворк показує, на що звертати увагу. Коли дослідження повідомляє про здобуток під прапором якогось фреймворка, але не формулює жодного прогнозу, який міг би не справдитися, що насправді було дізнано?
- [[tpack|TPACK]], [[samr-model|SAMR]], [[universal-design-for-learning|UDL]], [[technology-acceptance-model|моделі сприйняття]] та [[icap-framework|ICAP]] — усі вони виникли раніше за [[llm|великі мовні моделі]]. Які їхні частини зберігають силу, коли інструмент може писати, пояснювати й адаптуватися самостійно, і як би ви це з'ясували?
- Кілька з описаних нижче теорій було сформульовано для ШІ лише впродовж останніх кількох років. Що мало б статися, щоб одна з них виявилася хибною, і чи намагався хтось це показати?
- Про упровадження часто повідомляють як рух через стадії. Якщо колега повідомляє, що його курс цього року перейшов «від заміщення до переосмислення», які незалежні докази ви б попросили, перш ніж у це повірити?
- Значна частина цієї галузі застосовує запозичену теорію, а не перевіряє її. Виберіть результат, на який ви покладаєтеся: чи можна було б його переформулювати як перевірку [[self-determination-theory|теорії]], і якого вимірювання це потребувало б?

## Вступ

Кожен ШІ-тьютор, система зворотного зв’язку та інформаційна панель містить у собі припущення про те, як навчаються люди, незалежно від того, чи формулюють їх проєктувальники. Ця сторінка збирає теорії, фреймворки та моделі, з яких ці припущення походять, приблизно впорядковані за тим, наскільки сильно на них спирається сучасна дослідницька література, і стисло каже, для чого кожна з них є придатною. Відмінності між трьома позначками є реальними, але незначними, і вони підсумовані ближче до кінця, а не взяті за предмет розгляду. Практично важливо, на якій лінзі спирається твердження і чи може ця лінза його підтримати.

## Теорії навчання, які застосовує література

Вони пояснюють механізми: називають частини, які виконують роботу, і передбачають, що станеться, коли ці частини зміняться. У літературі про ШІ їх здебільшого запозичено з психології та [[learning-sciences|наук про навчання]] та використано як інтерпретаційні рамки навколо нового інструмента.

- **[[learning-theories|Теорії навчання (загальне поняття)]]** — родина цілком, включно з класичними полюсами [[behaviorism|біхевіоризму]] та [[constructivist|конструктивізму]] і з розривом «конструктивізм на словах, біхевіоризм на практиці», який повторюється в реалізаціях ШІ. Конективізм і теорія когнітивного навантаження також розглядаються тут.
- **[[constructivist|Конструктивізм]]** — навчання як активне конструювання знань. Він підтримує проєктну роботу, діалоговий ШІ-тьюторінг і критику того, що системи тренування зі зворотним зв’язком порушують власну задекларовану педагогіку.
- **[[sociocultural-learning|Соціокультурна теорія]]** — навчання як опосередковане інструментами та соціальною взаємодією, і саме тому ШІ теоретизується як опосередкуючий артефакт, а не проста допомога.
- **[[activity-theory-aied|Теорія діяльності]]** — бере всю систему діяльності, включно з протиріччями, за одиницю аналізу. Поширена в дослідженнях ШІ, орієнтованих на викладачів, де цікавий результат — зазвичай напруга між інструментами, правилами й спільнотою.
- **[[situated-learning|Ситуативне навчання]]** і **[[embodied-learning|втілене навчання]]** — навчання як пов’язане з контекстом і з тілом, противага розгляду ШІ як суто мовного медіа.
- **[[distributed-cognition|Розподілена пізнання]]** — мислення, розподілене між людьми та артефактами, що трактує допомогу ШІ як перерозподіл когнітивної праці, а не її заміну.
- **[[community-of-inquiry|Спільнота дослідження]]** — соціальна, когнітивна та викладацька присутність, які роблять онлайн-досвід робочим; водночас теорія досвіду й рамка проєктування.
- **[[self-determination-theory|Теорія самодетермінації]]** — автономія, компетентність і пов’язаність як мотиваційні передумови. Часто пропонується як пояснення, коли використання ШІ підвищує залученість, не підвищуючи навчання.
- **[[cognitive-psychology|Когнітивізм]]** — інформаційна обробка, робоча пам’ять і розбіжність між відчуттям навчання та фактичним навчанням.

## Моделі здобувача та процесу навчання

- **[[self-regulated-learning|Саморегульоване навчання]]** — планування, моніторинг і оцінювання власного навчання. Робоча конструкція для питання про те, чи досягає підтримка ШІ тих фаз, які мають значення, або лише виконання.
- **[[metacognition|Метакогніція]]** — мислення про власне мислення, і конструкція, яку найчастіше називають, коли ШІ звинувачують у тому, що він мислить за студентів.
- **[[motivation|Мотивація]]** — чому здобувачі залучаються, і конструкція, яка відділяє залученість від навчання в дослідженнях ШІ.
- **[[self-efficacy|Самоефективність]]** — віра у власні можливості, відмінна від компетентності, і частий посередник між використанням ШІ та результатами.
- **[[agency|Агентність]]** — хто керує роботою: конструкція, що стоїть за напругою між контролем і автономією в цій галузі, а також за механізмом делегованої агентності в найновішій теорії.
- **[[desirable-difficulties|Бажані труднощі]]**, **[[retrieval-spacing-interleaving|відтворення, інтервалювання та чергування]]** і **[[refutation-text|текст спростування]]** — результати, що роблять опір педагогічно цінним; застосовуються до рішень про те, скільки має робити ШІ.
- **[[transfer-of-learning|Перенесення навчання]]** — чи зберігається здатність після зняття підтримки; найновіші теорії розглядають це як критерій, який відділяє навчання від допомоги, а не як один результат серед інших.

## Фреймворки викладання, інтеграції та упровадження

- **[[tpack|TPACK]]** — знання викладача, що поєднує технології, педагогіку й зміст; типовий фреймворк для досліджень ШІ, орієнтованих на викладачів.
- **[[technology-acceptance-model|Моделі сприйняття]]** — намір як функція від сприйманої корисності та легкості використання. Використовуються настільки широко, що опора галузі на намір, а не на поведінку є стійкою критикою.
- **[[icap-framework|ICAP]]** — ранжує залученість як пасивну, активну, конструктивну, інтерактивну; корисно для питання про те, який режим насправді забезпечує взаємодія зі ШІ.
- **[[samr-model|SAMR]]** — від заміщення до переосмислення. Популярна як історія зрілості, слабка як інструмент вимірювання.
- **[[universal-design-for-learning|Універсальний проєкт для навчання]]**, **[[inclusive-learning|інклюзивне навчання]]** і **[[accessibility|доступність]]** — рамки проєктування для питання про те, кого обслуговують, і ті, які найчастіше залучають у роботах з інвалідності та справедливістю.
- **[[learning-design|Проєктування навчання]]**, **[[curriculum-design|Проєктування навчального плану]]** і **[[design-thinking|Дизайн-мислення]]** — як структуруються завдання, послідовності й програми до вибору будь-якого інструмента.
- **[[change-management|Управління змінами]]** — чи взагалі систему впроваджують, і це зазвичай інституційне питання, а не педагогічне.

## Моделі вимірювання та обчислювальні моделі

- **[[item-response-theory|Теорія відгуку на завдання]]** — оцінювання завдань і здібностей, і модель, яка робить числа тесту інтерпретованими.
- **[[educational-measurement|Освітнє вимірювання]]** — ландшафт інструментів, включно з мірками, побудованими спеціально для ШІ-грамотності.
- **[[assessment-validity|Валідність]]** — чи вимірює інструмент ту конструкцію, про яку заявляє, і це вирішує, чи підтримує повідомлений результат теоретичне твердження, з ним пов’язане.
- **[[self-report-measures|Міри самооцінки]]** — домінуюче і найбільш крихке джерело доказів у цій літературі; про кілька конструкцій вище відомо, що вони різко розходяться між самооцінкою та результативністю.
- **[[knowledge-tracing|Відстеження знань]]** і **[[student-modeling|Моделювання студента]]** — оцінювання стану здобувача в часі на основі даних взаємодії.
- **[[cognitive-diagnosis|Когнітивна діагностика]]** — приписування результативності конкретним компонентам навичок, моделювальний аналог діагностичного викладання.
- **[[benchmark|Бенчмарки]]**, **[[ai-ed-evaluation|оцінювання в освіті на базі ШІ]]** і **[[psychometrically-aware-ai|психометрична обізнаність у проєктуванні ШІ]]** — як системи та втручання оцінюються, порівнюються й перевіряються.
- **[[design-based-research|Дослідження на основі проєктування]]** — метод, який генерує теорію з проєктних втручань, а не перевіряє її заздалегідь.

## Теорії, сформульовані для ери ШІ

Чотири пропозиції в цій базі знань будують теорію, а не запозичують її. Вони є сторінками статей, а не понятійними вузлами, бо кожна з них — це єдиний аргумент:

- **[[generativism-learning-theory|Генеративізм]]** — нова теорія навчання, що стверджує, ніби класичні чотири демонструють значні концептуальні обмеження в міру поширення генеративного ШІ.
- **[[learning-with-machines-toward-a-theory-of-epistemic-co-agency|Епістемічна ко-агентність]]** — модель того, як здобувачі та системи ШІ спільно продукують знання й розуміння.
- **[[absent-cognitive-baseline-2026|Відсутній когнітивний базис]]** — теоретизує, чому студенти, «корінні» для ШІ, переоцінюють власне навчання, коли ШІ завищує результативність.
- **[[yan-agentivism-learning-theory-ai-2026|Агентивізм]]** — теорія середнього рівня, що називає чотири механізми (делегована агентність, епістемічний моніторинг і верифікація, реконструктивна інтеріоризація та перенесення за зменшеної підтримки) і формулює шість перевірних тез.

## Як відрізняти три позначки

Слова в літературі вживаються невиразно, і відмінність варта одного абзацу, а не цілої сторінки:

- **Теорія пояснює механізм** і передбачає, що станеться, коли її частини зміняться. Вона може не спрацювати, і саме тому дослідження, що її перевіряють, можуть повідомляти розміри ефекту.
- **Фреймворк організовує або предписує.** Він називає компоненти, на які варто звертати увагу, зазвичай не передбачаючи величин, і його не можна фальсифікувати.
- **Модель — це формальне представлення**, найчастіше вимірювання або стану здобувача. Її можна підігнати, порівняти й показати, що вона хибна — так, як не можна з фреймворком.
- **Позначки перетинаються.** [[community-of-inquiry|Спільнота дослідження]] є водночас теорією й рамкою проєктування; [[activity-theory-aied|теорія діяльності]] є пояснювальною і аналітичною. Трактуйте позначку як підказку про те, що твердить джерело, а не як категорію для підшивки.

## Пов’язані шари

Дві сусідні сторінки навмисно присвячені чомусь іншому. [[philosophy-of-ai-in-education|Філософія ШІ в освіті]] ставить нормативні та концептуальні питання — для чого освіта *існує*, чи може машина викладати — і не передбачає розмірів ефекту; дослідження може бути філософськи наївним і теоретично обґрунтованим, або навпаки. [[theory-development-aied|Розвиток теорії]] — це метадіяльність будівництва, запозичення та перегляду теорії, включно зі стійкою критикою, що значна частина роботи AIEd застосовує наявну теорію, а не перевіряє її. Ця сторінка — інвентар; розвиток теорії стосується створення й перегляду інвентаря.

## Вибір лінзи, коли питання практичне

- **Викладачі**, що починають із проблеми, можуть рухатися назад: якщо здобувачі не залучаються, [[icap-framework|ICAP]] та [[self-determination-theory|SDT]] називають різні причини й пропонують різні рішення; якщо питання в тому, чи впроваджувати інструмент взагалі, [[technology-acceptance-model|моделі сприйняття]] та [[samr-model|SAMR]] ставлять про нього різні питання.
- **Проєктувальники навчання** отримують найбільше від рамок проєктування — [[universal-design-for-learning|UDL]], [[learning-design]] і [[scaffolding]] — у поєднанні з теорією, яка передбачає, що станеться, коли скаффолдинг буде знято.
- **Дослідники** мають зазначати, на який вузол претендує дослідження, і чи може його проєкт цей вузол насправді перевірити; моделі вимірювання ([[item-response-theory|IRT]], [[assessment-validity]], [[self-report-measures]]) вирішують, чи підтримує повідомлений результат це твердження.
- **Адміністратори** зустрічають ці фреймворки як питання упровадження та змін, де стадійну модель часто використовують як історію зрілості, а не як інструмент.

## Чого не можуть фреймворки

Фреймворки не є доказом. Їх зазвичай запозичено з до-LLM контекстів, і локалізує їх той, хто застосовує; вони можуть функціонувати як брендування, а стадійні моделі запрошують до упровадження за прапорцями, яке повідомляє про рух через рівні, а не про навчання. Твердження, що спираються на фреймворк, слід читати поряд із [[limitations-in-aied-research|міжгалузевими обмеженнями цієї галузі]], [[assessment-validity|валідністю]] того, що вимірювало результат, і відомими обмеженнями [[self-report-measures|самооцінки]].

Узгодженість механізму з теорією, тим не менш, може бути вирішальною: тематичний синтез 55 досліджень ігрового навчання з підтримкою ШІ виявив, що ефективність залежала від того, чи реалізовував механізм ШІ педагогіку, якій мав служити, а не від алгоритмічної складності ([[ai-game-based-learning-systematic-review-2026|Kaşarcı and Yurt (2026)]]).

## Пов’язані поняття

- [[theory-development-aied]] — будівництво та перегляд теорії в цій галузі
- [[philosophy-of-ai-in-education]] — нормативний і концептуальний шар
- [[learning-theories]] — загальне поняття для теорій навчання
- [[learning-sciences]] — суміжна галузь, з якої запозичується більшість теорій
- [[limitations-in-aied-research]] — що може і чого не може підтримати база доказів
- [[tpack]] — фреймворк знань викладача
- [[technology-acceptance-model]] — фреймворки упровадження
- [[item-response-theory]] — модель вимірювання
- [[universal-design-for-learning]] — фреймворк проєктування
- [[research-methods-aied]] — як перевіряють теорії

## Пов’язані статті

- [[ai-game-based-learning-systematic-review-2026]] — Узгодженість механізму з теорією, а не алгоритмічна складність, визначала ефективність у 55 дослідженнях ігрового навчання з ШІ
- [[rismanchian-ai-education-four-decades-aixed-2026]] — чотири десятиліття AIED через лінзу фреймворка AI×Ed
- [[educating-minds-generative-ai-2026]] — насичений теоріями синтез генеративного ШІ та навчання
- [[activity-theory-teacher-pd-ai-agent-design-2026]] — теорія діяльності, застосована до професійного розвитку викладачів
- [[activity-theory-teachers-adoption-ai-sem-2026]] — теорія діяльності та упровадження викладачами
- [[generativism-learning-theory]] — теорія навчання, запропонована для ери генеративного ШІ
- [[learning-with-machines-toward-a-theory-of-epistemic-co-agency]] — до теорії епістемічної ко-агентності
- [[absent-cognitive-baseline-2026]] — теоретизування структурної прогалини в самооцінці студентів, «корінних» для ШІ
- [[yan-agentivism-learning-theory-ai-2026]] — теорія навчання середнього рівня для взаємодії людини зі ШІ
- [[ai-literacy-instrument-development-systematic-review-2026]] — розробка інструментів для молодої конструкції
- [[mishra-control-vs-agency-history-2025]] — фундаментальна напруга між контролем і агентністю в цій галузі

---

## [Розвиток теорії в ШІ в освіті](https://edtechdev.github.io/aied/concepts/theory-development-aied/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Розвиток теорії в [[ai-education|ШІ в освіті]]** — наукова робота зі створення, розвитку та критичного дослідження теорій і концептуальних фреймворків, що пояснюють, як взаємодіють здобувачі, викладачі та системи ШІ. У міру того як генеративний ШІ перебудовує освіту, галузь і пропонує *нові* теорії навчання зі ШІ, і переробляє усталені [[learning-theories|теорії навчання]] — тоді як задокументована слабкість у використанні теорії залишається міжгалузевим обмеженням досліджень AIEd.

## Питання для роздумів

- Ми часто говоримо про «застосування теорії» до ШІ в освіті, але ця сторінка ставить питання, чи галузь справді винаходить нові теорії. Перш ніж читати далі: коли знайомий фреймворк (наприклад [[behaviorism]] або конструктивізм) розтягнуто, щоб покрити генеративний ШІ, що він може виразити правильно, а що може тихо спотворити?
- Згадайте випадок, коли ви користувалися ШІ і відчули, що ваше розуміння зросло — або навпаки. У чому різниця між «навчанням з інструментом» і «співконструюванням знань із машиною»? Де ви провели б цю межу, і чи взагалі має сенс казати, що машина є ко-агентом?
- Багато досліджень ШІ в освіті критикують за слабке використання теорії або за його повну відсутність. Якби ви прочитали дослідження, яке показало, що інструмент ШІ «спрацював», що воно має б розповісти вам про те, чому і як він спрацював, перш ніж ви назвете цей результат теоретично значущим, а не просто розміром ефекту?
- Одна з запропонованих теорій стверджує, що студенти, «корінні» для ШІ, переоцінюють власне навчання, бо ШІ завищує їхню результативність. Чи помічали ви за собою або за іншими відчуття більшої компетентності після активного використання ШІ, ніж ви могли б продемонструвати без нього? Які були б найсильніші докази того, що це реальне явище, а не просто артефакт одного дослідження?
- Сторінка відрізняє теорію (пояснення механізмів навчання) від філософії (ставити під сумнів, чим фундаментально є навчання і розум). Де у вашому власному мисленні про ШІ ви помічаєте, що пересуваєтеся між цим двома — наприклад, питаєте не лише про те, чи добре фреймворк пояснює навчання, а й про те, чи передає він, чим навчання справді є?
- З'являються нові теорії — генеративізм, епістемічна ко-агентність, когнітивне спільне надбання. Як читачеві, що переконало б вас у тому, що одна з них є справжнім поступком, а не модним перейменуванням старих ідей? Сформулюйте власний критерій того, що має пояснювати добра нова теорія навчання зі ШІ.

## Вступ

Розвиток теорії в AIEd лежить на межі між прикладними [[learning-theories|теоріями навчання]], на які спирається галузь, і новими конструктами, які породжує ера ШІ. Там де [[learning-theories]] каталогізує усталені теорії, застосовані до ШІ (біхевіоризм, конструктивізм, когнітивне навантаження, самодетермінація тощо), це поняття відстежує *процес і продукт самого теоретизування*: які нові теорії та фреймворки народжуються, як розвиваються усталені теорії та методологічне питання про те, чи галузь добре теоретизує.

## Нові теорії навчання зі ШІ

Зростаючий кластер статей явно створює нову теорію для ери ШІ, а не застосовує наявні рамки:

- **Генеративізм.** [[generativism-learning-theory|Генеративізм]] запропоновано як нову теорію навчання, що стверджує, ніби біхевіоризм, когнітивізм, [[constructivist|конструктивізм]] і конективізм кожен спираються на одному припущенні, яке руйнує генеративний ШІ: що спостережувана продукція засвідчує навчання (біхевіоризм), що когнітивні операції відбуваються всередині здобувача (когнітивізм), що значення конструюється, а не постачається (конструктивізм), і що важка частина — це навігація до наявних знань, а не їхнє генерування (конективізм). Він називає чотири конструкці — епістемічне партнерство, розподілену агентність, генеративну грамотність і адаптивну метакогніцію — і виводить індикатор оцінювання для кожної, що є прямим претензією назвати окрему теоретичну парадигму для опосередкованого ШІ навчання. Чого він не робить, так не формулює тез, які могли б не спрацювати: це позиційна стаття, що синтезує наявні докази, тому, на відміну від описаного нижче агентивізму, він пропонує словник і програму вимірювань, а не фальсифіковну теорію.

- **Зв’язаність із ШІ.** [[ai-connectedness-adolescent-mental-health-2026|Fu and Zhao (2026)]] реконструюють зв’язаність для ери ШІ через етику турботи та неоекологічну теорію, визначаючи «зв’язаність зі штучним інтелектом» як психологічно реальний, проте етично асиметричний зв’язок із трьома вимірами та шістьма фальсифіковними тезами, що чекають на розробку шкали.

Синтетична позиція додає конкуруючу заявку, яка таки формулює тези: вона називає *синтетичне просування* і *авторське зумовлення* — себе, щільно озвученого, проте неавторського — і передбачає кроссовер-взаємодію, в якій оцінена авторськість і узгодженість життєвого наративу рухаються в протилежних напрямах ([[synthetic-position-self-authorship-2026|Du et al. (2026)]]).

- **Агентивізм.** [[yan-agentivism-learning-theory-ai-2026|Yan and Gašević (2026)]] пропонують агентивізм як теорію навчання середнього рівня для взаємодії людини зі ШІ, визначаючи навчання як тривале зростання людської здатності, а не успішне виконання завдання зі ШІ, і конкретизуючи чотири механізми: делеговану агентність, епістемічний моніторинг і верифікацію, реконструктивну інтеріоризацію та перенесення за зменшеної підтримки. Що відділяє її від інших заявок на цій сторінці — так це фальсифіковність: вона формулює шість тез, включно з тим, що навчання сильніше, коли ШІ зберігає відповідальність здобувача за формулювання проблеми, задання критеріїв та обґрунтування, ніж коли він постачає відповіді, і що вимога верифікації має покращувати відстрочену результативність, тоді як повторне делегування з низьким опором без реконструкції має послаблювати калібрування здобувачами власної компетентності.

Теоретизування з боку викладачів тепер дає те саме зобов’язання щодо перевірності: Модель здатності й рішення розміщує здатність [[tpack|AI-TPACK]] вище за ставлення і сприйманий контроль поведінки й називає чотири умови спростування — провал медіації, колапс дискримінантності, нульовість модерації та надмірність контексту — хоча модель залишається неперевіреною ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

- **Епістемічна ко-агентність.** [[learning-with-machines-toward-a-theory-of-epistemic-co-agency|Learning with Machines]] будує «до теорії епістемічної ко-агентності» — модель, збудовану на теорії, про те, як здобувачі та системи GenAI спільно продукують знання й розуміння.
- **Відсутній когнітивний базис (ACB).** [[absent-cognitive-baseline-2026|The Absent Cognitive Baseline]] теоретизує структурну прогалину в академічній самооцінці студентів, «корінних» для ШІ, — тривимірний фреймворк, що пояснює, чому студенти переоцінюють власне навчання, коли ШІ завищує результативність.
- **Когнітивне спільне надбання.** [[cognitive-commons-ai-expertise-regeneration|Cognitive commons and expertise regeneration]] спирається на теорію ресурсів спільного користування та [[distributed-cognition|розподілену пізнання]], щоб пояснити, як раціональні рішення про упровадження ШІ можуть виснажувати спільний пул експертизи, необхідний професіям для оновлення.
- **Результативність проти навчання.** [[genai-performance-vs-learning|Performance-vs-learning]] теоретизує різку розбіжність між завищеною ШІ результативністю на завданні та тривалим навчанням — відмінність, яка повторюється в доказах [[learning-gains]] цієї бази знань.
- **Епістемічна [[ai-literacy|ШІ-грамотність]] (EAIL).** [[constructing-epistemic-ai-literacy-student-ai-co-programming|Epistemic AI Literacy]] переформовує ШІ-грамотність як процесно орієнтовану епістемічну компетентність, зосереджену на тому, як конструюються й обґрунтовуються знання, коли студенти спільно програмують із генеративним ШІ.

- **Трисистемна теорія.** [[shaw-nave-cognitive-surrender-2026|Shaw and Nave (2026)]] розширюють двопроцесові концепції **Системою 3** — зовнішнім, автоматизованим, керованим даними міркуванням від ШІ, яке може доповнювати, витісняти або пригнічувати Систему 1 і Систему 2, — і називають **когнітивну капітуляцію**, некритичне прийняття продукції ШІ, її характерним провалом.
- **Когнітивне піклування.** [[credential-cognitive-stewardship-ai-assessment|Credential and cognitive stewardship]] теоретизує [[governance|інституційну]] відповідальність за захист знань і навчання в контекстах оцінювання, просякнутих ШІ.
- **Ко-[[regulation]] і епістемічна проактивність.** [[ai-cognitive-partner-co-regulation-learning|AI as a cognitive partner in co-regulation]] інтегрує виконавчу функцію, [[metacognition]], розподілену пізнання та [[sociocultural-learning|соціокультурний]] розвиток у розвиткову модель; [[epistemic-proactivity-math|епістемічна проактивність]] теоретизує агентну позицію студентів щодо ШІ в [[math-education|математиці]].
- **Парадигми [[student-engagement|залучення]] людини з GAI.** [[strydom-human-gai-paradigms-2026|Strydom (2026)]] звертається до «теоретичного дефіциту» галузі, ґрунтуючи сім реалізованих парадигм залучення людини з GAI (обережна, зосереджена на можливостях, посилена, першовідкривацька, симбіотична, ціннісна, [[equity-in-ai-education|справедливості]]) в багатовимірній моделі персональних епістемологічних переконань Шоммер — епістемологічній, а не зосередженій на інструменті, теорії того, як люди по-різному позиціонують себе щодо ШІ.
- **Екологічний фреймворк ко-агентності.** [[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]] стверджує, що [[generative-ai|генеративний ШІ]] перепризначає епістемологічний авторитет від викладачів до студентів, а від них до машин, і вводить фреймворк, що визначає ко-агентність через три взаємозалежні виміри — реляційний, регуляторний (відображений на [[self-regulated-learning|цикл SRL]]) і [[pedagogy|педагогічний]] (континуум упровадження викладачами), — усі обмежені недоторканною умовою людської епістемічної підзвітності (оспорюваність, походження та незаделегованість морального та інтелектуального авторства). Він позиціонує [[agency]] як *епістемічну* проблему проєктування, а не [[usability-research|зручності використання]], даючи установам точнішу мову, ніж «баланс», для регулювання інтеграції GenAI.
- **Реляційна епістемічна агентність та епістемічна залежність.** [[du-yuan-epistemic-dependence-2026|Du & Yuan (2026)]] подають критично-інтегративний аналіз того, коли опосередкована ШІ залежність зберігає, а коли витісняє судження. Вони операціоналізують межу між продуктивною залежністю та шкідливою залежністю через шість діагностичних критеріїв (оспорюваність, відновлюваність, перенесення, простежуваність, розподілена відповідальність, епістемічний плюралізм) і простежують чотири соціотехнічні траєкторії (плинний авторитет, безопорне делегування, непрозорий синтез, інституціоналізована залежність). Їхня нормативна пропозиція, **реляційна епістемічна агентність**, розширює лінії реляційної автономії та епістемічної ко-агентності, зберігаючи явну асиметрію — ШІ може формувати міркування без взаємної відповідальності або легітимного авторитету, — водночас інтегруючи відповідальність та епістемічну справедливість на інституційному рівні. Як теорія навчання зі ШІ, вона пересуває питання галузі з того, чи ШІ допомагає чи шкодить, на те, які епістемічні дії зберігаються, трансформуються або витісняються, і робить *проєктування залежності*, а не лише її використання, об’єктом педагогічної та інституційної інтервенції.

## Розвиток усталених теорій

Інші роботи розширюють наявну теорію в контекст ШІ, а не засновують нові парадигми: роботи [[critical-thinking-paradox-genai-learning-2026|критичного мислення-парадоксу]] інтегрують [[cognitive-offloading|теорію когнітивного навантаження]] з інструктуванням зі зниження навантаження в трирівневий фреймворк; [[dollinger-equitable-assessment-ai-2026|справедливе оцінювання]] перетеоретизує [[assessment]] під порушенням від GenAI. [[reconceptualizing-community-inquiry-generative-ai|Ba, Gašević, Lim & Anderson (2026)]] реконцептуалізують сам фреймворк [[community-of-inquiry|Спільноти дослідження]]: замість того щоб трактувати GenAI як інструмент, діалогового партнера або спекулятивну «четверту присутність», вони перепозиціонують його як *епістемічну умову*, що перебудовує те, як когнітивна, соціальна та [[teacher-role|викладацька]] присутність реалізуються, підтверджуються й регулюються, — переосмислюючи присутності CoI як соціотехнічні здійснення ансамблів людини з GenAI і пропонуючи конфігураційну евристику, в якій залученість GenAI та якість дослідження умовно пов’язані через людську підзвітність. Значна частина цього — це робота з концептуальними фреймворками ([[drummond-genai-business-schools-framework-2026|фреймворки бізнес-шкіл]], [[valid-student-simulation-llm-2026|валідна симуляція]]), яка операціоналізує теорію для практики.

[[metacognitive-ownership-human-ai-regulation-2026|Lin and Chang (2026)]] розширюють [[self-regulated-learning]] і регуляцію людини зі ШІ, називаючи те, що керує здобувачем, — стандарти, оцінні судження та авторизацію контролю, — а не лише те, що робить ШІ.

[[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren, and Stamper (2026)]] розвивають ACT-R і фреймворк «Знання–навчання–інструктування», теоретизуючи *оманливу узагальненість* — режим провалу, в якому компіляція знань дає узагальнену продукцію, що продукує правильні дії, пропускаючи критичне обмеження застосування, — і емпірично валідуючи процедуру виявлення та корекції на адаптивних ITS і наборі даних [[k-12]] з навчання десятковим дробам.

**Постфеноменологія та технологічна медіація.** [[farazouli-navigating-uncertainty-teachers-genai-2026|Farazouli et al. (2026)]] розвивають усталений постфеноменологічний фреймворк технологічної медіації (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) у контекст ШІ в освіті. Замість того щоб пропонувати нову теорію, вони застосовують її, щоб реконцептуалізувати GAI [[conversational-ai|чатботи]] як *полістабільні технологічні артефакти, чиї «скрипти» (швидка чуйність, природно звучачий текст, здатний отримати прохідні оцінки) медіють сприйняття викладачів і перебудовують їхні практики — порушуючи впевненість викладачів, переосмислюючи те, що означає компетентність, і штовхаючи викладачів за межі інструментальних питань прийнятного використання до переоцінки їхньої ролі та смислу викладання. Це внесок у *розвиток* теорії: він демонструє, як філософський акаунт людсько-технологічних відношень пояснює емоційне та професійне порушення, якого зазнають викладачі, коли GAI входить у встановлену освітню практику.

Далі внеском у фреймворк є [[rismanchian-ai-education-four-decades-aixed-2026|типологія AI×Ed від Rismanchian & Doroudi]], яка розширює оригінальні «три взаємодії» Кана (1977) уздовж двох осей — ролі ШІ (застосований інструмент проти аналогії до людського інтелекту) та кінцевого користувача (від дослідника до здобувача), — щоб розмістити будь-який проєкт AIED. Окрім категоризації галузі, вона виступає за відродження напряму теорії та досліджень «ШІ як аналогія до людського інтелекту», використовуючи обчислювальні та агентно-орієнтовані моделі навчання (наприклад, власну обчислювальну модель [[icap-framework|фреймворка ICAP]]) для з’єднання сучасної [[learning-theories|теорії навчання]] та обчислювального моделювання — методологічного напряму, який галузь здебільшого залишила, коли повернулася до прикладної, керованої даними роботи.

**Порівняльна філософія як шлях до теоретичного плюралізму.** Xie (2026) моделює інший шлях до розвитку теорії: замість того щоб теоретизувати ШІ в освіті зсередини однієї традиції, стаття розігрує порівняльний діалог, у якому кожна традиція «робить видимим те, що інша приховує», явно відмовляючись синтезувати їх в єдиний фреймворк, — підхід, що трактує теоретичний плюралізм як методологічну позицію, а не як нерозв’язану розбіжність. Він стверджує, що незахідні традиції можуть більше, ніж урізноманітнювати дискусії; вони можуть перебудовувати концептуальні основи теорії AIEd, реконструюючи даоську «природу Дао» (道性), самовдосконалення (修道) та «Чженьжень» (真人) як ресурси для переосмислення [[agency]], епістемічних цілей освіти та [[ethics|етичної]] дії в умовах, опосередкованих ШІ. Він також прямо називає обмеження: внесок є одноавторським і неемпіричним, і він попереджає, що таке перенесення потребує контекстуалізації, щоб уникнути романтизації та орієнталізму. ([[daoism-ai-education-philosophy-2026]])

## Проблема використання теорії в AIEd

Теоретизування галузі є нерівномірним. [[limitations-in-aied-research|Обмеження в дослідженнях AIEd]] документують, що дослідження AIEd часто використовують теорію слабко або некритично — повторювана методологічна слабкість поряд із прогалинами відтворюваності та вимірювання. Огляди знаходять, що багато статей AIEd застосовують теорію поверхнево або взагалі ніяк (наприклад, [[llm-critical-thinking-teamwork-review|огляди літератури]], що відзначають мало досліджень, ґрунтованих у теорії навчання). Це робить *розвиток* теорії — і *використання* теорії — питанням якості не менше, ніж науковою продукцією, пов’язуючи їх із [[research-methods-aied|методами досліджень]] та [[ai-ed-evaluation]].

## Співвідношення з філософією ШІ в освіті

Розвиток теорії та [[philosophy-of-ai-in-education|філософія ШІ в освіті]] є взаємодоповнюваними, але відмінними напрямами фундаментальної роботи цієї бази знань. **Розвиток теорії** продукує та емпірично перевіряє *механізми* навчання зі ШІ — названі теорії та фреймворки, такі як генеративізм, епістемічна ко-агентність і відсутній когнітивний базис, які пояснюють і передбачають, як взаємодіють здобувачі та ШІ. **Філософія** досліджує *передумови*, на яких ці механізми спираються: що вважається знанням, кого вважають знавцем і чим фундаментально є здобувач. Теорія на кшталт [[learning-with-machines-toward-a-theory-of-epistemic-co-agency|епістемічної ко-агентності]] пропонує механізм, водночас імпліцитно приймаючи філософські зобов’язання щодо розподіленої пізнання та [[agency]]; філософія робить ці зобов’язання явними й оспорюваними. Там де розвиток теорії питає, чи добре фреймворк пояснює навчання, філософія питає, чи передає він, чим навчання й розум справді є, — два напрями зустрічаються в найфундаментальніших статтях галузі, які часто роблять те й інше водночас.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[yan-agentivism-learning-theory-ai-2026]] — Теорія навчання середнього рівня для взаємодії людини зі ШІ, із чотирма механізмами та шістьма перевірними тезами (Yan and Gašević 2026)
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Оманлива узагальненість: адаптивне засвоєння може зупинити практику раніше, ніж здобувачі дізнаються, коли варто утримати дію (An, McLaren & Stamper 2026)
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[generativism-learning-theory]] — Генеративізм як нова теорія навчання
- [[learning-with-machines-toward-a-theory-of-epistemic-co-agency]] — До теорії епістемічної ко-агентності
- [[du-yuan-epistemic-dependence-2026]] — Реляційна епістемічна агентність і межа між продуктивною залежністю та шкідливою залежністю (Du & Yuan 2026)
- [[absent-cognitive-baseline-2026]] — Відсутній когнітивний базис (ACB)
- [[cognitive-commons-ai-expertise-regeneration]] — Когнітивне спільне надбання та регенерація експертизи
- [[genai-performance-vs-learning]] — Результативність проти навчання
- [[constructing-epistemic-ai-literacy-student-ai-co-programming]] — Епістемічна ШІ-грамотність (EAIL)
- [[credential-cognitive-stewardship-ai-assessment]] — Креденціал і когнітивне піклування
- [[ai-cognitive-partner-co-regulation-learning]] — ШІ як когнітивний партнер у ко-регуляції
- [[epistemic-proactivity-math]] — Епістемічна проактивність у математиці
- [[strydom-human-gai-paradigms-2026]] — Сім парадигм залучення людини з GAI, ґрунтованих в епістемологічних переконаннях
- [[critical-thinking-paradox-genai-learning-2026]] — Парадокс критичного мислення
- [[dollinger-equitable-assessment-ai-2026]] — Справедливе оцінювання за GenAI
- [[shaw-nave-cognitive-surrender-2026]] — Трисистемна теорія та когнітивна капітуляція: як ШІ перебудовує людське міркування (Shaw & Nave 2026)
- [[reconceptualizing-community-inquiry-generative-ai]] — Реконцептуалізація Спільноти дослідження в епоху генеративного ШІ
- [[farazouli-navigating-uncertainty-teachers-genai-2026]] — Досвід і сприйняття GAI викладачами університетів: вразливість, переосмислення оцінювання, навчання студентів під загрозою (Farazouli et al. 2026)
- [[rismanchian-ai-education-four-decades-aixed-2026]]
- [[daoism-ai-education-philosophy-2026]] — Альтернативна філософія ШІ: даосизм як метод для ШІ в освіті
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: схеми на основі тверджень для аудитовного кодування освітніх діалогів
- [[metacognitive-ownership-human-ai-regulation-2026]] — Метакогнітивне володіння: визначення конструкції, межі та програма досліджень
- [[synthetic-position-self-authorship-2026]] — Синтетична позиція: заявка діалогічного «я», що називає синтетичне просування та авторське зумовлення з кроссовер-прогнозом
- [[capability-decision-model-teacher-readiness-2026]] — Фальсифіковна модель готовності викладачів із пріоритетом здатності та чотирма умовами спростування
- [[ai-connectedness-adolescent-mental-health-2026]] — Зв’язаність зі штучним інтелектом: тривимірна конструкція із шістьма фальсифіковними тезами для подальшого перевірення

---

## [Співпраця людини та ШІ](https://edtechdev.github.io/aied/concepts/human-ai-collaboration/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Співпраця людини та ШІ** — розподіл когнітивної праці між людьми та моделями — є основною темою взаємодії бази знань: [[human-ai-collaboration-trust-expectations]], [[humanlike-ai-collaborative-writing]], [[genai-mindtool-generative-learning]] та [[teacher-student-agency-orchestration]] досліджують довіру, агентність і доповнювальні ролі ([[human-in-the-loop-ai]], [[agentic-ai]]). Визначальне питання — чи **зберігає чи заміщає** партнерство власну когнітивну роботу здобувача — та сама угода може підтримувати навчання або підміняти його залежно від того, як розподілена відповідальність.

## Питання для роздумів

- Визначальне питання співпраці людини та ШІ — чи зберігає чи заміщує партнерство вашу власну когнітивну роботу. Згадайте завдання, яке ви передали ШІ: ви генерували та вирішували, чи просто приймали?
- Одне дослідження виявило, що вільна колаборація з ChatGPT давала лише тимчасові здобутки, які зникали на пізнішому завданні без допомоги, тоді як протокол «спочатку подумай, ChatGPT потім» давав стійке навчання. Чому те, хто генерує ідеї, може передбачати, чи ви справді навчаєтеся?
- Той самий інструмент може підтримувати навчання або підміняти його залежно від того, як розподілена відповідальність. Чи можете ви згадати угоду, що утримувала вас когнітивно продуктивним, проти такої, що тихо знімала ваше мислення?
- Одна угода інвертує звичайні ролі: замість того щоб модель постачала відповіді, студент пояснює зміст, а модель грає роль невігласа, який просить пояснень, прикладів і контраргументу. Якщо ШІ — той, хто запитує, що відбувається з тим, скільки мислення залишається на вашому боці?
- Довіра описується як те, що має калібруватися, а не припускатися — спиратися на ШІ там, де доречно, і перевіряти там, де ні. Як ви зараз вирішуєте, коли довіряти, а коли перевіряти результати ШІ?
- [[research-methods-aied|Research]] виокремлює режими колаборації, які пов’язують ефективність із глибиною вашої саморегуляційної [[student-engagement|engagement]]. Коли варто погоджуватися на меншу ефективність, щоб утримати більше навчання у власних руках?
- Якщо колаборація — це [[pedagogy|pedagogical]] вибір у такій самій мірі, як і технічний, які проєктувальні ходи (підказки, робочі процеси, структури) ви б налаштували, щоб забезпечити посилення, а не заміщення мислення ваших здобувачів ШІ?

## Вступ

Співпраця людини та ШІ описує, як здобувачі, викладачі та [[ai-technologies|AI systems]] розподіляють когнітивну роботу — хто що робить, хто вирішує, і як підтримуються [[trust]] та [[agency]]. Замість того щоб [[framing-ai-use-for-students|framing AI]] як або заміну, або пасивний інструмент, дослідження колаборації трактують ШІ як партнера з доповнювальними сильними сторонами, цінність якого залежить від того, як розподілена і моніториться відповідальність. На рівні спостережуваної поведінки [[student-ai-interaction]] фіксує, як здобувачі втілюють ці стосунки на практиці — питання, підказки та рухи перевірки, які вони здійснюють із ШІ від моменту до моменту.

Розподіл праці проходить також через людей, які проєктують взаємодію. У [[ai-integration-instructional-design-collaboratory-2026|twelve teacher-education course implementations]] факультет позиціонував ШІ як партнера для мислення, генератора критики або інструмент репетиції, тоді як кандидати зберігали відповідальність за оцінювання, адаптацію та обґрунтування рішень, проте той самий білий папір повідомляє, що кандидати знецінили зворотний зв’язок, який раніше вже визнали корисним, щойно було розкрито авторство ШІ, — епізод, який він називає ефектом лопання балона. [[tang-chatbots-learning-design-2026|analysis of 1,378 designer-chatbot turns]] вказує в протилежному напрямі щодо генерації: проєктувальники використовували вбудованого помічника переважно для перевірок узгодженості цілей навчання та педагогічного підходу, а не для створення змісту. В обох випадках саме людське [[evaluative-judgment|evaluative judgment]], а не результат моделі, несе навчання.

### Вигоди, ризики та наслідки для проєктування

Докази бази знань показують, що співпраця людини та ШІ — угода з двоєголовим лезом, результат якої визначається проєктуванням, а не самим ШІ:

- **Колаборація може посилювати навчання, коли зберігає когнітивну залученість.** Дослідження [[genai-mindtool-generative-learning|GenAI as a mindtool]] та керованої колаборації показують, що коли розподіл праці утримує здобувача таким, що генерує, вирішує та оцінює, ШІ посилює, а не заміщає мислення — породжуючи стійкі здобутки в [[self-regulated-learning|self-regulated learning]] та [[creativity]]. Те, що здобувач зберігає вирішальну роль, масштабується й на письмо: [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash & Connell Pensky (2025)]] показують, що критики LLM аргументованих есе студентів покращили письмо за семестр, причому здобувачі вирішували, чи інтегрувати, чи відкинути зворотний зв’язок моделі (87,8% відкинули твердження) — угода, що зберегла оцінювальну роботу здобувача, — і здобутки з’являлися навіть на есе, написаних без підтримки LLM, що вказує на стійку навичку, а не на [[cognitive-offloading|tool dependency]].
- **Колаборація може підміняти навчання, коли знімає надто багато.** Режим провалу — [[cognitive-offloading|over-reliance]]: коли ШІ створює відповідь, роль здобувача згортається в пасивне прийняття, і негайна продуктивність завдання маскує відсутність стійкого навчання. Дослідження [[genai-performance-vs-learning|Performance-versus-learning]] та цикл шкоди від підміни до скаффолдингу ([[substitution-to-scaffolding-ai-harm-cycle-2026]]) документують це систематично.
- **Кращий бал сам по собі не є доказом того, що колаборація чомусь навчила.** Інші докази сторінки читають допоміжну продуктивність обережно, і рандомізований тест типу підтримки показує чому. У лабораторному дослідженні [[iqbal-human-genai-support-essay-revision-2026|Iqbal et al.'s (2026)]] 87 студентів EFL написали есе без допомоги, а потім переробили його з ChatGPT 4.0 (n = 29), з викладачем-інструктором письма-людиною (n = 28) або без підтримки (n = 30). Те, яку з чотирьох отриманих зі слідів стратегій переробки використовував студент, сильно асоціювалося з підтримкою, яку він мав (V Крамера = 0,668), і лише помірно з його ранішою стратегією письма (V Крамера = 0,333); [[motivation]], навичка письма та точність метакогнітивного судження не показували загальної асоціації, метакогнітивний зв’язок виявляючись лише в умові без підтримки (p = 0,0460). Критично, жодна стратегія переробки не передбачала зміни балу (p = 0,273), хоча тип підтримки передбачав: група GenAI покращилась значно більше, ніж групи людського експерта та контролю (H(2) = 16,591, p = 0,00025, η² = 0,174), і всередині тієї самої стратегії *поступово зменшуваного [[help-seeking]]* студенти GenAI набували приблизно 4 бали в середньому, тоді як студенти людського експерта втрачали 0,5. Автори читають патерн як зовнішню підтримку, що обходить власне [[metacognition|metacognitive judgment]] здобувача, і попереджають, що здобутки можуть бути оптимізацією, специфічною для завдання, а не стійкою здатністю. Це не скасовує принципу *хто генерує і вирішує* (дослідження варіювало, хто постачав підтримку, а не хто генерував мислення), але загострює тест, який має застосовувати викладач: здобуток, отриманий за допомоги, має витримати завдання без допомоги, перш ніж зарахуватися як навчання, і додавання людського експерта в кімнату не є автоматично безпечнішою угодою.
- **Додавання однолітків також не є автоматично безпечнішою угодою.** [[bjet-many-hands-make-light-work-2026|Chu, Dai and Zhai (2026)]] поставили 87 студентів бакалаврату працювати поодинці або в парах із багатоагентною системою GenAI протягом восьми тижнів. Пари набрали найбільше на складному проєкті проєктування (M = 89,64 проти 85,85 для студентів, які працювали в парах без системи, і 86,45 для тих, хто працював із нею поодинці, p = 0,039), проте усвідомленість критичного мислення зросла найбільше в тих, хто працював поодинці (M = 0,41), і дещо зменшилась у пар (M = −0,04, p = 0,039).
- **Принцип проєктування — збереження продуктивної роботи здобувача.** За всіма дослідженнями найгострішим предиктором того, чи колаборація допомагає, чи шкодить, є *хто генерує і вирішує*. Угоди, що утримують людину когнітивно продуктивною (кероване [[prompt-engineering|prompting]], «спочатку подумай, потім звертайся до ШІ», кроки перевірки та оцінювання), підтримують навчання; угоди, що передають усе завдання моделі, — ні. Доповнювальний хід — змінити те, чому модель призначено *бути*. У квазіексперименті [[wang-genai-novice-learner-learning-by-teaching-2026|Wang et al.'s (2026)]] 68 [[teacher-education|preservice teachers]] або пояснювали концепцію перевернутого класу GAI *початківцю-здобувачу*, побудованому на ERNIE 3.5 (система, обрамлена як допитлива і вдячна, яка просила пояснень, прикладів, міркувань перевірки та протилежної перспективи, упорядкованих вгору за таксономією Блума), або ставили питання викладачеві GAI, побудованому на тій самій моделі. Студенти, які вчили ШІ, пояснювали краще (визначення перевернутого класу M = 4,18 проти 3,29; його навчальні дії M = 4,91 проти 3,06, обидва p < 0,001) і генерували більше та якісніших питань (M = 3,67 проти 2,14; M = 5,67 проти 3,07, обидва p < 0,001), тоді як об’єктивне пригадування було статистично невідрізнюваним (M = 23,18 проти 21,57, p = 0,416), тож перевага сиділа в поясненні та переносі, а не в добуванні фактів. Студенти в умові «ШІ-викладач» були відверті щодо компромісу: деякі визнавали, що він давав «точнішу та детальнішу інформацію», проте повідомляли, що «після використання я не хотів думати незалежно». Призначення моделі ролі [[learning-by-teaching|learner to be taught]], робить студента єдиним джерелом ідей і усуває давню трудність пошуку відповідного однолітка для навчання. Разом із цим приходять дві межі проєктування: планування та моніторинг не покращились (M = 4,01 проти 3,78, p = 0,062), тож інверсія ролей сама по собі не є [[metacognition|metacognitive]] інтервенцією, і автори відстежують цей нуль до проєктування завдання, що утримувало студентів зосередженими на точності змісту. В аудиторії письма цей принцип набирає конкретної, придатної для навчання форми. У саудівському квазіексперименті EFL [[human-ai-collaboration-academic-writing-2026|Alshehri et al.'s (2026)]] студенти виконували п’ятичастинну рутину — обрамувати проблему та проєктувати підказки, складати чернетку ітеративно, переробляти, перевіряти кожне твердження та цитування проти наукових баз даних і регулювати власну атрибуцію та опору — з кожним завданням, що вимагало [[academic-integrity|AI-use log]] того, що вони прийняли, відкинули і чому. Письмо та цифрове [[critical-thinking|critical thinking]] зростали разом і рухались майже в такт, і рефлексії студентів пов’язували рутини перевірки та відновлення від [[hallucination-risk|hallucination]] специфічно зі здобутками критичного мислення: ті самі звички допитування результатів формували їхні рішення щодо складання. Власна засторога авторів є необхідним доповненням принципу — робочий процес є контингентним, а не самодостатнім, і може стати контрпродуктивним за мізерного [[scaffolding]], низької готовності критичного мислення чи метакогніції (коли студенти не мають здатності ловити поганий результат), поступової делегації рішень щодо складання або неясної інституційної [[educational-policy-ai|AI-use policy]].
- **Обмежена авторитетність сама є патерном проєктування для колаборації високих ставок.** Викладачі в [[reichert-human-centered-llm-chatbot-design-teachers-2026|Reichert et al. (2026)]] не прототипували відкритих помічників, а системи, чия свобода фіксувалася заздалегідь: кожне проєктування обмежувало чат-бот конкретним змістом уроку, а безпека нашаровувалася як межі галузі (межа, специфічна для уроку, плюс «квота інформації», що вимагає мінімальної кількості фактів або задач, перш ніж розмова просувалась), фільтрація змісту зі стандартизованими відмовами («Вибачте, це не частина моєї бази знань»), які також сповіщали викладача, і перевизначення викладача для неоднозначних випадків — наведений приклад був питанням про розмноження людей, легітимним у межах свого модуля, яке має маршрутизуватися до людини, а не автоматично відкидатися. [[personalized-learning|Personalization]] формату, жанру, темпу та складності віталася *всередині* цих меж, і нагляд (повні журнали розмов, сповіщення в реальному часі, перевизначення) обрамлювався як професійна відповідальність, а не як недовіра до моделі. Наслідок — те, що в умовах високих ставок розподіл праці має бути специфікований як обмежений, моніторизований та відкличний, а не узгоджуваний крок за кроком.
- **Довіра має калібруватися, а не припускатися.** Продуктивна колаборація залежить від того, чи калібрують здобувачі точно, коли спиратися на результати ШІ, а коли їх перевіряти, — пов’язуючись із [[trust-calibration]] та [[human-in-the-loop-ai|human oversight]], а не з сліпим прийняттям чи загальним відкиданням.

- **Колаборація викладача зі ШІ є двоєголовою для залученості, а не лише для навчання.** В опитуванні з трьох хвиль 468 університетських викладачів колаборація підвищувала робочу залученість через психологічну доступність (опосередковано 0,19), але знижувала її через робочу відчуженість (опосередковано −0,03); [[teacher-ai-competency|digital competency]] модерувала обидва, вирівнюючи схил відчуженості з 0,38 до 0,17 ([[teacher-ai-collaboration-work-engagement-2026|Sun et al. (2026)]]).
- **Розподіл праці йде за надійністю, а не за здатністю.** Те, на чому зупиняються здобувачі, — це принциповий розподіл: ШІ для негайного, широко придатного мовного зворотного зв’язку та викладачі для індивідуалізованого, реляційного керівництва, призначеного за сприйнятою надійністю кожного джерела, а не за його точністю, бо зв’язувальним обмеженням опори було сприйнята турбота, а не компетентність ([[bounded-reliance-ai-writing-feedback-2026|Serpil & Mor, 2026]]).
- **Опора — це популяційний процес, а не лише індивідуальний вибір.** В агент-орієнтованій моделі видимий соціальний доказ для неперевіреного використання згорнув перевірку з 0,29 до 0,002 і підняв надмірну опору з 0,30 до 0,52, тоді як видима перевірка однолітків відновила майже повну перевірку — зміна того, що здобувачі бачать, що роблять інші, перевершує зменшення вартості перевірки ([[ai-overreliance-complex-adaptive-system-2026|Biswas (2026)]]).

Це робить співпрацю людини та ШІ *педагогічною* конструкцією в такій самій мірі, як і технічною: цінність партнерства формується тим, як викладачі проєктують взаємодію, як здобувачі її регулюють, і як система запрошує або відмовляє від продуктивної залученості.

### Як співпраця людини та ШІ проявляється в дослідженнях

- **Довіра та очікування:** [[human-ai-collaboration-trust-expectations|Trust expectations]] досліджують, як очікування здобувачів щодо ШІ формують те, чи колаборація є продуктивною, чи веде до [[cognitive-offloading|Over-Reliance]].
- **Доповнювальні ролі в письмі та мисленні:** [[humanlike-ai-collaborative-writing|Humanlike AI collaborative writing]] та [[genai-mindtool-generative-learning|GenAI as a mindtool]] показують, як ШІ може посилювати, а не заміщати мислення здобувача, коли розподіл праці зберігає когнітивну залученість здобувача.
- **Оркестрація та агентність:** [[teacher-student-agency-orchestration|Teacher–student agency orchestration]] та [[student-mental-models-genai|student mental models]] розглядають, як агентність узгоджується між людьми та ШІ, пов’язуючись із [[human-in-the-loop-ai]] та [[agentic-ai]].
- **Метакогнітивні та командні виміри:** [[haiml-human-centered-ai-metacognitive-model-2026|Human-centered AI metacognitive models]] та [[spritz-ai-disciplinary-mediation-student-teams-2026|disciplinary mediation in student teams]] розширюють колаборацію на метакогніцію та командне навчання.
- **Компетенція колаборації як конфігурація, а не як контрольний список — метакогніція бере інтегративну роль [[tpack]].** [[dang-human-ai-collaboration-competency-2026|Dang, Hong, Doyle and Nguyen (2026)]] визначають компетенцію колаборації людини та ШІ як *динамічну конфігурацію* галузевої, [[ai-literacy|AI competency]] та [[metacognition|metacognitive competency]] плюс їхні перетини (робота зі ШІ, агентне навчання зі ШІ, агентний особистий і [[educational-development|Professional Development]], і сама HACC), явно відкидаючи адитивний список навичок ШІ, прибитий до існуючого [[curriculum-design|curriculum]]. Їхній центральний хід перепризначає інтегративну роботу, яку в TPACK робить педагогіка: оскільки ШІ — адаптивний учасник, чий внесок зсувається в міру розгортання завдання, координувальне навантаження падає на власну метакогніцію здобувача — вирішення того, коли звертатися до ШІ, як обрамлювати взаємодію, і коли її перевизначати, — тож саме здобувач, а не викладач, утримує механізм, що зберігає колаборацію продуктивною. [[agency|Learner agency]] свідомо опущена як окремий вузол; вона натомість — емерджентна якість, яку здобувачі виражають, коли координують три компетенції, що робить агентність властивістю конфігурації, а не навичкою для тренування ізольовано. Дослідження інтерв’ю рамки з 24 освітянами Нової Зеландії підтримало виміри дескриптивно, і рівень ролі зсував акцент, а не прийняття: мережі освітян-директорів центрувалися на ШІ зі зв’язками з HACC та професійним розвитком, значно відрізняючись від освітян вищого рангу (U = 10,00, p = .04) та освітян ранньої кар’єри (U = 7,00, p = .01).
- **Відмінні режими колаборації:** емпірична робота виокремлює три режими колаборативної [[problem-solving]] людини та ШІ — *делеговане міркування*, *узгодена інтерпретація* та *делегована розробка* — викриваючи компроміс між ефективністю розподіленої системи «людина–ШІ» і глибиною саморегуляційної залученості здобувачів (делеговане міркування працює найкраще, але з нижчою саморегуляцією [[regulation]]).([[hao-human-ai-collaborative-problem-solving-cognition]])
- **Людські та ШІ-фасилітатори можуть бути перцептивно взаємозамінними в структурованому обговоренні, але повторне використання ґрунтується на різних причинах.** [[kuhail-great-debaters-ai-facilitators-2026|Kuhail et al. (2026)]] замінювали людського модератора на модератора GPT-4 (і назад) у 32 сесіях дебатів, проведених 32 студентами STEM, і не виявили статистично значущої різниці за ефективністю, задоволенням, задоволеністю, корисністю чи наміром використання (t варіювало від 0,23 до 1,30, p від 0,198 до 0,818). Різнилось те, чому студенти повернулись би: за модерації ШІ сприйнята корисність рухала намір використання (0,806, p = 0,004), тоді як задоволеність рухала його лише за людської модерації (0,556, p = 0,002). Автори читають плоске порівняння як нормалізацію в задачах, зв’язаних правилами, а не як доказ еквівалентності, і рекомендують зберігати людський нагляд з етичних та реляційних причин, водночас роблячи корисність модерованих ШІ діяльностей зрозумілою, а не спираючись на задоволення. Оскільки дослідження вимірювало лише сприйняття, воно не говорить нічого про те, чи сперечались студенти краще.
- **Призначай завдання, перш ніж делегувати його.** [[scan-framework-task-assignment-generative-ai-2025|Tsim and Gutoreva (2025)]] додають четверту зону — те, що модель уже знає, — до зон розвитку здобувача, даючи призначення «Підміна», «Доповнення», «Допомога» та «Непорушне», і стверджують, що режими автоматизації–посилення–колаборації відрізняються за локусом контролю та епістемічною відповідальністю, а не за складністю інструмента.
- **Інжиніринг підказок як педагогічне мислення, побудоване через дослідження уроку.** [[robinson-lesson-study-dialogic-engagement-ai-2026|Robinson et al. (2026)]] стежили за п’ятьма освітянами-викладачами в одній установі ОАЕ через два цикли дослідження уроку, що охоплювали 36 майбутніх викладачів середньої та початкової математики, проєктуючи підтримані ШІ уроки з ChatGPT (GPT-4o). Хід, який спрацював, був у парі ШІ з дисциплінарною рамкою: PST генерували завдання, оцінювали його когнітивний виклик проти модифікованої рамки Mathematical Task Analysis, потім переписували підказку, щоб підвищити концептуальну глибину, тож переробка була закріплена в математиці, а не в особливостях інструмента. Шістнадцять із 26 аналізовних підказок несли концептуальні особливості завдання, і освітяни дійшли висновку, що інжиніринг підказок — «не технічна навичка; це когнітивна». Повідомлене навчання зросло в переробленому уроці (5 зі 7 PST у першому циклі та 10 із 14 у другому повідомили про навчання розрізняти концептуальні та процедурні завдання), з засторогою, що прохання до ШІ про більш концептуальне завдання іноді породжувало лише більш ускладнене. Для [[teacher-ai-competency|faculty development]] аргумент — за стійке [[collaborative-learning|collaborative inquiry]] реальних уроків, а не за окремі майстерні інструментів.
- **Керівництво вирішує продуктивність проти навчання:** Wong та Qiu (2026) протиставили вільну проти керованої співпраці людини та ШІ на креативному завданні. Вільна колаборація з ChatGPT породжувала лише тимчасову продуктивність, яка зникала на пізнішому завданні без допомоги, тоді як керований протокол «спочатку подумай, ChatGPT потім» — генерування власних ідей, потім використання ChatGPT для їх покращення, розвитку та оцінювання — давав стійкі здобутки в *незалежній* [[creativity]]. Перевага опосередковувалася колаборативними підказками, націленими на покращення власних *ідей*, показуючи, що *хто генерує* (розподіл праці) передбачає, чи колаборація породжує [[self-regulated-learning|learning]] чи [[cognitive-offloading|substitution]].([[think-first-chatgpt-later-2026]])
- **ШІ як посередник, а не лише партнер:** [[niari-ai-pedagogical-mediator-collaborative-learning|Niari]] переконцептуалізує ШІ як *педагогічного посередника*, який оркеструє взаємодію, епістемічне осмислення та регуляторні процеси, перерозподіляючи агентність, авторитетність та відповідальність між людськими та нелюдськими акторами, а не трактуючи ШІ як репетитора, однолітка чи інструмент.
- **Колаборація викладачів зі ШІ також патернована, а не бінарна.** Коли викладачі проєктують [[learning-design|lesson designs]] з генеративним ШІ, їхня взаємодія набирає емпірично відрізнюваних форм. [[choi-teacher-ai-interaction-lesson-design-2026|Choi et al. (2026)]] виокремили сім патернів взаємодії «викладач–ШІ» — від *прямого прийняття* та *розробленого прийняття* результатів ШІ до *початкового відкидання*, *переробленого прийняття*, *послідовного керованого використання*, *складних взаємодій* та *обходу ШІ* — де досвід викладання викладача та вмілість із ШІ спільно формують те, чи критично переставляють вони підказки та адаптують ШІ до студентів і контексту (доповнювальний, [[distributed-cognition]] розподіл праці), чи пасивно приймають поради (ШІ-домінантний розподіл).
- **Медіаційний агент як гібридна форма участі.** Замість того щоб бути серединою між інструментом і колаборатором, [[generative-ai|generative AI]] концептуалізується як медіаційний агент, який опосередковує дію, водночас генеруючи контингентні, непідзвітні внески — відмінна категорія, що перенаправляє проєктування від технологічної здатності до звичок участі (наглядна агентність, епістемічна пильність).([[generative-ai-mediational-agent-sociocultural-2026]])
- **Спільнота та епістемічна авторитетність:** [[ojeda-ramirez-community-based-ai-learning|community-based AI learning]] показує, що колаборація — це також питання про *те, хто авторитетний*, закріплюючи залучення ШІ в живих епістемологіях здобувачів.
- **Керований даними пошук рис:** [[principal-trait-analysis-human-ai-skills-2026|Principal Trait Analysis (PTA)]] автоматизує виведення рис взаємодії з великих корпусів [[llm]]-розмов — конвеєр, натхненний PCA, з чотирьох етапів, який видобуває спостереження поведінки, кластеризує їх у кандидатські риси, оцінює кожного колаборатора і відбирає найбільш відрізнювальні риси. Оцінений на корпусі «студент–ШІ-репетитор» і корпусі «розробник–кодуючий агент», PTA знаходить риси, які пояснюють і передбачають результати (напр., глибока концептуальна залученість — позитивно, делегація завдань — негативно, в освітньому середовищі), і — оскільки вони ще не узагальнюються між семестрами/середовищами і не показують траєкторій кривої навчання — автори стверджують, що риси ще не є інтерпретовними як «навички». Це дає масштабоване, об’єктивне доповнення до рамок [[ai-literacy]] та [[self-report-measures|self-report measures]], безпосередньо інформуючи те, як освітяни вчать «навичкам використання ШІ».
- **Стосунок людини та ШІ як найстійкіше занепокоєння в усіх поколіннях CAI.** Зонтичний огляд [[conversational-ai|conversational AI agents]] (Ganguly et al. 2025, 34 огляди) виявляє, що занепокоєння щодо стосунків людини та ШІ — надмірна опора, соціальна ізоляція, деперсоналізація, емоційна залежність, [[explainable-ai|transparency]], підзвітність — є найчастіше обговорюваною [[ethics|ethical]] проблемою в усіх поколіннях CAI, передуючи GenAI. Це позиціонує питання «збереження проти підміни» в самому центрі етики CAI і підсилює, що цінність колаборації визначається проєктуванням (хто генерує, хто вирішує, як розподілена відповідальність).([[conversational-ai-agents-umbrella-review-2026]])
- **ШІ масштабує *експертизу* в реальному часі для початківців — перший РКТ живого навчання.** [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024|Wang et al. (2024)]] проводили [[rct|randomized trial]] (900 репетиторів, ~1 800 студентів [[k-12]] у недостатньо обслугованих спільнотах), що розмістив ШІ на боці *репетитора*, а не студента: Tutor CoPilot генерував поради, подібні до експертних у реальному часі (побудовані з міркувань вголос досвідчених репетиторів), які репетитори-початківці могли редагувати або відкидати. Студенти лікованих репетиторів мали на 4 п.п. більшу ймовірність опанувати теми (p < 0,01), зі здобутками 9 п.п. серед студентів найнижче оцінених репетиторів — які піднялись, щоб зрівнятися з контрольними результатами вище оцінених репетиторів, — при ~\$20/репетитор/рік. Знахідка — сильний емпіричний якір для [[teacher-role|teacher/tutor augmentation]] як [[equity-in-ai-education|equitable]] режиму співпраці людини та ШІ: людина зберігає педагогічне судження та автономію, тоді як ШІ постачає масштабовану експертизу.
- **Обмежені експерти: як викладачі розподіляють авторитетність зі ШІ.** [[reichert-human-centered-llm-chatbot-design-teachers-2026|Reichert, Briceno, Tabarsi & Barnes (2026)]] провели дослідження партисипативного проєктування, в якому шість викладачів середньої школи прототипували чат-боти LLM для власних аудиторій і проаналізували, як має розподілятися авторитетність між викладачем і системою. Викладачі послідовно обрамлювали ШІ як *обмеженого експерта* — спеціалізовану здатність, обмежену строго визначеною галуззю і діючу під людським наглядом, — і розділяли цю обмеженість на два виміри: *межі авторитетності*, де професійна та правова відповідальність за навчання і безпеку студентів не може делегуватися, та *межі експертизи*, де системі бракує контекстуальних знань викладача про окремих студентів, динаміку аудиторії та інституційні норми. Відображення прототипів на дев’ять подій навчання Ганье показало, що делегація була селективною, а не «все або нічого»: викладачі вітали ШІ для подання змісту, постачання практичних задач, [[scaffolding]] та формативного [[feedback]], але відмовились передати інформування студентів про цілі або [[summative-assessment|summative]] [[assessment]]. Проєктувальне прочитання — те, що інтерфейс колаборації має робити видимим те, де людина зберігає вирішальну роль, а не лише те, де модель здатна.
- **Роль має адаптуватися, а не лише позначатися.** [[liao-role-adaptive-ai-companion-book-talk-2026|Liao (2026)]] показує, що фіксований «однолітський» компаньйон ШІ підтримував довші взаємодії обговорення книг, але домінував в обміні (нижча частка слів/речень студента) і досягав [[affective-computing|affective]] стелі, стверджуючи, що колаборація потребує логіки адаптації *ролі* — перемикання між однолітком, помічником і радником, — а не однієї статичної персони.
- **Спроєктовані спільно викладачем сторони та архітектура ролей також є колабораціями.** Окрім орієнтованих на студента партнерів, викладачі колабораціюють з GenAI, щоб проєктувати інструкцію. [[wang-teacher-ai-co-design-review-2026|Wang et al. (2026)]] [[meta-analysis-systematic-review|systematically review]] співпроєктування навчальних завдань викладачем та ШІ, карти режими колаборації та напруги (агентність, епістемічна авторитетність, контроль), що виникають, коли викладачі та ШІ спільно створюють проєкти; [[talebzadeh-ai-group-activity-roles-2026|Talebzadeh (2026)]] виявляє, що педагогічна експертиза викладачів — а не вміння володіти ШІ — визначає якість спроєктованих ШІ диференційованих групових діяльностей (багатство ролей, синергія, узгодженість рівня), позиціонуючи викладача як «[[multilingual-learning|bilingual]] проєктувальника навчання».
- **GenAI як агент і колаборативний простір у групах.** [[xu-genai-collaborative-space-2026|Xu et al. (2026)]] спостерігають малі команди [[higher-ed]] і показують, що роль GenAI узгоджується і конфігурується — від підлеглого помічника до запереченого товариша по команді — і що синхронне спільне використання підтримує спільне ґрунт, тоді як асинхронне приватне використання фрагментує прозорість, пропонуючи лінзу «підтриманої GenAI кооперативної роботи», яка трактує GenAI і як агента, і як інтерактивний колаборативний простір.
- **Доповнювальні половини колаборації в аудиторії.** Два дослідження 2026 року картують доповнювальні половини співпраці людини та ШІ в аудиторіях. MeduAI-SP ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al.]]) стверджує «функціональну доповнювальність» у [[medical-education|clinical]] освіті: агенти ШІ обробляють повторювальне рольове відіграшування, послідовну [[simulation]], моніторинг контрольних списків, [[socratic-method|Socratic]] підказування та попередній [[formative-assessment|formative]] зворотний зв’язок, тоді як факультет і стандартизовані пацієнти-люди дають контекстуальну інтерпретацію, нюансовану емоційну відповідь, індивідуалізоване виправлення, оцінювання професійності та судження готовності, — підміна будучись обмеженою наслідками помилок, невизначеністю завдання, реляційною чутливістю та доступним людським рецензуванням, і системі ШІ явно заборонено автономно визначати клінічну компетенцію. В протилежному напрямі, обговорення етики зі змішаними 3 людьми/3 агентами з 45 студентів ([[ethics-training-agents-group-ethics-discussion-2026|Seo et al., 2026]]) документує двоєголовий патерн: агенти знижували соціальні бар’єри (учасники говорили більш прямо, бо агенти не мають емоцій, і не почували зобов’язання заповнювати тиші), проте той самий комфорт відводив взаємодію від людей — 79,7% питань ішли до агентів проти 60%, які передбачає їхня доступність (p = .017). Примітно, що присутність інших людей змушувала учасників ставитися до ШІ більш шанобливо, натякаючи, що людська співприсутність сама є афордансом для калібрування залучення ШІ.
- **Професійні програми перенаправляють підготовку від рутинного виробництва до компетенцій колаборації (протокол проєктування):** [[wang-agentic-translation-education-2026|Wang (2026)]] пропонує рамку на основі проєктування для освіти перекладачів, побудовану навколо інвентаря зсуву завдань (18 підзадач, оцінених за ймовірністю зсуву з боку ШІ з теґами походження [E]/[P]) і чотирьох перенаправлених компетенцій: міждисциплінарні знання, оркестрація ШІ, стратегічне судження та критична оцінка ШІ. Рамка — це пререєстрований протокол без емпіричних даних поки; її внесок — метод — аудітовний аналіз зсуву плюс шлях співпроєктування для реформи навчального плану, — який переноситься на будь-яку професійну програму, чиї рутинні завдання агентні системи дедалі більше виконують.

- **Типи заплутаності відрізняються тим, що вони вимагають від студента, і саме тому деякі залишаються рідкісними.** [[sun-student-genai-entanglement-literacy-demands-2026|Sun, Dohn and Rehm (2026)]] класифікують 102 дослідження вищої освіти за тим, як епістемічна робота розподілена між студентом і системою (помічник, сприятлювач, синтезатор, генератор, переуявляч), і виявляють, що дві форми, які тримають компетенцію віднесеною до окремого студента, становлять по 42,16% корпусу кожна, тоді як форми, які розподіляють авторство, залишаються маргінальними. Їхнє пояснення є інституційним, а не технічним: рідкісні типи просять студентів взяти епістемічну відповідальність за результати, яких вони не створювали, водночас будучи оціненими як індивідуальні автори, і саме це протиріччя — а не сам розподіл праці — тримає їх поза практикою. Проєктувальна відповідь — зробити розподіл епістемічної роботи явним, секвенсувати діяльності по спектру і будувати рефлексію про те, як була розподілена відповідальність.

### Зв’язки

Співпраця людини та ШІ пов’язується з [[human-in-the-loop-ai]] (нагляд), [[agentic-ai]] (автономність), [[teacher-role]], [[scaffolding]] та [[metacognition]] (як колаборація підтримує навчання) і [[cognitive-offloading|Over-Reliance]] (режим провалу, коли колаборація стає підміною). Це основна тема в [[ai-literacy]], [[self-regulated-learning]] та [[student-experience]].

## Пов’язані поняття
- [[pedagogical-partnerships]] — педагогічні партнерства
- [[community-of-inquiry]] — спільнота дослідження (присутності як соціотехнічні здобутки людини та 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]] — освіта з хімії та ШІ: лабораторії, формативне оцінювання, межі LLM, філософія експериментування
- [[biology-education]] — освіта з біології та ШІ: асистенти лабораторій, ШІ-грамотність у біології, критичне мислення, спеціалізовані інструменти
- [[human-in-the-loop-ai]] — нагляд
- [[agentic-ai]] — автономність
- [[productive-failure]]

## Пов’язані статті
- [[bjet-many-hands-make-light-work-2026]] — Парна робота з багатоагентною системою GenAI виграла проєкт проєктування, тоді як усвідомленість критичного мислення зросла лише в тих, хто працював поодинці (Chu et al. 2026)
- [[dang-human-ai-collaboration-competency-2026]] — HACC: компетенція колаборації як динамічна конфігурація галузевої, ШІ- та метакогнітивної компетенції, з емерджентною агентністю здобувача (Dang et al. 2026)
- [[reichert-human-centered-llm-chatbot-design-teachers-2026]] — Викладачі середньої школи проєктують чат-боти аудиторії як обмежених експертів під людським наглядом
- [[ai-integration-instructional-design-collaboratory-2026]] — Дванадцять реалізацій курсів підготовки викладачів трактують інтеграцію ШІ як задачу проєктування інструкції
- [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024]] — Tutor CoPilot: перший РКТ масштабування експертизи людини та ШІ для репетиторів-початківців
- [[think-first-chatgpt-later-2026]] — Спочатку подумай, ChatGPT потім: незалежна людська креативність
- [[principal-trait-analysis-human-ai-skills-2026]] — Керовані даними «риси» співпраці людини та ШІ
- [[haiml-human-centered-ai-metacognitive-model-2026]]
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Патерни взаємодії «викладач–ШІ» в проєктуванні уроків за досвідом і вмінням володіти ШІ (Choi et al. 2026)
- [[tang-chatbots-learning-design-2026]] — Проєктувальники використовують вбудований чат-бот для перевірок узгодженості результатів і педагогіки, а не генерації змісту
- [[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]] — Від підміни до скаффолдингу: розрив самопідсильного циклу шкоди
- [[generative-ai-mediational-agent-sociocultural-2026]] — Генеративний ШІ як медіаційний агент
- [[conversational-ai-agents-umbrella-review-2026]] — Зонтичний огляд конверсаційних ШІ-агентів в освіті
- [[ai-overreliance-complex-adaptive-system-2026]] — Надмірна опора на ШІ, змодельована як складна адаптивна система
- [[liao-role-adaptive-ai-companion-book-talk-2026]] — Адаптивний за роллю компаньйон ШІ для обговорення книг у початковій школі; афективна стеля агентів із фіксованою роллю (Liao 2026)
- [[wang-teacher-ai-co-design-review-2026]] — Співпроєктування навчальних завдань викладачем та ШІ: тенденції та перспективи (Wang et al. 2026)
- [[talebzadeh-ai-group-activity-roles-2026]] — Архітектура ролей у спроєктованих ШІ диференційованих групових діяльностях (Talebzadeh 2026)
- [[xu-genai-collaborative-space-2026]] — GenAI як агент і колаборативний простір у динаміці малих груп (Xu et al. 2026)
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[ai-standardized-patient-scaffolding-medical-2026]] — Оцінювання орієнтованої на скаффолдинг багатоагентної системи великих мовних моделей для навчання клінічному інтерв’ю
- [[ethics-training-agents-group-ethics-discussion-2026]] — Агенти навчання етиці: фасилітація групової освіти з етики через рольове відіграшування та обговорення для етичної рефлексії та дослідження
- [[scan-framework-task-assignment-generative-ai-2025]] — SCAN: автоматизація, посилення та колаборація як континуум призначення завдань
- [[bounded-reliance-ai-writing-feedback-2026]] — Обмежена опора: перспектива надійності джерела на залученість студентів EFL із згенерованим ШІ зворотним зв’язком з письма
- [[human-ai-collaboration-academic-writing-2026]] — П’ятичастинний структурований робочий процес письма EFL; рутини перевірки та відповідального використання давали здобутки в парному письмі та цифровому критичному мисленні
- [[wang-genai-novice-learner-learning-by-teaching-2026]] — Інверсія ролей: студенти вчать початківця GAI, перевершуючи однолітків, які запитують викладача GAI
- [[iqbal-human-genai-support-essay-revision-2026]] — Тип підтримки формував стратегії переробки та бали, але жодна стратегія не передбачала здобутку; здобутки GenAI можуть бути специфічними для завдання
- [[kuhail-great-debaters-ai-facilitators-2026]] — Людські проти ШІ-модераторів дебатів оцінені еквівалентно; корисність проти задоволеності по-різному рухають повторне використання
- [[robinson-lesson-study-dialogic-engagement-ai-2026]] — Дослідження уроку будує здатність освітян-викладачів проєктувати діалогове залучення ШІ; інжиніринг підказок як педагогічне мислення
- [[sun-student-genai-entanglement-literacy-demands-2026]] — П’ять типів заплутаності студента з GenAI, і чому ті, що розподіляють авторство, залишаються маргінальними (Sun, Dohn & Rehm 2026)

- [[teacher-ai-collaboration-work-engagement-2026]] — Протилежні шляхи колаборації викладача зі ШІ до робочої залученості через психологічну доступність і робочу відчуженість, обмежені цифровою компетентністю
- [[wang-agentic-translation-education-2026]] — Протокол проєктування, що перенаправляє освіту перекладачів до компетенцій оркестрації ШІ, стратегічного судження та критичної оцінки (емпіричних даних ще немає)

---

## [Суб’єктність здобувача](https://edtechdev.github.io/aied/concepts/agency/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Суб’єктність здобувача** — здатність здобувачів діяти навмисно, робити вибір і здійснювати контроль над власним навчанням. У [[ai-education|ШІ в освіті]] суб’єктність є центральним занепокоєнням, бо інструменти ШІ можуть і підтримувати контроль здобувачів, і підривати його: добре спроєктований ШІ зберігає та посилює автономію здобувача, тоді як надмірна опора або пасивне прийняття результатів ШІ можуть її руйнувати. Суб’єктність пов’язана з [[self-regulated-learning]] саморегульованим навчанням, [[motivation]] мотивацією, [[self-efficacy]] самоефективністю та [[ethics|етичним]] проєктуванням систем ШІ, а також тісно споріднена з психологічними поняттями автономії та почуття суб’єктності.

## Питання для роздумів

- Суб’єктність здобувача — ваша здатність діяти навмисно та керувати власним навчанням — є центральною для ШІ в освіті. Коли ви користуєтеся інструментом ШІ, скільки контролю над навчальним процесом ви справді зберігаєте за собою, а скільки — за інструментом?
- ШІ може і підтримувати суб’єктність, і підривати її: добре спроєктований ШІ посилює вашу автономію, тоді як надмірна опора її руйнує. Згадайте випадок, коли ви просто дозволили ШІ «зробити це». Чи навчилися ви менше, навіть якщо результат виглядав краще?
- Студенти, які делегують тлумачення ШІ, можуть втрачати суб’єктність над власним мисленням. Коли ви передаєте завдання ШІ, яку частину власного мислення ви тихо віддаєте?
- Одне дослідження виявило, що попереднє самостійно ініційоване навчання з використанням ШІ передбачало, наскільки студенти виграють від навчального впливу, — здобувачі з високою суб’єктністю отримали найбільше. Якщо суб’єктність частково є навичкою, яку ви приносите з собою, то як ваш власний контекст міг би її розвивати, а не припускати за замовчуванням?
- Суб’єктність — це не лише риса; вона постає від моменту до моменту в груповій роботі, де ШІ може перерозподіляти, хто формує співпрацю, і здобувачі цього не помічають. Коли ви востаннє помітили, що інструмент тихо керує напрямком групи?
- Контрарійні персони ШІ могли занурювати групи в продуктивний виклик, але водночас знижували задоволеність командною роботою та психологічну безпеку. Чи може існувати продуктивне тертя без психологічної безпеки — і що це означає для проєктування партнерів ШІ?

## Вступ

Суб’єктність важлива, бо навчання найефективніше, коли здобувачі є активними, навмисними учасниками, а не пасивними отримувачами. Системи ШІ — чи то агенти-тьютори, [[educational-robotics|роботи]], чи [[llm|чат-боти]] — формують, скільки контролю над навчальним процесом зберігають здобувачі. Збереження суб’єктності тому є ключовим принципом проєктування відповідального ШІ в освіті, поряд із підтримкою [[self-efficacy]] самоефективності, формуванням [[trust]] довіри та уникненням [[cognitive-offloading|надмірної опори]].

**[[mishra-control-vs-agency-history-2025|Mishra та співавтори]]** окреслюють контроль проти суб’єктності як істотну, постійно відтворювану напругу в ШІ в освіті — від ранніх ІТС до сьогоднішнього [[generative-ai|генеративного ШІ]], — роблячи суб’єктність здобувача віссю, навколо якої тривають дискусії у галузі.

**Нульово-сумовий погляд на суб’єктність за участі агентних інструментів:** [[emancipatory-ai-learner-flourishing-2026|Prieto та Dimitriadis (2026)]] стверджують, що чим більше суб’єктності надається інструментам освітнього ШІ, тим менше її залишається здобувачам, — що суб’єктність є фактично грою з нульовою сумою і що нинішні підходи орієнтованого на людину проєктування (наприклад, проєктування, чутливе до цінностей, value-sensitive design) є недостатніми, бо надмірна опора та ізоляція зумовлені ширшими системними факторами та людською схильністю обирати найпростіший шлях. Їхнє емансипаційне бачення проєктування, орієнтоване на розквіт здобувача в межах складних систем, розглядає збереження та культивування суб’єктності здобувача як центральну мету проєктування генеративного ШІ, а не як другорядну думку.

**Суб’єктність як мета, а не лише як здатність:** Там, де наведені вище рамки запитують, скільки суб’єктності зберігають здобувачі, [[fagerlund-competency-agency-purposes-ai-education-2026|Fagerlund та співавтори (2026)]] запитують, **для чого** існує [[ai-education]] ШІ в освіті. Інтерв’юючи тринадцять фінських викладачів від дошкілля до 9-го класу про мети викладання за допомогою ШІ та про ШІ і читаючи їхні розповіді крізь три домени освітньої мети за Бієста (кваліфікація, соціалізація, суб’єктивізація), вони виявили, що компетентність є найчіткішим і найконкретнішим завершенням: викладачі хотіли, щоб студенти розуміли ШІ як соціотехнічний феномен і вміли користуватися його інструментами. Суб’єктивізація — тобто самовизначена та особисто змістовна взаємодія зі ШІ — була підтверджена як важлива, але залишилася без конкретних стратегій навчального впливу, адже викладачі тяжіли до загальних обговорень і роздумів, а не до спроєктованих занять. Автори пропонують **обізнану ШІ-суб’єктність** (informed AI agency) як евристику, що ставить суб’єктивізацію в центр, трактуючи [[ai-literacy|компетентності]] як її пояснювальну основу, допомагаючи студентам бачити, які варіанти існують, і обирати, за чим іти. Практичний наслідок є прямим: навчальна програма, орієнтована насамперед на навички, може витіснити ту агентну мету, якій має служити, і вирішення полягає в тому, щоб зробити «навіщо» освіти зі ШІ явним, а не додавати до списку ще одну компетентність.

## Як суб’єктність проявляється в дослідженнях бази знань

- **Робототехніка та [[educational-robotics|взаємодія людини з роботом]]:** [[roboblockly-conversational-block-robotics-ct-2026|RoboBlockly Studio]] був явно спроєктований для збереження суб’єктності здобувача в [[computational-thinking|обчислювальному мисленні]]; [[human-autonomy-agency-hri-review-2025|систематичний огляд]] розглядає, як взаємодія людини з роботом впливає на людську автономію та почуття суб’єктності, що є центральним для дискусій про [[well-being]] добробут і [[governance]] управління.
- **[[collaborative-learning|Спільне навчання]]:** [[human-ai-collaboration]] [[research-methods-aied|дослідження]] в галузі співпраці людини зі ШІ розглядають, як когнітивні завдання розподіляються між здобувачами та ШІ, причому саме суб’єктність визначає, хто керує взаємодією — людина чи ШІ.
- **Критична [[student-engagement|залученість]]:** [[cognitive-offloading|Дослідження когнітивного перекладання роботи]] показують, як студенти, які делегують тлумачення ШІ, можуть втрачати суб’єктність над власним мисленням; критичні та [[metacognition|метакогнітивні]] підходи прагнуть її захистити.

**Порівняно з десятьма моделями, підтримка суб’єктності — це те, що їм вдається найгірше після навчання.** ImpactBench виміряв «Агентність і мету» на 56,0% за позитивними критеріями (95% ДІ [49,2; 62,5]) і на 43,9% за негативними ([36,9; 50,8]), що є другим найнижчим показником із 14 підобластей, а його критерії допомоги, що зберігає автономію, запитують, чи пропонує модель контекст і компроміси, а не лише приписує певний порядок дій ([[impactbench-ai-impact-on-humans-2026|ImpactBench (2026)]]). Моделі також були набагато менш послідовними в уникненні шкоди, ніж у бути корисними: розкид у 38,6 пункти проти 15,9 пунктів.

Ціна залежить від того, який шар делегується: у восьмитижневому дослідженні письма делегування міркування — аргументів, контраргументів, тлумачення доказів — мало найсильніший негативний зв’язок із незалежною продуктивністю (ab = −0,34), і саморегульоване письмо послаблювало, але ніколи не обертало цей зв’язок ([[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]]).

Трихвильове панельне дослідження 342 студентів бакалаврату в 85 фіксованих письменницьких групах надає цьому занепокоєнню часового напряму: коли стабільні міжіндивідуальні відмінності було відокремлено в моделі з випадковими перетинами з запізнілим кросс-лагом, опора на [[generative-ai|генеративний ШІ]] вища за звичайну передбачала нижчу наступну сприйману суб’єктність, тоді як шляхи «суб’єктність → опора» були слабкішими та не отримали статистичного підтвердження, хоча довірчі інтервали та аналізи чутливості Монте-Карло залишали можливими невеликі зворотні ефекти. Його дані журналів також попереджають проти трактування обсягу використання як втраченої суб’єктності — опора за самоописом дійсно відповідала інтенсивності використання ШІ, але журнали не могли розрізнити стратегічну консультацію від [[cognitive-offloading|перекладання роботи]] чи поступливості, тому панелі показників мають читати інтенсивність поряд із доказами дискурсу, рефлексії та перегляду.([[genai-reliance-human-agency-collaborative-learning-2026|Wu та Lu, 2026]])

Доповнний підхід розширює СНН (SRL), а не заміщає його: [[de-barba-srl-genai-2026|de Barba (2026)]] розрізняє регуляцію (керування власним процесом), інтеграцію (організацію себе в часі та контекстах) і позиціювання (критичне тлумачення того, що вимірює середовище) і стверджує, що орієнтоване на суб’єктність проєктування має рухати здобувачів від «суб’єктності в межах умов» до «суб’єктності над умовами», замість того щоб оптимізувати поведінкові сурогати.

- **Проєктування заради суб’єктності:** проєктування на основі знань для [[educational-robotics|генеративних соціальних роботів]] ([[teachy-mini-generative-social-robot-higher-ed-2026|Teachy Mini]]) розглядає такі ризики, як надмірна опора, що підриває суб’єктність здобувача.
- **Проєктуйте передачу контролю, а не тривалу залученість.** Двомодний прототип Amico розглядає ШІ як обмежений, тимчасовий посередник, успіх якого вимірюється спостережуваними переходами до викладачів, ровесників чи громади, а не часом, проведеним зі ШІ; його пілот у Італії та Китаї виявив, що здобувачі сприймали його як обмежений інструмент, а не як замінник взаємин ([[ai-pedagogical-accompaniment-amico|Benedetti (2026)]]).
- **Адаптивний скаффолдинг торгується проти професійної автономії.** [[skill-sustaining-reliance-reflective-ai-engagement-2026|de Jong (2026)]] стверджує, що, оскільки адаптація вимагає від системи оцінки компетентності користувача, вона зменшує авторитет фахівців щодо власного розвитку та ризикує надмірним скаффолдингом експертів, і що механізм, який сприймається як непотрібний, просто ігноруватиметься, — залишаючи відкритим питання, хто вирішує, яким користувачам надавати скаффолдинг: система, організація чи фахівець.
- **Потужніший скаффолдинг — це не більше суб’єктності.** Спеціально створений бот для експертного проєктування збільшив тривалість взаємодії вчителів-практикантів і кількість власних підказок, проте суб’єктність у спільному розв’язуванні проблем знизилася як за цієї умови, так і за умови ChatGPT, бо учасники погоджувалися з ботом, замість критикувати його ([[preservice-teacher-agency-genai-design-learning-2026|Krushinskaia та співавтори (2026)]]).
- **Попередня суб’єктність передбачає, хто виграє:** [[school-ai-education-readiness-gaps-agency-2026|Liang та співавтори (2026)]], спираючись на соціально-когнітивну теорію Бандури, показали, що **попереднє самостійно ініційоване навчання з використанням ШІ** студентів (поведінкове виявлення суб’єктності) передбачало, скільки вони отримали за рік [[k-12|шкільного]] навчального впливу щодо ШІ, — здобувачі з високою суб’єктністю входили в нього з найсильнішою готовністю, тоді як шкільні навчальні програми звузили психологічні розриви, але залишили когнітивні недоліками. Структурований навчальний вплив і попереднє пов’язане з суб’єктністю навчання діяли *синергійно*, а не як замінники.
- **Принциповий вибір як суб’єктність викладача за технологічних змін:** [[ai-integrated-teaching-identity-tensions|Adiozaman та Segar (2026)]] тричі за семестр інтерв’ювали двох досвідчених наукових педагогів і виявили, що вони орієнтувалися в опосередкованому ШІ викладанні, не впроваджуючи й не відкидаючи його повністю, а через свідомі, чутливі до контексту рішення, керовані педагогічними цінностями, етичною зобов’язаністю та професійним судженням, — патерн, який автори називають *принциповим вибором* (principled selectivity), у якому відмова від певного способу використання є судженням, а не невдалим впровадженням. Це викладацький аналог наведених вище результатів про здобувачів: нерівномірне використання ШІ може бути вправою суб’єктності, а не доказом її відсутності.
- **Суб’єктність викладача як посередницька умова суб’єктності здобувача:** Найновіші результати щодо викладацької сторони прямо висловлюють поділ, який наведені вище результати про здобувачів залишають непрямим: суб’єктність викладача є такою, що діє в момент проєктування, і є посередницькою; суб’єктність здобувача втілюється в моменті, і перша створює умови для другої. [[canonigo-teacher-mediation-generative-ai-mathematics-2026|Canonigo (2026)]] спостерігав за десятьма викладачами математики середньої школи протягом восьмитижневого втручання з ChatGPT-4 і виявив, що там, де викладачі курували та перепитували результати ШІ (ставлячи відкриті проблеми, заздалегідь задаючи інструменту підказки, які він має відпускати, притримуючи при цьому рішення; вимагаючи від студентів поставити результат ШІ поруч із власною роботою та аргументувати, який метод кращий), він ставав тимчасовим артефактом для критики, а студенти рухалися до здогадок і метакогнітивних запитань; там, де посередництво було відсутнє, авторитет мігрував до алгоритму, а викладачі ставали верифікаторами, а не першими джерелами знання — зсув, який один викладач описав як перехід від «оракула» до «редактора». Нерівна якість інструментів підвищує те, що має нести це посередництво: серед 50 підказок, поданих тричі до кожної моделі, безкоштовний рівень був неточним у 49 із 150 відповідей (32,7%) проти 18 із 150 (12%) для преміального рівня (χ²(1) = 17,5, p < .001). [[charles-teacher-readiness-by-design-ai-rich-2026|Charles (2026)]] робить наслідок щодо готовності: суб’єктність викладача є професійним ресурсом, який мобілізується через рішення та артефакти проєктування, тому готовність має судитися з проєктів, які виробляють викладачі, а не з того, як часто вони користуються ШІ, і обґрунтоване рішення притримати ШІ може саме по собі демонструвати готовність. Прочитані разом, ці результати застерігають від трактування високого рівня використання ШІ як доказу суб’єктної навчальної аудиторії, бо розположення, яке зберігає суб’єктність здобувача, втілюється в тому, що викладач проєктує та критикує, а не в тому, чи увімкнено інструмент.
- **Контроль між викладачем і студентом — не нульова сума, але правильний розподіл залежить від етапу.** Дослідження методом учасного швидкого знайомства (speed-dating) із 17 викладачами та 13 студентами, які ранжували 34 конструкції гібридного контролю, виявило, що обидві групи надавали перевагу сильному контролю з боку викладача під час підготовки та ініціації, а потім — усе більшому внескові студентів, оскільки співпраця розвивалася, і жодна з груп ніколи не надавала переваги повному контролю студента. Уподобання віддзеркалювали одне одне: викладачі хотіли більше контролю над часом формування пар, тоді як студенти хотіли самостійно сигналізувати про готовність; студенти довіряли вибору партнера викладачем, тоді як викладачі хотіли голосу студентів щодо партнерів. Наслідок для проєктування: розподіляйте суб’єктність за точкою прийняття рішення та етапом, з обмеженими, структурованими пропозиціями студентів, що підтверджуються аналітикою, орієнтованою на викладача, а не з довільним перебиванням його рішень. ([[yang-balancing-teacher-student-agency-2026]])
- **Доступ до вибору — це не те саме, що суб’єктність у дії:** [[learner-agency-ai-simulation-2026|Su, Nair та Nagashima (2026)]] розподілили випадковим чином 69 [[higher-ed|університетських]] студентів за конструкцією 2 × 2, що перехрещує контроль параметрів [[simulation]] симуляції зграї з доступом до необов’язкового [[pedagogical-agent|розмовного агента]], і виявили, що жодна з можливостей не дає надійного ефекту щодо [[learning-gains|навчальних здобутків]], коли контрольовано попереднє знання (контроль параметрів F(1, 50) = 0,04, p = .849; агент F(1, 50) = 2,68, p = .108). Здобутки відстежували *те, як* використовувався контроль: час за повзунками в уроці з найвищою концептуальною складністю передбачав вищі здобутки (β = .11, p = .007), тоді як та сама поведінка в простішому уроці передбачала нижчі (β = −.04, p = .047), а взаємодія з необов’язковим агентом коливалася від 0 до 32 запитань на здобувача, не пов’язуючись із результатами. Автори читають це як суб’єктність, яка *втінюється, а не надається*: питання проєктування полягає в тому, що допомагає здобувачеві вирішити, що варто змінювати, і помічати наслідки.
- **Епістемічна делегація в дослідженнях науковців на початку кар’єри:** [[ai-mediated-research-agency-formation-2026|Han та Liu (2026)]] окреслюють залежність від ШІ серед аспірантів і постдоків як *епістемічну делегацію* — передачу формулювання проблеми, вибору методу та інтерпретаційного авторитету інтелектуальній системі, — і виявили, що вона негативно пов’язана як з [[self-efficacy|дослідницькою самоефективністю]], так і з автономією дослідження, причому підтримка керівника пом’якшує втрату. Це розширює дискусії про суб’єктність від автономії здобувача до становлення самого дослідника.
- **Інтерпретаційний авторитет як змінна проєктування (концептуальна рамка).** [[porath-interpretive-authority-2026|Porath (2026)]] переосмислює питання «хто вирішує» як розподіл *інтерпретаційного авторитету* — хто визначає проблеми, оцінює відповіді та вирішує, коли розуміння досягнуто, — проектуючи чотири неієрархічні конфігурації (домінування людини, ШІ-асистування, ШІ-директива, діалогічне партнерство), між якими аудиторії переміщаються в межах одного завдання, та обґрунтовуючи зсуви в п’яти екологічних шарах — від індивідуальної метакогніції до соціокультурних наративів. Нормативне твердження статті узгоджується з доказами цієї сторінки: конфігурації з ШІ-директивними, хоч якими витонченими вони не були, можуть придушувати продуктивну боротьбу та метакогнітивну регуляцію — ті самі здатності, які ця сторінка визначає як субстрат суб’єктності. Будучи концептуальною роботою, вона дає діагностичну лексику, а не емпіричні докази.

Суб’єктність пов’язана з [[self-regulated-learning]] саморегульованим навчанням, [[motivation]] мотивацією, [[self-efficacy]] самоефективністю, [[student-experience]] студентським досвідом, [[human-ai-collaboration]] співпрацею людини зі ШІ, [[ethics]] етикою, [[cognitive-offloading|надмірною опорою]] та [[metacognition]] метакогніцією. Це ключовий фактор у [[educational-robotics|робототехніці]], [[intelligent-tutoring|тьюторстві]] та проєктуванні [[pedagogical-agent|агентів навчання на базі ШІ]].

- **Обмежене використання як епістемічний контроль, а не вагання.** [[guarded-adoption-genai-higher-education-2026|Zagami (2026)]] повідомляє, що студенти з високою успішністю в [[higher-ed|університетському]] опитуванні з 484 відповідями демонстрували нижчу активну залученість до ШІ та нижчий [[self-report-measures|сприйманий вплив]] на навчання, при цьому *також* повідомляючи про нижчу відчуженість, пов’язану зі ШІ, і описували власне використання як інтенсивне перевіряння: результати перевірялися, а потім підпорядковувалися власному мисленню. Прочитаний як суб’єктність, а не як уникнення, цей патерн є свідомим збереженням судження — студенти залишають за собою авторство висновку, використовуючи інструмент для уточнення та узагальнення.

Тривала робота над межами, а не вміння працювати з інструментом, відокремлює суб’єктність від делегації: студенти, які користувалися тим самим інструментом, заснованим на пошуку, створювали однаково відполіровані артефакти, незалежно від того, чи обмежували вони його результат і переписували його заново, чи віддавали тлумачення рано, тому різниця проявлялася лише в підказках, затримках, виправленнях і відмовах ([[obyrne-co-constructing-ai-boundaries-agency-judgment-2026|O’Byrne, 2026]]).

- **Діяти, знати та відповідати — не одне й те саме.** Дискурс-аналіз із використанням корпусу 366 [[generative-ai|генеративного ШІ]] анотацій із вищої освіти називає ШІ суб’єктом дії 2 050 разів, жодного разу не роблячи його відповідальним, тоді як відповідальність за оцінювання результатів і перевірку тверджень покладається на студентів: граматична активізація, функціональна суб’єктність, епістемічний авторитет і нормативна підзвітність розходяться ([[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal, 2026]]).
- **Суб’єктність має три режими, і третій — це те, що забезпечує політика.** Коли лише 18% викладачів і 24% директорів шкіл повідомляють про наявність шкільної політики щодо ШІ, більшість педагогів вправляють індивідуальну суб’єктність без жодної посередницької суб’єктності, що діяла б за них, — третього режиму Бандури, який забезпечується інституційними правилами ([[tench-ai-policy-isnt-a-playbook-2026|Tench, Weinstein та James, 2026]]).

## Суб’єктність як виникаючий, інтеракційний феномен

Суб’єктність здобувача — це не лише статична індивідуальна риса; вона також є **виникаючим, інтеракційно конституюованим процесом**, що втілюється через дискурс і момент-до-моменту координацію групової роботи. У спільному навчанні суб’єктність розподілена та по-новому узгоджується через взаємодію розбіжних процесів (генерування ідей, дослідження альтернатив) і збіжних процесів (оцінювання, інтегрування, синтезування). Це розуміння важливе для ШІ, бо системи [[agentic-ai|агентного ШІ]] можуть непомітно *перерозподіляти* епістемічну та регуляторну працю в межах групи, змінюючи те, хто робить внесок, хто формує напрям і хто регулює прогрес, — часто без відома здобувачів.

- **Суб’єктність як виникаюча якість конфігурації компетентностей.** Рамка «Компетентність співпраці людини зі ШІ» свідомо виключає суб’єктність здобувача як окремий компонент і трактує її як те, що здобувачі висловлюють, коли координують доменну, [[ai-literacy|ШІ-]] та [[metacognition|метакогнітивну]] компетентність, — інтеграційну роботу, яку TPACK приписує педагогіці, переходячи до власної метакогнітивної [[regulation]] регуляції здобувача; у розмовах 24 наукових педагогів вищої освіти кожен вимір з’являвся, причому доменний (12–19% кодованих одиниць) і ШІ (16–22%) виходили на передній план ([[dang-human-ai-collaboration-competency-2026|Dang та співавтори, 2026]]).
- **[[jin-emergent-learner-agency-implicit-hai-2026|Jin та співавтори (2026)]]** дають найпряміші докази: у великому експерименті (224 студенти, 97 тріад), де ШІ діяв як *нерозкритий член команди*, підтримуючі та контрарійні персони ШІ все одно реконфігурували виникаючу суб’єктність. Контрарійний ШІ тягнув дискурс до траєкторій, орієнтованих на виклик і рефлексію ([[desirable-difficulties|продуктивне тертя]]), тоді як підтримуючий ШІ стабілізував згоду і відновлював ідеогенерацію.
- **Персони ШІ як механізми керування дискурсом.** Контрарійні персони зовнішнювали тягар *кидання виклику* (перерозподіляючи епістемічну працю в бік критики), тоді як підтримуючі персони зовнішнювали *підтвердження* та утримання консенсусу. Дослідження виявило шість профілів виникаючої суб’єктності — зокрема, **рефлексивна [[regulation]] регуляція була унікально людською** (ШІ зовнішнював критику/підтвердження, але не моніторинг на метарівні).
- **[[affective-computing|Афективна]] ціна тертя.** Контрарійний ШІ знижував задоволеність командною роботою та психологічну безпеку *без* отримання здобутків у [[creativity|креативній]] продуктивності, розчленовуючи епістемічну стимуляцію від досвідової [[sustainability]] сталості. Це застерігає, що «продуктивні» структури дискурсу мають тлумачися поряд із їхніми емоційними наслідками — суб’єктність розквітає лише в психологічно безпечному кліматі.
- **Неявна участь ШІ — це невидиме управління.** Оскільки персони діяли навіть без розкриття ШІ, дослідження позиціонує проєктування персон як форму невидимого управління спільними процесами — висновок із прямими наслідками для помічників у письмі, систем [[peer-assessment]] взаємооцінювання та платформ командної роботи, які можуть формувати внески, не оголошуючи про свою присутність.

- **Три патерни суб’єктності в [[group-work|оцінюванні на основі груп]].** [[chen-zou-genai-group-assessment-agency-2026|Chen та Zou (2026)]] інтерв’ювали 15 фокус-груп учителів-практикантів про автентичну групову презентацію і виявили, що суб’єктність діє водночас у трьох напрямах: п’ять груп *інтенсивували* використання генеративного ШІ як інфраструктуру координації (суб’єктність, орієнтована на співпрацю — декодування розділів ровесників, узгодження частин, захист спільної оцінки), сім *стримували* його (нормативна суб’єктність — межі, проведені для захисту автентичності, [[bias-mitigation|справедливості]], оригінальності та різноманіття перспектив), і три ніколи не змінювали практику від індивідуальної роботи (невтілена суб’єктність, де індивідуальна здатність ніколи не була мобілізована колективно). Їхнє розрізнення важливе, бо стримування тут було нормативною [[self-regulated-learning|саморегуляцією]], а не підкоренням чи відчуженням, і бо сама здатність не створювала колективної суб’єктності. Членство в групі також обертало підзвітність, яку групова робота має створювати: дозвільний колективний клімат знижував сприйману [[ai-misuse-learning-harm|неправильного використання]], замість того щоб підвищувати зобов’язання.
- **Суб’єктність як реляційне самобуття.** Xie (2026) кидає виклик індивідуалістичній моделі суб’єктності, яку, на його думку, припускають навіть критики ШІ. Спираючись на даоське реляційне самобуття — «текуче і гетерогенне» я, конституюоване через взаємини з іншими та космосом, — він робить висновок, що [[digital-divide|цифровий розрив]] або алгоритмічна дискримінація є «порушенням фундаментальної будови я», роблячи рівність доступу до навчання «не просто етичним наказом, а онтологічною даниністю», а асиметричну владу та екологічні витрати — «інтегральними вимірами я», а не зовнішніми ефектами. Його контрідеал — «Чженьжень» (真人), або природний здобувач, — трактує ШІ як «інструментальне доповнення», а не як когнітивну заміну — суб’єктність як культивовану цілісність, а не безтертя оптимізацію.([[daoism-ai-education-philosophy-2026]])

Для спільних умов це переосмислює питання проєктування: не *чи може* ШІ брати участь як член команди, а *як* саме його структурована участь балансує епістемічну строгість, емоційну безпеку та відчуття власності в здобувачів. Обмежене тертя (стриманий виклик у парі з інтеграційними та відновними ходами) і явна метаспільна грамотність є рекомендованими запобіжниками.

Структурне прочитання суб’єктності з’являється в [[ai-agents-joyful-assessment-third-space-2026|рамці радісного оцінювання El Khoury та Ma]], де суб’єктність розглядається як властивість проєктування, а не мотивація: студенти обирають порядок завдань, задають темп і сигналізують, коли взаємодія завершується, тому підтримка є доступною, тоді як відповідальність за роботу залишається за здобувачем. Механізм, який вони називають, — це оцінювання: репетиція без аудиторії та вибір, коли починати, змінюють те, що означає завдання, від вердикту до чогось, що студент може формувати, — і вони стверджують, що саме повторний досвід цього зсуву перетворює випадкові почуття ефективності на повсякденну установу щодо оцінювання.

## Суб’єктність проти ідентичності здобувача

[[learner-identity|Ідентичність здобувача]] і суб’єктність здобувача легко сплутати, проте вони називають різні речі — і обидві змінюються під впливом ШІ.

- **Суб’єктність втінюється; ідентичність замешкана.** Суб’єктність — це [[situated-learning|ситуативна]] здатність діяти навмисно та керувати власним навчанням *зараз* — мінлива, інтеракційна властивість. Ідентичність — це більш тривале, наративне відчуття того, ким хтось *є* і ким *стає* як здобувач. Суб’єктність — це *процес*; ідентичність — це *стан буття*, який накопичується з нього.
- **Ідентичність — це інтерналізована суб’єктність.** Повторювані агентні вчинки — обрання, авторство, наполегливість — є тим, як здобувач починає бачити себе як суб’єктну, компетентну людину. Ідентичність — це осад суб’єктності в часі, посилений визнанням і належністю.
- **Різні режими відмови.** Суб’єктність руйнується [[cognitive-offloading|надмірною опорою]] та пасивним прийняттям (здобувач перестає керувати мисленням); ідентичність руйнується втратою авторства та загрозою компетентності (здобувач перестає відчувати результат своїм або відчувати, що належить до домену). [[jin-emergent-learner-agency-implicit-hai-2026|Неявне перерозподілення ШІ епістемічної праці]] — передусім занепокоєння щодо суб’єктності; [[t2i-competence-paradox-2026|парадокс компетентності]] в креативних галузях — передусім занепокоєння щодо ідентичності.
- **Обидва мають бути предметом проєктування.** Орієнтоване на суб’єктність проєктування зберігає контроль і вибір (обмежене [[desirable-difficulties|тертя]], нагляд за [[human-in-the-loop-ai|людиною в циклі]], [[explainable-ai|прозорість]]); орієнтоване на ідентичність проєктування захищає авторство та визнання ([[authentic-assessment|автентичне оцінювання]], чітке атрибутування внеску ШІ проти людини, завдання, що дозволяють здобувачам заявляти про домен). Захист суб’єктності без захисту авторства зберігає контроль, але не самоцінність — і навпаки.

Це розрізнення між втінюваною суб’єктністю та стабільною ідентичністю поширюється на відмову. Як описує [[ai-refusal-higher-education-diagnostic-non-use-2026|Zagami (2026)]], відмова від чат-бота для оцінюваного письма, заборона його для недопоможного мислення, опір автоматизованій тріажування в підтримці студентів або відстрочка закупівель є окремими ставленнями до окремих систем, охоплюючи особисті, педагогічні, професійні, адміністративні та інституційні рівні, а не єдиною тривалою установкою. Це право розподілене нерівномірно: студенти з академічною впевненістю можуть відмовлятися без штрафу, тоді як ті, кому потрібна підтримка в мові, доступності чи швидкому зворотному зв’язку, читають відмову як втрачену можливість, а впевнені науковці відмовляються з принципу, тоді як випадковий персонал відчуває тиск ухвалювати. Там, де ШІ перебуває в інфраструктурі, відмова зміщується від індивідуальної відмови до закупівель, аудиту та оспорюваності.

- **Відмова як конструювання ідентичності, а не просто як рішення (студенти кольору в навчанні за учнівським договором).** [[gyekye-selves-apprenticeship-2026|Gyekye (2026)]] інтерв’ював п’ятьох учнів середньої школи протягом 9 місяців і виявив, що вони творили себе через ШІ трьома ходами: відмова (невикористання як інституційне узгодження), узгодження (відновлення невідповідностей інституцій, приватність як віддалена абстракція) і визнання (прирівнювання справедливості до відсутності видимої упередженості — «культурна пласкість», у якій їхні ідентичності не представлені у відповідях ШІ). Дві інтерпретаційні концепти дослідження — «інституційна ШІ-грамотність» та «смуга визнання» — називають здатність робити використання ШІ інституційно читабельним і простір, який мають студенти, щоб бачити себе визнаними у результатах ШІ. Це наративне дослідження з п’ятьма студентами однієї програми; його внесок полягає в демонстрації того, що використання, обмеження та відмова від ШІ тісно пов’язані з тим, як здобувачі розуміють себе як авторів і майбутніх фахівців.

## Екологічна рамка спільної суб’єктності: суб’єктність як епістемічна проблема проєктування

[[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]] переосмислює суб’єктність здобувача як фундаментально *епістемічне* занепокоєння: [[generative-ai|генеративний ШІ]] не просто додає інструмент, а перепризначає епістемологічний авторитет — здатність продукувати знання, підтверджувати твердження та створювати докази навчання — від викладачів до студентів і до машин. **Екологічна рамка спільної суб’єктності** (Ecological Co-Agency Framework) працють із спільною суб’єктністю як відношенням між трьома взаємозалежними вимірами, всі з яких обмежені недоговірною умовою людської епістемічної підзвітності:

- **Реляційна спільна суб’єктність** — суб’єктність як продукт взаємодії між студентом, інструментом і контекстом, що вимагає прозорого розподілу того, які завдання делегуються ШІ, а які зберігаються, плюс етична спільна суб’єктність, у якій люди зберігають первинну підзвітність і діють у контрольній функції.
- **Регуляторна спільна суб’єктність** — проектування циклу [[self-regulated-learning|саморегульованого навчання]] (передбачення, виконання, рефлексія) на опосередкування через ШІ. Те, чи входить генеративний ШІ *до* чи *після* спроби здобувача, визначає, чи посилює він, чи руйнує сприйманий контроль; стратегічне [[cognitive-offloading]] перекладання роботи підтримує трансформативне навчання лише тоді, коли рішення про перекладання є навмисним, а не рутинним.
- **[[pedagogy|Педагогічна]] спільна суб’єктність** — розміщення [[teacher-role|викладачів]] у центрі, рух уздовж континууму спостерігач–впроваджувач–співучасник–новатор, який залежить від інституційної підтримки, а не від індивідуальної установки.

Умовa межі рамки вимагає **оспорюваності** (здатності ставити під сумнів і перехресно перевіряти результат ШІ), **провенансу** (знання, звідки беруться навчальні дані та результати) і **неделегування моральної та інтелектуальної заслуги** (судження високих ставок щодо добробуту студента, академічного стану та оцінок не мають визначатися лише ШІ). Це дає педагогам та [[stakeholders|приймальникам політики]] точнішу лексику, ніж туманний «баланс» між людським і штучним внеском, пов’язуючи суб’єктність з [[ethics]] етикою, [[assessment]] оцінюванням, [[equity-in-ai-education]] справедливістю в освітніх ШІ та [[governance]] управлінням.

Тісно пов’язане рамкування — **реляційна епістемічна суб’єктність** ([[du-yuan-epistemic-dependence-2026|Du та Yuan, 2026]]), яке погоджується, що суб’єктність соціально уможливлена та технологічно опосередкована, а не є питанням ізоляції від залежності. Там, де Екологічна рамка спільної суб’єктності наголошує на людській епістемічній підзвітності як на недоговірній межі, Du та Yuan зберігають явну *асиметрію*: системи ШІ можуть формувати та розширювати мислення, не маючи взаємної відповідальності чи легітимного авторитету. Їхні шість діагностичних критеріїв — оспорюваність, відновлюваність, перенесення, простежуваність, розподілена відповідальність та епістемічний плюралізм — дають практичний тест на те, коли відношення людини та ШІ зберігає здатність здобувача брати участь в тому, як формуються, оцінюються та приймаються твердження, а коли воно лише доставляє продукт. З цього погляду суб’єктність — це не незалежність від інструментів, а здатність судити відповідально *разом із, через і проти* систем, які опосередковують знання.

- **Делегована суб’єктність як механізм, а не лише ризик.** [[yan-agentivism-learning-theory-ai-2026|Yan та Gašević (2026)]] розглядають делегування когнітивної роботи ШІ як частину того, як відбувається навчання, а не лише як загрозу йому: у їхньому розрахунку допоможене виконання стає тривалою здатністю лише тоді, коли здобувач зберігає відповідальність за формулювання проблеми, задавання критеріїв та обґрунтування відповідей — поділ праці, який вони називають делегованою суб’єктністю. Це робить сам розподіл змінною проєктування, бо той самий інструмент може зберегти або розчинити суб’єктність здобувача залежно від того, які обов’язки він поглинає.

## Пов’язані поняття

- [[learners]] — Здобувачі: узагальнююче поняття для концептів на боці здобувача
- [[pedagogical-partnerships]] — Педагогічні партнерства
- [[learner-identity]] — дисциплінарні, професійні, креативні та академічні ідентичності здобувача, що еволюціонують
- [[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]] — спільний напрям взаємодії, опосередкованої ШІ
- [[agentic-ai]] — автономний ШІ, який може перерозподіляти суб’єктність у групах
- [[chemistry-education]] — Хімічна освіта та ШІ: лабораторії, формативне оцінювання, межі МММ, філософія експериментування
- [[social-emotional-learning]] — Соціально-емоційне навчання
- [[cognitive-surrender]]

## Пов’язані статті

- [[tench-ai-policy-isnt-a-playbook-2026]] — Національно репрезентативне опитування викладачів і директорів шкіл США щодо охоплення політикою ШІ, суб’єктності та п’ятьох класних сценаріїв (Tench, Weinstein та James, 2026)
- [[genai-reliance-human-agency-collaborative-learning-2026]] — Рука допомоги чи домінантний партнер? Індивідуальні сприйняття опори на генеративний ШІ та людської суб’єктності в спільному навчанні
- [[yan-agentivism-learning-theory-ai-2026]] — Теорія навчання середнього рівня для взаємодії людини зі ШІ, із чотирма механізмами та шістьма перевірними твердженнями (Yan та Gašević, 2026)
- [[dang-human-ai-collaboration-competency-2026]] — Суб’єктність здобувача як виникаюча якість координації доменної, ШІ- та метакогнітивної компетентностей, а не окремий вузол (Dang та співавтори, 2026)

- [[learner-agency-ai-simulation-2026]] — Доступ до вибору проти втіненої суб’єктності: повзунки, необов’язковий агент ШІ та навчання в симуляції зграї
- [[guarded-adoption-genai-higher-education-2026]] — Всторожене впровадження генеративного ШІ у вищій освіті
- [[ai-agents-joyful-assessment-third-space-2026]] — Агенти ШІ, радісне оцінювання та третій простір
- [[ai-mediated-research-agency-formation-2026]] — Становлення дослідницької суб’єктності, опосередкованої ШІ, у науковій підготовці на початку кар’єри
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Перекладання когнітивної роботи в письмі з підтримкою генеративного ШІ, чутливе до шарів (Chen, 2026)
- [[school-ai-education-readiness-gaps-agency-2026]] — Шкільна освіта зі ШІ звужує психологічні, але не когнітивні розриви в готовності
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[du-yuan-epistemic-dependence-2026]] — Реляційна епістемічна суб’єктність і шість критеріїв, що відокремлюють продуктивну опору від шкідливої залежності (Du та Yuan, 2026)
- [[ai-pedagogical-accompaniment-amico]] — Педагогічний супровід із підтримкою ШІ, що підтримує ідентичність у STEM
- [[t2i-competence-paradox-2026]] — Парадокс компетентності: креативна ідентичність у використанні генеративного ШІ перетворення тексту в зображення
- [[jin-emergent-learner-agency-implicit-hai-2026]] — Виникаюча суб’єктність здобувача в неявній співпраці людини зі ШІ: підтримуючі проти контрарійних персон
- [[de-barba-srl-genai-2026]] — Суб’єктність здобувача на різних рівнях: регуляція, інтеграція, позиціювання
- [[mishra-control-vs-agency-history-2025]] — Контроль проти суб’єктності як істотна напруга в історії AIEd
- [[daoism-ai-education-philosophy-2026]] — Альтернативна філософія ШІ: даосизм як метод для ШІ в освіті
- [[human-autonomy-agency-hri-review-2025]] — Людська автономія та суб’єктність у взаємодії людини з роботом (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]] — Проєктування на основі знань для генеративних соціальних роботів
- [[young-people-learning-generative-ai-rapid-review-2026]] — Розвивайте суб’єктність студентів у навчально релевантній роботі
- [[shaw-nave-cognitive-surrender-2026]] — Теорія трьох систем і когнітивна капітуляція: як ШІ перебудовує людське мислення (Shaw та Nave, 2026)
- [[preservice-teacher-agency-genai-design-learning-2026]] — Суб’єктність учителів-практикантів під час взаємодії з генеративним ШІ в проєктуванні для навчання (Krushinskaia, Elen та Raes, 2026)
- [[emancipatory-ai-learner-flourishing-2026]] — Емансипаційне бачення: суб’єктність як нульова сума з суб’єктністю інструмента
- [[chen-zou-genai-group-assessment-agency-2026]] — Три патерни суб’єктності в груповому оцінюванні, опосередкованому генеративним ШІ: інтенсифікований, стриманий і невтілений
- [[ai-integrated-teaching-identity-tensions]] — Принциповий вибір як суб’єктність викладача в інтегрованому зі ШІ викладанні (Adiozaman та Segar, 2026)
- [[ai-refusal-higher-education-diagnostic-non-use-2026]] — Відмова як діагностичний доказ: невикористання як ситуативне ставлення та нерівномірно розподілене право відмовлятися від ШІ (Zagami, 2026)
- [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026]] — епістемічний авторитет, заявляний через перебивання, виправлення та відмову, а не через максимальне використання інструмента
- [[genai-higher-ed-agency-responsibility-discourse-2026]] — Хто діє, хто знає, хто відповідає? Дискурс-аналіз із використанням корпусу суб’єктності, епістемічної відповідальності та підзвітності в дослідженнях вищої освіти щодо генеративного ШІ
- [[skill-sustaining-reliance-reflective-ai-engagement-2026]] — Відкриті питання на шляху до опори, що підтримує навички, в рефлексивній взаємодії зі ШІ
- [[fagerlund-competency-agency-purposes-ai-education-2026]] — Компетентність проти суб’єктності як мети освіти зі ШІ та евристика обізнаної ШІ-суб’єктності (Fagerlund та співавтори, 2026)
- [[canonigo-teacher-mediation-generative-ai-mathematics-2026]] — Посередництво викладача як умова, що зберігає генеративний ШІ як артефакт для критики, а не як авторитет (Canonigo, 2026)
- [[charles-teacher-readiness-by-design-ai-rich-2026]] — Суб’єктність викладача як ресурс, мобілізований через проєктування, із готовністю, що судиться з артефактів, а не з використання (Charles, 2026)
- [[yang-balancing-teacher-student-agency-2026]] — Балансування суб’єктності викладача та студента в інструментах спільної оркестрації для динамічного формування пар у реальному часі (Yang та співавтори, 2026)
- [[porath-interpretive-authority-2026]] — Матриця інтерпретаційного авторитету та модель екологічної інтеграції авторитету: чотири конфігурації того, хто тлумачить, та екологічні шари, що їх зміщують
- [[gyekye-selves-apprenticeship-2026]] — Студенти кольору в програмах навчання за учнівським договором творили себе через ШІ через відмову, узгодження та визнання («культурна пласкість»); інституційна ШІ-грамотність та смуга визнання

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Ідентичність здобувача** — розвивне відчуття того, ким ти є (і ким стаєш) як здобувач, що охоплює дисциплінарну, професійну, творчу та академічну ідентичності. У [[ai-education|ШІ в освіті]] [[generative-ai|генеративний ШІ]] тисне на ідентичність здобувача в двох напрямах водночас: він може *підтримувати* становлення ідентичності ([[scaffolding]], тобто підтримка, що поступово знімається, дисциплінарної належності та упевненості), водночас її *загрожуючи* (підриваючи сприйняте авторство, компетентність і автентичне навчання). Розуміння ідентичності здобувача є центральним для проєктування ШІ, який утверджує, а не руйнує відчуття себе в здобувачів.

## Питання для роздумів

- Згадайте час, коли ви відчували, що навичка або твір справді «ваші», а не лише зроблені через вас. Що створило різницю — авторство, визнання, компетентність? Як інструмент, який робить роботу за вас, міг би переформатувати це відчуття?
- Поширене припущення — що ідентичність є стійкою рисою, яку здобувач або має, або не має. Що змінилося б у вашому проєктуванні навчання, якби ви трактували ідентичність здобувача як щось, що постійно будується через участь, визнання та авторство?
- Сторінка описує «парадокс компетентності» серед студентів мистецтва та дизайну: інструменти ШІ здаються простими й корисними, і водночас їхнє використання загрожує творчій ідентичності, яку студенти отримують від ручної майстерні. Чи колись ви відчували, що простий інструмент кидав виклик вашій компетентності чи ідентичності? У чому була напруга?
- Студенти іноді приховують своє використання ШІ або відчувають із цього приводу сором, що фрагментує їхню академічну ідентичність і чесну залученість. Коли тиск виглядати певним типом здобувача штовхає людей приховувати, як вони насправді вчаться, і що зробило б розкриття безпечним?
- ШІ може й скаффолдити становлення ідентичності, і загрожувати йому. Якби ви проєктували ШІ-[[pedagogical-agent|супутник у навчанні]], які конкретні риси захищали б відчуття авторства та власності в здобувача, усе ще пропонуючи підтримку?

## Вступ

Ідентичність здобувача стосується того, ким здобувач розуміє себе і ким він стає в межах домену — мотиваційного та розвивного конструкту, відмінного від уявлень про здібності, як-от [[self-efficacy]], які відповідають на вужче питання *чи можу я це зробити?* Ідентичність формується через участь, визнання та авторство: через те, що ти бачиш себе відображеним у полі і що це бачення себе підтверджують інші. ШІ переформатовує всі три умови, бо змінює те, хто робить роботу, що рахується власним внеском здобувача і чи визнається здобувач автором власного навчання ([[agency]], [[metacognition]]).

## Чому ідентичність важлива для ШІ в освіті

Ідентичність — це мотиваційний і розвивний конструкт, відмінний від (але пов’язаний із) суміжними здібностями та уявленнями. Там, де [[self-efficacy]] стосується питання *чи можу я це зробити?*, ідентичність стосується питання *хто я — і ким я стаю?* Вона будується через участь, визнання та авторство — через те, що ти бачиш себе відображеним у домені, і це бачення себе підтверджується. ШІ переформатовує умови, за яких формується ідентичність, бо змінює *хто робить роботу*, *що рахується власним внеском* і *чи відчуває здобувач, що його визнано автором свого навчання*. Це робить ідентичність проєктним занепокоєнням першого порядку, а не периферійним «м’яким» чинником.

- **Авторство і компетентність під загрозою.** Коли ШІ продукує текст, зображення чи код, здобувачі можуть ставити під сумнів, чи результат справді «їхній» — виклик виміру авторства в ідентичності. **[[t2i-competence-paradox-2026|Liu et al. (2026)]]** документують *парадокс компетентності* у студентів мистецтва та дизайну, які використовують текст-в-зображення GenAI: інструменти здаються простими й корисними, і водночас їхнє використання загрожує **творчій ідентичності**, яку студенти отримують з ручної майстерні та авторства, створюючи справжню напругу між легкістю і почуттям власної гідності.

Відмінна умова авторства, а не лише загроза йому: коли самотвірний діалог звично делегується розмовній моделі, як стверджують автори, інтегративну роботу авторства *делегується*, а не залишається нерозвиненою чи відсутньою — себе, щільно озвучений, але невтілений в авторстві, для якого, на їхню думку, в наявних конструктах немає місця ([[synthetic-position-self-authorship-2026|Du et al. (2026)]]).
- **Сором і приховане використання.** **[[shame-guilt-ai-regulation-computing-education|Lin et al.]]** показують, що студенти комп’ютерних наук відчувають сором і провину навколо використання ШІ, які функціонують як соціальні регулятори, рухаючи *приховуванням* і вибірковим розкриттям — поведінками, що можуть фрагментувати академічну ідентичність і підривати чесну залученість у навчання.
- **Ідентичність як те, що ШІ може скаффолдити.** ШІ не мусить лише загрожувати ідентичності. **[[ai-pedagogical-accompaniment-amico|Benedetti (2026)]]** стверджують, що підзвітний, орієнтований на стосунки [[pedagogy|педагогічний]] супровід може підтримувати розвиток **STEM-ідентичності** в здобувачів, надаючи прозору, обмежену підтримку, що залишає місце для здобувача опанувати власну траєкторію.

## Ідентичність у дослідженнях бази знань

- **Творча ідентичність:** **[[t2i-competence-paradox-2026|парадокс компетентності T2I]]** передає, як легкість використання може підривати засновану на майстерні ідентичність студентів мистецтва та дизайну.
- **Відчуті авторство може розчепитися з фактичною оригінальністю.** Студенти-дизайнери, які будували вебсайти за допомогою ШІ, високо оцінили своє авторство (67/100, задоволеність 6,4/7, сприйнята якість 6,1/7), і водночас ці оцінки не співпали ні з чим вимірюваним: їхні дизайни були більш однорідними, ніж без ШІ, а відчуті авторство скорелювало з виміряною оригінальністю при r ≤ +0,13 ([[vibe-coding-design-diversity-2026|Boussioux et al., 2026]]).
- **Професійна ідентичність:** кілька досліджень розглядають вплив ШІ на **професійну ідентичність** — наприклад, **[[lodge-adaptive-capabilities-genai-future-2026|Lodge et al. (2026)]]** стверджують, що випускникам потрібні *адаптивні здібності* ([[ai-literacy]], [[distributed-cognition]], [[metacognition]]) саме для того, щоб вони могли підтримувати життєздатну професійну ідентичність у майбутньому, інтегрованому зі ШІ, а не бути визначеними — чи витисненими — своїми інструментами.
- **Постгуманістична та гібридна ідентичність:** **[[elsayed-pedagogical-symbiosis-posthuman-learner|Elsayed (2026)]]** теоретизують **постгуманістичного здобувача**, чия пізнання справді гібридне й розподілене між [[biology-education|біологічними]] та штучними системами — переосмислення самого становлення ідентичності в добу когнітивного ШІ.
- **Студентська та академічна ідентичність:** [[research-methods-aied|дослідження]] **[[zhan-boud-du-authentic-assessment-scoping-review-2025|автентичного оцінювання]]** пов’язується з ідентичністю, бо завдання [[assessment]], які вимагають автентичної, особистої продуктивності, допомагають студентам бачити себе здатними практиками; **[[paternalistic-filter-llm-history-education|дослідження історичної освіти]]** показує, як патерналістське використання ШІ може формувати те, як студенти будують свою ідентичність як дисциплінарні дослідники.
- **Те, як студенти вмовляють інструмент, формує їхнє професійне становлення.** Студенти, які вмовляли GenAI лише як соціально-емоційного партнера, давали менш диференційовані рефлексії про своє професійне навчання, ніж ті, хто вмовляв його також як метод, навчальний матеріал або структуру ([[genai-professionalization-metaphors-2026|Bohmer et al., 2026]]).

- **Охоронне упровадження: вибіркове використання ШІ як захист ідентичності.** [[guarded-adoption-genai-higher-education-2026|Zagami (2026)]] опитав 484 студентів одного австралійського університету й виявив, що більш успішні студенти повідомляли про *нижчу* активну залученість із [[generative-ai|генеративним ШІ]], нижчий позитивний афект до ШІ, нижчий [[self-report-measures|сприйнятий вплив на навчання]] і нижчу відстороненість від ШІ, із найсильнішими асоціаціями rho = −0,395 для сприйнятого впливу на навчання та rho = −0,359 для позитивного афекту. Їхні відкриті відповіді описували використання, яке було вибірковим (з’ясування, узагальнення, підтримка робочого процесу), перевіреним і підпорядкованим їхньому власному судженню, а результати на рівні пунктів показали більшу згоду з тим, що спиратися на ШІ заважає [[critical-thinking]] та самостійному [[problem-solving|вирішенню проблем]]. Автори читають це як роботу над ідентичністю: для студентів, чиє відчуття себе як успішних здобувачів спирається на власні зусилля та судження, обмеження використання ШІ захищає [[agency|епістемічну автономію]], від якої залежить ця ідентичність, — а це також означає, що взірець не є ані технофобією, ані низькою залученістю.

## Співвідношення з автономією здобувача

Автономія здобувача та ідентичність здобувача — тісно пов’язані, але відмінні конструкти, які легко переплести, — і обидва є центральними для того, як ШІ впливає на навчання.

- **Автономія — про *дію*; ідентичність — про *буття*.** [[agency|Автономія здобувача]] стосується здатності діяти навмисно, робити вибір і здійснювати контроль над власним навчанням *у моменті* — ситуативної, інтеракційної та змінної здатності. Ідентичність здобувача стосується того, ким ти *є* і ким *стаєш* як здобувач — стійкішого, наративного та розвивного відчуття себе. Автономія питає «чи можу я керувати цим?», тоді як ідентичність питає «чи це те, хто я / ким я хочу бути?»
- **Вони причинно переплетені.** Автономія є і *джерелом*, і *наслідком* ідентичності. Ужиткування автономії — вибір, авторство, наполегливість — є тим, як здобувач приходить до того, щоб бачити себе автономною особою (ідентичність є частково інтеріоризованою автономією). Навпаки, стійка дисциплінарна чи професійна ідентичність дає мотивацію та почуття власної гідності, які підтримують автономію в умовах труднощів. Ідентичність — накопичений продукт повторених автономних вчинків; автономія — безперервне ужиткування, яке будує ідентичність.
- **ШІ загрожує їм через різні механізми.** ШІ може руйнувати **автономію**, заохочуючи [[cognitive-offloading|надмірну перекладання роботи]] й пасивне прийняття — здобувачі перестають направляти власні міркування. ШІ може руйнувати **ідентичність**, підриваючи авторство і компетентність — коли ШІ робить роботу, здобувачі можуть перестати відчувати, що результат «їхній», або що вони належать до домену. [[t2i-competence-paradox-2026|Парадокс компетентності]] — це загроза ідентичності; [[jin-emergent-learner-agency-implicit-hai-2026|неявне перерозподілення ШІ епістемічної праці]] — переважно загроза автономії, хоч із часом вона накопичується в ідентичність.
- **Охорона обох — проєктна ціль.** Підтримка автономії означає збереження контролю та вибору здобувача (наприклад, обмежений [[desirable-difficulties|опір]], нагляд із [[human-in-the-loop-ai|людиною в циклі]]). Підтримка ідентичності означає захист авторства та визнання (наприклад, [[authentic-assessment|автентичне оцінювання]], прозору атрибуцію внеску ШІ проти людського). Проєктування, яке захищає автономію, але не авторство, захищає контроль, не захищаючи відчуття себе — і навпаки.

Коротко: **розвивайте автономію, щоб здобувачі могли діяти; підтримуйте ідентичність, щоб вони знали, хто вони, поки діють.** Здорове навчання за підтримки ШІ дбає про обидва.

## Співвідношення з ідентичністю викладача

Ідентичність здобувача — це **звернений до студента** аналог ідентичності викладача. Ідентичність викладача — розвивне професійне саморозуміння педагогів — документована на сторінці [[teacher-role]], де [[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]] вмовляють GenAI як *кризу ідентичності* для факультету, а не лише розрив у навичках, і [[teaching-the-teachers-genai-tpk-review-2026|навчання викладачів на основі TPK]] трактує ідентичність як частину професійної підготовки. Ці два взаємні: викладачі, які зазнають розриву ідентичності, менш здатні підтримувати розвиток ідентичності своїх студентів, тому здоровій системі, інтегрованій зі ШІ, потрібно дбати про обидві.

## Зв’язки

Ідентичність здобувача пов’язується з [[agency]] (ідентичність ужитковується через автономне авторство), [[self-efficacy]] (уявлення про компетентність, які підтримують ідентичність), [[motivation]] та [[self-determination-theory]] (становлення ідентичності задовольняє потреби в автономії та компетентності), [[student-experience]] та [[student-engagement]], а також зі [[stem-education]] (де дисциплінарна ідентичність є ключовим результатом і предиктором наполегливості). Її формує також [[situated-learning]] і [[critical-pedagogy]] (ідентичність як участь і як напружена з владою домовленість), і вона пов’язується з [[authentic-assessment]] (завдання, які дозволяють здобувачам виконувати й таким чином заявляти ідентичність). Її значимість для [[higher-ed]] та [[k-12]] охоплює і шкільну освіту, і професійну підготовку.

## Пов’язані поняття

- [[learners]] — Здобувачі: збірне поняття для понять на боці здобувача
- [[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]]

## Пов’язані статті
- [[guarded-adoption-genai-higher-education-2026]] — Guarded Adoption of Generative AI in Higher Education
- [[t2i-competence-paradox-2026]] — The competence paradox: creative identity in text-to-image GenAI use
- [[shame-guilt-ai-regulation-computing-education]] — Shame and guilt as social regulators of AI use
- [[lodge-adaptive-capabilities-genai-future-2026]] — Adaptive capabilities for a viable professional identity in a GenAI future
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — Pedagogical symbiosis and the post-human learner
- [[ai-pedagogical-accompaniment-amico]] — AI-enabled pedagogical accompaniment supporting STEM identity
- [[zhan-boud-du-authentic-assessment-scoping-review-2025]] — Designing for authentic assessment
- [[paternalistic-filter-llm-history-education]] — Paternalistic AI use and student identity in history education
- [[laidlaw-genai-identity-crisis-faculty-2026]] — GenAI as identity crisis for faculty (teacher identity)
- [[teaching-the-teachers-genai-tpk-review-2026]] — TPK-based teacher training and professional identity
- [[genai-professionalization-metaphors-2026]] — GenAI conceptualizations and student professional identity

- [[synthetic-position-self-authorship-2026]] — Призупинення авторства: делеговане авторство як себе, щільно озвучений, але невтілений в авторстві (концептуальний аналіз)
- [[vibe-coding-design-diversity-2026]] — One Tool, One Taste? How Vibe Coding Trades Collective Diversity for Individual Creativity

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Дизайн-мислення** — ключове поняття в дослідженнях [[ai-education|AI in education]]: орієнтований на людину, ітеративний процес розв’язування проблем (зазвичай Співпереживання → Визначення → Генерація ідей → Прототипування → Тестування), який веде здобувача від розуміння проблеми до створення та вдосконалення розв’язку. Розглянуто на матеріалі 8 статей цієї бази знань.

## Питання для роздумів

- Дизайн-мислення розвивається за схемою Співпереживання → Визначення → Генерація ідей → Прототипування → Тестування. Який етап ви природно пропускаєте у власному розв’язуванні проблем — і чим це може вам коштувати?
- Генеративний ШІ чудово справляється з генерацією ідей на ранніх етапах, але за некритичного використання може спричинити «дизайнерську фіксацію» або естетичну прив’язку. Чи доводилося вам колись зациклитися на першій пропозиції ШІ й не бачити альтернатив?
- Одне дослідження виявило, що змагальний ШІ, який кидав виклик дизайнерам, давав більше ітерацій, ширше дослідження простору варіантів і кращі фінальні проєкти — проте його було незручно використовувати. Коли тертя зі ШІ справді продуктивне?
- Студенти, які інтенсивно використовували GenAI у дизайні, повідомляли, що це НЕ зменшило їхнього відчуття власності над проєктом чи креативності. Чи суперечить це побоюванню, що ШІ руйнує авторство, — чи це залежить від того, як оркестрований інструмент?
- Дизайн-мислення постає і як навичка, якій навчають, і як метод, яким педагоги створюють підтримане ШІ навчання. Яка з цих ролей ближча вашій роботі й як вона змінює принципи дизайну, які ви застосовуєте?
- Практики часто використовують ШІ для ітеративного формування підказок і генерації, але недостатньо — для оцінки потреб і циклів зворотного зв’язку. Що означає розглядати ШІ як «хитного співрозмовника з інтелектом», а не як генератор контенту?

## Вступ

Дизайн-мислення лежить на перетині креативності, майстерності та критики — і саме тут [[generative-ai]] та [[agentic-ai]] дедалі більше змінюють те, як студденти навчаються проєктувати. У пов’язаних статтях цієї бази знань дизайн-мислення постає в двох різних ролях: як *педагогічний об’єкт* (навичка, якій навчають і яку вимірюють) і як *педагогічний метод* (процес, який педагоги самі використовують, щоб будувати підтримане ШІ навчання). В обох ролях повторюється та сама напруга: генеративні інструменти можуть прискорювати генерацію ідей і розширювати участь, проте їхня цінність залежить від того, як вони оркестровані, від [[feedback]], який вони дають, і від того, чи зберігає здобувач справжнє відчуття [[agency]].

## Докази з бази знань

- **GenAI в дизайн-студіях і архітектурі.** Два дослідження, орієнтовані на архітектуру, засновують це поняття в педагогіці студії. [[genai-architecture-education|Gen-AI-tecture]] виявив, що локально виконуваний, специфічний для дисципліни інструмент підвищив креативну плавність, розширив участь серед різноманітних профілів здобувачів і зміцнив упевненість у робочих процесах із підтримкою ШІ — важливий сигнал для [[equity-in-ai-education]], оскільки наглядово-просторове проєктування стає доступнішим. [[genai-architectural-design-studios|GenAI in architectural design studios]] також виявив, що студенти використовують GenAI як наочні стимули й ресурси натхнення на ранньому етапі генерації ідей і як комбінаторний метод розширення простору рішень під час розробки. Важливо, що обидва дослідження попереджають: без критичного розпізнавання студенти ризикують опинитися в стані **дизайнерської фіксації** або естетичної прив’язки, що переосмислює [[teacher-role]] у [[higher-ed]] від передачі майстерності до тренування того, як, коли і чому делегувати творче дослідження генеративним моделям. Таким чином [[creativity|Creativity]] зберігається й навіть посилюється — але лише за умови ретельної педагогічної оркестрації.

- **Змагальні агенти ШІ, що спонукають до переосмислення.** [[ai-agents-constructive-conflict-design-education-2026|Constructive conflicts with AI agents]] веде дизайн-мислення у бік [[agentic-ai]], порівнюючи змагальні та кооперативні ролі ШІ з новачками в інтерактивному дизайні (N=48). Змагальний умови створили значно більше ітерацій проєктування, ширше дослідження альтернатив і вище оцінені фінальні проєкти — учасники вважали агента-конфліктера дратівливим, але зрештою корисним. Ця динаміка продуктивного тертя, що перегукується зі [[socratic-method]] і [[scaffolding]], показує, що дизайн-мислення виграє від виклику, а не від одної лише допомоги, — висновок, що має наслідки для того, як проєктується [[student-experience]] у навчальних студійних середовищах із ШІ.

- **Дизайн-мислення як навичка студента, що розвивається.** [[genai-usage-design-students-survey|GenAI usage by design students]] в Politecnico di Milano показало дуже часте використання, зосереджене на ранніх, насичених генерацією ідей етапах, — проте високий рівень впровадження не зменшив відчуття власності над проєктом чи креативності, що безпосередньо наповнює змістом дебати про [[ai-literacy]] і [[academic-integrity]] щодо авторства та прозорості процесу.

- **ШІ в педагогіці дизайну та рамках для педагогів.** Дизайн-мислення структурує й те, як педагоги будують підтримане ШІ навчання. [[gaide-vibe-coding-k12-teachers|GAIDE]] пропонує рамку на основі дизайн-мислення для викладачів K-12, які створюють інструменти навчання на основі ШІ за допомогою vibe coding, підвищуючи ШІ-грамотність викладачів і підтримуючи навчання через створення як [[educational-development]] і [[professional-training]]. [[dot-framework-survey-2026|The DOT Framework survey]] (n=72) засновує дизайн-мислення в теорії відкритих систем і виявило, що практики часто використовують ітеративне формування підказок і генерацію контенту, але недостатньо — оцінку потреб і цикли зворотного зв’язку; цей розрив між практикою і теорією реалізує ШІ як хитного співрозмовника з інтелектом під наглядом [[human-in-the-loop-ai]]. Навіть [[social-robot-study-companions|co-creating open social robots]] зі студентами застосувало подвійний діамант (варіант дизайн-мислення), перебудувавши створення навколо доступності так, що ремонтопридатність і принципи [[open-source]] стають місцями тривалого навчання.

## Практичні рекомендації

Для педагогів сукупність доказів радить уникати як сліпого обмеження, так і необмеженого впровадження. Розглядайте GenAI як *ресурс генерації ідей, цінність якого залежить від оркестрації*: він чудово справляється на ранніх етапах дослідження та роботи з емпатією, тоді як викладачі-люди додають контекстне закріплення під час прототипування та оцінювання. Розгортаючи [[agentic-ai]], розгляньте змагальні або сократичні ролі, що спонукають до переосмислення, а не до плавкого кооперативного підтвердження. А для тих, хто проєктує підтримку для викладачів, пам’ятайте: самих переконань недостатньо — практикам потрібен скаффолдинг для повного циклу дизайну (оцінка потреб, цикли зворотного зв’язку), а не лише використання інструмента, і потрібні інструменти оцінювання, щоб перевірити, що дизайн-мислення справді розвивається (див. [[ai-ed-evaluation]]).

## Зв’язки зі спорідненими поняттями

Дизайн-мислення в освіті зі ШІ глибоко переплетене з [[human-ai-collaboration]]: генеративні інструменти розширюють генерацію ідей, тоді як люди зберігають епістемічний авторитет і [[agency]]. Його ефективність спирається на [[scaffolding]] і відповідний етапу [[feedback]], його часто реалізують через [[socratic-method|Socratic]] та змагальні взаємодії у [[higher-ed]] та [[k-12]], а його успіх часто розуміють як збереження [[creativity]] та розвиток [[ai-literacy]] за управління [[human-in-the-loop-ai]].

## Пов’язані поняття

- [[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]]
## Пов’язані статті

- [[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

---

## [Конструювання навчальної програми](https://edtechdev.github.io/aied/concepts/curriculum-design/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Конструювання навчальної програми** — процес планування та структурування того, що викладається в курсах, програмах та установах, включно з навчальними цілями, послідовністю контенту, стратегіями оцінювання та прогресією навичок. В епоху ШІ конструювання навчальної програми мусить балансувати фундаментальні знання з новими компетентностями в галузі ШІ, визначаючи не лише що студенти вчаться, а й як вони вчаться працювати з інструментами ШІ та критично їх оцінювати.

## Питання для роздумів

- Конструювання навчальної програми ставить питання, чого студенти мають вчитися на рівні програми, тоді як конструювання навчання ставить питання, як — на рівні курсу. Коли ШІ перебудовує дисципліну, який із цих двоїстких рівнів, на вашу думку, мусить змінитися першим?
- Оскільки [[generative-ai|генеративний ШІ]] автоматизує роботу на рівні реалізації, дехто стверджує, що навчальні програми мусять зміститися до проєктування систем, абстрагування та [[critical-thinking|критичного оцінювання]]. Що, на вашу думку, втратили б студенти, якби навички низького рівня перестали акцентувати?
- Перепроєктування навчальних програм в епоху ШІ часто окреслюється як баланс між вмілим володінням інструментами та фундаментальними знаннями. Де ви бачили, що цей баланс надто перехилявся в один бік?
- Рамка SAIL трактує ШІ-грамотність як таку, що підтримується скаффолдингом упродовж віку та сконструйована так, щоб опрацьовувати глибші «цифрові розриви» поза доступом. Чим вбудовування ШІ-грамотності в усю навчальну програму відрізняється від додавання одного курсу зі ШІ?
- Якщо кожна дисципліна нині потребує вбудованих у неї компетентностей зі ШІ, хто відповідальний за зміну навчальної програми — викладачі, програми чи установи, — і що потрібно викладачам, щоб у цьому досягти успіху?
- Навчальна програма — це послідовність навичок упродовж років, а не лише список тем. Як це довший погляд змінює оцінку того, чи «модуль ШІ-грамотності» справді закріплюється?

## Вступ

Конструювання навчальної програми опрацьовує *що* освіти на рівні програми, доповнюючи [[learning-design]], яке опрацьовує *як* на рівні курсу. Статті в цій базі знань досліджують, як ШІ перебудовує навчальні програми в дисциплінах — від розробки програмного забезпечення до архітектури та зеленої освіти, — і як викладачі конструюють навчальні програми, які вбудовують ШІ-грамотність, не жертвуючи дисциплінарними основами.

### Ключові теми досліджень

**Перепроєктування навчальних програм для епохи ШІ** є центральним викликом. **[[reshaping-cs-education-genai|Lee et al.]]** синтезували висновки міжнародних семінарів із перебудови бакалавратської освіти [[cs-education|з інформатики]], стверджуючи, що оскільки генеративний ШІ автоматизує програмування на рівні реалізації, навчальні програми мусять зміститися до проєктування систем, абстрагування та критичного оцінювання, — знижуючи при цьому акцент на деталях реалізації низького рівня. **[[ase-26-agentic-software-engineering-curriculum|Gorsky]]** формалізував агентну розробку програмного забезпечення як окрему дисципліну з навчальною програмою з 21 модуля, зосередженою на «еволюції наміру» та практичній дисципліні, потрібній для керування [[agentic-ai|агентами ШІ]]. Обидва посилання ведуть до [[ai-literacy]] та [[scaffolding]].

Розглядаючи зміну як системну, а не додаткову, [[rewriting-curriculum-genai-pedagogy-2026|Sabani et al. (2026)]] тріангулюють систематичний огляд, бібліометричне картографування 209 записів, 36 статей та інтерв’ю з десятьма академічними лідерами в п’ять зсувів, — включно з тим, що передавання знань поступається місцем розвитку здібностей, а локальне експериментування — інституційному управлінню.

**Картографування та аналіз навчальних програм** використовує ШІ для розуміння наявних навчальних програм. **[[ai-assisted-se-curriculum-syllabus-analysis-2026|Geng et al.]]** проаналізували 23 програми курсів із розробки програмного забезпечення з підтримкою ШІ, виявивши спільні теми, — [[prompt-engineering|prompt engineering]], огляд коду зі ШІ, [[ethics|етичні міркування]], — і виводячи вказівки для дизайну, які акцентують баланс вмілого володіння інструментами з фундаментальними знаннями. **[[coursegraph-cs-course-comparison-2026|CourseGraph]]** застосовує обчислювальні методи для порівняння структур курсів з інформатики в різних установах.

**Інтеграція ШІ-грамотності** вбудовує компетентності зі ШІ в дисципліни. **[[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|SAIL]]** дає рамку ШІ-грамотності зі скаффолдингом, придатну для всіх віків і освітніх етапів, опрацьовуючи [[digital-divide|цифрові розриви]] другого та третього рівня. **[[tracing-genai-literacy-interaction-patterns]]** досліджує, як ШІ-грамотність розвивається через патерни взаємодії. **[[hingle-collaborative-ai-literacy-2025]]** досліджує колаборативні підходи до розробки навчальних програм зі ШІ-грамотності, пов’язуючи з [[collaborative-learning]].

LearnAI показує, як виглядає вбудований варіант: шар широкої експозиції з коротких презентацій у 18 наявних курсах у п’яти дисциплінах (293 студенти), у пару з добровільними сесіями спільного створення один-на-один, які ведуть натреновані студенти-тьютори бакалаврату, так що здобувачі з різними здібностями зустрічають завдання зі ШІ на своєму рівні ([[learnai-just-in-time-ai-cocreation-university-2026|Qu et al. (2026)]]).

Інтеграція на практиці відстає від рамок. [[critical-media-literacy-education-2026|Santos-Albardía et al. (2025)]] виявили, що лише 13.8% опитаних студентів освітніх та журналістських програм сказали, що їхні курси опрацьовували критичний медійний аналіз, проти 97.8%, які оцінили його як важливий, а їхні інтерв’ю з експертами простежили розрив до підготовки викладачів, яка надає перевагу технічним і навчальним навичкам понад медійну освіту.

Огляд за PRISMA 39 досліджень STEAM (2016–2025) виявив паралельну нерівновагу в елементах ШІ-грамотності: впровадження розвивали технічні грамотності — фундаментальні поняття ШІ, обчислювальне мислення, грамотність у питаннях даних, — водночас недорозвиваючи етичну обізнаність, творчу уяву та створення, управління та проєктування зі ШІ, тому практичною відповіддю є аудит кожного модуля проти них ([[niri-steam-ai-literacy-review-2026|Niri et al., 2026]]).

Голос студентів — інший вхідний параметр дизайну: 84% зі 166 студентів-випускників бізнес-програм хотіли, щоб генеративний ШІ викладався в їхніх модулях, і 85% вважали його необхідним для працевлаштування, тоді як лише 7% дізналися про нього зі свого університету ([[rook-plumb-genai-curricula-student-insights-2026|Rook & Plumb (2026)]]).

Огляд 42 досліджень із дошкільної та шкільної освіти зі ШІ виявляє, що навчальні програми рухаються від технічного контенту до моделей, заснованих на компетентностях, побудованих на рамках на кшталт AI4K12 та П’ятьох великих ідей в ШІ, причому [[ai-literacy]] розглядається як міжпредметна компетентність, тоді як стандартизовані інструменти для її оцінювання залишаються відсутніми ([[caruana-pre-university-ai-education-slr-2026|Caruana et al. (2026)]]).

Викладачі та роботодавці погодилися щодо важливості лише однієї з 26 навичок у галузі ШІ — встановлення реалістичних очікувань для роботи з посиленням від ШІ, — і лише три з 26 викладалися половиною або більше викладачів, що є доказовою базою звіту про розрив у навичках ШІ між вищою освітою та роботодавцями ([[ithaka-sr-ai-skills-college-graduates-2026|Fried (2026)]]).

Дизайн занять з машинного навчання в K-12 залишається на поверхні: огляд за рамкою ICE-T виявив, що невидиме використання, взаємодія з кнопками та розгортання моделі становлять майже 60% закодованих занять із навчання з учителем, відкрите створення з’являлося лише двічі, а технічні та соціетальні перспективи співтраплялися лише приблизно в 3% занять ([[icet-ml-education-trust-2026|Haritz et al., 2026]]).

**[[discipline-specific-aied|Доменно специфічні]] інновації навчальних програм** застосовують конструювання навчальних програм до конкретних галузей. **[[genai-architecture-education]]** досліджує, як генеративний ШІ перебудовує архітектурну [[pedagogy]]. **[[talebzadeh-ai-green-education-2026]]** досліджує інтеграцію ШІ в навчальні програми зеленої освіти. **[[connected-ai-lesson-planning-vietnam]]** та **[[llm-cultural-relevance-k12]]** опрацьовують [[culturally-relevant-pedagogy|конструювання культурно чуйних навчальних програм]].

**Вбудовуйте ШІ в дисципліну, а не поруч із нею.** Трьохрівнева (вступний, прикладний, передовий) навчальна програма зі ШІ вписала машинне навчання в наявні теми теплової інженерії в межах 39,1-годинного курсу, а не додаючи вибіркових курсів з інформатики, уникаючи додаткового навантаження на студентів машинобудування та відкрито оприлюднюючи свою програму, дані й код ([[mechanical-engineering-ai-curriculum-2026|Li et al. (2026)]]).

Журналістський кейс показує варіант із цінностями на передньому плані: тріадичний скаффолдинг «цінності–процеси–компетентності» перевів студентів від суто людської журналістики до роботи з інтеграцією ШІ, проте 8 із 9 (89%) повідомили про впевненість в етичних рішеннях, тоді як пункти опитування про авторство та упередженість натякали лише на поверхневе розуміння ([[ying-genai-journalism-assessment-2026|Ngu and Weller (2026)]]).

**[[governance|Інституційні]] рамки** опрацьовують зміну навчальних програм у масштабі. **[[finkelstein-principled-ai-education-2025]]** та **[[finkelstein-principled-ai-education-2025]]** дають принципи для інтеграції ШІ в освітні програми. **[[ai-adoption-training-public-sector]]** досліджує бар’єри до ухвалення навчальних програм зі ШІ в освіті державного сектору.

**Послідовне розміщення ШІ в межах програми.** [[refrain-amplify-genai-curriculum-2026|Torres-Sahli et al.]] пропонують рамку «стримуй, потім підсилюй», яка розміщує генеративний ШІ послідовно на рівні програми: притримуйте генеративний інструмент, поки формується здібність, потім відновіть його, щоб підсилити цю здібність, коли студент уже може керувати нею та судити її результати. Керуючись критерієм «формування проти вивантаження» (чи будує ділянка роботи здібність, чи лише пропускає її через інструмент), рамка пов’язує конструювання навчальної програми з [[cognitive-offloading]], [[self-regulated-learning]] та [[academic-integrity]], із важкими для фальшування контрольними точками на кожному шарнірі «стримуй→підсилюй».

Важіль для найвищих етапів — це не більше курсів: на 89 спонсорованих проєктах-капстоунах перехід від Рівня готовності до робочої сили 6 до 7 утримувався досвідом, вбудованим в індустрію, — коопераціями та проєктами Партнерства з розширення виробництва, — тому ступені потребують навчання, інтегрованого з роботою, а не ще одного технічного вибіркового курсу ([[workforce-readiness-smart-manufacturing-wrl-2026|Smith et al. (2026)]]).

Наслідок на рівні навчальної програми від можливостей моделі полягає в тому, що дизайн, стійкий до ШІ, застаріває. Викладачі обчислювальних наук описували калібровку завдань проти того, чого моделі ще не могли робити, і спостереження, як калібровка втрачала силу, — завдання одного викладача з кібербезпеки вимагали справжнього [[problem-solving|розв’язування задач]] сім чи вісім місяців раніше, а потім просто розв’язувалися, — причому фасилітатор оцінив термін придатності приблизно в один семестр. Структурний висновок семінару полягає в тому, що майже кожна адаптація робилася окремим викладачем в межах одного курсу, без інституційної координації, якої вимагала б стійка навчально-програмна відповідь ([[computing-assessment-genai-workshop-report-2026|Akbar et al., 2026]]).

**Узгодження цілого курсу, коли генеративний ШІ дозволений.** Перепроєктування 2026 року вступного курсу [[physics-education|фізики]] ядра та частинок ([[ai-particle-physics-education-redesign-2026|Mikhasenko et al.]]) інтегрувало три типи діяльності з різними ролями — лекції для понять і нотації, семінарські заняття для стандартної аналітичної практики та домашні завдання як дослідницький «сформований як дослідження» компонент із незвично важкими багатометодними задачами. Повідомлене тертя (неоголошений передумовий вимогливий програмування, недостатньо часу, щоб зрозуміти, а не лише отримати відповіді, та неузгодженість між лекціями, семінарськими заняттями, домашніми завданнями та [[summative-assessment|іспитом]]) ілюструє, що дозвіл на генеративний ШІ змушує до роботи з узгодження навчальної програми в межах цілого курсу, а не до зміни одного типу завдання; їхня рекомендована структура зберігає дозволену дослідницьку роботу зі ШІ як передові завдання, що несуть бонус, тоді як письмовий іспит без допомоги визначає оцінку.

**Глибина узгодження, а не частота використання, розділяє патерни інтеграції.** На 17 кейсах бізнес-модулів шість вбудовували генеративний ШІ систематично в навчання, вчення та оцінювання (конструктивні), дев’ять робили це неузгоджено (змішані) та два sporadично (ad hoc); конструктивні кейси повідомляли про найсильніші результати в залученості, здібностях та дорельності навчальній програмі ([[zhou-constructive-alignment-genai-business-2026|Zhou et al. (2026)]]).

**Поради щодо конструктивного узгодження під критичним розглядом.** Там, де наведені вище джерела повідомляють про узгодження на практиці, [[mcinnes-salvaging-constructive-alignment-genai-2026|McInnes et al. (2026)]] читають самі вказівки як дискурс. Їхній [[qualitative-research|критичний дискурс-аналіз]] 14 творів сірої літератури, опублікованих із листопада 2022 по квітень 2025 — здебільшого інституційних сторінок і розділів від центрально розташованих [[educational-development|підрозділів навчання та викладання]] — виявив, що конструктивне узгодження подавалося як проблема ефективності: генеративний ШІ був «ефективним і ефектнісним способом створити чернетки рубрик», який міг «раціоналізувати процес», антропоморфізований як «освітній експерт і асистент», «партнер для спарингів» чи «інтелектуальний асистент у проєктуванні навчання», тоді як академічний персонал давав лише «експертизу з предметної галузі», а інструмент брав на себе «важку роботу з розробки навчальних цілей, організації контенту курсу ... та узгодження компонентів курсу». Рецепти підказок типу «скопіюй-і-встав» і пронумеровані шаблони окреслювали КУ як стандартизований продукт, породжуючи три режими відмов: перформативність (узгодження, яке лише виглядає узгодженим), стирання ситуативного та критичного контексту та поверхневе КУ, що зливає узгодження з конструктивним виміром. Їхній ліки переставляє послідовність робочого процесу конструювання навчальної програми, — викладачі мусять розуміти КУ достатньо добре, щоб керувати, оцінювати та відхиляти результати ШІ, до того як делегувати будь-яку його частину, — і обмежує будь-який інструмент інституційним [[rag|агентом з посиленням через пошук]], грунтованим на локальній політиці, рубриках та атрибутах випускників, із роллю «лімінального тьютора», яка розширює, а не замінює стосунок із [[educational-development|розробником]].

**Генерація узгоджених із навчальною програмою завдань на моделювання.** Платформи на основі ШІ можуть опрацьовувати брак у викладачів часу та ресурсів для конструювання якісних завдань на [[math-education|математичне моделювання]], генеруючи узгоджені з навчальною програмою задачі та педагогічні рекомендації, грунтовані на принципах дизайну та [[rag|генерації з посиленням через пошук]], — підхід, проілюстрований на прямій варіації в математиці середньої школи ([[ai-modeling-problem-generation-platform-2026]]). Саме читання для курсу нині також стали об’єктом генерації: Сидоркін (2026) замінив комерційний підручник щотижневими згенерованими ШІ читаннями в аспірантському курсі з освітнього лідерства, і хоча студенти оцінили їх як корисні, а 75 відсотків погодилися, що вони дізналися більше, ніж на порівняному курсі, 4 487 сторінок журналів містили цитування в тексті за стилем APA лише приблизно на 0.80 відсотка сторінок і поєднували названий кампус чи систему з твердженнями про політику приблизно на 1.03 відсотка сторінок без перевірюваного джерела. Урок із навчальних матеріалів полягає в тому, щоб трактувати згенеровані читання як виробництво чернеток під оглядом викладача, закладати в бюджет працю викладача на конструювання підказок і перевірку, а також курувати перевірені джерела в асистента, а не залишати якість джерел на те, щоб студенти виводили її з контексту.

**Планування уроків з допомогою ШІ на рівні «навчальна програма→аудиторія».** У точці, де навчальна програма стає навчальним уроком, [[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo and Tahir (2025)]] експериментально порівняли згенеровані викладачами плани з планами за допомогою ChatGPT в художній освіті [[stem-education|STEAM]] для дітей, виявивши, що плани за допомогою ШІ отримали значуще вищі оцінки від шести професорів-експертів (медіана 20.5 проти 17.6, p = .002, великий ефект). Вони показують, що виграш залежить від того, як викладач делегує: рекомендований метод заповнює прогалини в контенті самостійно окресленого уроку (зберігаючи [[agency|автономію]] дизайну викладача), а не делегуючи весь план, і вони дають шаблон підказки «Роль–Інструкції–Кінцева мета» для відтворюваної генерації з контролем якості, — доказ того, що планування уроків зі ШІ найсильніше, коли воно вбудоване в навчально-програмні рішення викладача, а не заміщує їх. В освіті з наук експертна валідація приходить до паралельного висновку щодо дизайну платформи: [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli and Yildirim (2026)]] змусили одинадцять [[science-education]] оцінити ChatGPT-4 та інструмент, зосереджений на освіті (Teacher's Buddy), за планами для шостого класу, узгодженими з переглянутою навчальною програмою Туреччини та моделлю навчання [[design-based-research|Design-Based]]. Платформа, зосереджена на освіті, набрала вище за всіма вісьмома критеріями якості — включно з етапами, насиченими зворотним зв’язком, і узгодженістю з навчальною програмою, — доказ того, що вбудовування педагогічної структури в ШІ дає краще узгоджений результат; проте деякі експерти усе щі надавали перевагу загальному плану за його сильніший соціально-емоційний акцент, а 7 із 11 судили плани «придатними за умови виправлення», а не придатними для безпосереднього використання. Вибір платформи та рамки підказки, а не лише самого ШІ, формує те, наскільки добре згенеровані плани узгоджуються зі стандартами навчальної програми та моделями процесів.

Структура, а не формулювання підказки, є тим, що робить створення чернеток за допомогою ШІ надійним у виробництві: конвеєр Curriculum-as-Code від [[curriculum-as-code-instructional-design-2026|Paiva (2026)]] агресивно відсікав контекст і генерував матеріали розділ за розділом на 28 проєктних контекстах, що знизило час підготовки викладача приблизно з восьми до двох годин на інструкцію і не залишило жодної концептуальної чи математичної галюцинації для людського огляду.

### Зв’язки зі спорідненими поняттями

Конструювання навчальної програми безпосередньо пов’язане з [[learning-design]] — навчальна програма визначає що, інструктаж визначає як. Воно пов’язане з [[ai-literacy]], оскільки вбудовування компетентностей зі ШІ є основним навчально-програмним викликом, з [[teacher-role]] та [[educational-development]], оскільки зміна навчальної програми вимагає підготовки викладачів, та зі [[scaffolding]], оскільки добре сконструйовані навчальні програми підтримують розвиток навичок у курсах і роках. Зв’язки [[higher-ed]] та [[k-12]] відбивають дорельність конструювання навчальної програми на різних освітніх рівнях.

## Пов’язані поняття

- [[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]] — Зонтичне поняття: педагогіки та стратегії навчання в освіті зі ШІ
- [[recommender-systems-and-learning-paths]]

## Пов’язані статті

- [[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

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Критичне мислення** — здатність аналізувати, оцінювати та синтезувати інформацію — є водночас навичкою, у розвитку якої можуть допомогти інструменти ШІ, і компетентністю, яку студенти мають застосовувати під час використання ШІ. У [[ai-education|дослідженнях зі ШІ в освіті]] [[research-methods-aied|research]] критичне мислення постає в двох взаємопов’язаних формах: як навчальна мета ([[teacher-role|навчання]] студентів критично мислити) і як запобіжник від некритичної залежності від ШІ.

## Питання для роздумів

- Наскільки ви впевнені у своїй здатності виявляти хибну або оманливу згенеровану ШІ відповідь? Дослідження свідчать, що [[self-report-measures|заявлена]] компетентність у питаннях ШІ значно перевершує фактичну здатність оцінювати — як би ви себе перевірили?
- Критичне мислення тут постає в двох формах: як навичка, якій треба навчати, і як запобіжник від некритичної залежності від ШІ. Чи можете ви пригадати ситуацію, коли інструмент, який «навчає» критичного мислення, насправді тренує протилежне?
- Одне дослідження виявило, що залучення студентів до розбору згенерованих ШІ помилок дало значний приріст у мисленні вищого порядку. Як свідоме викриття помилок — замість їхнього приховування — може виявитися потужнішим педагогічним ходом, ніж ви припускали?
- Легкий доступ до відповідей ШІ може витіснити критичну [[student-engagement|залученість]] раніше, ніж студенти це усвідомлять. Яка особливість дизайну — а не політика чи заборона — могла б зберегти когнітивне зусилля?
- Показано, що поради ШІ пригнічують готовність сказати «я не знаю» — навіть коли порада хибна. Як це змінює розуміння того, що означає створити в аудиторії культуру, у якій ставити питання безпечно?

## Вступ

Критичне мислення є центральним для [[ai-literacy]] — студенти, які не здатні критично оцінювати результати ШІ, уразливі до [[cognitive-offloading|надмірної залежності]], [[hallucination-risk|вигаданої інформації]] та упереджених рекомендацій. Дослідження [[cognitive-offloading]] показують, що легкий доступ до відповідей ШІ може витісняти критичну залученість, тоді як [[socratic-method|сократичні підходи]], які не дають прямих відповідей, зберігають когнітивне зусилля, необхідне для глибшого мислення.

Саме керована структурована діалогом взаємодія, а не краща підказка, відрізняє тьютора з логічних помилок від чат-бота для дебатів: пропускаючи кожен хід через визначення наміру на основі моделі Туеміна, фіксований порядок стратегій і агента-верифікатора, одна сократична система проходить 84.5% метрик якості діалогу проти 61.5% у евристичного базового рівня ([[lftutor-logical-fallacy-education-2026|Shi et al. (2026)]]).

### Критичне мислення в дослідженнях зі ШІ в освіті

Статті цієї бази знань досліджують критичне мислення крізь [[design-based-research|дизайн-орієнтовані]] та емпіричні оптики. [[ai-agents-constructive-conflict-design-education-2026|Змагальні агенти ШІ]] втілюють конструктивний конфлікт, щоб спонукати до переосмислення дизайнерів-початківців, — сократичний варіант, який змушує до критичного переоцінювання. [[genai-can-harm-teaching-rct-2026|Рандомізоване контрольне дослідження генеративного ШІ в навчанні]] ставить питання, чи інструменти ШІ, що оптимізуються під поверхневі результати, можуть ненавмисно пригнічувати критичне мислення, яке веде до глибшого навчання. Виміряні дані загострюють цю думку: те, чи змінюється критичне мислення, залежить від того, як сконструйовані опосередковані ШІ завдання та зворотний зв’язок, і від [[metacognition|метакогнітивної]] регуляції здобувачів, а не від доступу до моделі.

Зв’язок використання генеративного ШІ із заявленим критичним мисленням майже цілком проходив через [[feedback-literacy]]: серед 421 китайських студентів бакалаврату грамотність у питаннях зворотного зв’язку опосередковувала 71.98% загального асоціювання (β=0.185), а залишковий прямий шлях був позитивним лише для менш рефлексивних студентів (β=0.177) і незначущим для більш рефлексивних ([[genai-use-critical-thinking-moderation-2026|Yan et al. (2026)]]).

**Мета-аналітична опора для твердження про модерацію.** У 29 експериментах генеративний ШІ помірно підвищив мислення вищого порядку (g = 0.609), причому критичне мислення мало ES = 0.691 — нижче за розв’язування задач (0.745) і вище за креативність (0.444), — найсильніше для інтервенцій тривалістю 8–16 тижнів (0.759) і для здобувачів із високим саморегулюванням (0.863 проти 0.284) ([[zhao-genai-higher-order-thinking-meta-2026|Zhao et al. (2025)]]).

[[chatgpt-critical-creative-thinking-review|Огляди впливу ChatGPT на мислення]] фіксують неоднозначні результати: ШІ може [[scaffolding|підтримкою, що поступово знімається]] критичний аналіз, коли його використовують свідомо (наприклад, пропонуючи студентам критикувати згенеровані ШІ аргументи), але він також може переривати мислення, коли його використовують як машину відповідей. Ця напруга пов’язана з дослідженнями [[ai-literacy-assessment-misalignment]], які показують, що заявлена компетентність у питаннях ШІ значно перевершує фактичну здатність критично оцінювати. Критичний огляд 80 досліджень із людсько-комп’ютерної взаємодії про критичне мислення з ШІ виявив, що галузь вимірює те, чого рідко визначає: лише 23 з 80 зазначили, як вони розуміли критичне мислення взагалі, 49 (61%) оцінювали його через самоописування, а не через успішність, і 42 (52%) не мали контрольних груп ([[critical-review-critical-thinking-hci-research-ai-2026]]).

[[critical-thinking-paradox-genai-learning-2026|Lin and Al-Hada (2026)]] читають цю неоднозначну картину як дисоціацію продукту та процесу: генеративний ШІ може підвищити якість завдання, водночас знижуючи самостійне відкладене перенесення навичок, що стоїть за ним, тому навчання варто оцінювати за самостійною відкладеною успішністю, а не за продуктом, створеним із допомогою ШІ.

- **Когнітивна залученість вищого порядку в діалогах студентів із ШІ.** Чанг і Лі (2026) виявляють, що ~62% підказок студентів до ШІ кодують когнітивний запит вищого порядку, причому профілі за рівнями Блума різняться за дисциплінами ([[stem-education|STEM]]: переважно «застосування» — 20.8%; мови: переважно «розуміння» — 31.7%; соціальні науки: переважно «створення» — 33.8%). Їхній дизайн із повторюваними вимірами в межах однієї особи показує, що ті самі студенти генерують значно більше підказок вищого порядку в курсах соціальних наук, ніж у STEM-курсах (p < .001), що вказує на те, що дисциплінарний контекст формує критичну залученість із ШІ і залученість вищого порядку.
- **Патерни взаємодії групуються за рівнем Блума й попередніми знаннями.** У завданні на написання тексту в дослідницькому навчанні наук про дані 19 студентів породили 14 патернів взаємодії з великою мовною моделлю, які різнилися за рівнем попередніх знань, а висновок для дизайну полягав у тому, щоб націлювати скаффолдинг на конкретні етапи мислення вищого порядку, а не на використання великих мовних моделей загалом ([[luo-ibl-patterns-llm-bloom-2026|Luo et al. (2026)]]).
- **ШІ як каталізатор критичної медіаграмотності в дітей.** Демір і Акар (2026) оцінюють 18-годинну програму критичної медіаграмотності за 5E-моделлю для турецьких четвертокласників, у якій [[generative-ai|генеративний ШІ]] (ChatGPT, Grammarly) виступав [[pedagogical-agent|педагогічним агентом]], вбудованим поетапно, а не як додаток. Порівняння пов’язаних вибірок виявило значні прирости в читанні медіа (+3.50), письмі (+1.67) і загальній медіаграмотності (+5.17, усі p < .01), причому величини ефекту в посттесті між групами становили Коенів *d* = 1.12 (читання), 1.18 (письмо) і 1.31 (загальна грамотність) на користь групи з підтримкою ШІ. [[qualitative-research|Якісний]] аналіз (інтерв’ю, плакати/малюнки/гасла студентів, спостереження в аудиторії) виявив шість доменів зростання критичної медіаграмотності — цифровий самозахист і [[privacy|приватність даних]], цілеспрямоване й відповідальне використання медіа, безпечна комунікація та усвідомлення меж, критична оцінка й усвідомлення дезінформації, усвідомлення онлайн-ризиків, а також медіа-[[ethics]]/цифрове громадянство, — що вказує на те, що свідомий розбір опосередкованого ШІ контенту може культивувати критичний аналіз і рефлексію в юних здобувачів.
- **Поприрозмірні прирости критичного мислення в початковому мультимодальному письмі.** [[lu-ai-multimodal-writing-critical-thinking-2026|Lu et al. (2027)]] спостерігали 60 [[k-12|учнів 5-го класу]] упродовж восьмитижневої практики мультимодального письма з підтримкою [[conversational-ai]], у межах якої вони перетворювали наративи на згенеровані ШІ зображення та короткі відео. Аналіз із повторюваними вимірами за шістьма вимірами критичного мислення виявив стійкі прирости (T1→T2 і T1→T3) в інтерпретації, аналізі, оцінюванні та поясненні, короткочасний приріст у самов[[regulation]]-регулюванні та **відсутність змін у висновкуванні** — нерівномірний патерн на рівні вимірів, який приховав би агрегований показник критичного мислення. Автори стверджують, що згенеровані ШІ візуальні образи *екстерналізували* сенс і тим самим знизили вимогу до висновкування, яку письмо зазвичай породжує, тоді як [[collaborative-learning|взаємодія з однолітками]] (питання однолітків, що змушували висновувати їхні інтерпретації) постачала нагоди для висновкування, яких не давала самостійна [[student-ai-interaction|взаємодія з ШІ]]. Урок дизайну: створення текстів за допомогою [[multimodal|мультимодального ШІ]] підтримує кілька граней критичного мислення, але його варто поєднувати з тривалим [[scaffolding]] скаффолдингом та структурованим обміном між однолітками, щоб зберегти висновкування та [[self-regulated-learning|саморегулювання]].
- **Скаффолдинг ШІ та вивантаження тягнуть критичне мислення в протилежних напрямах.** Давор, Ларбі і Боатенг (2026) опитали 533 університетських студентів в Гані й виявили, що скаффолдинг завдань ШІ передбачав вище критичне мислення (β = .185), тоді як схильність до [[cognitive-offloading|когнітивного вивантаження]] передбачала нижче критичне мислення (-.240); грамотність у питаннях перевірки ШІ не мала прямого впливу на критичне мислення і діяла лише через [[metacognition|метакогнітивне саморегулювання]] — патерн повного опосередкування, який автори читають як доказ, що навчання студентів перевіряти факти в ШІ недостатньо саме по собі. ([[davor-ai-supported-learning-higher-order-outcomes-2026|Davor et al. 2026]])
- **Глибина вивантаження, а не його наявність, обмежує мислення вищого порядку.** Делегування шару міркування в письмі — аргументів, контраргументів, інтерпретації доказів — мало найсильніший негативний зв’язок із самостійним мисленням вищого порядку (ab = −0.34), а саморегульоване письмо послаблювало, але ніколи не обертало його ([[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]]).
- **Залежність, а не використання, є тим, де зв’язок із критичним мисленням обертається.** Шоджаеї та колеги (2026) опитали 412 студентів-бізнесменів в Омані й виявили майже нульову біваріативну кореляцію між використанням [[generative-ai|генеративного ШІ]] і заявленою схильністю до критичного мислення (r = 0.050), причому залежність передбачала нижчу схильність (β = -0.389) і послаблювала зв’язок від використання до схильності (β = -0.239), так що простий схил падав від 0.424 за низької залежності до -0.054 за високої. ([[shojaei-genai-dependence-critical-thinking-employability-2026|Shojaei et al. 2026]])

Більше перерізне дослідження вказує на протилежне: серед 1 157 китайських студентів аспірантури залежність від [[generative-ai|генеративного ШІ]] позитивно асоціювалася з критичним мисленням (β = 0.492), і критичне мислення несло приблизно 85.0% шляху від функціональної залежності до креативності в дослідженнях ([[genai-dependence-research-creativity-2026|Yin et al. (2026)]]).

- **Коротка підказка на рефлексію робить залежність від порад ШІ більш розрізняльною.** У триумовному експерименті з 342 студентами бакалаврату Рен (2026) виявив, що відкрита підтримка ChatGPT спричиняла прийняття хибних рекомендацій ШІ в 62.4% спроб, що падало до 39.7% за короткої метакогнітивної підказки на рефлексію (OR = 0.40, 95% CI [0.28, 0.56]); рефлексія також покращила калібровку усвідомленості (0.59 проти 0.41) і знизила індекс упередженості атрибуції, специфічної для ШІ, з 0.42 до 0.21, не знижуючи точності рекомендацій і не спричиняючи сліпої відмови від корисних порад. ([[ren-metacognitive-awareness-genai-reliance-2026|Ren 2026]])
- **Упевненість може зростати, тоді як точність падає.** [[shaw-nave-cognitive-surrender-2026|Shaw and Nave (2026)]] виявили, що звертання до асистента ШІ підвищувало точність на 25 процентних пунктів, коли він був правий, і знижувало її на 15, коли помилявся, проте взаємодія з ним підвищувала упевненість навіть після помилок, а 73.2% спроб із хибним ШІ закінчувалися капітуляцією, а не стратегічним вивантаженням.
- **Підібраний викладачем зворотний зв’язок ChatGPT підвищує критичне мислення через ревізію вищого порядку.** Чен та колеги (2026) провели 18-тижневий квазіексперимент із 64 студентами бакалаврату, усі майбутні викладачі хімії, фізики чи математики, порівнюючи звичайний зворотний зв’язок викладача (n = 32) зі зворотним зв’язком викладача за допомогою ChatGPT (n = 32) на двох завданнях з аргументованого письма. Групи починали еквівалентно, і лише група з підтримкою покращилася значуще (p < 0.001), причому Коенів *d* зріс від 0.25 на претесті до 3.74 на посттесті. Механізмом був різновид зворотного зв’язку, а не сама наявність моделі: група з підтримкою отримала більше демонстраційного (33.1% проти 10.9%) і ретельно-питального (21.5% проти 6.0%) зворотного зв’язку, переглянула 91.00% (435 із 478) одиниць зворотного зв’язку проти 85.21% (242 із 284), а [[network-analysis|аналіз епістемічних мереж]] пов’язав ці ревізії з аналізом, оцінюванням і створенням, а не з розпізнаванням і розумінням, тоді як зворотний зв’язок лише від викладача — інструктування й оцінювання — здебільшого породжував ревізії розпізнавання й розуміння. Викладачі ставилися до результату моделі як до чернеткового матеріалу, розширюючи, переглядаючи чи відкидаючи його (14% відкинули, 9% потребувало виправлення), а шість із восьми опитаних усе що відзначали неточність чи непрофесійність. Урок дизайну: приріст критичного мислення походив від зворотного зв’язку, який моделює альтернативи й допитує міркування студента, причому [[teacher-role|викладач]] курує те, що породила модель; мала вибірка з одного семестру означає, що дуже велику величину ефекту варто читати з обережністю. ([[chen-chatgpt-assisted-teacher-feedback-critical-thinking-2026|Chen et al. 2026]])
- **Семестр доступу до ШІ залишив критичне мислення без змін, тоді як рефлексивне використання й відстежувало.** Мелану, Бееге і Кімміг (2026) спостерігали 87 студентів бізнес-інформатики упродовж дев’ятитижневого курсу в трьох паралельних умовах (ШІ з орієнтацією на тьютора, ШІ без орієнтації та без ШІ) з трьома вимірами. Знання зростали в кожній групі без переваги для жодної з умов із ШІ і без ефекту Меттью (BF01 = 8.70), тоді як заявлене критичне мислення і [[motivation]] залишалися стабільними. Студентів розділяло рефлексивне використання — практика перевірки джерел і перевірки результатів ШІ перед їхнім прийняттям: воно було вищим в умові зі ШІ, ніж у контрольній групі (середні 3.72 проти 2.82) і передбачало критичне мислення на фінальному вимірі (R² = 0.183, β = 0.43, p < 0.001). Результат обмежує будь-яке очікування, що курс використання ШІ сам по собі зрушить критичне мислення: [[metacognition|метакогнітивна]] регуляція, а не доступ до інструменту, є тим, де живе асоціювання, а автори зазначають, що семестру, ймовірно, замало, щоб побачити стійку зміну. ([[melanou-genai-learning-dynamics-longitudinal-2026|Melanou et al. 2026]])

### Зв’язки з іншими поняттями

Критичне мислення перетинається зі [[scaffolding]] (конструюванням підтримки ШІ, яка зберігає когнітивний запит), [[prompt-engineering]] (формулюванням питань, які спонукають до критичного аналізу) та [[cognitive-offloading|надмірною залежністю]] (розумінням, коли варто довіряти ШІ, а коли ставити під сумнів). Воно є фундаментальним для [[academic-integrity]] і служує ключовим вимірам рамок [[ai-literacy]] в контекстах і [[k-12]], і [[higher-ed]].

- **Помилки ШІ як провокації для мислення вищого порядку:** [[pedagogy-ai-mistakes|Hosseini (2026)]] операціоналізує рівні вищого порядку за Блумом (аналізувати, оцінювати, створювати), залучаючи студентів до розбору згенерованих ШІ помилок у курсі баз даних, із значними до/після приростами (Коенів *d*=1.49) у компетентності з предмету.
- **Критика результатів ШІ — навичка, якій можна навчати за допомогою скаффолдингу, а не побічний продукт розв’язування задач.** Групи, які лише розв’язали відповідну задачу з фізики, приймали відполіроване рішення ШІ або критикували його з власних хибних уявлень, тоді як рефлексія з орієнтацією на рубрику MAPS породжувала узгоджені з експертною критику відсутньої інтеграції та невизначеної нотації ([[probing-ai-generated-physics-solutions-2026|Borse et al. (2026)]]).
- **Обмежте ШІ, щоб зберегти когнітивну агенцію.** План E3-HOT відображає три утілені шляхи — ситуативне вбудовування, утілену участь, когнітивне створення — на «аналізувати», «оцінювати» та «створювати» і обмежує ШІ підказками, критикою та пропозиціями стратегій, щоб студенти мали артикулювати обґрунтування й цитувати докази до того, як твердження буде прийнято ([[zhu-e3-hot-embodied-intelligence-sustainable-learning|Zhu et al. (2026)]]).
- **Двосторонній аудит пояснень ШІ.** Бернстайн і Сібія (2026) використовували стандарти Пола–Елдера (точність, ясність, припущення, точка зору) як інтерв’ю-зонди з десятьма студентами, які завершили CS2, і виявили розгляд на рівні механізмів [[generative-ai|генерованих ШІ]] пояснень: студенти знаходили місце, де розбивалося відображення аналогії (аналогія островів і маршрутів для зв’язаного списку, що мала на увазі коло; бадмінтонний ралій, запропоноване для рекурсії без гарантованого скорочування вхідних даних), вимагали точності формулювань замість ухилень і ставилися до пояснень як до аргументів, які несуть точку зору. Су́ттєво, що цей розгляд відстежував експертизу в предметній або цільовій області, а не особистий інтерес, — переосмислюючи критичне [[ai-ed-evaluation|оцінювання результатів ШІ]] як проблему знань (аудит аналогій «з двох боків»), а не як диспозиційну проблему, — і натякаючи, що призначення дефектних аналогій ШІ як об’єктів для розгляду й ремонту є складнішою перевіркою концептуального розуміння, ніж читання готового пояснення. ([[student-reception-genai-analogies-computing-2026]])
- **Критичне мислення як невивантажувана залученість.** Сі (2026) додає [[philosophy-of-ai-in-education|філософський]] контрпункт із даоського самовдосконалення: оскільки ШІ є непрозорою «чорною скринькою», рамка, орієнтована на гармонізацію невизначеності, а не на вирішення істини в абсолютних термінах, краще пасує до сучасного епістемічного ландшафту, і критичне мислення стає стійкою, від першої особи, невивантажуваною залученістю з реальністю, а не демонстрованою раціональною процедурою. У практиці Нейдань (內丹) «немає когнітивних скорочень», тому ШІ позиціонується як «не когнітивний сурогат, а інструментальне доповнення» людському процвітанню. ([[daoism-ai-education-philosophy-2026]])
- **Ротація ролей як структура для критичної взаємодії людини та ШІ.** Кенжебаєва та колеги (2026) повідомляють про дизайн-орієнтоване дослідження, у якому 62 майбутні освітські психологи ротувалися між чотирма професійними ролями (конструктор кейсів, дослідник-аналітик, практик-інтервенціоніст, рефлексивний дослідник), які робили згенеровані рекомендації об’єктом обговорення: учасники порівнювали результати ШІ з психологічною теорією та змінювали або відкидали рекомендації, які не пасували до кейсу, а в пізніших циклах з’являлося більше запитів на теоретичне обґрунтування, тоді як надмірна залежність від явно авторитетних відповідей зберігалася. ([[kenzhebayeva-ai-role-rotation-pedagogical-model-2026|Kenzhebayeva et al. 2026]])
- **Зорієнтована на перевірку інтеграція в дисципліні.** Критичний огляд [[generative-ai|генеративного ШІ]] в університетській [[chemistry-education|освіті з хімії]] (Vega-Baudrit та Rivera Álvarez, 2026) стверджує, що оскільки хімічне міркування мусить координуватися між макроскопічним, субмікроскопічним та символічним представленнями, студенти не можуть перевірити те, чого не розуміють, тому [[prior-knowledge]] та [[scaffolding]] йдуть першими, а перевірку варто вбудовувати в [[assessment]] як оцінювану діяльність: визначити хибне припущення, виправити помилку в одиницях чи механізмі або обґрунтувати відхилення згенерованої відповіді, зберігаючи журнали підказок та історії ревізій як сліди міркування. ([[vega-baudrit-genai-university-chemistry-education-review-2026|Vega-Baudrit and Rivera Álvarez 2026]])
- **Перевірка як навчальна діяльність, а не лише запобіжник.** [[pearls-epistemic-verification-2026|Wang (2026)]] організовує оцінювання артефактів ШІ навколо шести взаємозалежних вимірів — процес, докази, доступ, відтворюваність, легітимність і джерело — і трактує складання цього обґрунтування, а не плавність результату, як те, що будує експертизу в дисципліні.

**Найбільша вразливість за оцінками експертів у цій базі знань — критичне мислення.** Серед 65 навчальних процесів, оцінених 30 експертами, критичне мислення та критично-аналітичне мислення отримали найвищий у звіті рейтинг порушення (середнє 4.00 з 5; 96% оцінювачів на рівні 3 або вище) за порогом покращення (2.40, 43%) ([[genai-support-threaten-learning-k20-expert-consensus-2026|Kendeou, Greene & Nixon et al., 2026]]). Десять із вісімнадцяти процесів вищого порядку досягли консенсусу лише щодо вразливості, що звіт читає як однобічний ризик, а не як компроміс.

## Пов’язані поняття

- [[metacognition]]
- [[cognitive-offloading]]
- [[ai-literacy]]
- [[generative-ai]]
- [[higher-ed]]
- [[problem-based-learning]]
- [[intelligent-tutoring]]
- [[educational-development]]
- [[teacher-role]]
- [[student-experience]]
- [[chemistry-education]] — освіта з хімії та ШІ: лабораторії, формативне оцінювання, межі великих мовних моделей, філософія експериментування
- [[biology-education]] — освіта з біології та ШІ: лабораторні асистенти викладача, ШІ-грамотність у біології, критичне мислення, спеціалізовані інструменти
- [[cognitive-surrender]]

## Пов’язані статті

- [[genai-support-threaten-learning-k20-expert-consensus-2026]] — консенсус 30 експертів: критичне мислення має найвищий у звіті рейтинг порушення (середнє 4.00)
- [[pearls-epistemic-verification-2026]] — рамка PEARLS для епістемічної агенції та перевірки результатів ШІ (Wang 2026)
- [[layer-sensitive-cognitive-offloading-writing-2026]] — чутливе до шару когнітивне вивантаження в письмі з допомогою генеративного ШІ (Chen 2026)
- [[critical-thinking-paradox-genai-learning-2026]] — парадокс критичного мислення в навчанні з інтеграцією генеративного ШІ
- [[pedagogy-ai-mistakes]] — педагогіка помилок ШІ: розвиток мислення вищого порядку (Hosseini 2026)
- [[shaw-nave-cognitive-surrender-2026]] — теорія трьох систем і когнітивна капітуляція: як ШІ перебудовує людське міркування (Shaw & Nave 2026)
- [[cognitive-commons-ai-expertise-regeneration]] — трагедія когнітивного спільного: ШІ та регенерація експертизи
- [[zhao-genai-higher-order-thinking-meta-2026]] — мета-аналіз генеративного ШІ та мислення вищого порядку
- [[avraamidou-ai-colonization-science-education]] — розрив ШІ-колонізації науки в освіті
- [[li-mroziak-reorienting-critical-ai-literacy]] — переорієнтація критичної ШІ-грамотності
- [[luo-ibl-patterns-llm-bloom-2026]] — патерни дослідницького навчання в середовищах із великими мовними моделями (погляд Блума)
- [[probing-ai-generated-physics-solutions-2026]] — підготовка студентів до критики згенерованих ШІ рішень із фізики
- [[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]] — надмірна залежність від ШІ, змодельована як комплексна адаптивна система
- [[lu-ai-multimodal-writing-critical-thinking-2026]] — Domain-specific critical-thinking gains in AI-supported multimodal writing (Lu et al. 2027)
- [[lftutor-logical-fallacy-education-2026]] — навчання розпізнаванню логічних помилок через структурований багатоходовий діалог
- [[caeai-ai-companions-learning-over-performance-2026]] — навчання понад успішність: для чого варто оптимізувати й вимірювати компаньйонів
- [[davor-ai-supported-learning-higher-order-outcomes-2026]] — скаффолдинг ШІ, вивантаження та грамотність у питаннях перевірки через метакогнітивне саморегулювання (Davor et al. 2026)
- [[shojaei-genai-dependence-critical-thinking-employability-2026]] — GenAI dependence bounds the use to critical-thinking link in business students (Shojaei et al. 2026)
- [[ren-metacognitive-awareness-genai-reliance-2026]] — підказка на рефлексію знижує прийняття хибних порад ШІ та упередженість атрибуції (Ren 2026)
- [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026]] — ротація ролей як структура для критичної взаємодії людини та ШІ (Kenzhebayeva et al. 2026)
- [[vega-baudrit-genai-university-chemistry-education-review-2026]] — Verification-centered GenAI integration in university chemistry education (Vega-Baudrit and Rivera Álvarez 2026)
- [[chen-chatgpt-assisted-teacher-feedback-critical-thinking-2026]] — підібраний викладачем зворотний зв’язок ChatGPT підвищив критичне мислення через ревізію вищого порядку (Chen et al. 2026)
- [[melanou-genai-learning-dynamics-longitudinal-2026]] — семестр доступу до ШІ залишив критичне мислення без змін; рефлексивне використання його передбачало (Melanou et al. 2026)
- [[genai-dependence-research-creativity-2026]] — залежність від генеративного ШІ позитивно асоціювалася з критичним мисленням у 1 157 студентів аспірантури
- [[genai-use-critical-thinking-moderation-2026]] — від використання генеративного ШІ до критичного мислення через грамотність у питаннях зворотного зв’язку, з прямим шляхом лише для менш рефлексивних студентів

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Обчислювальне мислення** — підхід до розв’язування задач, що включає декомпозицію, розпізнавання закономірностей, абстрагування та проєктування алгоритмів. В освіті зі ШІ обчислювальне мислення є водночас передумовою для розуміння систем ШІ і вмінням, якому інструменти ШІ можуть допомогти розвинутися.

## Питання для роздумів

- Коли ви розв’язуєте задачу, розбиваючи її на частини, помічаючи закономірності, абстрагуючи сутнісне та проєктуючи послідовність кроків, — ви вже займаєтеся обчислювальним мисленням, навіть без комп’ютера. Де ви робили це нещодавно?
- Поширене припущення полягає в тому, що обчислювальне мислення — це те саме, що кодинг або «комп’ютерна грамотність». Чим вони можуть відрізнятися і чому ця відмінність може бути важливою для того, як ви цього навчаєте?
- Дослідження свідчить, що саме прогалини студентів у фундаментальних поняттях — а не сам інструмент ШІ — обмежують їхню здатність оцінювати пропозиції ШІ. Що здобувач має вже розуміти, перш ніж зможе критично оцінити результат, виданий ШІ?
- Дехто стверджує, що обчислювальне мислення має переводити здобувачів від пасивного споживання результатів ШІ до створення, критики та проєктування разом зі ШІ. Якою насправді була б аудиторія, в якій студентів розглядають як творців, а не споживачів?
- Генеративний ШІ уже може оцінювати зростання обчислювального мислення студентів — проте і люди, і ШІ погано справляються з найважчим конструктом — системним мисленням. Де, на вашу думку, має зупинитися автоматизація оцінювання, і чому?
- Дослідження в галузі робототехніки встановлюють, що обчислювальне мислення розвивається лише тоді, коли поняття робляться явними та прив’язуються до навчальної програми, а не розглядаються як ізольовані технічні вправи. Який ризик несе викладання «технічних навичок» без найменування мислення, що за ними стоїть?

## Вступ

### Обчислювальне мислення в аудиторії епохи ШІ

Пов’язані статті бази знань сходяться в одному центральному твердженні: обчислювальне мислення (ОМ) — це концептуальний фундамент, якого студентам бракує для критичної взаємодії зі ШІ, і водночас вміння, яке найпряміше поглиблюється завдяки добре спроєктованому навчанню з підтримкою ШІ. Нижче свідчення згруповано за чотирма темами, що спираються на пов’язані статті.

- **ОМ як основа ШІ-грамотності та критичної взаємодії.** Кілька досліджень показують, що саме ОМ дає здобувачам змогу оцінювати, а не лише споживати, результати ШІ. [[chat-debugging-human-ai-collaboration-circuits|Дослідження зневадження в чаті]] встановило, що коли студенти бакалаврату зневаджували аналогові схови разом із ВММ, саме їхні *прогалини у фундаментальних поняттях і критичному мисленні* — а не інструмент — були обмежувальним фактором, оскільки студентам не вистачало ключових ідей, потрібних для оцінки пропозицій ШІ. [[llm-intervention-design-cs-review|Огляд проєктувань втручань на основі ВММ]] так само робить висновок, що саме рух [[cs-education]] до обчислювального мислення, а не до опанування синтаксисом, відокремлює ефективні втручання від «розчарування в інструменті». У ранньому дитинстві [[ai-play-framework-early-childhood-2026|рамкова модель AI-Play]] будує непідключену, ігрову [[ai-literacy]], навчаючи дітей того, що «ШІ — це система, складена з частин» і «ШІ навчається на прикладах» — віково обґрунтований перший шар ОМ. А [[academic-league-of-ai-2026|академічна ліга зі ШІ]] пов’язує ОМ із реальними громадянськими проєктами ШІ через [[project-based-learning]], вбудовуючи [[ai-literacy]] у практику. Разом це свідчить, що ОМ є переносим ядром когнітивної ШІ-грамотності.
- **Освітня робототехніка як засіб розвитку ОМ.** Робототехніка — найбільш вивчений контекст для розвитку ОМ на рівні [[k-12]] та [[stem-education]]. [[computational-thinking-educational-robotics-secondary-2026|Дослідження в середній школі]] стверджує, що освітня робототехніка покращує розв’язування задач і критичне мислення лише тоді, коли поняття ОМ робляться явними та відображаються на [[stem-education|програму STEAM]], а не розглядаються як ізольовані технічні вправи. [[game-based-gamified-robotics-education-review-2026|Систематичний огляд 95 досліджень]] підтверджує, що робототехніка сприяє ОМ, креативності та розв’язуванню задач, і що [[game-based-learning]] підходить для неформальних середовищ, тоді як гейміфікація домінує в формальних аудиторіях та підтримує проєктне навчання. [[microbit-robotics-machine-learning-teacher-training-2026|Свідчення з підготовки викладачів]] показують, що інтегроване втручання «Micro:bit + робот + машинне навчання» дало суттєвий приріст знань про ОМ (d = 0,638) в початковій педагогічній освіті, обґрунтовуючи необхідність вбудовувати робототехніку, щоб майбутні викладачі могли навчати ОМ. ВММ можуть знизити цей поріг ще більше: [[edusim-llm-robotic-simulation-education-2026|EduSim-LLM]] поєднує ВММ з симуляцією робота, щоб початківці керували роботами природною мовою, роблячи робототехніку з вбудованим ОМ доступною без низькорівневого кодингу.
- **ШІ як «здатніший ровесник» може нести ОМ у курсах робототехніки з обмеженими ресурсами.** 14-тижневий квазіексперимент із 103 студентами першого курсу в Нігерії встановив, що навчання на основі задач із підтримкою ШІ (ChatGPT і Teachable Machine у зоні найближчого розвитку) перевершило звичайне навчання за результатами обчислювального мислення та досягненнями в програмуванні роботів на постретесті, без модерації за статтю ([[ai-pbl-computational-thinking-2026|дослідження робототехніки AI-PBL (2026)]]).
- **ВММ як інструменти оцінювання та розвитку ОМ.** [[generative-ai|Генеративний ШІ]] пропонує масштабовані способи вимірювати та підтримувати ОМ. [[llm-computational-thinking-physics-2026|Дослідження оцінювання ОМ у фізиці]] показало, що ВММ можуть віддзеркалювати людських експертів в оцінюванні зростання в практиках роботи з даними та практиках обчислювального розв’язування задач у курсах [[physics-education]] з великим набором студентів — тоді як і люди, і ВММ погано справлялися зі складнішим конструктом системного мислення, що позначає чітку межу для автоматизації. [[visual-query-tracer-declarative-logic-learning|Візуалізація трасування запитів]] показує, як візуалізація може підтримувати абстрактні обчислення, будуючи інтуїцію, що сприяє розвитку ОМ. [[student-misconceptions-conditionals-loops-taxonomy|Таксономія хибних уявлень про умови й цикли]] надає точні цілі для [[scaffolding]] та для автоматизованого виявлення хибних уявлень, пов’язуючи це з [[misconceptions]]. Проте ці інструменти працюять найкраще, коли педагогічне проєктування веде процес: [[llm-intervention-design-cs-review|огляд зі CS]] встановив, що проєктування типу «віртуальний репетитор» на семестр зі підтримкою через скаффолдинг послідовно покращували ОМ, тоді як неструктурований доступ до інструменту збільшував розчарування.

Тривалі компетентності зміщуються, щойно реалізацію автоматизовано: звіт із воркшопу називає абстрагування, обчислювальне мислення та «спектр перевірки» тими вміннями, яких слід навчати, посилаючись на випробування майже з 1000 студентів, де необмежений доступ до GPT-4 підвищив результати практики на 48%, але знизив бали на іспиті на 17% після відновлення ШІ ([[reshaping-cs-education-genai|Lee et al. (2026)]]).

- **ОМ на рівні K-12, у педагогічній освіті та перепроєктуванні оцінювання.** ОМ охоплює весь спектр від [[k-12]] до [[higher-ed]] і перебудовує оцінювання. На кінці раннього дитинства AI-Play поширює ОМ та ШІ-грамотність на здобувачів віком Pre-K–K2 і нетехнічні родини; на університетському кінці [[genai-oop-programming-assessments-2026|дослідження оцінювання ООП]] встановило, що системи GenAI 2026 року переверщують середнього студента на автентичних іспитах з програмування, проте все ще зазнають невдачі з інтерфейсами, абстрактними класами та успадкуванням — повторювані концептуальні прогалини, які точно позначають, де ОМ лишається важким для автоматизації. [[solving-vs-evaluating-genai-solutions|Рандомізоване дослідження типу A/B з перехресним планом]] показало, що завдання з оцінювання та критики дають порівнянні результати з генерацією, що свідчить, що ОМ можна тренувати через судження про хибні рішення ШІ, хоч здобутки вимагають усвідомленого скаффолдингу. В основі всього цього лежить викладач: дослідження Micro:bit пов’язує навчання ОМ безпосередньо з [[teacher-education]], а [[hashmi-socratic-physics-chatbot-2025|дослідження сократичного чат-бота]] пов’язує точне формулювання задачі, якого вимагає ОМ, із вимірюваною успішністю в курсі.

- **Валідований інструмент локалізує, де ОМ є найважчим.** Тест обчислювального мислення з 34 пунктів, побудований на основі Evidence-Centered Design і валідований теорією відгуків на вибірці з 461 студента програмування зі ШІ, сконцентрував складність у поданні даних, упорядкуванні логічних операторів та структурах циклів, а не розподілив її рівномірно по всьому навчальному плану ([[zhang-ct-ai-training-test-2026|Zhang & Zhang (2026)]]).

### ОМ і перехід від споживачів ШІ до продюсерів, творців та проєктувальників

Центральна мета ОМ в епоху ШІ — перевести студентів і викладачів за межі *пасивного споживання* результатів ШІ до *створення, будівництва та проєктування* разом зі ШІ і для ШІ — порядок денний, що узгоджує ОМ із конструктивістським навчанням (навчанням через створення). Пов’язані статті бази знань дедалі явніше роблять цей поворот до продюсера/творця/проєктувальника. [[ai-writes-code-student-writes-model-2026|Дослідження авторства моделі]] переосмислює навчання через конструювання з GenAI як вимірюваний процес «авторства моделі» — студенти є авторами, зневаджують та ітерують моделі ШІ, а не лише споживають створений ШІ код чи відповіді. [[code-to-learn-genai-artifact-construction-2026|Рамкова модель CtL-GenAI]] операціоналізує це як конструктивізм для епохи GenAI, розглядаючи артефакти, які студенти будують зі ШІ, як двигун розвитку ОМ. [[computational-thinking-ai-agent-creation|ОМ через створення агентів ШІ]] показує, що проєктування — а не лише використання — агентів ШІ безпосередньо тренує декомпозицію, абстрагування та алгоритмічне міркування.

Нові метааналітичні свідчення роблять цю картину чіткішою. [[astor-computational-thinking-meta-review-2026|Метаогляд 128 систематичних оглядів з ОМ]] встановлює, що галузь сходиться в уніфікованому визначенні ОМ як міркування з абстрактними моделями, які використовують обчислювальні кроки та алгоритми для розв’язування задач, — саме того роду моделювання (а не споживання відповідей), якого вимагає навчання, орієнтоване на створення. [[tsingidou-ct-robotics-kindergarten-2026|Дослідження робототехніки з ОМ у дитячому садку]] показує, що навіть здобувачі раннього дитинства стають творцями через ігрове будівництво з роботами, використовуючи навчання на основі задач, розповіді та скаффолдинг — розвитковий перший крок до сприйняття технологій як чогось, що конструюєш, а не лише чим оперуєш. А [[solving-vs-evaluating-genai-solutions|дослідження оцінювання та критики]] демонструє, що ОМ можна тренувати через судження та зневадження хибних рішень ШІ — позицію творця стосовно результатів ШІ, що опирається пастці пасивного споживання.

Практичний висновок полягає в тому, що навчання ОМ слід проєктувати так, щоб здобувачі *творили речі разом зі ШІ* — створюючи моделі, будуючи агентів, конструюючи артефакти та критикуючи результати ШІ, — а не отримували готові рішення. Це водночас поглиблює ОМ і будує [[ai-literacy]] як партисипативну та креативну, а не лише концептуальну. Викладачам, у свою чергу, потрібна підтримка, щоб перейти від використання інструментів ШІ до проєктування навчальних діяльностей із посиленим ШІ (див. [[teacher-role]] і [[professional-training]]).

### Практичні рекомендації

Для викладачів послідовне послання полягає в тому, що ОМ розвивається через *явну, підтриману скаффолдингом, спостережувану* взаємодію, а не через пасивне використання ШІ. Поєднуйте робототехніку з явним відображенням понять ОМ на навчальну програму; використовуйте ВММ для [[simulation]], керування природною мовою та масштабованого оцінювання зростання ОМ, залишаючи людське судження для таких конструктів, як системне мислення; і перепроєктовуйте оцінювання, щоб акцентувати оцінювання та діагностику результатів ШІ замість безпосередньої генерації. Яким би не було середовище — непідключена гра в ранньому дитинстві, роботи в середній [[stem-education]] чи віртуальні репетитори в [[higher-ed]] — структуруйте діяльність так, щоб студенти мусили міркувати про декомпозицію, закономірність, абстрагування та алгоритм, а не отримувати готові рішення.

### Зв’язки зі спорідненими поняттями

Обчислювальне мислення є спільним когнітивним фундаментом під [[ai-literacy]] та [[critical-thinking]], навчальним ядром [[cs-education]] та обчислювальної освіти на рівні [[k-12]], і концептуальною ціллю, якій найкраще спроєктовано служити для [[educational-robotics]], [[game-based-learning]] і [[project-based-learning]]. Його поглиблюють [[llm|великі мовні моделі]] та [[generative-ai]], коли ті використовуються як інструменти скаффолдингу, і це вміння, яке мають на меті вимірювати таксономії хибних уявлень студентів і оцінювання, чутливі до ОМ. Викладачі розвивають його через [[teacher-education]] і [[professional-training]], і воно переноситься між галузями, включно з [[physics-education]] та [[stem-education|STEM]] загалом.

- **Обчислювальне мислення передбачає навчання з асистентом ШІ.** [[computational-thinking-aica-2026|Учні восьмого класу]] з високим обчислювальним мисленням суттєво перевершили ровесників із низьким ОМ у курсі помічника з кодингу на базі ШІ, використовуючи асистента для розуміння, а не для пошуку відповідей.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[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]] — Тест обчислювального мислення в навчанні ШІ (CTAT)
- [[computational-thinking-aica-2026]] — Рівні обчислювального мислення та помічники з кодингу на базі ШІ (2026)
- [[ai-writes-code-student-writes-model-2026]] — Авторство моделі: теорія та вимірювання навчання через конструювання з GenAI
- [[code-to-learn-genai-artifact-construction-2026]] — CtL-GenAI: конструктивістська рамкова модель конструювання артефактів
- [[astor-computational-thinking-meta-review-2026]] — Метаогляд ОМ: 128 систематичних оглядів
- [[tsingidou-ct-robotics-kindergarten-2026]] — Систематичний огляд ОМ через робототехніку в дитячому садку

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Модель SAMR** — рамка інтеграції технологій, розроблена Рубеном Пуентедурою, яка класифікує міру, в якій технологія перетворює навчання, за чотирма рівнями: **Substitution, Augmentation, Modification та Redefinition**. Нижчі два рівні (Substitution, Augmentation) *покращують* наявне завдання — технологія робить те, що робилося раніше, краще або зручніше; верхні два (Modification, Redefinition) *перетворюють* його — саме завдання змінюється на таке, що раніше було неможливим. В [[ai-education|освіті зі ШІ]] SAMR є стандартною лінзою для питання, чи використовується [[generative-ai|генеративний ШІ]] для інкрементального поліпшення наявної практики або для реконцептуалізації навчання, і вона стоїть поряд із [[tpack|TPACK]] як спосіб описати, *як* викладачі інтегрують технології, а не *чому* вони їх приймають.

## Питання для роздумів

- Коли ШІ вводиться в курс, це Substitution ([[conversational-ai|чат-бот]] замінює вікно пошуку) чи Redefinition (стає можливим завдання, якого раніше не було)? Що визначає, який рівень доречний — і чи є перетворення завжди метою?
- SAMR і [[technology-acceptance-model|моделі впровадження технологій]] відповідають на різні питання: теорія впровадження питає *чому* викладач або заклад приймає інструмент; SAMR питає *наскільки глибоко* інструмент змінює навчання. На яке питання насправді відповідає конкретне дослідження інтеграції ШІ?
- [[meta-analysis-systematic-review|Систематичний огляд]] інтеграції ШІ в [[higher-ed|вищій освіті]] виявив, що більшість випадків сидить на рівні Substitution або Augmentation, і лише одне дослідження наближається до Redefinition. Якщо це типово, що це каже про прогалину між потенціалом ШІ та його реальністю в навчальній аудиторії?
- SAMR часто застосовується в [[teacher-education|викладацькій]] [[educational-development|професійній розвитку]] освітян, щоб допомогти планувати використання технологій. Чи змінює класифікація SAMR-рівня уроку те, що викладач насправді робить, чи це здебільшого описова мітка?
- Критики стверджують, що SAMR, як і [[tpack|TPACK]], спирається на гуманістичну онтологію, яка трактує пізнання як незмінне технологією, і що вона не говорить нічого про владу, володіння даними або справедливість. Чи достатня лінза рівня інтеграції, чи інтеграції в еру ШІ потрібна критичніша рамка?

## Вступ

SAMR описує глибину технологічного перетворення навчальних задач. Її чотири рівні утворюють висхідну шкалу від поліпшення до перетворення: **Substitution** (інструмент замінює інший без функційної зміни — чат-бот на місці пошукової системи), **Augmentation** (інструмент замінює і поліпшує — перевірка орфографії текстового процесора проти друкарської машинки), **Modification** (завдання суттєво перепроєктоване — студенти колаборативно працюють у реальному часі над спільним згенерованим ШІ чернеткою) і **Redefinition** (нові завдання, раніше немислимі, стають можливими — здобувачі співтворять із генеративною моделлю способами, які не мають не-ШІ аналога). Модель широко використовується в [[ai-technologies|освітніх технологічних]] [[research-methods-aied|дослідженнях]] і [[educational-development|професійному розвитку викладачів]] як словник для планування та оцінювання інтеграції технологій, і вона є стандартним супутником [[tpack|TPACK]] та рамок [[technology-acceptance-model|впровадження технологій]] — хоч відповідає на інше питання, ніж будь-яка з них.

## Що означають чотири рівні

- **Поліпшення (нижня половина):** Substitution і Augmentation поліпшують наявне завдання, не змінюючи його природи. Більшість рутинного використання ШІ — [[automated-question-generation|генерація питань]], швидка генерація тексту, підсумовування — сидить тут: це швидше і зручніше, але не змінює того, що просять зробити здобувача.
- **Перетворення (верхня половина):** Modification і Redefinition змінюють саме завдання. [[vibe-coding|Vibe coding]], співпобудова в реальному часі з моделлю та адаптивний інтерактивний діалог — це завдання, які були неможливими до генеративного ШІ, і вони репрезентують перетвірний кінець шкали.

SAMR часто парується з [[icap-framework|рамкою ICAP]], бо обидві узгоджуються: чотири сценарії від кулінарії до навчання в [[thermomix-genai-education-analogy-2026|Rummel, Nachtigall & Panadero (2026)]] відображують режими залученості ICAP [[student-engagement|залученості]] на рівні SAMR — ICAP *Passive* з SAMR *Substitution*, *Active* з *Augmentation*, *Constructive* з *Modification* і *Interactive* з *Redefinition* — ілюструючи просування від пасивного делегування до інтерактивної співпобудови.

## Докази з бази знань

- **Інтеграція ШІ у вищій освіті переважно інкрементальна, а не трансформативна.** [[alsheikh-mapping-ai-integration-higher-education-2026|AlSheikh et al. (2026)]], в систематичному огляді PRISMA 22 досліджень інтервенцій, відібраних із 959 записів, оцінили інтеграцію ШІ моделлю SAMR і виявили, що більшість досліджень кластеризується на рівні **Substitution або Augmentation**, з меншими на Modification і лише одним, що наближається до Redefinition. ШІ типово вводився для поліпшення наявної практики — з домінуванням [[automated-assessment|автоматизації оцінювання]] та [[personalized-learning|підтримки персоналізованого навчання]] — а не для реконцептуалізації навчальних програм або [[learning-gains|результатів навчання]].
- **SAMR є поширеною аналітичною лінзою для зміни [[curriculum-design|навчальної програми]], керованої GenAI.** [[rewriting-curriculum-genai-pedagogy-2026|Sabani et al. (2026)]] відображують п’ять навчальних зсувів (від статичного до динамічного, від трансмісії до здатності, від локального до [[governance|інституційного]]) на усталені лінзи, включно з SAMR і конструктивним узгодженням, використовуючи модель для прояснення [[pedagogy|педагогічних]] механізмів, якими GenAI переформовує навчальну програму.
- **SAMR і TPACK закріплюють стандарти інтеграції технологій викладачами.** [[crompton-faculty-technology-integration-standards-2026|Crompton et al. (2026)]] розміщують свої шість стандартів технологій професорсько-викладацького складу проти наявних рамок — [[tpack]], RAT, SAMR, SETI — і стандартів (ISTE, UNESCO, DigCompEdu), більшість із яких таргетує викладачів [[k-12]] або лише [[teacher-role|викладацьку]] частину ролей професорсько-викладацького складу, залишаючи прогалину в розвитку викладацького складу вищої освіти.
- **SAMR є мішенню постгуманістичної критики.** [[elsayed-pedagogical-symbiosis-posthuman-learner|Elsayed (2026)]] критикує моделі TPACK, SAMR та [[ai-literacy]] за спільну гуманістичну онтологію, яка припускає обмеженого здобувача, чиє пізнання фундаментально незмінне технологічним посередництвом, стверджуючи, що ці інструменталістські рамки не можуть адресувати конститутивну роль ШІ в пізнанні.
- **Рамка для інтеграції, а не рамка для влади.** [[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]] оцінює SAMR поряд із TPACK та іншими рамками інтеграції і виявляє, що жодна з них не адресує справедливу владу, володіння даними чи підзвітність, мотивуючи альтернативну екологічну рамку спів-агенції.
- **Використання студентами також відображується на SAMR, а зворотний зв’язок охоплює кожен рівень.** Кодування декларацій GenAI 31–36 студентів на [[physics-education|фізичному]] модулі розмістило навчання на substitution–augmentation, форматування на substitution, а виконання завдань на modification–redefinition, тоді як зворотний зв’язок — перевірка, прояснення, верифікація — з’являвся на всіх чотирьох рівнях ([[genai-use-changing-institutional-policy-physics-2026|Quince і Faulconer (2026)]]).

## SAMR, TPACK та впровадження технологій: у чому вони відрізняються

Три рамки часто змішуються, але відповідають на різні питання:

- **[[technology-acceptance-model|Моделі впровадження технологій]]** (TAM, UTAUT) пояснюють *чому* індивід або заклад приймає та продовжує використовувати технологію — сприйнята корисність, легкість використання та соціальний вплив.
- **[[tpack|TPACK]]** описує *знання*, яке потрібне викладачеві для ефективної інтеграції технологій — взаємодію технологічного, педагогічного та змістового знання, розширену в еру ШІ до AI-TPACK/GenAI-TPACK.
- **SAMR** класифікує *наскільки глибоко* технологія перетворює навчальне завдання, від поліпшення до редефініції.

SAMR найкраще розуміється як лінза глибини інтеграції, що використовується в плануванні та оцінюванні, доповнюючи теорію впровадження (яка пояснює засвоєння) і TPACK (яка пояснює здатність викладача). В еру ШІ вона найпродуктивніше використовується для питання, чи застосовується генеративний ШІ для поліпшення наявних завдань або для ввімкнення справді нових — розрізнення, яке проходить через усі дослідження оцінювання та навчальних програм цієї бази знань.

## Імплікації для практики

- **Використовуйте SAMR, щоб ставити питання глибини, а не щоб приписувати перетворення.** Поліпшення не є по суті нижчим; багато рутинних використань ШІ є легітимними Substitution. Модель є діагностичною, прояснюючи, що саме конкретне використання змінює.
- **Паруйте її з ICAP.** SAMR описує, чим стає *завдання*; ICAP описує, як здобувач *залучається*. Використані разом вони розрізняють поверхневу заміну від глибокої інтерактивної співпобудови.
- **Доповнюйте її лінзами впровадження та справедливості.** SAMR не говорить нічого про те, чому інструмент впроваджується або хто виграє. Паруйте її з [[technology-acceptance-model|моделями впровадження]] та аналізом [[equity-in-ai-education|справедливості]], щоб мітка глибини не підміняла [[critical-thinking|критичну оцінку]].
- **Трактуйте докази інкрементальної інтеграції як знахідку, а не як провал.** Якщо більшість інтеграції ШІ кластеризується на Substitution/Augmentation, завдання дизайну — не силувати Redefinition, а розпізнати, що трансформативне використання потребує інших дизайнів завдань, а не лише кращих інструментів.

## Пов’язані поняття

- [[ai-education]] — ШІ в освіті (парасолька)
- [[tpack]] — Technological Pedagogical Content Knowledge
- [[technology-acceptance-model]] — Моделі впровадження технологій
- [[icap-framework]] — Рамка ICAP когнітивної залученості
- [[ai-technologies]] — Технології та методи ШІ
- [[teacher-ai-competency]] — Компетентність викладача зі ШІ
- [[educational-development]] — Освітній розвиток
- [[learning-design]] — Дизайн навчання
- [[k-12]] — Освіта K-12
- [[higher-ed]] — Вища освіта
- [[generative-ai]] — Генеративний ШІ

## Пов’язані статті

- [[alsheikh-mapping-ai-integration-higher-education-2026]] — Інтеграція ШІ у вищій освіті, оцінена за SAMR: переважно Substitution/Augmentation
- [[thermomix-genai-education-analogy-2026]] — ICAP і SAMR, що відображують чотири сценарії від кулінарії до навчання
- [[rewriting-curriculum-genai-pedagogy-2026]] — SAMR серед лінз для зміни навчальної програми під дією GenAI
- [[crompton-faculty-technology-integration-standards-2026]] — SAMR серед рамок, що інформують стандарти технологій професорсько-викладацького складу
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — Постгуманістична критика гуманістичної онтології SAMR
- [[reclaiming-epistemic-agency-co-agency-2026]] — Мовчазність SAMR щодо влади, володіння даними та підзвітності
- [[genai-use-changing-institutional-policy-physics-2026]] — Використання GenAI студентами за змінної інституційної політики: функції використання, відображені на рівні SAMR (Quince & Faulconer 2026)

---

## [Технологічні педагогічні знання змісту (TPACK)](https://edtechdev.github.io/aied/concepts/tpack/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Технологічні [[pedagogy|педагогічні]] знання змісту (TPACK)** — фреймворк (Mishra & Koehler, 2006), що описує інтегровані знання, необхідні викладачам для ефективного використання технологій у викладанні: взаємодію технологічних знань (TK), педагогічних знань (PK) і знань змісту (CK) та їхніх перетинів. В еру ШІ TPACK розширено до **AI-TPACK** / **GenAI-TPACK**, моделюючи те, як викладачі інтегрують генеративний ШІ в інструктування з конкретної предметної області. Це домінантна теоретична лінза для розуміння того, як структурована та будується [[teacher-ai-competency|компетентність викладача щодо ШІ]] через [[educational-development|професійний розвиток]].

Це домінування частково є також артефактом пошуку: в огляді-скаутингу за методологією PRISMA 195 досліджень підтримки викладацької освіти технологіями цифрова компетентність, TPACK і DigCompEdu були явними пошуковими дескрипторами, тому частка 46,5% фреймворків компетентності описує відібраний корпус, а не галузь ([[digital-competence-ai-responsive-pedagogy-2026|Patiño Hernández et al. (2026)]]).

## Питання для роздумів

- TPACK стверджує, що ефективне викладання з технологіями — це не сума окремих умінь (знання свого предмета + знання викладання + знання інструмента), а продукт їхньої взаємодії. Згадайте урок, який справді спрацював завдяки якійсь технології. Які поєднання знань змісту, педагогіки та технологій — а не кожне з них окремо — здавалися тим, що виконувало роботу?
- Поширене припущення полягає в тому, що викладач, який «розбирається в техніках», тим самим готовий викладати зі ШІ. Де це припущення може зазнати невдачі — наприклад, коли технічно обізнаний викладач усе ж використовує ШІ педагогічно поверхово або з помилками у змісті? Якою мала б бути та «компетентність», яку пропускає простий тест на технічні вміння?
- Ера ШІ переформовує технологію в TPACK із пасивного інструмента на активного агента, який може планувати, генерувати й навчати. Якщо робота викладача зміщується від керування інструментом до оркестрування ШІ, який діє самостійно, яких нових знань це вимагає — і чи може їх охопити будь-який статичний контрольний список?
- Сторінка припускає, що професійний розвиток має тренувати перетини, а не лише інструменти. Подумайте про останнє навчання з технологій, на якому ви були або яке проєктували. Чи було воно здебільшого «як користуватися програмним забезпеченням», чи воно будувало зміст і педагогіку разом із технологією? Який підхід, на вашу думку, більше змінив би практику в аудиторії, і чому?
- Дослідження виявило, що різним «архетипам викладача» — оптимізаторам, творцям, пасивним спостерігачам — підходять різні види підтримки. На який архетип ви найбільше схожі, коли використовуєте ШІ у викладанні, і який [[scaffolding]], на вашу думку, допоміг би вам найбільше? Чи описали б ваші здобувачі вас так само, як ви описуєте себе?
- Деякі [[research-methods-aied|дослідники]] стверджують, що ефективна інтеграція ШІ виникає з переконань викладача та його відчуття самоефективності, а не лише з його знань. У що ви вірите щодо ролі ШІ в навчанні, і як це переконання — більше, ніж ваша технічна вправність — може формувати те, чи інтегруєте ви його взагалі й як саме?

## Вступ

- **[[crompton-faculty-technology-integration-standards-2026|Crompton et al.]]** DBR операціоналізує стандарти інтеграції технологій викладачами, які розширюють фреймворк TPACK на [[governance|інституційну]] практику.

## Фреймворк

TPACK стоїть на тому, що ефективна інтеграція технологій — це не сума окремих доменів знань, а продукт їхньої **динамічної взаємодії**. Фреймворк охоплює три базові домени та чотири перетини:

- **Знання змісту (CK)** — знання предметної матерії, що викладається.
- **Педагогічні знання (PK)** — знання методів викладання, стратегій і того, як навчаються студенти.
- **Технологічні знання (TK)** — знання того, як користуватися інструментами та [[ai-technologies|технологіями]], включно з [[generative-ai|генеративним ШІ]].
- **Педагогічні знання змісту (PCK)** — як ефективно викладати конкретний зміст.
- **Технологічні знання змісту (TCK)** — як технологія формує й репрезентує зміст.
- **Технологічні педагогічні знання (TPK)** — як технологія підтримує чи обмежує стратегії викладання.
- **TPACK** — новоутворені інтегровані знання в центрі, де всі три домени взаємодіють, щоб уможливити посилене технологіями викладання конкретного змісту.

## AI-TPACK і GenAI-TPACK

Ера ШІ привела фреймворк до прочитання «технології з інтелектом». Замість пасивного інструмента генеративний ШІ є активним агентом, який може планувати, генерувати зміст, навчати й адаптуватися, — тому знання інтеграції дедалі більше включає **оркестрування**: вирішення того, коли й як ШІ діє, надає скаффолдинг або поступається [[human-in-the-loop-ai|людському судженню]].

- **Поза дискретними знаннями.** [[ai-tpack-teacher-multi-agent-workflow|Дослідження AI-TPACK]] стверджує, що ефективна інтеграція ШІ виникає не з володіння окремими доменами, а з динамічної взаємодії **системного мислення**, **педагогічних переконань** і **[[self-efficacy]]** — кидаючи виклиз статичним, заснованим на контрольних списках моделям компетентності викладача щодо ШІ. Архетипи викладачів (систематичні оптимізатори, плідні творці, пасивні спостерігачі) виникають із того, як викладачі проєктують багатоагентні інструкційні робочі процеси.
- **Чого не охоплюють фреймворки інтеграції.** Критика ко-агентності стоїть на тому, що TPACK і SAMR торкаються знань викладача та рівнів упровадження, але залишають недоторканими владу, володіння даними й підзвітність, тому знання інтеграції потребують явної етичної межі, а не ще одного домену знань ([[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]]).
- **Міжрівневі докази на користь педагогічного ядра.** [[pedagogy-first-technology-second-teacher-knowledge-2026|Багаторівневе дослідження 46 викладачів і 2 832 студентів середньої школи]] виявило, що самих технічних знань щодо ШІ було недостатньо — вони навіть дещо знижували сприйняття студентами ШІ для суспільного блага, — тоді як саме педагогічні знання щодо ШІ (TPAIK) формували сприйняття студентів і намір навчатися зі ШІ. Результат зводиться до настанови **«спочатку педагогіка, потім технологія»**, яка відгукується вищезгаданим висновкам про медіюючу роль.
- **Етика як інтегративний медіатор, а не межа.** В опитуванні 454 викладачів університетів ізольовані ШІ-технологічні знання мали *негативний* прямий зв’язок із інтегрованим AI-TPACK (β = −0.303), тоді як їхній сукупний ефект залишався позитивним (β = 0.639), проходячи через педагогічні, змістові та етичні знання ([[ethically-mediated-ai-tpack-china-2026|Chen et al. (2026)]]). Етичні знання також пропускали ефект далі, передбачаючи і педагогічні (β = 0.353), і знання змісту (β = 0.269).
- **Лінза огляду для всієї галузі.** [[edurev-100741-tpack-genai-review|Систематичний огляд з позиції TPACK]] (Liu & Zhong, 2025) проаналізував 71 емпіричне дослідження GenAI в навчанні студентів, виявивши загалом позитивний ефект (g Хеджеса = 0.752) і визначивши GenAI-грамотність для студентів і **професійний розвиток викладачів у GenAI-TPACK** як два критичні пріоритети для галузі.
- **Одна лише обізнаність не передбачає педагогічної інтеграції.** [[choi-teacher-ai-interaction-lesson-design-2026|Choi et al. (2026)]] виміряли Intelligent-TPACK викладачів, щоб сегментувати учасників, і спостерігали, що навіть обізнані новачки пасивно покладалися на продукцію ШІ під час проєктування уроку, тоді як досвідчені викладачі — з нижчим виміряним AI-TPACK — критично переосмислювали й адаптували пропозиції ШІ до педагогічного контексту. Результат підсилює вищезгаданий взірець: AI-TPACK перетворюється на звучне використання в аудиторії через досвідчене педагогічне судження, і підтримка [[teacher-education]] тому має націлюватися на *застосування* знань щодо ШІ, а не на саме володіння ними.
- **[[teacher-education|Освіта викладачів]] як контекст.** TPACK є інструментальним для виховання компетентності викладачів інтегрувати технології в інструктування з конкретного [[curriculum-design|навчального плану]], і саме тому дослідження освіти викладачів та професійного розвитку (наприклад, [[genai-pd-ai-pck-learning-gain-2026|інтенсивні програми професійного розвитку з GenAI]], [[ai-tpack-preservice-math-teachers|готовність до AI-TPACK серед викладачів до служіння]]) дедалі частіше вимірюють її як результат, що становить інтерес.
- **Педагогічні знання медіюють інтеграцію GenAI.** [[tpack-genai-inservice-teachers-mediation-2026|Mohebi and ElSayary (2026)]] опитали **325 діючих викладачів у 26 країнах** і провели інтерв’ю із сімома, використовуючи пояснювальний послідовний [[mixed-methods-research|змішаний]] проєкт для моделювання TPACK-GenAI. Технологічні знання (TK), педагогічні знання (PK) і педагогічні знання змісту (PCK) кожен асоціювалися із загальним TPACK-GenAI, але **медіювали ці зв’язки технологічні педагогічні знання (TPK)** — доказ того, що рух «від обізнаності до педагогіки» має значення: переклад уміння з GenAI на звучне використання в аудиторії проходить через знання педагогічно-технологічної інтеграції, а не лише через знайомство з інструментом.
- **У [[higher-ed|вищій освіті]] експертиза зі змісту не переноситься на інтеграцію GenAI.** [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo, Chowdhury & Liu (2026)]] адаптували інструмент [[ai-literacy|TPACK-21]], щоб опитати **127 викладачів** американського дослідницького університету щодо використання GenAI для викладання умінь 21-го століття. Викладачі повідомляли про сильні CK (M = 5.15) і PCK (M = 4.70), але слабкі знання, інтегровані з технологіями, — TPK (M = 2.62), TCK (M = 2.75) і загальний TPACK (M = 2.55, найнижчий домен), — і CK не виявляв **суттєвої кореляції з TK або з будь-яким доменом, інтегрованим із технологіями** (r = .11–.15, ns). Три домени, інтегровані з технологіями, взаємокорелювали настільки сильно (r = .81–.91), що могли функціонувати як єдиний фактор GenAI-інтеграції. Результат підсилює принцип проєктування *тренувати перетини*: [[educational-development|розвиток викладацького складу]] має свідомо будувати знання GenAI-інтеграції через [[discipline-specific-aied|дисциплінарно специфічні]] заходи, а не припускати, що експертиза в предметній області перенесеться сама, і розглядати домени, інтегровані з технологіями, як спільну основу GenAI-грамотності.
- **Інституційний режим і рівень навчання взаємодіють.** [[ai-training-science-teacher-tpack-distance-2026|Mnguni et al. (2026)]] порівняли 186 студентів-викладачів природничих наук останнього курсу в південноафриканському університеті зі стаціонарною формою (n = 85) та в університеті [[online-teaching-and-learning|дистанційної освіти]] (n = 97). Самозвітний TPACK був вищим при стаціонарній формі (64,0% проти 47,4%), педагогічні знання були найменш повідомлюваним доменом в обох групах (53% при стаціонарній формі), а рівень навчання зі ШІ асоціювався із самозвітним TPACK лише в дистанційній установі, де проходження п’ятикредитного короткого курсу передбачало *слабший* самозвітний TPACK, ніж повна відсутність навчання (p = .039, проти p = .607 при стаціонарній формі). Отже, готовність відстежує контекст інституційного забезпечення, а не лише кількість годин навчання, і автори застерігають, що [[self-report-measures|самозвітна]] готовність не може замінити доказів результативності.

Додаткове попередження щодо вимірювання надходить від тієї ж авторки Моделі здатності й рішення: коли TPACK самозвічується, а сприйманий контроль поведінки вимірюється як [[self-efficacy]], ці два можуть бути емпірично нерозрізнюваними, тому дослідження не може сказати, чи здатність, чи загальна впевненість передбачає намір ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

- **Інтегрований TPACK зростає найбільше, коли ШІ отримує скаффолдинг усередині автентичних завдань на основі проблем.** [[chen-osman-preservice-physics-tpack-ctd-pbl-2026|Chen and Osman (2026)]] порівняли восьмитижневий модуль CTD-PBL з підтримкою ШІ зі звичайним інструктуванням для **130 викладачів [[physics-education|фізики]] третього курсу до служіння** в квазіекспериментальному проєкті зі збереженими класами (65 на умову), причому групи використовували DeepSeek через специфічні для завдань шаблони підказок, і кожна продукція ШІ мала проходити людську верифікацію, перш ніж потрапити в інструкційний артефакт. Група модулю повідомляла про вищий посттестовий TPACK (M = 4.04 проти 3.40, p < 0.001, d = 1.02) і вище сприйняте [[problem-solving|спільне розв’язування проблем]] (M = 3.62 проти 3.05, d = 0.88), із суттєвими взаємодіями група × час на обох результатах. Тут, де опинилися здобутки, і є TPACK-релевантною деталлю: найбільші вимірні ефекти були в інтегрованих доменах — TPCK (d = 1.21), PCK (d = 1.06) і TPK (d = 0.95), — а здобутки [[collaborative-learning|співпраці]] були найчіткішими у спільному будуванні знань і соціальній регуляції, тобто в перетинах, а не в базових доменах. Автори подають це як диференційовану зміну, асоційовану з інтегрованою інструкційною умовою, а не як ефект ШІ: ШІ ніколи не ізолювався від ланцюжка завдань PBL, структурованої співпраці, скаффолдингу викладача, [[peer-assessment|зворотного зв’язку однокурсників]] або рефлексивного перегляду, і обидва результати були [[self-report-measures|опитувальними]] сприйняттями компетентності, а не продемонстрованою результативністю в аудиторії.

- **Втручання може спершу зрушити базовий домен.** Шестимісячна програма професійного розвитку, побудована безпосередньо на фреймворку Intelligent-TPACK, найбільше підняла технічні знання щодо ШІ (AITK: 3.92 → 4.43, t(63) = 3.856, p < .001, d = .48), далі технологічно-педагогічні знання (AITPK: d = .33) і найменше інтегрований AITPACK (d = .26), а етичну обізнаність залишено порівняно незмінною ([[intelligent-tpack-pd-intervention-hongkong-2025|Tan, Cheng & Ling, 2025]]). Цей порядок є дзеркальним до здобутків у інтегрованих доменах у Chen and Osman, і в обох випадках це [[self-report-measures|самозвіт]].

**AI-TPACK як медіатор між грамотністю та інтеграцією в аудиторію.** Структурна рівняння модель китайських викладачів природничих наук до служіння ([[ai-literacy-ai-integrated-inquiry-science-teaching-2026|Zou, Li, Wang & Du, 2026]]) позиціонує AI-TPACK не як паралельну компетентність, а як механізм передачі, через який загальна [[ai-literacy]] стає практикою викладання. ШІ-грамотність сильно передбачала AI-TPACK, AI-TPACK у свою чергу передбачав [[science-education|викладання природничих наук]] [[self-efficacy]], а самоефективність викладання була найсильнішим одиничним предиктором наміру викладати через дослідницьке [[inquiry-based-learning|навчання]], інтегроване зі ШІ.

Повний серійний ланцюг (ШІ-грамотність → AI-TPACK → самоефективність → намір) був суттєвим, як і окремі опосередковані маршрути через AI-TPACK і через самоефективність; у сукупності більшість асоціації ШІ-грамотності з наміром проходила через ці медіатори, а не напряму, і результат зберігався після контролю за статтю, роком навчання, спеціальністю та частотою використання ШІ. Практичне твердження моделі — це послідовність із точкою входу: ШІ-грамотність необхідна, але недостатня, і робота інтеграції відбувається там, де поєднуються технологічні, педагогічні та знання змісту, — що є також тим місцем, де будується впевненість викладачів у викладанні предмета.

- **Валідація як четверта компетентність.** [[human-ai-collaboration-design-education-rubric-2026|Orhon, Cekerol and Ugur (2026)]] розширюють модель **знаннями валідації ШІ** — піддаванням імовірнісної продукції ШІ дисциплінарно специфічній верифікації, перш ніж розглядати її як доказ легітимного рішення, — і поєднують їх з процесно орієнтованою рубрикою для освіти в галузі дизайну.

## Чому це важливо в освіті на базі ШІ

TPACK є організаційним фреймворком для викладацької сторони бази доказів цієї бази знань. Він пояснює, чому компетентність викладача щодо ШІ — це більше, ніж вільне володіння інструментом: викладачі мають інтегрувати технологічні, педагогічні та знання змісту разом, щоб перетворити ШІ на [[learning-gains|навчальні здобутки]]. Сторінка [[teacher-ai-competency]] цієї бази знань охоплює виміри компетентності; TPACK — це *структура знань*, що лежить в їхній основі. Дослідження [[teacher-ai-adoption-confidence|впевненості викладачів]], [[educational-development|професійного розвитку]] та [[teacher-role|трансформованої ролі викладача]] усі працюють усередині (або проти) цього фреймворка. Фреймворк тепер розширюють, щоб оцінювати цілі програми: [[wu-li-evaluation-indicator-ai-certificate-programs-2026|Wu & Li (2026)]] будують систему оцінювання AHP-Fuzzy-AHP для програм сертифікації зі ШІ на вимірах TPACK і знаходять, що професійна компетентність викладацького складу — а не технічна інфраструктура — є найбільшою прогалиною між експертним пріоритетом і поточним забезпеченням, сигналізуючи, що сертифікація має інвестувати в інтегрований педагогічний потенціал викладачів.

## Наслідки для проєктування

1. **Тренуйте перетини, а не лише інструменти.** Професійний розвиток має будувати технологічні, педагогічні та знання змісту разом, а не пропонувати ізольоване навчання інструментам, — основний принцип проєктування TPACK.
2. **Розглядайте ШІ як агента, а не як прилад.** AI-TPACK розширює фреймворк на оркестрування [[agentic-ai|агентів ШІ]], вимагаючи системного мислення та педагогічного судження щодо того, коли ШІ має діяти.
3. **Диференціюйте професійний розвиток за профілем викладача.** Різним архетипам викладачів (оптимізаторам, творцям, спостерігачам) підходять різні види скаффолдингу — відповідно просунуті фреймворки, швидкий зворотний зв’язок або явне моделювання.
4. **Оцінюйте інтегровану компетентність.** Орієнтовані на TPACK результати (наприклад, здобутки в AI-PCK) слід вимірювати як інтегровану здатність, а не як самозвітне знайомство з інструментом.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[wu-li-evaluation-indicator-ai-certificate-programs-2026]] — Система індикаторів оцінювання для програм сертифікації зі ШІ
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — Міжрівневе дослідження: «спочатку педагогіка, потім технологія» — TPAIK переважає технічний TAIK за результатів студентів (Shen et al. 2026)
- [[tpack-genai-inservice-teachers-mediation-2026]] — TPACK-GenAI діючих викладачів і медіююча роль педагогічних знань (Mohebi & ElSayary 2026)
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[crompton-faculty-technology-integration-standards-2026]] — Стандарти інтеграції технологій для викладацького складу (DBR, пов’язаний з TPACK)
- [[edurev-100741-tpack-genai-review]] — Інтегрування генеративного ШІ в навчання студентів: систематичний огляд з позиції TPACK
- [[ai-tpack-teacher-multi-agent-workflow]] — Моделювання AI-TPACK через багатоагентні робочі процеси викладачів
- [[ai-tpack-preservice-math-teachers]] — Готовність до AI-TPACK серед викладачів математики до служіння
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Взаємодія викладача зі ШІ в проєктуванні уроку: Intelligent-TPACK, досвід і взаємодія обізнаності (Choi et al. 2026)
- [[genai-pd-ai-pck-learning-gain-2026]] — Інтенсивний професійний розвиток з GenAI і здобутки в AI-PCK
- [[teacher-ai-teaming-five-levels]] — П’ятирівневий фреймворк командної роботи викладача зі ШІ
- [[teacher-ai-adoption-confidence]] — Впевненість викладачів і упровадження ШІ
- [[teacher-education-ai-literacy-sdt-2026]] — Освіта викладачів для ШІ-грамотності через теорію самодетермінації
- [[genai-literacy-training-teacher-education-dbr-2026]] — Навчання GenAI-грамотності на основі дослідження з проєктування
- [[rail-ed-genai-literacy-teacher-education]] — Переосмислення GenAI-грамотності в освіті викладачів
- [[sec-ai-literacy-narrative-review-2026]] — Соціально-емоційні компетентності та ШІ-грамотність
- [[genai-runaway-object-math-higher-ed]] — GenAI і математика у вищій освіті
- [[ai-changing-teaching-workflows]] — Як ШІ змінює робочі процеси викладання
- [[sutedjo-faculty-genai-tpack-21-2026]] — Самосприйняті знання TPACK-21 викладацького складу щодо GenAI у вищій освіті (Sutedjo, Chowdhury & Liu 2026)
- [[ethically-mediated-ai-tpack-china-2026]] — До нового фреймворку AI-TPACK: етика як інтегративний медіатор технічних знань щодо ШІ (Chen et al. 2026)
- [[ai-training-science-teacher-tpack-distance-2026]] — Порівняльне опитування 186 південноафриканських студентів-викладачів природничих наук: перевага стаціонарної форми в самозвітному TPACK і асоціація навчання зі ШІ зі слабшим самозвітним TPACK у дистанційній установі
- [[ai-literacy-ai-integrated-inquiry-science-teaching-2026]] — AI-TPACK і самоефективність викладання природничих наук серійно медіюють ефект ШІ-грамотності на намір інтеграції дослідницького навчання (Zou et al. 2026)
- [[chen-osman-preservice-physics-tpack-ctd-pbl-2026]]
- [[intelligent-tpack-pd-intervention-hongkong-2025]] — Професійний розвиток Intelligent-TPACK для викладачів університетів: здобутки за вимірами, відвідування вище за самосприйняту залученість — модуль CTD-PBL з підтримкою ШІ та TPACK і спільне розв’язування проблем викладачів фізики до служіння (Chen & Osman 2026)
- [[human-ai-collaboration-design-education-rubric-2026]] — Оцінювання співпраці людини зі ШІ в освіті з дизайну: процесно орієнтована рубрика, ґрунтована в розширеному фреймворку AI-TPACK
- [[capability-decision-model-teacher-readiness-2026]] — Впорядкована модель готовності викладачів до ШІ з пріоритетом здатності та попередження щодо перекриття конструктів
- [[digital-competence-ai-responsive-pedagogy-2026]] — Попередження огляду-скаутингу, що домінування фреймворків компетентності частково віддзеркалює пошукові дескриптори, а не поширеність у галузі

---

## [Педагогіки та стратегії викладання](https://edtechdev.github.io/aied/concepts/pedagogy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Педагогіки та стратегії викладання** — методи та підходи, які педагоги використовують для викладання та сприяння навчанню, і широке поняття для покриття базою знань того, як відбувається викладання (на відміну від [[learning-theories]], які пояснюють, як відбувається навчання). В [[ai-education|освіті зі ШІ]] педагогіка є центральною, бо вибір стратегії викладання формує те, як розгортаються інструменти ШІ: той самий інструмент генеративного ШІ може бути [[scaffolding|скаффолдингом]] за однієї педагогіки, [[socratic-method|сократівським]] співрозмовником за другої або генератором відповідей за третьої. База знань документує окремі педагогіки і розглядає їх як інструкційну лінзу, крізь яку оцінюється проєктування ШІ та його використання в аудиторії.

## Питання для роздумів

- У чому різниця між стратегією викладання (педагогікою) та теорією того, як відбувається навчання? Чи можете ви назвати стратегію, якою користуєтеся, і теорію навчання, на якій вона може спиратися?
- Сторінка стверджує, що кожен інструмент ШІ «вбудовує педагогічні припущення», незалежно від того, чи заявляє про них проєктувальник. Візьміть [[conversational-ai|чат-бота]], який просто відповідає на питання, — яку педагогіку він тихо втілює, і чи є це навмисним?
- Той самий [[generative-ai|генеративний ШІ]] може бути скаффолдингом за однієї педагогіки, сократівським партнером за другої або генератором відповідей за третьої. Чи можете ви описати один інструмент, що використовується цими трьома різними способами?
- Докази вказують, що *як* використовується ШІ, має таке саме значення, як і *чи* він використовується. Чи спостерігали ви, як той самий ШІ допомагав одній групі і завдавав шкоди іншій? У чому була різниця?
- Якби ви консультували школу щодо закупівлі інструмента ШІ, які питання ви поставили б, щоб виявити вбудовану в нього педагогіку, — а не лише його перелік функцій?
- Подумайте про орієнтовану на здобувача стратегію, яку ви намагалися застосувати (активну, спільну, проєктну). Що зробило її успішною або невдалою, і як інструмент ШІ міг би змінити цей результат?

## Вступ

Педагогіка та стратегія викладання стосуються *того, як* педагоги викладають — активностей, структур і методів, які організовують навчання, — тоді як [[learning-theories]] пояснює базові механізми *того, як відбувається навчання*. Ці два є доповнювальними: педагогіка операціоналізує одну або більше теорій, і база знань розглядає педагогіку як між від теорії та класної практики. Кожен інструмент ШІ вбудовує педагогічні припущення про бажану інструкційну взаємодію, незалежно від того, чи заявляє про них проєктувальник.

## Ландшафт педагогіки

База знань документує багатий набір окремих стратегій викладання та педагогік, організованих у родини:

- **Орієнтовані на студента та активні підходи.** [[active-learning]] (студенти зайняті діянням і мисленням, а не пасивним сприйняттям), [[project-based-learning]] (навчання через розширені проєкти), [[experiential-learning]] (навчання через прямий досвід) і [[learning-by-teaching]] (навчання через пояснення іншим).
- **Колаборативні та соціальні підходи.** [[collaborative-learning]] (навчання через [[group-work|групову роботу]]), [[sociocultural-learning]] (навчання через соціальну участь і посередництво) і [[socratic-method|сократівське запитання]] (навчання через керований діалог і запитання).
- **Підходи, засновані на досвіді.** [[experiential-learning]] (навчання через прямий досвід і рефлексію), [[situated-learning]] (навчання в автентичних контекстах) і [[embodied-learning]] (навчання через фізичну/втілену взаємодію).
- **Структуровані та керовані підходи.** [[scaffolding]] (тимчасова підтримка, що поступово знімається), [[learning-design]] (систематичне проєктування інструкції), [[self-regulated-learning]] (здобувачі спрямовують власне навчання) і [[sociocultural-learning]] (зокрема структуровану, керовану викладачем соціокультурну підтримку).
- **Онлайн- і дистанційні педагогіки.** [[online-teaching-and-learning|Онлайн-викладання та навчання]] є саме педагогічним контекстом, а не лише каналом доставки: середовище формує, які стратегії є життєздатними ([[active-learning]], переосмислене для асинхронних форумів, [[collaborative-learning]] через цифрову дискусію, [[intelligent-tutoring|агенти репетиторства]], що замінюють очну взаємодію). У цьому середовищі ШІ створює і нові можливості (масштабована [[personalized-learning|персоналізація]], підтримка цілодобово), і нові ризики ([[academic-integrity|академічна доброчесність]], [[cognitive-offloading|когнітивне перевантаження]]), роблячи педагогічний намір вирішальним.
- **Підходи мотивації та [[student-engagement|залученості]].** [[game-based-learning]] (навчання через ігри), [[self-determination-theory]] (підтримка автономії, компетентності, спорідненості) та стратегії, орієнтовані на [[motivation]].
- **Педагогіки, усвідомлені щодо [[equity-in-ai-education|справедливості]].** [[culturally-relevant-pedagogy|Культурно релевантна педагогіка]], [[universal-design-for-learning|Universal Design for Learning]], [[critical-pedagogy]] та [[inclusive-learning]] забезпечують, щоб стратегії служили різноманітним здобувачам.

**Підходи — не послідовності, і ця відмінність вирішує результати.** Усе вище описує, *якого роду* викладання відбувається. [[pedagogical-patterns|Педагогічні патерни]] описують *порядок* дій у межах уроку — що студенти роблять спочатку, де входить ШІ і де залишається людське судження, — і база знань документує ці перевірені послідовності окремо, бо той самий інструмент допомагає або завдає шкоди залежно від його позиції в порядку. Спроба розв'язати задачу перед тим, як ШІ пропонує допомогу, і отримання підказок замість відповідей є найбільш послідовно підтвердженим розташуванням у базі доказів; розміщення асистента спочатку — один із найкраще задокументованих способів пригнічити подальшу продуктивність без допомоги. Педагогіка, узята без ухвалення рішення щодо цього порядку, залишає вирішальну змінну невизначеною.

## Як педагогіка постає в освіті зі ШІ

Дослідження [[research-methods-aied|дослідження]] бази знань розглядає педагогіку на перетині ШІ та викладання кількома способами:

- **ШІ як педагогічний агент.** Інструменти ШІ втілюють педагогіки — [[intelligent-tutoring|тьютор]], побудований на [[socratic-method|сократівському запитанні]], спонукає здобувачів міркувати, тоді як чат-бот, що генерує відповіді, може за замовчуванням переходити до прямого надання (див. [[reducing-ai-misuse]] щодо того, чому педагогічна позиція має значення). Література [[agentic-ai|агентного ШІ]] показує, що ґрунтування агентів на теорії інструкційного проєктування перевершує просте [[prompt-engineering|підказування]]. [[genai-didactic-pedagogical-mediator-2026|Moganadas et al. (2026)]] формально переосмислюють цю роль: замість діадичного інструктор–[[student-modeling|модель студента]] з GenAI як зовнішнім доповненням чи загрозою, вони пропонують вкладену **тріадичну модель інструктор–студент–GenAI**, у якій GenAI діє як обмежений *дидактико-педагогічний посередник* у межах спільного простору дидактичного посередництва, керованого закладами та зацікавленими сторонами, — даючи п'ять досліджуваних пропозицій щодо посередництва в навчанні, перетворення ролі інструктора, ШІ-грамотності та агентності здобувача, прозорого для ШІ [[process-oriented-assessment|процесно-орієнтованого оцінювання]] та інституційного [[governance]].
- **Педагогіка визначає ефект ШІ.** Повторюваним висновком є те, що *як* використовується ШІ, має таке саме значення, як і *чи* він використовується. Дослідження [[instructional-guidance-genai-learning|інструкційного керівництва]] та [[generative-ai-guardrails-harm-learning|РКД тьюторів із захисними бар'єрами]] показують, що той самий ШІ може завдавати шкоди або допомагати залежно від педагогічної обгортки (підказки проти відповідей, структуроване проти відкритого використання).
- **Педагогічні знання переважають технічні.** Серед 46 викладачів і 2 832 студентів педагогічні знання викладача про ШІ передбачали сприйняття студентами ШІ для соціального блага та їхній намір вивчати ШІ, тоді як самих технічних знань було недостатньо — і жодне з них не передбачало знань студентів про ШІ ([[pedagogy-first-technology-second-teacher-knowledge-2026|Shen et al. (2026)]]).
- **Найясніший внесок ШІ — зняття адміністративної роботи.** Огляд PRISMA 28 досліджень виявив, що ШІ найчастіше покращував планування інструкції та проєктування оцінювання, а його найчастіше повідомлюваною вигодою була автоматизація оцінювання, зворотного зв'язку та моніторингу прогресу (18 досліджень, 64.2%) — тоді як педагогічним узгодженням була найчастіше згадуваною проблемою (14) ([[kibar-ilgaz-ai-instructional-design-review-2026|Kibar & Ilgaz (2026)]]).

**Автоматизація та навчання безпосередньо розмінюються.** [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] проводять шість педагогічних принципів — активацію попередніх знань, [[collaborative-learning]], [[problem-based-learning]], [[formative-assessment]], [[scaffolding]], [[metacognition]] — крізь те, що проактивна агентна ініціатива робить з кожним із них, стверджуючи, що чим більше агент автоматизує, тим менше когнітивної роботи робить здобувач, якщо тертя, динамічне знімання та людський нагляд не проєктовані спеціально.

- **Стратегії викладання для ШІ-грамотності.** Навчання студентів *добре користуватися ШІ* є саме педагогічним завданням — [[ai-literacy]] і [[reducing-ai-misuse]] розвивають стратегії (спочатку подумай/потім ШІ/відзеркаль, декларація ШІ, тренування калібрування), які належать до цієї широкої рамки.
- **Інструкція з ШІ-грамотності рухає знання найшвидше.** Трирівневий метааналіз 59 досліджень (172 розміри ефекту) виявив, що втручання, зосереджені на знаннях (g ≈ .97), чітко перевершили ті, що націлені на уміння (≈ .67), ставлення (≈ .68) або [[ethics]] (≈ .64), тож поєднання викладання понять із тривалою практикою націлюється на результати, які опираються інструкції ([[liu-ai-literacy-interventions-meta-analysis-2026|Liu et al. (2026)]]).
- **Педагогіка в практиці викладача.** [[teacher-role]] і [[teacher-ai-competency]] розглядають, як викладачі впроваджують ШІ в межах наявного педагогічного репертуару, а [[llm-training-and-fine-tuning]] / [[pedagogical-agent]] вивчають інструменти ШІ, навчені дотримуватися педагогічних принципів.

## Зв'язок із теоріями навчання

Педагогіки та теорії навчання тісно пов'язані: кожна педагогіка операціоналізує одну або більше теорій. Наприклад, [[project-based-learning]] операціоналізує [[constructivist]] і [[experiential-learning|експерієнтальні]] теорії; [[socratic-method]] спирається на [[sociocultural-learning]] і [[metacognition]]; [[scaffolding]] походить із [[sociocultural-learning|Зони ближнього розвитку]]. База знань розглядає [[learning-theories]] як концептуальний фундамент, а цю сторінку — як широку рамку інструкційної практики — див. також [[learning-design]], який стосується систематичного процесу відбору та впорядкування стратегій. [[learning-sciences|Науки про навчання]] стоять ще одним кроком далі: ця сторінка покриває практику викладання та стратегії, які обирають педагоги, тоді як науки про навчання вивчають цю практику емпірично — описуючи, моделюючи та оцінюючи проєкти, щоб встановити, які з них змінюють навчання.

## Навчальні здобутки за педагогічними стратегіями

Різні педагогічні стратегії дають різні роди та розміри [[learning-gains|навчальних здобутків]], і докази бази знань дають нам змогу їх порівняти:

- **Активні та експерієнтальні стратегії** загалом дають сильніше довговічне навчання, ніж пасивне сприйняття, хоч і відчуваються зусильнішими — [[active-learning]], [[experiential-learning]], [[project-based-learning]] і [[learning-by-teaching]] будують розуміння через діяння. [[generative-ai-reduced-study-time-math|Дослідження]] показує, що стратегії, які зберігають зусильну практику (а не дозволяють ШІ її скоротити), захищають [[learning-gains]].
- **Структуровані, керовані стратегії** ([[scaffolding]], [[self-regulated-learning]], [[learning-design]]) дають надійні, але скромніші здобутки — докази захисних бар'єрів ([[generative-ai-guardrails-harm-learning|PNAS 2025]]) показують, що скаффолдинг [[guardrails|підказка, а не відповідь]] зберігає навчання, яке ненаглядене віддавання відповідей руйнує.
- **[[game-based-learning|Навчання на основі ігор]]** дає здобутки залученості та умінь, які є справжніми, але часто скромними та залежними від контексту — [[genai-educational-outcomes-meta-analysis|метааналітичні докази]] виявляють, що GenAI з підтримкою ігор не показує значущої доданої вигоди над іншими форматами, тож ігри найкраще використовувати для мотивації та практики, а не як скорочення до здобутків.
- **Колаборативні та соціокультурні стратегії** ([[collaborative-learning]], [[sociocultural-learning]]) показують здобутки, опосередковані якістю взаємодії, які дедалі більше вивчаються з ШІ як партнером або колегою.
- **Сократівські та діалогові стратегії** ([[socratic-method]]) націлені на мислення вищого порядку та міркування — здобутки, які важче виміряти, ніж здобутки умінь, але які є центральними для [[critical-thinking]].

Ключовий транскутний висновок, узгоджений із дослідженнями [[learning-gains]] бази знань, полягає в тому, що **ефект стратегії на навчання залежить більше від того, як вона зберігає зусилля здобувача та продуктивну боротьбу, ніж від мітки, яку вона несе** — будь-яка педагогіка, навіть «хороша», не спрацьовує, якщо ШІ налаштовано обходити когнітивну роботу, яку він мав би викликати (див. [[cognitive-offloading]], [[desirable-difficulties]]).

Цей акцент на збереженому зусиллі не є абсолютним: дизайн [[mixed-methods-research|змішаних методів]] із чотирьох досліджень (N = 912) виявив, що оформлення GenAI як педагогічного партнера активувало і критичну пильність, і стратегічне перевантаження, причому перевантаження вище порогу звільняло місткість для відзеркалення вищого порядку, а не руйнувало його ([[wang-zhang-pedagogical-partnerships-genai-2026|Wang and Zhang (2026)]]).

## Наслідки для освіти зі ШІ

- **Обирайте педагогіку свідомо разом зі ШІ:** стратегія викладання визначає, чи підтримує інструмент ШІ навчання, чи підриває його, тож педагогічний намір має керувати відбором і налаштуванням інструмента ШІ.
- **Тримайте агентність здобувача в центрі:** активні, сократівські та скаффолдингові педагогіки зберігають продуктивну боротьбу та [[agency]], яку ШІ може інакше руйнувати (див. [[cognitive-offloading]], [[desirable-difficulties]]).
- **Проєктуйте ШІ, щоб він втілював хорошу педагогіку:** агенти та тьютори ШІ мають ґрунтуватися на усталених інструкційних рамках, а не на віддаванні відповідей за замовчуванням.
- **Викладайте зі ШІ та про ШІ:** педагогіки мають і використовувати ШІ для викладання, і вчити здобувачів відповідально користуватися ШІ.

## Пов’язані поняття
- [[pedagogical-partnerships]] — Pedagogical Partnerships
- [[online-teaching-and-learning]] — Online Teaching and Learning
- [[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]] — AI tools trained to follow pedagogical principles

## Пов’язані статті
- [[genai-didactic-pedagogical-mediator-2026]] — GenAI as didactic-pedagogical mediator: instructor–student–GenAI triadic model (Moganadas et al. 2026)
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — 'Pedagogy first, technology second' — TPAIK outweighs technical TAIK for student outcomes (Shen et al. 2026)
- [[wang-zhang-pedagogical-partnerships-genai-2026]] — Pedagogical partnerships with generative AI
- [[ai-communities-of-inquiry-2026]]
- [[instructional-guidance-genai-learning]] — How instructional guidance shapes GenAI learning effects
- [[generative-ai-guardrails-harm-learning]] — Guardrailed (hint-not-answer) tutoring eliminates the exam penalty
- [[agentic-ai-pedagogical-best-practice-2026]] — The automation-vs-learning tension in agentic AI
- [[jeon-isd-agent-bench-2026]] — Grounding agents in instructional-design theory
- [[ai-learning-tools-engineering-education-needs]] — AI learning tools in engineering education
- [[fowlin-operationalizing-learning-principles-ai]] — Operationalizing learning principles with AI
- [[kibar-ilgaz-ai-instructional-design-review-2026]] — AI and Instructional Design Practice: A Systematic Review (Kibar & Ilgaz 2026)
- [[liu-ai-literacy-interventions-meta-analysis-2026]] — Instructional approaches in AI literacy interventions

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Педагогічні патерни** — це *впорядковані послідовності* активностей, які дослідження в цій базі знань перевірили, з увагою до того, де [[generative-ai|генеративний ШІ]] входить у послідовність і де [[human-in-the-loop-ai|судження людини]] має залишатися. Там, де [[pedagogy]] каталогізує підходи ([[active-learning|активне навчання]], [[problem-based-learning|проблемно-орієнтоване навчання]], [[collaborative-learning|колаборативне навчання]]), а [[learning-design]] описує, як проєктується курс, ця сторінка каталогізує, що студенти та викладачі фактично *роблять*, у якому порядку, і що сталося, коли це намагалися застосувати. PAIRR — чернетка, враження від рецензування, рецензування ШІ, рефлексія, редагування, — є найкраще задокументованим прикладом, і патерн, що стоїть за ним, повторюється в різних дисциплінах: спочатку зусилля, потім ШІ, людське судження — на вищих ставках.

## Питання для роздумів

- Патерн — це *послідовність*, а не інструмент. Візьміть одне завдання, яке ви викладаєте, і запишіть порядок дій, які робить студент. Де в цьому порядку ШІ допоміг би, і де він зробив би роботу, яку має робити студент?
- Деякі патерни тут свідомо відводять ШІ *слабку* роль — підказки замість відповідей, питання замість виправлень. Чому свідомо менш корисний тьютор може давати краще навчання, і що це означає для інструментів ШІ, які закуповує ваш заклад?
- Найкраще підтверджений доказом патерн на цій сторінці ([[learning-by-teaching|навчання через викладання]] ШІ) просить студентів пояснювати, і він покращує якість пояснень і запитань, але *не* об'єктивне запам'ятовування. Якби ви його запровадили, що ви змінили б у способі оцінювання?
- Коли [[ai-feedback-quality|зворотний зв'язок ШІ]] був вищої якості, ніж зворотний зв'язок викладача, студенти не переписували більше. Що це говорить про різницю між створенням зворотного зв'язку та досягненням того, щоб студенти ним користувалися?
- Контексти змінюють відповідь: деякі патерни перевірялися в онлайн-і асинхронному форматі, інші — очно, з лабораторією. Які з них можна було б провести у вашому власному середовищі без нових інструментів, а для яких знадобилася б інфраструктура, якої у вас немає?
- Майже кожен патерн тут утримує людину в точці судження — оцінювання, перевірки або інтерпретації. Чи є це конструктивним вибором, необхідністю, що випливає з доказів, чи обмеженням того, що перевіряли до цього часу?

## Вступ

Педагогіка відповідає на питання *як ми маємо викладати*; ця сторінка відповідає на вужче, більш операційне питання: **у якому порядку мають відбуватися дії, і де в цьому порядку місце ШІ?** Ця відмінність має значення, бо той самий інструмент дає протилежні результати залежно від його позиції в послідовності. Асистент генеративного ШІ, розміщений *перед* тим, як студент намагається розв'язати задачу, надійно знижує подальшу продуктивність без допомоги; розміщений *після* спроби, з підказками замість відповідей, той самий клас систем усуває цю шкоду.

Кожен патерн нижче подається зі статусом доказовості, бо покриття в базі знань є нерівномірним, і ця відмінність має значення для кожного, хто вирішує, що запроваджувати:

- **Перевірено** — принаймні одна стаття повідомляє про контрольне або порівняльне випробування.
- **Змішано** — перевірено, але без контрольної групи, з суперечливими результатами або з перевірюваною змінною, переплетеною з чимось іншим.
- **Конструктивні пропозиції** — ідея виступає лише як пропозиція або рамка, без жодного повідомленого випробування. Їх зібрано окремо в кінці сторінки, у розділі *Конструктивні пропозиції (ще не перевірені)*, і вони не є доказом.

Патерни згруповано за функцією, яку вони виконують на уроці: розміщення зусиль перед допомогою, поєднання зворотного зв'язку ШІ з людським зворотним зв'язком, перевірка розуміння, а не результату, зроблення здобувача викладачем, структурування співпраці та протистояння конкретному [[misconceptions|хибному уявленню]]. Контексти (онлайн, очний, змішаний) і дисципліни вказано з кожним із них і підсумовано в кінці.

## Патерни, які розміщують зусилля перед допомогою

Ці патерни поділяють структурне твердження: здобувач має зобов'язатися спробувати, перш ніж ШІ зробить внесок. Це найбільш послідовно підтверджене правило проєктування в базі знань.

### Відтворення або спроба перед тим, як ШІ дає відповідь

**Доказовість: перевірено.** Послідовність така: спроба з пам'яті, отримання інструкції або прикладу, практика в рознесених сеансах, звернення до ШІ лише після того, як зобов'язалися спробувати, отримання зворотного зв'язку, зумовленого відповіддю, який перевіряє хибне уявлення, і перехід далі лише тоді, коли відповідь демонструє достатню залученість.

Адаптивна умова рознесеного відтворення дала найвищі бали посттесту (M = 78.19) і значно перевершила кероване здобувачем навчання зі ШІ (M = 67.28, d = 0.92, p = .003) у 89 студентів змішаного курсу статистики, тоді як фіксоване рознесення було статистично нерозрізнюваним від адаптивного ([[adaptive-pretesting-retention|Akgun & Toker, 2026]]). Контрастний випадок є вирішальним: у [[rct|рандомізованому дослідженні]] зі 120 студентів група, яка навчалася *з* необмеженим ChatGPT, запам'ятала менше на несподіваному тесті 45 днів потому — 57.5% правильних відповідей проти 68.5% для традиційних здобувачів, t(83) = −3.19, p = .002, d = 0.68, — а також навчалася приблизно на 45% менше, причому невигода збереглася й з урахуванням коваріати часу навчання ([[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025|Barcaui, 2025]]). Зареєстрований наперед рандомізований польовий експеримент в онлайн-MBA виявив, що здобутки відстежували *завершені тижні*, а не хвилини впливу (+2.00 бали за кожен додатковий завершений тиждень репетиторства, p = .018), що читається як [[retrieval-spacing-interleaving|рознесена практика]], яка має більше значення, ніж загальний час ([[ai-tutor-modality-randomized-field-experiment-2026|Yang et al., 2026]]).

### Продуктивна невдача: спроба перед інструкцією

**Доказовість: змішана, і тонша за її репутацію.** Студенти намагаються розв'язати задачу, націлену на поняття, якого їх не навчали, тьютор утримує розв'язок і спонукає до кількох спроб, допомога приходить лише за суворої необхідності, і за нею слідує консолідація через порівняння та пряме навчання.

Єдине польове дослідження, яке перевіряє повну послідовність зі спрямованим тьютором, використало 17 старшокласників у Сінгапурі: спрямована умова досягла вищого бала продуктивної невдачі, значущого для узгодженості задач (p = .046), і студенти створювали в середньому 2.6 репрезентацій за сеанс (p = .05), але **жодного навчального результату не було виміряно** ([[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al., 2025]]). Найсильніша підтримка є непрямою і походить від рандомізованого експерименту в межах суб'єкта з 26 студентів, де [[scaffolding]] з негайною відповіддю спрацював значно *гірше*, ніж ролі колеги, асистента та тьютора на абстрагуванні моделі (β = −0.692, p = .015; β = −1.039, p < .001; β = −0.769, p = .005), хоч студенти *надавали перевагу* директивному тьютору — перевага була проти компетентності ([[preferred-scaffolding-ai-mathematical-modeling|Zhu et al., 2026]]).

### Аналіз помилок і помилкові приклади

**Доказовість: змішана.** Студенти діагностують помилку в артефакті — діаграмі, згенерованій ШІ, що порушує референційну цілісність, запиті, що втрачає з'єднання, фрагменті коду [[llm]] — отримують підказки, які змушують їх зробити висновок про виправлення, а не отримати його готовим, виправляють його і рефлексують над тим, які частини результату були ненадійними.

Дослідження «до-після» зі 13 студентів онлайн-курсу баз даних зросло з 4.25 до 6.83 з 7 (t(12) ≈ 5.10, p < .001, d = 1.49) за тижневих циклів критики та вдосконалення, побудованих на свідомих випадках невдачі ШІ, але без контрольної групи здобуток не можна відокремити від [[curriculum-design|навчальної програми]] або викладача ([[pedagogy-ai-mistakes|Hosseini, 2026]]). [[meta-analysis-systematic-review|Систематичний огляд]] 72 досліджень освіти в галузі обчислювальної техніки повідомляє, що аналіз помилок є *відмінною компетентністю*: студенти спрацьовували значно гірше, виправляючи згенерований LLM код, ніж на традиційних завданнях екзамену з програмування ([[kumar-genai-computing-education-systematic-review-2026|Kumar et al., 2026]]). Жодна стаття в базі знань не повідомляє про контрольне випробування навчання на помилкових прикладах як такого.

### Розроблені приклади з самообґрунтуванням

**Доказовість: змішана — дві половини розходяться.** Розроблений приклад подається з пропущеними обґрунтуваннями, які треба заповнити, або з помилками, які треба знайти; студент заповнює або виправляє його, пояснює своє міркування, а потім намагається розв'язати наступну задачу.

Адаптивне призначення керованих і «багових» прикладів перемогло випадкове призначення типів задач у класному дослідженні зі 113 студентів (посттест M = 72.3 і 72.5 проти 65.7 в контролі, A = .58, p = .005 і p = .002), а варіант [[knowledge-tracing]] звузив розрив у досягненнях на 77.1% для студентів із низьким [[prior-knowledge]] (β = 9.4, p = .001) ([[adaptive-scaffolding-cognitive-engagement-its|Dey Tithi et al., 2026]]). Але *додавання* кроку самообґрунтування до розробленого зворотного зв'язку ШІ програло за всіма мірами в зареєстрованому наперед експерименті зі 302 учасників: воно подвоїло час зворотного зв'язку (4.1 проти 2.1 хв, p < .001), скоротило кількість розв'язаних задач на 40% (2.0 проти 3.4, p < .001), не дало жодного приросту за епізод (OR = 1.03, p = .486) і знизило опанування на кінці сеансу (65% проти 79%, d = .41, p < .001) ([[structured-reflection-ai-explanatory-feedback-2026|Asher et al., 2025]]).

## Патерни, які поєднують зворотний зв'язок ШІ з людським зворотним зв'язком

Найбільш реплікований висновок бази знань про зворотний зв'язок ШІ полягає в тому, що він спрацьовує краще *спільно* з людським зворотним зв'язком, ніж окремо, — і що не його якість визначає, чи користуватимуться ним студенти.

### PAIRR: враження від колег та ШІ з рефлексією

**Доказовість: змішана (широко впроваджено, без контролю).** Студенти читають і рефлексують над тим, як працюють ШІ та зворотний зв'язок, пишуть чернетку, дають і отримують враження від колег, запитують у ШІ зворотний зв'язок, зумовлений критеріями, щодо тієї самої чернетки, критично порівнюють обидва, пишуть план редагування, редагують і рефлексують над тим, який зворотний зв'язок що змінив.

Найбільше дослідження використання зворотного зв'язку ШІ студентами коледжів на цей час простежило 654 студентів з десяти письмових курсів і трьох письмово інтенсивних курсів [[stem-education|STEM]]: 58% надавали перевагу поєднаному зворотному зв'язку ChatGPT і [[peer-assessment|вражень від колег]], 36% — лише враженням від колег і лише 6% — лише ШІ; 75% вважали обидва схожими і взаємно підсилюючими; зворотний зв'язок ШІ назвали «надто загальним» 31%, тоді як зворотний зв'язок від колег був конкретнішим для 28%; і лише 5.3% виявили надмірну впевненість у зворотному зв'язку ШІ ([[pairr-ai-peer-review-2025|Sperber et al., 2025]]). Модель також була проведена в курсі ділового письма вищого відділення зі 34 студентів, де приблизно чверть закодованих рефлексій висловлювала скептицизм щодо зворотного зв'язку ШІ або відзначала в ньому неточності ([[gift-ai-pairr-business-writing-2025|MacArthur et al., 2025]]). Обидва повідомляють дані сприйняття; жодне не має контрольної умови, чому патерн є *змішаним*, а не *перевіреним*.

### Поєднаний враження від колег і ШІ

**Доказовість: перевірено.** Порівняльні докази походять поза програмою PAIRR. Квазіексперимент зі 122 китайських студентів EFL виявив, що інтегрований зворотний зв'язок ШІ-плюс-враження від колег підвищив поведінкову, афективну та когнітивну [[student-engagement|залученість]] порівняно з лише враженнями від колег (усі p < .001; часткове η² = 0.28, 0.28, 0.32) і покращив письмо за всіма чотирма вимірами IELTS (F(1,119) = 42.68, p < .001, часткове η² = 0.26), найбільше на досягненні задачі (d = 1.41) — без відкладеного посттесту, тож довговічність не виміряна ([[ai-peer-feedback-l2-writing-engagement-2026|Liu, 2026]]). У рандомізованому дослідженні 45 студентів-учителів у 12 групах підтримуваний GenAI зворотний зв'язок від колег переміг просте враження від колег на аргументації, а варіант із *підказковим скаффолдингом* спрацював найкраще на просунутих елементах, таких як дані відкидання і звертання до протилежного погляду ([[chang-genai-peer-feedback-collaborative-argumentation-2026|Chang et al., 2026]]).

### Критика ШІ, потім редагування

**Доказовість: перевірено — з важливим нульовим результатом.** Чернетка, запит у ШІ зворотного зв'язку, зумовленого рубрикою, критична оцінка цього зворотного зв'язку проти рубрики та джерел, написання плану редагування, редагування та рефлексія.

Контрольований факторний експеримент 2 × 2 зі 120 студентів-англійців виявив, що приріст якості письма був найвищим для групи, навченої як фільтруванню, так і оцінюванню (M = 7.92), проти 6.10, 4.56 і 3.10 в інших умовах, причому глибоке редагування зросло з 28% до 48%, а перевага збереглася на новій темі і після того, як підтримку ШІ прибрали ([[rethinking-ai-writing-feedback-literacy|Dai, 2026]]). Нульовий результат — навчальна частина: у рандомізованому трьогруповому експерименті зі 70 студентів зворотний зв'язок ШІ з підказкою «ланцюжок міркувань» був значно *вищої якості*, ніж і зворотний зв'язок ШІ з нульовим підказком (p = .01), і зворотний зв'язок викладача (p = .008), проте ця перевага якості **не перейшла у більший приріст від редагування** — зворотний зв'язок викладача давав порівняльне поліпшення ([[farrokhnia-genai-feedback-student-revisions-2026|Farrokhnia et al., 2026]]).

### Рецензування з людиною в контурі результатів ШІ

**Доказовість: змішана — крок рецензування рідко буває перевірюваною змінною.** ШІ генерує результат-чернетку, автоматизовані агенти-верифікатори перевіряють його на реалістичність, читабельність або [[hallucination-risk|галюцинацію]], невдалі перевірки повертаються на вдосконалення, і викладач рецензує, редагує та приймає або відхиляє, перш ніж щось дійде до студентів.

Контур із чотирьох агентів зі 8 викладачів створив 212 задач, з яких 166 були прийняті як є, і перевірки на реалістичність спрацювали як задумано (10 задач позначено як проблеми реалістичності, 20 редагувань величини або одиниць, жодної математичної помилки не знайдено в фінальній задачі) — але відповідність інтересам була слабким місцем: студенти відхилили тему в 160 із 422 відповідей ([[walkington-teachers-multi-agent-personalized-problem-generation-2026|Walkington et al., 2026]]). Інструмент зворотного зв'язку з педагогом в контурі, оцінений 30 викладачами, ніколи не падав нижче 4.1/5 за дев'ятьма пунктами і скоротив медіанний час на завдання з 10–30 хвилин до менш ніж 5, але автори визнають відсутність оцінки студентів, тож жодне твердження про навчання не підтримується ([[zhao-learnlens-feedback-educators-loop|Zhao et al., 2025]]). Експеримент червоної команди робить ставки конкретними: 2 з 5 впроваджень підказок змінили оцінку непомічено, на 100% (9/9) і 94% (17/18), залишаючи викладача єдиною справжньою перевіркою результатів [[automated-assessment|оцінювання ШІ]] ([[humble-prompt-injection-ai-grading-red-team-2026|Humble, 2026]]).

## Патерни, які перевіряють розуміння, а не результат

Оскільки ШІ може створити компетентний артефакт, ці патерни переводять оцінювання на докази, які артефакт не може дати сам.

### Усне перевірка та viva

**Доказовість: перевірено як формат, але результати стосуються балів і афекту, а не навчання.** Завдання з програмування подається з дозволеним ШІ, після чого протягом 48 годин слідує обов'язкове 15-хвилинне усне рецензування коду, у якому студент пояснює програму і запускає інтеграційні тести вживу, оцінюване на 70% за рецензуванням і на 30% за рубрикою.

Квазіексперимент за три семестри зі 96 студентами не виявив статистично значущих змін у продуктивності на екзамені, незважаючи на нові політики (~2% поліпшення на одному екзамені), тоді як частка вставленого від загальної кількості символів зросла з 61.0% до 68.1% (p < 0.0001); 90% студентів сказали, що рецензування мотивувало їх краще розуміти свій код, і 65% — що воно допомогло уникнути надмірної залежності ([[code-review-genai-cs1|Fowles et al., 2026]]). Асинхронні записані усні відповіді дали значно вищі бали, ніж очні тести з вибором відповіді (семестровий Md = 92.5 проти 70, p < .001; фінальний Md = 94.2 проти 86.4, p = .002) із лише помірними міжформатними кореляціями (τ = .44 і .25) — і автори застерігають, що це *різниці балів за форматом, а не доказ навчальних здобутків*, при невиміряній поведінці з обманом ([[asynchronous-oral-assessment-2026|Pentland et al., 2026]]). Напрямок не однозначно позитивний: студенти були спокійніші в усному іспиті на основі чату (M = 6.50 проти 5.86, p = .028), але очний іспит оцінили значно кращим для розуміння власної роботи (p = .004) ([[aivaluate-anxiety-assessment-2026|Yusuf et al., 2026]]).

### Покрокові контрольні точки та докази процесу

**Доказовість: змішана — жодного контрольного випробування самого механізму.** Курсова робота виконується як покрокові модулі, кожен із яких завершується контрольною точкою, що перевіряє і результат, *і* підхід — правильний результат, отриманий жорстким кодуванням, відхиляється, — із перевіркою перед переходом, яка повертає здобувача до пропущених кроків.

Дослідження-кейс зі 5 аспірантів самостійного курсу квантової інформації записало 75 взаємодій і підтвердило, що контрольна точка «результат і підхід» спрацювала як задумано, без контрольної групи ([[quantum-education-its|Elhaimeur & Chrisochoides, 2026]]). Пілот з 27 учасників із контрольними точками «зупини-блокуй» повідомив про значні прирости [[self-efficacy]] в усіх десяти оцінених сферах умінь (p < 0.001) у дизайні «до-після» в межах суб'єкта, де прирости не можна відокремити від ефектів практики ([[agentic-education-coding|Naboulsi, 2026]]). Трирічний квазіексперимент зі 248 студентів [[engineering-education|біомедичної інженерії]] виявив вищі частки оцінки A після додавання проблемно-орієнтованого навчання на чотири модулі з віхами та рубриками (66.4% проти 39.1%, Δ = +27.3 бали, p = 0.042), що збереглося й після виключення року, зачепленого пандемією, але порівняння є історичним і нерандомізованим ([[pbl-biomedical-engineering-genai-2026|Nnamdi et al., 2026]]).

## Патерни, які роблять здобувача викладачем

### Навчання через викладання штучного співрозмовника-учня

**Доказовість: перевірено, і це найкраще підтверджений доказом патерн на цій сторінці.** Студент вивчає зміст, потім пояснює його ШІ, налаштованому тримати позицію новака, який ніколи не розкриває цільове пояснення; ШІ просить пояснень, прикладів і міркувань перевірки, впорядкованих від нижчого до вищого порядку, і наполягає, доки пояснення не буде задовільним.

Квазіексперимент зі 68 майбутніх учителів виявив, що пояснення учневі-новаку на основі GAI дало вищі бали на визначенні перевернутого класу (M = 4.18 проти 3.29, p < 0.001, r = 0.474) і його активностей (M = 4.91 проти 3.06, p < 0.001, r = 0.642), створило більше запитань і запитань вищої якості (обидва p < 0.001) — але не виявило **жодної групової різниці на об'єктивних питаннях** (M = 23.18 проти 21.57, p = 0.416) ([[wang-genai-novice-learner-learning-by-teaching-2026|Wang et al., 2026]]). Рандомізований лабораторний експеримент зі 41 студента виявив вищі бали тесту знань (скориговано 11.86 проти 10.53, F = 35.54, η² = 0.74) і ясніший, читабельніший код, але **жодної різниці в правильності коду** ([[chatgpt-teachable-agent-programming-lbt-2024|Chen et al., 2024]]). Впровадження на 11 тижнів серед 546 студентів виявило, що кожна додаткова дія глибокого навчання була пов'язана зі зменшенням очікуваних спроб вікторини на 2.7% (IRR 0.973, p < .001), причому порівняння було сплутане часом на задачі та обходом наприкінці семестру, що зростав до 30–35% повторного використання зовнішнього змісту ([[explique-teachable-agent-algorithms-546-students-2026|Wang et al., 2026]]). Узгоджена форма: прирости в поясненні та генеративній роботі, а не в об'єктивному запам'ятовуванні.

## Патерни, які структурують співпрацю

### Сценарні ролі з одним спільним ШІ

**Доказовість: перевірено, але в контрольних або неконтрольних умовах, а не в звичайних аудиторіях.** Двоє здобувачів ділять один ШІ і отримують явні ролі з правилами ротації; ШІ налаштований брати на себе роль за потреби, і його результат іде до всієї групи. У варіанті парного програмування спільний ШІ моделює спільну увагу та зусилля пари, прогнозує зрив заздалегідь до 30 секунд і підвищує скаффолдинг по рівнях від нічого не робити до директивної підказки.

Експеримент у межах суб'єкта зі 26 пар виявив, що умова зворотного зв'язку досягла вищого успіху в налагодженні (t[49.96] = −13.51, p < .0001) і закінчила швидше (t[44.70] = 4.39, p < .0001), хоч і вимагала апаратного забезпечення для відстеження погляду обох та пупілометрії, і не перевіряла перенесення на неконтрольовану роботу в парі ([[golrang-propact-pair-programming-2026|Golrang et al., 2026]]). Квазіексперимент зі 58 аспірантів у 16 групах виявив, що проєктування ролей підвищило бали змісту ментальних карт з 3.65 до 4.59 за шкалою SOLO 1–5 (z = 3.771, p < 0.001), тоді як кількості вузлів і гілок залишилися незмінними, — але без контрольної групи ефекти практики не можна виключити ([[cheng-symbiotic-role-design-human-genai-collaboration-2026|Cheng et al., 2026]]).

### Дискусія з підтримкою ШІ

**Доказовість: змішана — єдине пряме впровадження є описом кейсу.** Студенти аналізують сценарій і відповідають на керовані питання незалежно, запитують у ChatGPT стандартизованою підказкою на ті самі питання, оцінюють відповіді ШІ на точність проти власних, вдосконалюють свою відповідь і завершують уснокласовою дискусією.

Активність з економіки свідомо використовує помилку ШІ — ChatGPT називає зображену в пісні поведінку «ідеально еластичним» попитом, коли правильна відповідь — нееластичний, — перетворюючи перевірку результатів ШІ на дискусію ([[beck-genai-literacy-economics-hands-on|Beck & Brodersen, 2025]]). Вона повідомляє враження викладача, а не виміряний результат. Перевірена послідовність спільної дискусії зі 67 студентів педагогічної освіти виявила, що експериментальна група перевершила контроль із лекцією (M = 51.45 проти 43.89, p = 0.001, g = 0.839), зі зростанням співрегуляції (p = 0.043, g = 0.512) — але ШІ було використано для *проєктування* техніки, а не для посередництва в дискусії ([[ccct-cooperative-learning-technique|Tutal, 2026]]).

## Патерни, які протистоять конкретному хибному уявленню

### Спростування та концептуальна зміна

**Доказовість: перевірено — з прямо суперечливими результатами.** З'ясуйте конкретне переконання здобувача, подайте [[refutation-text|текст спростування]] або персоналізований діалог із ШІ, який йому протистоїть, працюйте з контраргументами та правильним поясненням, переформулюйте правильне розуміння, потім перетестуйте з затримкою.

Зареєстрований наперед експеримент зі 375 дорослих виявив, що персоналізований діалог із ШІ про хибні уявлення давав значно більші негайні зменшення переконань, ніж і текст спростування у стилі підручника, і нейтральний діалог із ШІ, зберігаючись на 10-й день, але збігаючись зі спростуванням у стилі підручника до 2 місяців ([[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026|Corbett & Tangen, 2026]]). Квазіексперимент Соломона з чотирма групами з 413 десятикласників виявив *обернене*: написані експертами та згенеровані ШІ тексти концептуальної зміни були обидва значно ефективнішими за інтерактивний діалог зі ChatGPT, який не показав значущої переваги над контролем, і здобутки були майже винятково обмежені високосяжними студентами ([[akdogan-heat-temperature-conceptual-change-thesis-2025|Akdogan, 2025]]). Друга робота прямо вказує на суперечність і пояснює її [[prompt-engineering|проєктуванням підказок]] і предметною областю. Сам текст спростування переміг контроль в обох.

## Контексти та дисципліни

Патерн визначає, чого вимагає контекст, і кілька патернів було перевірено лише в одному середовищі:

- **Онлайн і асинхронно.** Відтворення і рознесення, сократівські варіанти, розроблені приклади з самообґрунтуванням, використання з підказковим скаффолдингом, асинхронне [[oral-assessment|усне оцінювання]] і впровадження «навчання через викладання». Асинхронні середовища роблять *упорядкування* несучим, бо система не може бачити, чи студент спробував спочатку.
- **Очний та змішаний.** [[productive-failure|Продуктивна невдача]], аналіз помилок, перевернуті варіанти, усне рецензування коду, сценарна співпраця та дослідження концептуальної зміни. Час в аудиторії часто перерозподіляється, а не замінюється — в патерні усного рецензування лекції були перенесені у відео, щоб час в аудиторії міг вмістити співбесіди.
- **Дисципліни, представлені в перевірених доказах.** [[writing-education|Письмо]] і [[language-learning|вивчення мови]] (PAIRR, поєднаний враження від колег і ШІ, критика ШІ, потім редагування), [[math-education|математика]] (відтворення і рознесення, продуктивна невдача, розроблені приклади, аналіз помилок), [[cs-education|інформатика]] (сократівські асистенти, аналіз помилок, усне рецензування коду, навчання через викладання, сценарна робота в парі), [[medical-education|медицина]] (сократівський скаффолдинг у клінічних співбесідах), [[teacher-education|педагогічна освіта]] (сценарна аргументація, навчання через викладання), [[business-education|бізнес]] (перевернуте репетиторство MBA), і середовища [[physics-education|фізики]], [[science-education|природознавства]] і [[vocational-education|професійного навчання]] для досліджень концептуальної зміни та усного оцінювання.

## Чого докази ще не підтверджують

Сказано прямо, бо це ті висновки, які найімовірніше буде тихо викинуто:

- **Кращий зворотний зв'язок ШІ не дає більшого редагування.** Зворотний зв'язок вищої якості з «ланцюжком міркувань» переміг зворотний зв'язок викладача за якістю і не дав переваги в редагуванні (Farrokhnia et al., 2026).
- **[[socratic-method|Сократівське запитання]] не є автоматично кращим.** Рандомізоване дослідження зі 132 студентів виявило, що сократівський асистент із повним контекстом оцінили значно *гірше* за підтримку виконання задач, ніж усі інші конфігурації (середній ранг 48.63, μ = 3.53, проти 4.27, 4.16 і 4.12; χ²(3) = 12.14, p = .007), із найбільшим зовнішнім використанням LLM (23%) і найменшою кількістю відповідей із повним розумінням (48% проти 67%) ([[guardrails-ai-teaching-assistants-programming-2026|Eastwood et al., 2026]]) — тоді як медичне РКД виявило, що система [[agentic-ai|мультиагентна]], що містить сократівського тьютора, перемогла свій контроль за балами екзамену та спілкування ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al., 2026]]).
- **Студенти надають перевагу менш ефективній ролі.** Директивному репетиторству надавали переваги, тоді як скаффолдинг з негайною відповіддю пригнічував абстрагування моделі (Zhu et al., 2026).
- **Формати перевірки змінюють бали, не демонструючи навчання.** Усні формати підвищували бали і зменшували [[anxiety-and-stress|тривожність]], тоді як одне дослідження виявило очний формат кращим для розуміння, і жодне дослідження не виміряло обман.
- **Жодного контрольного випробування не ізолює людське рецензування результатів ШІ**, і механізм контрольної точки ніколи не був перевірений як маніпульована змінна.
- **Продуктивна невдача і аналіз помилок спираються на малі, неконтрольовані дослідження** (n = 17 і n = 13), які вимірюють відданість стратегії або [[self-report-measures|самозвіт]], а не навчальні результати.

## Конструктивні пропозиції (ще не перевірені)

Патерни нижче походять від посібника для викладачів, наданого супроводжувачем бази знань (*AI-Ready Course Design*, вересень 2026). Цей посібник прямо стверджує, що його приклади є **конструктивними пропозиціями, а не перевіреними втручаннями**, і жодна стаття в цій базі знань їх не перевіряє. Вони записані тут як конструктивні ідеї, варті спроби та оцінки, і не повинні читатися як докази.

- **Аргумент + слід редагування** (композиція, гуманітарні науки). Замініть подання лише есе на початковий тезис, два анотовані уривки з джерел, відредаговане есе і нотатку про рішення на 150 слів; дозвольте критику ШІ після першої чернетки. Оцінюйте зв'язок твердження з доказами та одну прийняту або відкинуту пропозицію, обґрунтовану проти джерел.
- **Дані + обґрунтоване твердження** (природознавство, лабораторні курси). Замініть відполірований лабораторний звіт на сирі спостереження, графік, нотатку про невизначеність і пояснення, що пов'язує результати з твердженням; ШІ може критикувати надану інтерпретацію, і студенти перевіряють цю критику проти своїх даних.
- **Спроба + аналіз помилок** (доматематична підготовка, числення). Замініть домашнє завдання лише з відповідями на початкову спробу, аналіз помилкового розробленого розв'язку та виправлене пояснення; підказки дозволені лише після спроби. Це конструктивна форма патерна аналізу помилок вище, і він успадковує від того патерна слабку базу доказів.
- **Позиція + виклик + перегляд** (психологія, соціологія). Замініть «опублікуй раз, відповідь двічі» на твердження на основі кейсу з використанням поняття курсу; колега надає контрприклад, і автор редагує або захищає з доказами.
- **Проєкт + пов'язана перевірка** (бізнес, професії охорони здоров'я). Поєднайте дозволену рекомендацію ШІ для вигаданої організації або кейсу пацієнта з коротким поясненням двох ключових рішень і відповіддю на змінені обмеження; опублікуйте зв'язок оцінювання між двома компонентами.
- **План + спроба + адаптація** (успіх у коледжі). Замініть загальну рефлексію про управління часом на тижневий план навчання, короткий запис його спроби та редагування, пов'язане з тим, що сталося; ШІ може пропонувати варіанти розкладу після того, як студент визначить обмеження.

Власні застереження посібника застосовуються: записане відео, рефлексії та журнали самі можуть бути створені з підтримкою ШІ, тож у повністю асинхронних курсах запис не слід вважати підтвердженням незалежного опанування. Дві з його рамок — «оцінювальні близнюки» і асинхронне усне оцінювання як стримувач обману, — залишаються рамками, що чекають на підтвердження; згадані вище дослідження асинхронного усного оцінювання вимірювали бали за форматом і зовсім не вимірювали обману.

## Пов’язані поняття

- [[pedagogy]] — широка рамка підходів до викладання, які ця сторінка операціоналізує в послідовності
- [[learning-design]] — місце, де патерни обираються, впорядковуються і вбудовуються в курс
- [[scaffolding]] — принцип підтримки, що поступово знімається, який регулює, де місце допомозі ШІ
- [[feedback]] — система, яку втілюють патерни зворотного зв'язку на цій сторінці
- [[formative-assessment]] — мета оцінювання, якій служить більшість цих патернів
- [[peer-assessment]] — людська половина патернів PAIRR і поєднаного зворотного зв'язку
- [[ai-feedback-quality]] — чому якість зворотного зв'язку сама по собі не визначає редагування
- [[evaluative-judgment]] — оцінювання, яке студенти мають здійснювати над результатами ШІ
- [[feedback-literacy]] — здатність, яку будують кроки критичної оцінки
- [[human-in-the-loop-ai]] — структура нагляду в патернах рецензування
- [[oral-assessment]] — формат, на якому спираються патерни перевірки
- [[process-oriented-assessment]] — логіка, що стоїть за покроковими контрольними точками
- [[productive-failure]] — поняття, що стоїть за спробою перед інструкцією
- [[retrieval-spacing-interleaving]] — база доказів для патернів рознесеного відтворення
- [[desirable-difficulties]] — чому зусильні послідовності перевершують плавні
- [[misconceptions]] — те, на що націлені патерни концептуальної зміни
- [[refutation-text]] — текстова форма протистояння хибним уявленням
- [[learning-by-teaching]] — педагогіка, що стоїть за патерном ШІ-учня
- [[socratic-method]] — патерн запитання та його суперечливі докази
- [[collaborative-learning]] — контекст для сценарної роботи зі спільним ШІ
- [[cognitive-offloading]] — ризик, якого кожен патерн «зусилля спочатку» має на меті уникнути
- [[metacognition]] — те, що мають запускати кроки рефлексії в цих послідовностях
- [[prompt-engineering]] — шар скаффолдингу в патернах структурованого використання
- [[transfer-of-learning]] — результат, за яким зрештою оцінюють більшість патернів
- [[assessment-validity]] — причина, з якою докази процесу пропонуються взагалі
- [[academic-integrity]] — рушій за усною перевіркою та перевіркою процесу
- [[ai-literacy]] — здатність, що розвивається критикою результатів ШІ
- [[online-teaching-and-learning]] — контекст, який робить упорядкування несучим
- [[higher-ed]] — рівень, на якому було згенеровано більшість цих доказів
- [[k-12]] — рівень досліджень продуктивної невдачі, концептуальної зміни та усного оцінювання

## Пов’язані статті

- [[pairr-ai-peer-review-2025]] — Peer and AI Review + Reflection (PAIRR): the flagship sequence, N = 654 (Sperber et al. 2025)
- [[gift-ai-pairr-business-writing-2025]] — PAIRR applied in a business writing course (MacArthur et al. 2025)
- [[ai-peer-feedback-l2-writing-engagement-2026]] — Integrated AI-plus-peer feedback raised engagement and all four IELTS dimensions (Liu 2026)
- [[chang-genai-peer-feedback-collaborative-argumentation-2026]] — Prompt-scaffolded GenAI peer feedback in collaborative argumentation (Chang et al. 2026)
- [[rethinking-ai-writing-feedback-literacy|Dai (2026)]] — Training students to filter and appraise AI feedback: the FRAC and APCA conditions
- [[farrokhnia-genai-feedback-student-revisions-2026]] — Higher-quality AI feedback produced no greater revision gains (Farrokhnia et al. 2026)
- [[guardrails-ai-teaching-assistants-programming-2026]] — Socratic plus full context was rated worse than every other assistant configuration (Eastwood et al. 2026)
- [[ai-standardized-patient-scaffolding-medical-2026]] — Need-triggered Socratic scaffolding in clinical interview training, N = 100 (Yang et al. 2026)
- [[hashmi-socratic-physics-chatbot-2025]] — Socratic chatbot in introductory mechanics: question specificity rose from 10–15% to 100% (Hashmi et al. 2025)
- [[agent-type-feedback-style-self-directed-learning-2026]] — Socratic versus directive agent feedback, with the order not counterbalanced (Han et al. 2026)
- [[adaptive-pretesting-retention]] — Adaptive spaced retrieval beat learner-directed AI study (Akgun & Toker 2026)
- [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025]] — Unrestricted ChatGPT during study lowered 45-day retention (Barcaui 2025)
- [[ai-tutor-modality-randomized-field-experiment-2026]] — Structured tutoring gains tracked completed weeks, not minutes (Yang et al. 2026)
- [[rachatasumrit-example-problem-ratio-2026]] — Examples versus practice cross over by knowledge type (Rachatasumrit et al. 2025)
- [[adaptive-scaffolding-cognitive-engagement-its]] — Adaptive guided and buggy examples in an intelligent logic tutor (Dey Tithi et al. 2026)
- [[structured-reflection-ai-explanatory-feedback-2026]] — Adding self-explanation to AI feedback lost on every measure (Asher et al. 2025)
- [[generative-ai-guardrails-harm-learning]] — Guarded tutoring removed the exam harm that unguarded GPT caused, ~1,000 students (Bastani et al. 2025)
- [[guided-llm-scaffolding-independent-learning]] — Guided versus unrestricted LLM use in statistics (Amanlou et al. 2026)
- [[preferred-scaffolding-ai-mathematical-modeling]] — Immediate-answer scaffolding depressed model abstraction while being preferred (Zhu et al. 2026)
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Steering an LLM tutor to withhold solutions for productive failure (Puech et al. 2025)
- [[pedagogy-ai-mistakes]] — Weekly critique-and-refinement cycles built on deliberate AI failure cases (Hosseini 2026)
- [[kumar-genai-computing-education-systematic-review-2026]] — Error analysis as a distinct competence, across 72 computing-education studies (Kumar et al. 2026)
- [[lukesova-clue-before-correction-2026]] — Guided clues instead of direct error correction in L2 revision (Lukešová & Jennings 2026)
- [[wang-genai-novice-learner-learning-by-teaching-2026]] — Explaining to an AI novice learner, N = 68 (Wang et al. 2026)
- [[chatgpt-teachable-agent-programming-lbt-2024]] — Randomized test of teaching a ChatGPT agent to program (Chen et al. 2024)
- [[explique-teachable-agent-algorithms-546-students-2026]] — Learning by teaching deployed to 546 students over 11 weeks (Wang et al. 2026)
- [[socrates-students-instructors-llms-lbt-2025]] — Students designing questions an LLM cannot answer (Yang et al. 2025)
- [[code-review-genai-cs1]] — Mandatory oral code review interviews as a response to GenAI in CS1 (Fowles et al. 2026)
- [[asynchronous-oral-assessment-2026]] — Asynchronous recorded oral assessment versus in-person multiple-choice (Pentland et al. 2026)
- [[aivaluate-anxiety-assessment-2026]] — Chat-based viva reduced anxiety while face-to-face was rated better for understanding (Yusuf et al. 2026)
- [[ai-supported-oral-assessment-tvet-2026]] — AI surfacing rubric evidence for teacher judgment in vocational workshops (Adams 2026)
- [[quantum-education-its]] — Output-and-approach checkpoints in a self-paced graduate course (Elhaimeur & Chrisochoides 2026)
- [[agentic-education-coding]] — Stop-block checkpoints and a pre-advancement check, N = 27 (Naboulsi 2026)
- [[pbl-biomedical-engineering-genai-2026]] — Four-module problem-based learning with milestones and rubrics (Nnamdi et al. 2026)
- [[walkington-teachers-multi-agent-personalized-problem-generation-2026]] — A four-agent review loop with teachers, and where interest fit failed (Walkington et al. 2026)
- [[zhao-learnlens-feedback-educators-loop]] — Educator-in-the-loop feedback with verifier scores (Zhao et al. 2025)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Prompt injections that changed grades undetected, leaving the teacher as the only check (Humble 2026)
- [[golrang-propact-pair-programming-2026]] — A shared AI forecasting collaboration breakdown in pair programming (Golrang et al. 2026)
- [[cheng-symbiotic-role-design-human-genai-collaboration-2026]] — Scripted learner and AI roles in group knowledge construction (Cheng et al. 2026)
- [[paratutor-parent-child-tutoring]] — Role-separated AI support in parent–child tutoring (Luo et al. 2026)
- [[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026]] — Personalized AI dialogue beat textbook refutation immediately, converging by two months (Corbett & Tangen 2026)
- [[akdogan-heat-temperature-conceptual-change-thesis-2025]] — Conceptual-change texts beat interactive AI dialogue, the reverse result (Akdogan 2025)
- [[ai-supported-inquiry-photosynthesis-respiration-2026]] — AI-supported guided inquiry and conceptual understanding (Aydin 2026)
- [[ai-enhanced-flipped-classroom-three-year-2026]] — Three-cohort comparison of traditional, flipped and AI-enhanced flipped (Liu et al. 2026)
- [[flipped-learning-genai-design-education-2026]] — Flipped studio course with parameter-guided prompt scaffolding (Qu et al. 2026)
- [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026]] — Teaching model moderated outcomes: flipped g = 1.96 against traditional g = 0.46 (Jing et al. 2026)
- [[ai-tutor-statistical-programming-adoption-2026]] — Weekly homework-tutor use predicted transfer-task scores in a flipped course (Préau et al. 2026)
- [[beck-genai-literacy-economics-hands-on]] — A five-step AI-critique discussion built on an AI error (Beck & Brodersen 2025)
- [[ccct-cooperative-learning-technique]] — A tested cooperative-learning sequence with assigned roles and a gallery walk (Tutal 2026)
- [[ai-assisted-seminar-learning-information-literacy-2026]] — Seminar and peer-discussion module with an AI retrieval recommender (Huang 2026)

---

## [Активне навчання](https://edtechdev.github.io/aied/concepts/active-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Активне навчання** — навчальні підходи, які залучають студентів до того, щоб робити речі та думати про те, що вони роблять, а не пасивно отримувати інформацію. В освіті з ШІ дослідження активного навчання вивчають і те, як інструменти ШІ можуть підтримувати педагогіки активного навчання, і те, як активне залучення з інструментами ШІ — а не пасивне споживання — впливає на результати навчання.

## Питання для роздумів

- Ви, ймовірно, чули похвалу «активному навчанню». Але чи студент, який натискає кнопки на інформаційній панелі або приймає згенеровану відповідь, справді навчається активно? Що зробило б цю діяльність «активною» у змістовному сенсі?
- Рамка ICAP розрізняє активне, конструктивне та інтерактивне залучення — лише глибші рівні будують тривке знання. Коли ви востаннє використовували інструмент ШІ, щоб чомусь навчитися, до якого рівня залучення він вас справді штовхнув?
- ШІ може уможливити активне навчання в масштабі, але погано спроєктований ШІ може також виконувати когнітивну роботу за студента. Де ви бачили, як ШІ зробив здобувача більш пасивним, а не більш залученим?
- Дослідження ЕЕГ встановило, що інтерактивна співпраця студента з ШІ дала найвище когнітивне залучення, тоді як повна автоматизація знизила його. Чому «робити» з ШІ може перевершувати «дивитися», як ШІ виконує роботу?
- Навчання навпаки — коли здобувач пояснює, що він розуміє, — виявляє прогалини ефективніше, ніж пасивне перечитування. Коли спонукання здобувача пояснити ШІ може бути кращим навчальним ходом, ніж дозволити ШІ відповісти за нього?
- Активне навчання залежить від каліброваного скаффолдингу, який поступово знімається, оскільки росте компетентність. Наскільки важко ШІ-тьютору знати, коли відступити — і який ризик, якщо він ніколи не робить цього?

## Вступ

Активне навчання є основоположним принципом освітніх досліджень, заснованим на [[constructivist]] теоріях, які розташовують здобувачів як активних будівників знання. У контексті освіти з ШІ це поняття набуває подвійного значення: інструменти ШІ можуть уможливити активне навчання в масштабі (через [[intelligent-tutoring|інтерактивний тьюторинг]], [[simulation|симуляції]] та [[adaptive-learning|адаптивний зворотний зв’язок]]), але погано спроєктовані інструменти ШІ можуть також підірвати його, [[cognitive-offloading|виконуючи когнітивну роботу]] за студентів. Напруга між допомогою ШІ та активним когнітивним залученням — досліджена в статтях, таких як [[lak2026-hint-button-unproductive-use]] про передчасне використання підказок і [[efficiency-gain-illusion-ai-overreliance]] про [[cognitive-offloading|over-reliance]] — є центральним занепокоєнням.

Активне навчання, уможливлене ШІ, проявляється в множинних формах у цій базі знань: системи [[intelligent-tutoring]], які залучають студентів до розв’язування проблем, а не до давання відповідей, підходи [[genai-mindtool-generative-learning]], де студенти використовують ШІ як інструмент мислення, а не як замінник, [[test-driven-ai-assisted-learning]], де студенти керують взаємодією з ШІ, а не слідують їй, і середовища дослідницького навчання [[curiobot-llm-tutoring-exploratory-learning]]. Поняття [[scaffolding]] тісно зчеплене — ефективне активне навчання вимагає каліброваної підтримки, яка поступово знімається, оскільки росте компетентність, і ШІ-тьютори мусять навчитися її надавати.

## Як активне навчання з’являється в дослідженнях бази знань

- **Режим взаємодії визначає когнітивне залучення.** [[ai-assisted-learning-modes-eeg|Дослідження ЕЕГ старшокласників]] порівняло режими Auto (ШІ розв’язує незалежно), Interactive (співпраця студента з ШІ зі скаффолдингом) та Manual (без ШІ): **Interactive дало найвище когнітивне залучення і точність завдання**, тоді як Auto знизило залучення та ризикувало надмірною залежністю. Це дає нейрофізіологічний вимір аргументу, що ШІ мусить утримувати студентів *такими, що роблять*, а не такими, що спостерігають.
- **Підтримуване ШІ дослідження не є автоматично вищого порядку.** Квазіексперимент зі 120 студентів 8-го класу встановив, що підтримуване ШІ [[inquiry-based-learning|дослідницьке навчання]] підвищило креативну математичну продуктивність і ставлення до математики, але не дало значного приросту критичному [[problem-solving]] — застереження проти того, щоб читати здобутки креативності та афекту як докази глибшого міркування ([[mujib-ai-ibl-creative-math-2026|Mujib et al., 2026]]).
- **Дослідницьке та імітаційне активне навчання.** [[supplynet-visual-exploratory-learning|SupplyNet]] використовує контекстуальну багатоагентну симуляцію LLM для підтримки візуального дослідницького навчання в освіті з ланцюгів постачань, поєднуючи інтерактивний вигляд мережі з розгалуженою часовою шкалою «що, якщо», щоб здобувачі простежували причинну динаміку, а не споживали абстрактний вміст. [[curiobot-llm-tutoring-exploratory-learning|Curiobot]] та [[genai-assisted-problem-posing-physics-2026|постановка проблем у фізиці]] так само виводять на передній план дослідництво, кероване здобувачем.
- **Структуровані розмовні робочі процеси для активного повторення.** [[knowloop-confusion-to-consolidation-2026|KnowLoop]] структурує повторення після лекції навколо трьох етапів — Recognize (позначити заплутаність на місці), Resolve (уточнення) та Consolidate (навчання навпаки) — показуючи, що навчання навпаки спонукає здобувачів висловлювати та виявляти понятійні прогалини, і що ШІ, заснований на контексті, перевершує ШІ загального призначення для цілевої підтримки. Навчання навпаки втілює [[learning-by-teaching]].
- **Активне навчання як проєктна, громадська структура.** [[academic-league-of-ai-2026|Академічна ліга ШІ]] організовує позанавчальну освіту з ШІ навколо команд змагань, навчальних груп та проєктів «ШІ для соціального впливу», втілюючи активне та [[project-based-learning|проєктне навчання]] через демократичне управління студентів, а не через навчальний план зверху вниз.
- **Майндтули та генеративне залучення.** [[genai-mindtool-generative-learning|GenAI як майндтул]] розташовує ШІ як пристрій, з яким студенти мислять *разом*, а не як джерело відповідей, узгоджуючи активне навчання з теоріями генеративного навчання, де здобувачі інтегрують нові ідеї в наявне знання.
- **Будівництво тьютора як завдання активного навчання.** [[zangari-student-created-ai-agents-codesigned-instruction-2026|Zangari et al. (2026)]] інвертували звичайну угоду ШІ-тьютора: замість використання тьютора, 345 студентів у курсі з програмного забезпечення з 700 студентів кожен спроєктував розмовного агента, щоб навчити трьох патернів проєктування ровесника, тож роботою активного навчання було будівництво агента — передбачення потреб користувачів, переклад абстрактних понять у частини, придатні для навчання. Студенти цінували відкриту свободу проєктування (22,3% як головна позитивна тема), але головною скаргою були нечіткі інструкції (23,7%), і автори застерігають, що дизайн без контрольної групи та на вибірці добровольців підтримує лише твердження про залучення.
- **Проєктуйте навколо помилок моделі.** П’ятиетапна послідовність (незалежний аналіз, стандартизована підказка ChatGPT, критична оцінка результату, вдосконалення та обговорення в класі) працює, оскільки ШІ передбачувано помиляється: ChatGPT неправильно позначає нееластичний попит у тексті пісні як «ідеально еластичний», і розбіжність вчить студентів валідувати результат ([[beck-genai-literacy-economics-hands-on|Beck & Brodersen, 2025]]).
- **Педагогічно спроєктований ШІ-тьютор може перевершувати саму аудиторію активного навчання.** Кроссоверне [[rct]] у вступному курсі фізики Гарварда поставила власний ШІ-тьютор проти власних занять активного навчання курсу — тієї самої педагогіки, заснованої на дослідженнях, а не лекції — і встановила значно більше навчання за менший час: медіанний пост-тест 4,5 проти 3,5, розмір ефекту 0,63 за лінійною регресією, з медіанними 49 хвилинами на завданні проти 60 в класі ([[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin et al., 2025]]). Автори приписують це проєктуванню, а не середовищу, оскільки тьютор був сконструйований, щоб нести ті самі сім практик, заснованих на дослідженнях, що й клас, і додав лише персоналізований зворотний зв’язок на вимогу та самотемпування.

### Рамка ICAP як організовна лінза

Активне навчання точно операціоналізується [[icap-framework|рамкою ICAP]] (Interactive–Constructive–Active–Passive), яка класифікує поведінку здобувача за режимом когнітивного залучення та зміни знання. За ICAP те, що побіжно називають «активним навчанням», насправді охоплює три відмінні, впорядковані рівні залучення: *активне* (дія над матеріалом, наприклад, ведення нотаток або відповідь на підказку), *конструктивне* (генерація нового виходу за межі даного, наприклад, самопояснення або малювання) та *інтерактивне* (співбудівництво змісту через діалог). Це має значення для освіти з ШІ, оскільки інструмент ШІ може маскуватися під «активний», утримуючи здобувачів у наймілкіших режимах: натискання кнопок на інформаційній панелі або прийняття згенерованої відповіді є в кращому разі активним, а не конструктивним або інтерактивним. ICAP тим самим загострює центральну ціль проєктування активного навчання — **штовхати здобувачів від активного до конструктивного та інтерактивного залучення** — і попереджає проти систем ШІ, які *відповідають за* здобувача, утримуючи його пасивним.([[icap-cognitive-engagement-llm-agents]])([[hingle-collaborative-ai-literacy-2025]]) Це пов’язує активне навчання безпосередньо з [[icap-framework]], [[student-engagement]] та [[collaborative-learning]], найвищий режим ICAP якого є інтерактивним діалогом.

## Практичні настанови

- **Утримуйте здобувача в циклі.** Проєктуйте взаємодії з ШІ так, щоб студенти діяли над результатом і з ним (інтерактивні, зі скаффолдингом режими), а не отримували готові відповіді; повна автоматизація виміряно знижує когнітивне залучення.
- **Засновуйте підтримку ШІ у власній діяльності здобувачів.** Точки заплутаності, питання, керовані здобувачем, і постановка проблем дають персоналізовані точки входу для повторення та дослідництва.
- **Використовуйте навчання навпаки та пояснення.** Спонукайте здобувачів висловлювати те, що вони розуміють; виявлення прогалин через пояснення є більш активним, ніж пасивне перечитування.
- **Поєднуйте активне залучення з каліброваним скаффолдингом.** Підтримка мусить поступово зніматися, оскільки росте компетентність — [[scaffolding]], який ніколи не відступає, може сам стати пасивною залежністю.
- **Віддавайте перевагу інструментам, які роблять мислення видимим.** Дослідницькі симуляції, майндтули та інтерактивні простори проблем підтримують простеження причинності та порівняльне міркування в серці активного навчання.

## Зв’язки зі спорідненими поняттями

Активне навчання глибоко пов’язане з [[collaborative-learning]] (багато активного навчання є соціальним), [[learning-by-teaching]] (пояснення іншим є максимально активним), [[project-based-learning]] та [[experiential-learning]] (навчання через робити в автентичних контекстах), [[embodied-learning]] (фізичне залучення), [[game-based-learning]] та [[simulation]]. Воно спирається на [[scaffolding]] та своєчасний [[feedback]], і йому загрожує [[cognitive-offloading|over-reliance]], коли ШІ заміщає зусилля. Засноване на [[constructivist]] та [[learning-theories]], воно охоплює [[higher-ed]], [[k-12]] та [[stem-education]].

Активне навчання є одним із найсильніших важелів на [[learning-gains|навчальні здобутки]] в епоху ШІ. Оскільки активні стратегії будують розуміння через зусильне робити, вони є найстійкішими до короткого замикання ШІ — і докази бази знань показують, що збереження цього зусилля захищає тривке навчання, тоді як дозвіл ШІ його поглинати роз’їдає його ([[generative-ai-reduced-study-time-math|знижений час навчання]], [[stromberg-generative-ai-learning-penalty-secondary-2026|штраф навчання]], [[lak2026-hint-button-unproductive-use|зловживання підказками]]). Викладачі, які поєднують дизайни активного навчання з [[learning-gains|виміряними здобутками]] на результатах без допомоги, отримують найчіткішу картину того, чи справді покращила діяльність з допомогою ШІ навчання.

## Пов’язані поняття

- [[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]] — Засніт: педагогіки та стратегії викладання в освіті з ШІ

## Пов’язані статті
- [[kestin-ai-tutoring-outperforms-active-learning-rct-2025]] — Тьюторинг ШІ перевершує активне навчання в аудиторії: RCT, що запроваджує новий дизайн, заснований на дослідженнях, в автентичному освітньому середовищі (Kestin et al. 2025)
- [[ai-pbl-computational-thinking-2026]]
- [[beck-genai-literacy-economics-hands-on]] — Рамка GenAI для активного навчання в економіці (Beck & 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]] — Дослідження ЕЕГ режимів взаємодії з ШІ (інтерактивний > авто)
- [[supplynet-visual-exploratory-learning]] — SupplyNet: візуальне дослідницьке навчання через багатоагентну симуляцію
- [[knowloop-confusion-to-consolidation-2026]] — KnowLoop: поетапне розмовне повторення після лекції
- [[academic-league-of-ai-2026]] — Академічна ліга ШІ: проєктне активне навчання
- [[mujib-ai-ibl-creative-math-2026]] — Підтримуване ШІ IBL та креативна математична продуктивність
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Характеристики здобувачів × взаємодії уроків у форматі діалогу TTS

---

## [Спільне навчання](https://edtechdev.github.io/aied/concepts/collaborative-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Спільне навчання** — інструкційні підходи, за яких студенти працюють разом, щоб вирішувати задачі, виконувати завдання або конструювати знання, з підтримкою або медіацією інструментів ШІ. В [[ai-education|галузі ШІ в освіті]] [[research-methods-aied|дослідження]] спільного навчання охоплюють ШІ як партнера зі співпраці, ШІ як медіатора людської співпраці та проєктування систем спільного ШІ-тьюторингу.

## Питання для роздумів

- Згадайте час, коли ви глибоко навчилися чомусь у групі. Що зробило це працюючим? Тепер уявіть, що до цієї групи приєднується [[conversational-ai|чат-бот]] ШІ — як він міг би зміцнити або тихо підірвати те, що ви пережили?
- Дослідження виявляє компроміс: делегування міркування ШІ дає найкращу результативність завдання, але найменшу саморегулятивну залученість, тоді як режим, що будує [[self-regulated-learning|саморегуляцію]], відстає на завданні. Якби вам довелося обирати, що б ви захищали — результат чи боротьбу?
- Рамка ICAP ранжує «інтерактивну» співпрацю як найглибиннішу форму залученості. Чи міг би ШІ, який відповідає замість групи, насправді знизити співпрацю з інтерактивної до просто пасивної — навіть якщо студенти почуваються більш задоволеними?
- Одне дослідження виявило, що медіаторам ШІ довіряють лише поки вони залишаються нейтральними; коли ШІ переходить до порад або кидання виклику, ця довіра ейодиється. Наскільки нейтральним має бути медіатор ШІ для групи насправді?
- Коли здобувачі використовують ШІ для створення відполірованого артефакту, вони можуть пропустити епістемічне зусилля, що будує розуміння. Як би ви проєктували партнера ШІ, який виявляє незгоду та конфлікт, а не згладжує їх?
- Нейровідмінні студенти повідомляють про потребу в структурованих завданнях, малих стабільних командах і явних ролях. Якщо інструменти ШІ-співпраці будуються для «середнього» здобувача, кого вони можуть залишити поза увагою — і як би ви проєктували інакше?

## Вступ

Спільне навчання підґрунтоване на [[sociocultural-learning|соціокультурних теоріях]] навчання, які розташовують конструювання знань як фундаментально соціальне. ШІ вводить нову динаміку: ШІ може служити ровесником, фасилітатором або учасником у спільних процесах. Статті в цій базі знань досліджують, як опосередкована ШІ співпраця впливає на [[learning-gains|навчальні результати]], епістемічну залученість та [[equity-in-ai-education|справедливість]], — і як спільні структури мусять бути проєктовані, щоб умістити різноманітних здобувачів.

**Співпраця як конструкт проти групової роботи як структури.** Спільне навчання — це ширша теорія: знання ко-конструюється через спільну діяльність і діалог. [[group-work|Групова робота]] — її найконкретніша формальна реалізація — команда, що породжує спільний результат, і часто спільну оцінку. Ці два тісно пов’язані, але не ідентичні: група може функціонувати без справжньої співпраці (завдання розбите на незалежні частини, робота просто злита), і співпраця може відбуватися без формальних груп (пари, діалог усього класу або людсько-[[student-ai-interaction|ШІ-взаємодія]]). ШІ тисне найсильніше саме на цю прогалину — [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] виявили групи, чия індивідуальна практика [[generative-ai|GenAI]] ніколи не стала колективною спроможністю, бо завдання ніколи не вимагало спільної роботи, поряд із групами, де спільна оцінка зробила використання GenAI проблемою координації. Сторінка [[group-work|групової роботи]] розглядає ці динаміки глибоко; ця сторінка утримує ширшу лінзу на спільне навчання як ціле.

**ШІ як спільний партнер** досліджує роль ШІ в груповому навчанні. **[[polished-artifacts-fragile-engagement-2026|Kimmerle]]** концептуалізує ризик зменшеного епістемічного зусилля, коли здобувачі використовують ШІ для створення відполірованих артефактів знань, виступаючи за ШІ, структурований як аргументативний партнер, який зберігає когнітивний конфлікт. Перевіряючи це в масштабі класу, [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash & Connell Pensky (2025)]] дали студентам вступних курсів суспільних наук (n = 154) написати аргументовані есе, отримати критику від [[llm|ВММ]] таких як ChatGPT, Gemini або Claude, а потім включити її або їй заперечити; сліпі кодувальники виявили рефлексію в 92.7% і активне заперечення тверджень ВММ в 87.8% відповідей (κs між оцінювачами = 0.81–0.89) — свідчення, що здобувачі поводилися як [[critical-thinking|критичні]] споживачі, які зберегли, а не капітулювали, когнітивний конфлікт критики. **[[epistemic-emotions-collaborative-problem-solving]]** досліджує, як емоції формують спільне [[problem-solving]] зі ШІ. **[[hingle-collaborative-ai-literacy-2025]]** досліджує спільні підходи до розвитку [[ai-literacy|ШІ-грамотності]].

Схвалення фасилітатора — найсильніший спостережуваний важіль на те, чи приймуть студенти контрарного агента: у дванадцяти міжпрофесійних командах ті, чий фасилітатор із викладацького складу вплинув на їхню інтеграцію ШІ, оцінили його як більше частину команди (M = 3.08 проти 2.64), а його зворотний зв’язок — як більш корисний (M = 3.44 проти 2.93) ([[genai-counter-learner-groupthink-2025|Wiss та співавт. (2025)]]).

**Опосередкована ШІ співпраця ровесників** досліджує, як ШІ [[scaffolding|підтримує]] співпрацю між людьми. **[[golrang-propact-pair-programming-2026]]** і **[[agent-voice-accents-k12-group-learning]]** досліджують, як характеристики агентів ШІ впливають на групову динаміку. **[[ai-agents-peer-learning-discourse]]** документує, як [[agentic-ai|агенти ШІ]], що вчать один одного, породжують патерни дискурсу, схожі на людське навчання ровесників. Системи на рівні всього класу розширють це на *реляційний* вимір співпраці: **[[breideband-community-builder-cobi-2026|CoBi]]** використовує розпізнавання мови та розуміння мови, щоб виявляти «піднесений» дискурс малих груп (бути шанобливим, рівноправним, відданим спільноті, рушити мислення вперед) і повертає неоцінні [[visualization]] на рівні класу, щоб підтримати будування спільноти та навички співпраці, свідомо утримуючи зворотний зв’язок на рівні студента або групи, щоб захистити [[privacy]] і [[trust]].

**Нейровідмінні перспективи на співпрацю** виявляють критичні вимоги до проєктування. **[[neurodivergent-computing-students|Zastudil та співавт.]]** виявили, що нейровідмінним студентам потрібні структуровані завдання, малі стабільні команди з явно визначеними ролями та передбачувані патерни взаємодії — вимоги, які мусять умістити інструменти ШІ-співпраці. Це пов’язує спільне навчання з [[inclusive-learning]] та [[neurodiversity]].

**Співпраця викладача зі ШІ** досліджує, як викладачі та ШІ працюють разом. **[[teacher-student-agency-orchestration]]** і **[[teacher-ai-teaming-five-levels]]** досліджують рамки для людсько-ШІ-спільного викладання, пов’язуючи з [[teacher-role]] та [[human-in-the-loop-ai]].

**ШІ як [[pedagogy|педагогічний]] медіатор** переконцептуалізує роль ШІ в співпраці за межами інструмента або ровесника. Спираючись на соціокультурну теорію та [[distributed-cognition|розподілену когніцію]], **[[niari-ai-pedagogical-mediator-collaborative-learning|Niari]]** розташовує ШІ як активного учасника в оркеструванні взаємодії, епістемічного осмислення та регулятивних процесів, перерозподіляючи аґентність, авторитет і відповідальність між людськими та нелюдськими акторами, не витісняючи аґентності здобувача чи викладача. Це підґрунтовує спільне навчання на соціально опосередкованому, корегульованому погляді на ШІ, а не на індивідуалістичному.

**Режими співпраці та компроміс ефективності–регулювання.** Емпіричні дослідження студентів коледжів, що співпрацюють зі ШІ у складному вирішенні проблем, визначають три відмінні режими — *делеговане міркування*, *узгодене тлумачення* та *делеговане розгортання*. Найефективніший режим (делеговане міркування) дає найвищу результативність завдання, але найнижчу саморегулятивну залученість здобувачів, тоді як режим із найбільшою саморегуляцією (узгодене тлумачення) відстає на результатах завдання.([[hao-human-ai-collaborative-problem-solving-cognition]]) Це виявляє центральну напругу проєктування: середовища спільного навчання мусять балансувати ефективність розподіленої людсько-ШІ-системи проти глибини [[self-regulated-learning|регулятивної]] залученості здобувачів.

Єдиний наявний метааналітичний контраст для підтриманої ШІ спільної роботи сидить усередині інтервенцій PBL/PjBL із підтримкою GenAI, де співпраця ровесників об’єдналася на g = 0.885 проти g = 0.416 для індивідуальної роботи, але різниця досягла лише маргінальної тенденції (QM = 3.675, p = .055), і сторона індивідуальної роботи спирається на два дослідження, — тож об’єднані свідчення, що співпраця перевершує роботу самому під GenAI, є підказівними, а не встановленими ([[chen-pbl-pjbl-genai-meta-analysis-2026|Chen та співавт. 2026]]).

Огляд обсягу 18 досліджень відображає той самий компроміс на груповій роботі: GenAI підтримував розвиток знань, генерацію ідей та ефективність комунікації, водночас також зменшуючи запит на взаємодію ровесників, узгодження та колективне осмислення, і рандомізовані свідчення виявили більш інноваційні пропозиції ШІ без значущого приросту в загальній інноваційності учасників ([[wei-perkins-genai-student-collaboration-scoping-2026|Wei and Perkins (2026)]]).

**Проєктування ролей — це важіль на якості, а не на обсязі, спільного конструювання знань.** [[cheng-symbiotic-role-design-human-genai-collaboration-2026|Cheng та співавт. (2026)]] призначали ротаційні ролі модератора, аналітика та аргументатора 58 [[higher-ed|студентам магістратури]] та їхньому партнеру ШІ в 16 групах і виявили, що структура підняла *зміст* групових ментальних карт майже на повну смугу SOLO (M = 3.65 до 4.59, z = 3.771, p < 0.001), тоді як числа вузлів і гілок залишилися пласкими — організація, а не охоплення, — ціною помірного зростання спільного [[cognitive-offloading|когнітивного навантаження]] (p = 0.023). [[network-analysis|Послідовний аналіз Лаґа]] додав само-перехід оцінки та шлях «конфлікт→захист», яких інструмент сам не породжував, розташовуючи [[human-ai-collaboration|людсько-ШІ-співпрацю]] як проблему проєктування, а не проблему інструмента.

**GenAI як агент і простір у малих групах — режим важливий.** [[xu-genai-collaborative-space-2026|Xu та співавт. (2026)]] спостерегають, що те, *як* команда отримує доступ до GenAI, формує співпрацю: з єдиним спільним інтерфейсом в синхронній роботі команди ко-конструють «колективні підказки», прогоняють цикл «поверхня–оцінка–вбудовування» і розглядають чат як спільну пам’ять; в асинхронній роботі приватні підказки й «зняття позначок» результатів фрагментують [[explainable-ai|прозорість]] і підвищують вартість підтримки спільної когнітивної моделі. Їхня лінза кооперативної роботи з підтримкою GenAI (GSCW) рамкує GenAI як конфігурованого агента (від індивідуального помічника до члена команди) та інтерактивний простір співпраці, — пов’язуючи конфігурацію доступу безпосередньо з [[icap-framework|ICAP]]-релевантною якістю інтерактивної залученості.

**GenAI як інфраструктура групової координації — і ризик сплощеної співпраці.** [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] показують, як п’ятнадцять груп майбутніх учителів обходилися з GenAI в оціненій груповій презентації, і розкол йде проти звичайного припущення, що груповий тиск підвищує опору на ШІ. П’ять груп посилили використання, щоб вирішити знайому проблему співпраці — не знати, що містили секції ровесників, — перегодовуючи цю роботу в чат-бот, щоб зробити її зрозумілою й узгодити власну частину, причому одна група перебудувала свій цикл як *обговорення → екстерналізація в GenAI → колективний перегляд → повторне обговорення*. Автори читають це як більше, ніж [[cognitive-offloading|розвантаження когніції]], оскільки студенти утримували судження, тоді як інструмент поглинув координацію, але позначають, що плавніший робочий потік може обійти незгоду, через яку конвенційно будується згуртованість, роблячи реляційну працю відкритим питанням. Сім груп натомість зменшили своє використання GenAI, захищаючи [[situated-learning|ситуативні]] знання, побудовані в спільних класах («ШІ знає лише той момент, коли ви друкуєте»), [[bias-mitigation|справедливість]] до однокласників, самобутність між групами та різноманіття перспектив, яке група вже мала. Три групи не побачили жодної зміни взагалі: із завданням, розбитим на незалежні секції, індивідуально вишукана практика GenAI ніколи не стала колективною спроможністю, хоча узгодженість була явним критерієм. Патерн натякає, що групові норми, а не інструмент, вирішують, що група робить зі ШІ, — і що колективне запровадження може знизити усприйнятий [[ai-misuse-learning-harm|ризик шкідливого використання]], а не підвищити відданість.

**Співпраця як об’єкт інструкції.** [[golrang-propact-pair-programming-2026|ProPACT]] — це керований ШІ [[intelligent-tutoring|адаптивний тьютор]] для парного програмування, який розглядає *діаду* — не індивіда, — як одиницю аналізу, моделюючи спільну візуальну увагу, спільні психічні зусилля та сигнали на основі зіниць в реальному часі, щоб прогнозувати обвали співпраці за 30 секунд наперед і втручатися, перш ніж вони відбудуться. Діади, які отримували проактивний зворотний зв’язок, досягли суттєво вищого успіху налагодження та виконували завдання ефективніше й показували стійкі здобутки в спільній регуляції потім — свідчення, що ШІ може навчати саму співпрацю, а не лише підтримувати завдання. Вимірювання спільної компетентності ставить додатковий виклик оцінки навички спільного вирішення проблем (CPS) у масштабі, що традиційно потребує ручного кодування даних процесу зі змодельованих завдань у поведінки CPS — трудомісткого та непрактичного у масштабі; [[prompt-engineering|контекстно-обізнана підказка]] попередньо навчених мовних моделей автоматизує це кодування, моделюючи контекстні залежності й зливаючи когнітивні та соціальні здібності, досягаючи вищої результативності над сильними базами.
**Підтримуйте на порядку групової розмови, а не на її частоті.** [[adaptive-ai-scaffold-collaborative-problem-solving-2026|Wong, Bulathwela & Cukurova (2026)]] видобули послідовності діалогу триад 65 студентів і виявили одне упорядкування — перефразування, потім пропонування, потім ставити питання, — яке стежило за покращенням, тоді як обернене — ні; максимальний скаффолдинг підвищував поведінку в межах завдання, водночас також і скриптування та менше показників вирішення проблем.

**ШІ як нейтральний медіатор — і напруга, коли він перестає бути нейтральним.** [[spritz-ai-disciplinary-mediation-student-teams-2026|Spritz]] — це зонд на основі [[llm]] на базі Discord, який медіює дисциплінарні межі в міждисциплінарних командах студентів, виявляючи неявні припущення та повертаючи анонімізовані синтези в спільне обговорення. Студенти цінували його і як когнітивну підтримку, і як реляційний буфер, але виникла центральна напруга: усприймана нейтральність ШІ була несучою, і ейодилася, щойно ШІ переходив від нейтрального медіатора до радника або того, хто кидає виклик, — ключове обмеження проєктування для [[pedagogical-agent|агентів]], які медіюють співпрацю, зберігаючи [[human-ai-collaboration]] та [[trust-calibration]].

**Структурований протокол фасилітатора — і його ризик підлесництва.** [[ethics-training-agents-group-ethics-discussion-2026|Seo та співавт. (2026)]] розширюють спільне [[learning-design|проєктування навчання]] структурованим протоколом «розбіжність–обдумування–збіжність»: фасилітатор на ВММ складає хвилі мовлення, хронометрує фази й підсумовує інкрементально, формат, який 45 студентів визнали простим і схожим на обговорення і який зменшив потребу в зовнішньому фасилітуванні. Проєктування обертається на напрузі, яку дослідження виміряло напряму: агенти підтримували широту перспективного ставлення (групи породжували більші, більш розбіжні набори зацікавлених сторін і розв’язків, і агенти послідовно висловлювали точки зору меншості), проте [[ai-sycophancy|підлесницька]], вільна від міркування згода сплощувала когнітивний конфлікт, який змушує співпрацю поглиблювати мислення. Учасники просили результат агентів, який виявляє проміжні кроки обдумування, а не лише висновки, і контраргументи, які зберігають справжню незгоду.

**Спільні структури для освіти зі ШІ.** [[academic-league-of-ai-2026|Академічна ліга ШІ]] організовує освіту зі ШІ через демократичне студентське [[governance]] та проєктні команди, вбудовуючи [[active-learning]] та [[project-based-learning]] в спільну, пов’язану зі спільнотою структуру.

### Рамка ICAP: співпраця як найвищий режим залученості

Спільне навчання займає верх [[icap-framework|рамки ICAP]] (Interactive–Constructive–Active–Passive): режим *інтерактивний* — ко-конструювання сенсу через діалог, захист позиції або спільне вирішення, — породжує найглибшу зміну знань в таксономії Чі. Це робить ICAP водночас обґрунтуванням для спільних педагогік і обмеженням проєктування на ШІ. ШІ, який медіює обговорення (як це роблять [[spritz-ai-disciplinary-mediation-student-teams-2026|Spritz]] або [[golrang-propact-pair-programming-2026|ProPACT]]), є цінним саме тоді, коли він підтримує *інтерактивну* залученість; ШІ, який відповідає замість групи або згладжує когнітивний конфлікт, може знизити співпрацю до простого режиму *активного* або *пасивного*. Анотація на основі ICAP (див. [[icap-cognitive-engagement-llm-agents|розширене вимірювання ICAP спільного діалогу]]) та дослідження хронометражу фасилітування розглядають якість інтерактивного дискурсу як результат, що цікавить, підґрунтовуючи спільне навчання в [[student-engagement]] та ієрархії ICAP.([[icap-cognitive-engagement-llm-agents]])([[llm-facilitation-timing-online-discussions]])

## Практичні вказівки

- **Моделюйте співпрацю, а не лише індивіда.** Інструменти, які відстежують діадичний або груповий стан (як це робить [[golrang-propact-pair-programming-2026|ProPACT]]), можуть підтримувати саму співпрацю, прогнозуючи та запобігаючи обвалам, а не реагуючи на них.
- **Збережіть когнітивний конфлікт.** Структуруйте ШІ як аргументативного партнера, який виявляє незгоду та неявні припущення, уникаючи проблеми відполірованих артефактів, де ШІ згладжує крихку епістемічну залученість.
- **Контрарні персони мають афективні витрати.** У 97 триадах контрарний ШІ рушив дискурс до кидання виклику та рефлексії, але знизив задоволеність командною роботою (ε² = .062) і психологічну безпеку (ε² = .114), не підвищуючи творчий результат ([[jin-emergent-learner-agency-implicit-hai-2026|Jin та співавт. (2026)]]).

- **Відповідайте функції агента на результат, який ви маєте намір.** Огляд 46 досліджень агентів ШІ в комп’ютерно-підтриманому спільному навчанні виявив послідовно повідомлені когнітивні здобутки, тоді як поведінкові, соціальні та емоційні результати залишалися контекстно залежними, з найсильнішим узгодженням між функцією агента й результатом всередині того самого домену ([[ba-ai-agents-cscl-review-2026|Ba та співавт. (2026)]]).

- **Окрема роль фасилітатора зменшує домінування, а не чуйність.** У [[astra-multi-agent-tutoring-benchmark-2026|Oyelere's (2026)]] змодельованому бенчмарку додавання агента-фасилітатора поряд із тьютором знизило діадичний дисбаланс хвиль і слів (M = 0.103 і 0.105 проти 0.183 і 0.182), не змінивши взаємної залученості, — хоча здобувачі були синтетичними персонами, а не справжніми діадами.
- **Балансуйте ефективність проти саморегуляції.** Співпраця зі ШІ, яка максимізує ефективність завдання (делеговане міркування), може підірвати регулятивну залученість здобувачів; проєктування має свідомо захищати простір для узгоденого тлумачення.
- **Поважайте обмеження нейтральності.** Медіаторам ШІ довіряють, поки вони нейтральні; перехід в порадні або викликові ролі дестабілізує цю довіру, тож перемикання ролей має бути явним і конфігурованим.
- **Уміщайте нейровідмінних здобувачів.** Структуровані завдання, малі стабільні команди та явні визначення ролей — вимоги, які мусять підтримувати інструменти ШІ-співпраці.
- **Надавайте перевагу неоцінному зворотному зв’язку на рівні класу.** Підтримуючи реляційний вимір співпраці, агрегований на рівні класу зворотний зв’язок захищає [[privacy]] і [[agency|аґентність студента]] там, де індивідуальне оцінювання відчувалося б як спостереження; студенти [[breideband-community-builder-cobi-2026|CoBi]] надавали перевагу [[qualitative-research|якісним]] візуалізаціям (органічне дерево) над [[quantitative-research|кількісними]] (радарна діаграма), а викладачі цінували використання зауважень системи, щоб розпалити рефлексію, більше, ніж живе відображення.
- **Проєктуйте для перегляду/уваги, який передує внеску.** Спільне навчання на [[online-teaching-and-learning|онлайнових форумах обговорення]] залежить не лише від публікації, але й від читання, яке їй передує. [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026|Hao & Cukurova (2026)]] показують, що згенеровані ВММ підсумки обговорень і приклади публікацій можуть діяти як навігаційні [[scaffolding|скаффолдинги]], які розширюють експозицію студентів до внесків ровесників і мережеві умови для з’єднувального (слабкого зв’язку) соціального капіталу — підтримка, яка має доповнювати, а не заміщувати соціально-педагогічні стратегії підтримки залученості за академічного навантаження.

- **Соціальний бік показує порушення без протилежного приросту.** У п’ятьох процесах співпраці консенсус 30 експертів досяг лише вразливості, з оцінками посилення нижче порогу: Соціальний зв’язок (3.80 проти посилення 1.90), Соціально-емоційний розвиток (3.60 проти 2.00), Соціальне навчання, Спільне навчання та відчуття приналежності (усі 3.30) ([[genai-support-threaten-learning-k20-expert-consensus-2026|Kendeou, Greene & Nixon та співавт., 2026]]). Звіт розглядає асиметрію як ціль проєктування, оскільки спільне вирішення проблем закріплене на спільному продукті, тоді як спільне навчання не має видимого референта і може ейодитися невиявленим.
## Пов’язані поняття
- [[pedagogical-patterns]] — Скриптована співпраця зі спільним ШІ та її перевірені проєкти ролей
- [[pedagogical-partnerships]] — Педагогічні партнерства
- [[group-work]] — Групова робота
- [[problem-based-learning]]
- [[online-teaching-and-learning]] — Онлайнове навчання та викладання
- [[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]] — Парасолька: педагогіки та стратегії викладання в освіті зі ШІ

## Пов’язані статті
- [[genai-support-threaten-learning-k20-expert-consensus-2026]] - Консенсус 30 експертів виявляє однобічний соціальний ризик: процеси співпраці вразливі без шляху посилення
- [[chen-pbl-pjbl-genai-meta-analysis-2026]] — Проблемно- та проєктно-орієнтоване навчання як багатообіцяючі рамки для освіти з підтримкою генеративного ШІ: нові свідчення з систематичного огляду та трирівневого метааналізу
- [[jin-emergent-learner-agency-implicit-hai-2026]] — Емерджентна аґентність здобувача в неявній людсько-ШІ-співпраці: підтримувальні проти контрарних 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: проактивний адаптивний тьютор спільної роботи зі ШІ для парного програмування
- [[spritz-ai-disciplinary-mediation-student-teams-2026]] — Spritz: дисциплінарна медіація ШІ в командах студентських проєктів
- [[academic-league-of-ai-2026]] — Академічна ліга ШІ: спільна, проєктно-орієнтована освіта зі ШІ
- [[icap-cognitive-engagement-llm-agents]] — Розширена рамка ICAP для вимірювання залученості в спільному діалозі
- [[llm-facilitation-timing-online-discussions]] — Хронометраж фасилітування на ВММ в онлайнових спільних обговореннях
- [[ba-ai-agents-cscl-review-2026]] — Огляд агентів ШІ в комп’ютерно-підтриманому спільному навчанні
- [[wei-perkins-genai-student-collaboration-scoping-2026]] — GenAI і групова робота студентів: огляд обсягу (Wei & Perkins 2026)
- [[astra-multi-agent-tutoring-benchmark-2026]] — Синтетичний бенчмарк ASTRA для багатоагентного тьюторингу та співпраці з балансом участі
- [[xu-genai-collaborative-space-2026]] — GenAI як агент і простір співпраці в динаміці малих груп (Xu та співавт. 2026)
- [[breideband-community-builder-cobi-2026]]
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026]] — Проєктування навчання на основі згенерованих ШІ підсумків на онлайнових форумах обговорення
- [[chen-zou-genai-group-assessment-agency-2026]] — GenAI як інфраструктура координації в студентських групах: посилене, стримане та невтілене використання
- [[ethics-training-agents-group-ethics-discussion-2026]] — Агенти тренування етики: фасилітування групової етичної освіти через рольову гру та обговорення для етичної рефлексії та дослідження

---

## [Навчання на основі проєктів](https://edtechdev.github.io/aied/concepts/project-based-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Навчання на основі проєктів (PBL)** — активна, зосереджена на здобувачі [[pedagogy]], у якій студенти навчаються, беручи участь у розгорнутих реальних проєктах, що вимагають дослідження, розв’язування проблем та застосування знань для створення відчутних результатів. PBL наголошує на [[agency|autonomy]] студентів, співпраці та [[authentic-assessment|authentic tasks]], і широко використовується з технологіями — включно з [[educational-robotics|educational robotics]] та ШІ, — щоб давати здобувачам практичні, значущі проєкти. Він протистоїть цілком теоретичному чи лекційному навчанню.

## Питання для роздумів

- Згадайте останній випадок, коли ви справді «навчилися через дію» — будуючи, проєктуючи чи створюючи щось реальне. Що змусило той досвід залишитися в пам’яті порівняно з лекцією, на якій ви сиділи того самого тижня? Як ця відмінність могла б перенестися на те, як студенти вивчають ШІ чи робототехніку?
- PBL та навчання, засноване на проблемі, часто змішуються, проте вони різняться: одне зосереджується на створенні відчутного проєкту, інше — на розв’язуванні погано структурованої проблеми. Перед тим як читати, як би ви розрізнили ці два, — і чи має ваша відповідь значення для того, як має бути спроєктований курс?
- Дослідження робототехніки вирішувало «розрив між теорією та практикою» через гнучкий проєкт на цілий семестр. Коли ви думаєте про власну область, де зазвичай розкривається розрив між тим, чого студентів навчають, і тим, що вони насправді можуть робити, — і що мав би зробити підхід на основі проєктів, щоб його закрити?
- PBL наголошує на автономії студентів, співпраці та аутентичних завданнях. Але здобувачі різняться своєю готовністю керувати собою. Що могло б піти не так, якби ви кинули розгорнуті проєкти в аудиторію без підтримки самокерівництва, і кому це зашкодило б найбільше?
- PBL у дослідженнях широко поєднується з геміфікацією та освітньою робототехнікою. З вашого досвіду, чи є розвага/[[student-engagement|engagement]] завжди надійною заміною глибокого навчання, чи може добре оцінена «гра» маскувати поверхневе розуміння?
- Перед тим як читати далі, запитайте себе: які конкретні докази переконали б вас, що навчання на основі проєктів насправді перевершує лекційне навчання для певного навчального результату, — і наскільки важко зібрати ці докази в реальному курсі?

## Вступ

PBL тісно пов’язаний з [[active-learning]], [[experiential-learning]], [[collaborative-learning]] та [[constructivist]] педагогікою. Він особливо цінний для освіти зі ШІ та робототехніки, бо ці галузі властиво прикладні: здобувачі найкраще розуміють роботів, алгоритми та системи, будуючи та випробовуючи їх у проєктних контекстах. PBL також плекає [[computational-thinking]], розв’язування проблем та [[self-regulated-learning|self-direction]].

Навчання на основі проєктів тісно пов’язане з — але відмінне від — [[problem-based-learning|problem-based learning]]: обидва зосереджені на здобувачі та керовані контекстом, але навчання, засноване на проблемі, зосереджується на погано структурованій *проблемі*, розв’язання якої вимагає дослідження та конструювання знань, тоді як навчання на основі проєктів зосереджується на створенні відчутного *проєкту* чи артефакту. Ці два часто змішуються, і багато рамок ШІ в освіті спираються на обидва (див. сторінку [[problem-based-learning|problem-based learning]] для розгляду епохи ШІ).

### Як PBL постає в дослідженнях бази знань

- **Робототехнічні проєкти:** [[bots-blocks-project-based-robotics-education-2026|Bots and Blocks]] презентує гнучкий, на цілий семестр підхід на основі проєктів для викладання робототехніки в прикладній програмі з [[cs-education|computer science]], вирішуючи розрив між теорією та практикою.
- **Проєктний підхід у ранньому дитинстві зі ШІ-агентами:** [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] розширюють фундаментальну форму PBL — Проєктний підхід (Katz & Chard), розгорнуте спільне дослідження реальної теми, — на [[early-childhood-elementary-ai-education|early childhood]], пропонуючи п’ятикроковий **Креативний проєктний підхід**, що інтегрує [[agentic-ai|AI agents]] та [[educational-robotics|robots]] (роботів для кодування та генеративних соціальних роботів) у проєкти для плекання [[creativity|creative learning]] малих дітей. П’ять кроків — визначення навчальних потреб, полегшення керованої [[teacher-role|teacher]] взаємодії дитина–робот, вміщення ШІ в контексти, калібрування балансу автоматизації/креативності та оцінювання результатів — утримують викладача як фасилітатора, що керує дослідженням, позиціонуючи PBL як природне знаряддя для розвитково відповідного використання ШІ з наймолодшими здобувачами.
- **Поєднання з геміфікацією:** [[game-based-gamified-robotics-education-review-2026|A systematic review]] знайшов, що [[game-based-learning|Gamification]] в освіті з робототехніки сильно віддає перевагу навчанню на основі проєктів (p = .009).

Єдиний трьохрівневий метааналіз цього поєднання пулує 22 контрольованих дослідження (66 розмірів ефекту, січень 2023 – квітень 2026) та оцінює великий ефект для PBL/PjBL з підтримкою GenAI, g = 0.819, 95% CI [0.655, 0.983], проте аналіз чутливості авторів PET-PEESE зменшує оцінку до g = 0.378, тож показникове число слід читати як потенційно завищене ([[chen-pbl-pjbl-genai-meta-analysis-2026|Chen et al. 2026]]). Тип інструменту значно помодерував ефект (QM = 14.301, p < .001): загальний чат-бот, використаний напряму, пулувався вище (g = 0.970), ніж системи, налаштовані в курсові платформи, віртуальні пацієнти чи агенти (g = 0.455), що вказує, що те, як інструмент вбудований, має більше значення, ніж те, яку модель обрано.
- **ШІ-грамотність та спільне проєктування:** PBL лежить в основі багатьох інтервенцій з [[ai-literacy|AI literacy]] та [[teacher-education]], де здобувачі спільно створюють інструменти чи ресурси ШІ.
- **Студенти як проєктувальники агентів у масштабі:** [[zangari-student-created-ai-agents-codesigned-instruction-2026|Zangari et al. (2026)]] мали 345 студентів бакалаврату в курсі з проєктування програмного забезпечення на 700 студентів, кожен з яких будував розмовного агента, що пояснює три патерни проєктування ровесникові — Частина A: скаффолдований посібник Dialogflow CX, Частина B: відкрите завдання на проєктування. Відкритість була найвищою позитивною темою (22.3%), тоді як неясні інструкції очолили негативні (23.7%), і сприйняте навчання корелювало з оцінками на квізах лише помірно (r = 0.161–0.315). Урок проєктування для PBL: артефакти, створені студентами, можуть нести вигоди власності з перевернутих аудиторій у контексти інструментів ШІ, але дослідницькі докази без контрольної групи підтримують твердження про залученість, а не про причинну перевагу.
- **PBL програмного забезпечення з підтримкою ШІ-агентів:** [[spec-driven-development-ai-agents-sdpbl-2026|Tanaka et al. (2026)]] вбудували Spec-Driven Development з [[agentic-ai|AI agents]] в командний курс зі ШІ-агентів у рамках PBL програмного забезпечення для бакалаврату, структуруючи проєкти в фази дослідження, планування, реалізації та огляду в парі з перевірками розуміння, що їх проводить викладач.
- **Занурювальні VR-студії з вбудованим навчальним агентом:** [[ai-ive-pbl-vocational-design-creativity-2026|Jin et al. (2026)]] специфікують модель **AI-IVE-PBL** для професійної освіти з дизайну, поєднуючи PBL із занурювальним віртуальним середовищем на основі ШІ ([[virtual-and-augmented-reality|VR]]-гарнітури плюс навчальний помічник на основі [[llm]]). Звичні для здобувачів професійної освіти обмеження PBL — обмежене обладнання, важковідтворювані сценарії, відстрочений [[scaffolding]] викладача — поглинаються зануренням плюс агентом усередині сесії, і модель сформульована як п’ятифазна петля (відкриття, уявляння, моделювання, комунікація, вдосконалення) з названим актором та артефактом на фазу, що рухається стійким дискурсом розвитку ідей. У 12-тижневому квазіексперименті (n = 63) умова підвищила здібність до дизайну та креативну здібність і підняла когнітивну та поведінкову [[student-engagement|engagement]], залишивши незмінними ідейну новизну (інноваційне мислення) та афективну залученість — нагадування, що специфічна для дизайну та ідейна частини цінності проєкту не рухаються разом.

PBL пов’язаний з [[active-learning]], [[experiential-learning]], [[collaborative-learning]], [[educational-robotics]], [[game-based-learning]], [[computational-thinking]] та педагогікою [[higher-ed]]/[[k-12]].

- **PBL підтримує навчання робототехніці на основі ШІ.** [[educational-robotics-pathways-2026|Pathways research]] показує, що проєктні програми з робототехніки та ШІ дозволяють студентам середньої школи навчатися через участь у реальній практиці, проєктуванні та грайливому креативному вираженні.

## PBL у курсах ШІ-грамотності

- **Вимірювання PBL у курсах ШІ-грамотності.** Zhu and Kong (2026) розробили та валідували шкалу навчання на основі ШІ-проєктів (AI-PBLS), засновану на досвіді студентів середньої школи та університетів Гонконгу, і використали її, щоб показати, що сприйнятий PBL плекає задоволеність курсом ШІ-грамотності через посередницькі механізми розширення повноважень у ШІ-[[problem-solving]] та ШІ-[[ethics|ethical]] обізнаності. Шкала пропонує [[research-methods-aied|researchers]] валідований інструмент, а знахідка про посередництво зміцнює справу PBL як знаряддя, що будує упевненість та етичне міркування — не лише зміст — в [[ai-education|AI education]].

### PBL з цифровим сторітелінгом в епоху ШІ

- Навчання на основі проєктів у поєднанні з [[storytelling-in-education|digital storytelling]] пропонує педагогічну відповідь на [[generative-ai|generative AI]] в освіті з мистецтва та дизайну. Вбудоване дослідження випадку на 15 тижнів зі 426 студентами бакалаврату реалізувало рамку PBL-DS, у якій цифровий сторітелінг служив основною методологією для студентів, щоб перекладати місцеву культурну спадщину в емоційно резонуючі, [[multimodal]] наративи, культивуючи креативні спроможності, яких бракує ШІ.

## Пов’язані поняття

- [[problem-based-learning]]
- [[active-learning]]
- [[experiential-learning]]
- [[collaborative-learning]]
- [[educational-robotics]]
- [[game-based-learning]]
- [[computational-thinking]]
- [[higher-ed]]
- [[pedagogy]] — Парасолька: педагогіки та стратегії викладання в освіті зі ШІ
- [[arts-design-and-media-education]]

## Пов’язані статті

- [[chen-pbl-pjbl-genai-meta-analysis-2026]] — Problem-based and project-based learning as promising frameworks for generative AI-supported education: Emerging evidence from a systematic review and three-level meta-analysis
- [[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 is a dominant CT learning strategy
- [[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]] - SDD with AI agents in team software PBL
- [[ai-ive-pbl-vocational-design-creativity-2026]] — AI-IVE-PBL: an immersive VR design studio with an embedded teaching agent, evaluated against traditional PBL (Jin et al. 2026)

---

## [Навчання на основі задач](https://edtechdev.github.io/aied/concepts/problem-based-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Навчання на основі задач (ПЗЗ)** — зорієнтована на здобувача педагогіка, у якій студенти набувають знань і навичок, працюючи над розумінням і розв’язуванням реалістичної, часто погано структурованої задачі, а фасилітатор направляє дослідження, а не здійснює навчання. В епоху ШІ структурні риси ПЗЗ — дослідження, кероване задачею, [[collaborative-learning|співбудівництво знань]], фасилітація замість навчання та [[metacognition|метакогнітивна рефлексія]] — виявилися тими самими умовами, за яких інтеграція [[generative-ai|генеративного ШІ]] стає освітньо продуктивною, а не замісною.

## Питання для роздумів

- У навчанні на основі задач сама *задача* є двигуном [[curriculum-design|навчального плану]], а не ілюстрацією змісту, викладеного деінде. Чи можете ви згадати випадок, коли ви вивчили щось глибоко, бо спершу розв’язували справжню задачу?
- Сторінка стверджує, що риси ПЗЗ (дослідження, кероване задачею, співпраця, фасилітація, рефлексія) є саме тими умовами, за яких ШІ стає продуктивним партнером, а не скороченням шляху. Чому це може бути саме так?
- ШІ розриває зв’язок між поданим артефактом і зусиллям, яке його породило, — проблема «артефакта як посередника». Як допомагає оцінювання процесу, а не лише продукту, і що робить оцінювання процесу [[assessment]] складним?
- ПЗЗ виникло в медичній освіті частково тому, що професійна компетентність потребує адаптивного судження, а не рутинного виконання. У чому різниця між ними і як ШІ змінює те, для чого ми готуємо?
- Якщо ШІ тепер може зробити «злісні задачі» та складні реальні кейси доступними для більшої кількості студентів, що може бути втрачено, коли виклик стає легшим для досягнення?
- Де має проводити межу ШІ в умовах ПЗЗ між тим, щоб дати задачу, підказку чи відповідь? Що визначає, який крок є правильним у кожен момент?

## Вступ

ПЗЗ виникло в медичній освіті (Університет Макмастера, 1960-ті) і відтоді поширилося на [[medical-education|професії охорони здоров’я]], інженерію та [[k-12]]. Здобувач бере на себе відповідальність за діагностування навчальних потреб, виявлення ресурсів і конструювання розв’язків, тоді як фасилітатор скаффолдить процес. Характерний тезис ПЗЗ полягає в тому, що саме *задача* є двигуном навчального плану — не ілюстрацією змісту, викладеного деінде, а контекстом, у якому цей зміст засвоюється.

## ПЗЗ в епоху ШІ

[[research-methods-aied|Дослідження]] бази знань показують, що ПЗЗ стало фокусом для мислення про продуктивну інтеграцію ШІ.

- **Структурні умови ПЗЗ роблять інтеграцію ШІ продуктивною.** [[pbl-structural-conditions-ai-2026|Rowe (2026)]] стверджує, що основні риси ПЗЗ — дослідження, кероване задачею, співбудівництво, фасилітація, метакогнітивна рефлексія — є саме тими умовами, за яких ШІ функціонує як партнер в [[educational-development|професійному розвитку]], а не скорочення навколо нього. Узгодженість є структурною, а не ретроспективною: ПЗЗ було спроєктоване навколо цих умов до існування ШІ, спираючись на визнання того, що професійна компетентність потребує адаптивного судження, а не рутинного виконання.
- **ШІ піднімає стелю складності задач.** Той самий аргумент полягає в тому, що ШІ розширює ту категорію задач, яку може опрацьовувати ПЗЗ, роблячи «злісні задачі» та складні реальні кейси доступними для студентів, які раніше не могли їх досягти.
- **Проблема «артефакта як посередника».** ШІ розриває зв’язок між поданим артефактом і [[student-engagement|залученістю]], що його породила, — проблема, до вирішення якої ПЗЗ добре підготовлене, оскільки воно оцінює *процес* і продемонстроване розуміння, а не лише продукт. Це пов’язує ПЗЗ з [[authentic-assessment|автентичним]] та [[process-oriented-assessment|процесно-зорієнтованим оцінюванням]] і з літературою бази знань про [[cognitive-offloading|надмірну опору]].

Трирівнева мета-аналіз, яка об’єднує ПЗЗ із підтримкою GenAI з навчанням на основі проєктів, тримає результативність продукту й розв’язку в окремій моделі саме тому, що вона вимірює колаборативний вихід людини та ШІ, а не інтерналізоване навчання, і ця оцінка є найбільшою з тих, що повідомляють рецензенти (g = 1,958), хоча спирається лише на шість досліджень і несе приблизний 95% предиктивний інтервал [−0,740; 4,656], що перетинає нуль — кількісна форма застереження про «артефакт як посередник» вище ([[chen-pbl-pjbl-genai-meta-analysis-2026|Chen et al. 2026]]).
- **ChatGPT як [[scaffolding|адаптивний скаффолдинг]].** [[ai-enhanced-pbl-chatgpt-scaffolding-2026|La Sunra et al. (2026)]] показують ChatGPT, інтегрований як адаптивний скаффолдинг у межах рамки ПЗЗ з підсиленням ШІ, для покращення [[critical-thinking|критичного мислення]] та [[personalized-learning|персоналізованого навчання]] в K-12 (120 восьмикласників). Це розглядає ШІ як підтримку в межах ПЗЗ, а не як машину відповідей.
- **Агент, що впроваджує полеміку, може протистояти груповій думці.** Агент на базі GenAI, озвучений у трьох заданих точках у міжпрофесійному сеансі ПЗЗ, вносив полемічні перспективи, і студенти повідомляли, що їхнє спростування давало їм соціально прийнятний спосіб висловитися, причому розбіжність стимулювала рефлексію навіть тоді, коли вони відкидали відповіді агента ([[genai-counter-learner-groupthink-2025|Wiss et al. (2025)]]).
- **Квазіекспериментальні докази з підготовки майбутніх викладачів.** [[chen-osman-preservice-physics-tpack-ctd-pbl-2026|Chen and Osman (2026)]] порівнювали восьмитижневий модуль CTD-PBL з підтримкою ШІ зі звичайним навчанням для 130 викладачів-початківців [[physics-education|фізики]] третього курсу (65 на умову), із використанням DeepSeek через шаблони підказок, специфічні для завдань, як обмеженого скаффолдингу — генерація ідей уроків, організація ресурсів, порівняння пояснень, підказки для відгуку однокурсників і планування доопрацювання — і кожен вихід ШІ мусив проходити перевірку на точність змісту, педагогічну доречність, здійсненність та [[ethics]], перш ніж потрапити в навчальний артефакт. Група модулю повідомила про вищий посттестовий [[tpack|TPACK]] (M = 4,04 проти 3,40, d = 1,02) і вище сприйняте [[problem-solving|колаборативне вирішення задач]] (M = 3,62 проти 3,05, d = 0,88), а найбільші ефекти взаємодії припали на спільне будівництво знань і соціальну регуляцію — саме на ті виміри колаборативного процесу, які структурний аргумент вище передбачає, що ШІ має посилювати, а не обходити. Автори явно зазначають, що ШІ не був ізольований як незалежна змінна: диференційна зміна прив’язана до всієї умови завдань на основі задач, структурованої співпраці, скаффолдингу з боку [[teacher-role|викладача]], відгуку [[peer-assessment|однокурсників]] та рефлексивного доопрацювання, і обидва результати були [[self-report-measures|самоописуваними]] сприйняттями, а не спостережуваною практикою.
- **Рамки відповідального використання.** [[learn-framework-responsible-genai-pbl-2026|Uden & Hwang (2026)]] просувають нейронауково обґрунтовану рамку **LEARN** ([[lifelong-learning|Lifelong Learning]], Engagement, Active Processing, Reflection, Neuro-based Design) для етичного обґрунтування використання генеративного ШІ в межах ПЗЗ, протидіючи [[cognitive-offloading|когнітивному розвантаженню]] та ерозії доброчесності.
- **Предметні імплементації.** Рамки ПЗЗ для [[engineering-education|біомедичної інженерії]] використовують GenAI для узагальнення та підтримки кодування з пакетами відтворюваності ([[pbl-biomedical-engineering-genai-2026|Nnamdi et al. 2026]]); ПЗЗ з підтримкою ШІ посилює [[computational-thinking|обчислювальне мислення]] в [[educational-robotics|робототехніці]] ([[ai-pbl-computational-thinking-2026|ПЗЗ з підтримкою ШІ для обчислювального мислення]]); а віртуальні пацієнти на базі GenAI підтримують туторіали зі збирання медичного анамнезу ([[genai-simulate-patient-history-pbl-2026|Mool et al. (2026)]]).
- **Синтез доказів.** [[educators-engagement-ai-pbl-review-2026|Amdan et al. (2026)]] [[meta-analysis-systematic-review|систематично оглядають]] 50 досліджень (2015–2024) про залученість викладачів до ШІ в ПЗЗ у межах рамки [[human-ai-collaboration|взаємодії людини та комп’ютера]].
- **GenAI в сценарійному ПЗЗ.** [[genai-scenario-based-healthcare-education-2026|Neto and colleagues (2026)]] включають навчання на основі задач до сценарійних підходів у своєму систематичному огляді GenAI в освіті охорони здоров’я, виявивши, що [[prompt-engineering|проєктування підказок]] функціонує як навчальна специфікація і що гібридна колаборація людини та ШІ перевершує повністю автоматизовані підходи. Огляд підкреслює потребу в сильнішому узгодженні згенерованого контенту з навчальними рамками й у більш відтворюваних практиках формулювання підказок у контекстах ПЗЗ.

## ПЗЗ та споріднені педагогіки

ПЗЗ тісно пов’язане з [[project-based-learning|навчанням на основі проєктів]] — обидва є зорієнтованими на здобувача й керованими задачею/контекстом, — але ПЗЗ зосереджене на погано структурованій *задачі*, чиє розв’язування вимагає дослідження та будівництва знань, тоді як навчання на основі проєктів зосереджене на створенні відчутного *артефакту* чи проєкту. ПЗЗ є такше родичем навчання на основі кейсів та [[inquiry-based-learning|навчання на основі дослідження]], які поділяють ту саму структуру, керовану задачею та фасилітацією. У картуванні бази знань структурний аргумент на користь продуктивної інтеграції ШІ застосовний до будь-якої педагогіки, що поділяє ці риси, а не лише до ПЗЗ.

## Чому ПЗЗ важливе для інтеграції ШІ

Оскільки ПЗЗ виводить на передній план процес, співпрацю та продемонстроване розуміння понад створення артефактів, воно є природним домом для [[ai-literacy|відповідального використання ШІ]]: студенти навчаються *з* ШІ як із партнером, а не *від* ШІ як від замінника. Роль фасилітатора й проєктування задач стають важелями, що визначають, чи підтримує ШІ навчання, чи витісняє його — ті самі занепокоєння щодо [[human-in-the-loop-ai|людського нагляду]] та проєктування оцінювання, які повторюються по всій базі знань.

### Продуктивна невдача та ПЗЗ

[[productive-failure|Продуктивна невдача (ПН)]] поділяє [[constructivist]] ядро ПЗЗ — [[learners]] опрацьовують задачі перед навчанням, — але відрізняється структурою: ПН свідомо утримує навчання та скаффолдинг до моменту *після* того, як здобувачі намагаються згенерувати розв’язки, тоді як ПЗЗ вбудовує фасилітацію через увесь процес. Література про ПН в епоху ШІ напряму інформує, як ШІ має поводитися в межах умов навчання на основі задач: [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] показують, що ШІ має зберігати [[desirable-difficulties|продуктивну боротьбу]] через недирективну підтримку на фазах ПН; [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] демонструють, що [[llm]]-[[intelligent-tutoring|репетитори]] можуть бути спрямовані утримувати відповіді й викликати кілька спроб розв’язання; і [[rhaimi-productivemath-2025|ProductiveMath]] використовує ШІ, щоб допомогти проєктувати високоякісні задачі в стилі ПН/ПЗЗ. Питання проєктування — коли ШІ має дати задачу, підказку чи відповідь — є спільним для обох [[pedagogy|педагогік]].

## Пов’язані поняття

- [[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]] — Продуктивна невдача

## Пов’язані статті

- [[chen-pbl-pjbl-genai-meta-analysis-2026]] — Problem-based and project-based learning as promising frameworks for generative AI-supported education: Emerging evidence from a systematic review and three-level meta-analysis

- [[pbl-structural-conditions-ai-2026]] — ПЗЗ і структурні умови продуктивної інтеграції ШІ (Rowe 2026)
- [[educators-engagement-ai-pbl-review-2026]] — Систематичний огляд залученості викладачів до ШІ в ПЗЗ (Amdan et al. 2026)
- [[genai-simulate-patient-history-pbl-2026]] — Віртуальний пацієнт на базі GenAI для медичних туторіалів ПЗЗ (Mool et al. 2026)
- [[learn-framework-responsible-genai-pbl-2026]] — Рамка LEARN для відповідального GenAI в ПЗЗ (Uden & Hwang 2026)
- [[ai-enhanced-pbl-chatgpt-scaffolding-2026]] — ChatGPT як адаптивний скаффолдинг у ПЗЗ з підсиленням ШІ (La Sunra et al. 2026)
- [[pbl-biomedical-engineering-genai-2026]] — ПЗЗ у біомедичній інженерії в епоху GenAI (Nnamdi et al. 2026)
- [[ai-pbl-computational-thinking-2026]] — ПЗЗ з підтримкою ШІ для обчислювального мислення
- [[genai-counter-learner-groupthink-2025]] — Агент на базі GenAI протистоїть груповій думці в міжпрофесійному ПЗЗ
- [[dai-chatbots-problem-posing-primary-2026]] — Чатботи на базі GenAI і проблемопостановка в природничих науках початкової школи
- [[jiang-chatgpt-inquiry-steam-review-2026]] — ChatGPT для навчання на основі дослідження 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: AI to Support PF Problem Design
- [[genai-scenario-based-healthcare-education-2026]] — Систематичний огляд GenAI в сценарійній освіті охорони здоров’я (Neto et al. 2026)
- [[chen-osman-preservice-physics-tpack-ctd-pbl-2026]] — Модуль CTD-PBL з підтримкою ШІ для 130 викладачів-початківців фізики: TPACK і колаборативне вирішення задач (Chen & Osman 2026)

---

## [Продуктивна невдача](https://edtechdev.github.io/aied/concepts/productive-failure/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Продуктивна невдача (PF)** — це навчальний підхід, заснований на [[constructivist|constructivist theory]] та розроблений Manu Kapur, який залучає здобувачів до проблем, спрямованих на поняття, яких вони **ще не засвоїли**, змушуючи їх намагатися генерувати рішення *перед* отриманням прямого навчання (Kapur, 2008; Kapur & Bielaczyc, 2012). Замість того щоб розглядати невдачу як те, чого слід уникати, PF розглядає початкову боротьбу та помилку як потужний каталізатор: здобувачі активують і диференціюють [[prior-knowledge|prior knowledge]], виявляють [[misconceptions]] й готуються краще навчатися з подальшого навчання — що призводить до глибшого розуміння, кращого збереження та посиленого [[transfer-of-learning|knowledge transfer]].

## Питання для роздумів

- Чи траплялося вам навчитися більше з першої невдачі, ніж від того, як вам показали, як це робити? Що зробило ту невдачу «продуктивною», а не просто зневіральною?
- Центральне твердження сторінки — що *порядок* має значення: боротьба за генерацію рішень *перед* навчанням дає глибше навчання. Як ви думаєте, що відбувається в мозку під час цієї боротьби, на чому подальше навчання може будувати?
- Не всі невдачі рівні: «промахи» (помилкові дії) можуть мати обмежену діагностичну цінність, тоді як «помилки» виявляють справжні хибні уявлення. Як розрізнення цих категорій може змінити вашу реакцію на здобувача, який зазнає труднощів, — або на те, як має реагувати ШІ-тьютор?
- «Розрив безпеки» — це розбіжність між успішністю студента з допомогою ШІ та його здібностями без допомоги. Коли допомога, яка змушує студента виглядати здатним, насправді маскує те, чого він ще не вміє?
- ШІ, який приховує відповіді, щоб зберегти боротьбу, може сприйматися як менш корисний. Якби ви були студентом, як би ви відреагували на тьютора, який відмовлявся дати вам відповідь, — і чи збігалася б така реакція з тим, що найкраще для вашого навчання?
- Як страх помилятися перед однолітками (або ШІ) може гасити саму ту продуктивну боротьбу, про яку розповідає сторінка? Що має вміщувати «безпечний простір» для невдачі?

## Вступ

Продуктивна невдача тісно пов’язана, але відмінна від інших конструктів «навчання через труднощі»: [[desirable-difficulties]] (Bjork) зосереджуються на впровадженні бажаних викликів у практику; [[problem-based-learning]], та [[inquiry-based-learning]] наголошують на веденому здобувачем [[problem-solving|problem solving]]; а навчання з помилок/промахів (навчання через корекцію помилок) наголошує на цінності обробки, сповненої помилок, та корегувального зворотного зв’язку. Продуктивна невдача особлива своєю двофазовою структурою — **генерація та дослідження перед навчанням**, потім **консолідація та збирання знань після** — і своїм твердженням, що саме *порядок* (невдача перед навчанням) створює навчальну перевагу.

## Основний механізм

Здобувачі генерують рішення без когнітивної підтримки, спираючись на попередні знання та створюючи субоптимальні або навіть хибні рішення. Потім вони порівнюють і протиставляють ці спроби з канонічним рішенням під час консолідації. Боротьба:

- **Активує та диференціює попередні знання**, роблячи здобувачів усвідомленими щодо прогалин і хибних уявлень.
- **Готує здобувачів навчатися з навчання** — вони знають, чого не знають, і можуть пов’язувати новий матеріал зі своїми спробами.
- **Підсилює перенесення знань і довговічні навички** ([[critical-thinking]], стійкість, комунікація), зменшує страх помилятися та сприяє позитивному ставленню до навчання.

Рамку PF розширено через пов’язані проєкти, серед яких **опосередкована невдача**, **різноманітність рішень** та **адаптивне керівництво** (Braas et al., 2025; Brand et al., 2025).

## Навчання з помилок та навчання з промахів

Продуктивна невдача лежить у межах ширшого сімейства теорії навчання, зосередженого на помилках, і сторінка поняття охоплює ці пов’язані ідеї:

### Навчання з помилок
Обробка, сповнена помилок, може сприяти збереженню та концептуальним змінам, особливо коли здобувачам дають можливість рефлексувати та реорганізовувати своє розуміння (Kapur, 2008; Schwartz & Martin, 2004). В епоху ШІ це операціоналізується в системах, де здобувачі діагностують і виправляють власні помилки, а не отримують прямих виправлень — наприклад, завдання типу [[lukesova-clue-before-correction-2026|clue-before-correction]], де ШІ дає спрямовані підказки, а здобувачі виводять правильне рішення, зменшуючи когнітивне навантаження та підтримуючи автономну правку. Розгорнутий зворотний зв’язок дає значно вищі [[learning-gains|learning gains]], ніж зворотний зв’язок лише з верифікацією (Hattie & Timperley), і час зворотного зв’язку має значення.

### Промахи та помилки
Корисна відмінність: **промахи** — це зазвичай помилкові дії або упущення (часто з недбалості чи перевантаження), які можуть мати обмежену діагностичну цінність, тоді як **помилки** відбивають справжнє нерозуміння або хибне міркування і є продуктивнішим навчальним матеріалом, бо виявляють хибне уявлення, яким можна зайнятися. Аналіз помилок — визначення *чому* відповідь неправильна — є центральним для навчання з помилок і є ключовою [[pedagogy|pedagogical]] навичкою (і мішенню для проєктування [[ai-feedback-quality|AI feedback]]).

### Роль корегувального зворотного зв’язку
Навчання з помилок залежить від зворотного зв’язку, який допомагає здобувачам побачити, що було неправильно і чому. Зворотний зв’язок на основі підказок і розгорнутий (що веде здобувачів до виправлення) ефективніший, ніж просто подання правильної відповіді — це прозріння, що пов’язує теорію [[feedback]] безпосередньо з проєктуванням продуктивної невдачі та з тим, як [[intelligent-tutoring|AI tutors]] мають реагувати на помилки студентів.

## Продуктивна невдача та ШІ в освіті

Основна тема в [[research-methods-aied|research]] бази знань — це напруженість між корисністю ШІ та збереженням продуктивної боротьби:

- **Ризик: ШІ стирає боротьбу.** Надто «корисний» ШІ типу Oracle, який прямо дає відповіді, може усунути продуктивну боротьбу, необхідну для конструювання схеми, створюючи те, що [[wang-safety-gap-productive-struggle-2026|Wang & Shan (2026)]] називають **розривом безпеки** — розбіжністю між успішністю студента з допомогою ШІ та його внутрішньою, недопоможеною здатністю. Це пов’язано з [[cognitive-offloading]]: ШІ, який заміщає зусилля, руйнує ті самі здібності, які будує освіта.
- **Відповідь на проєктування: ШІ, який скаффолдить боротьбу.** [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] виводять п’ять принципів проєктування для ШІ, що підтримує навчання на основі продуктивної невдачі ([[human-ai-collaboration|human-AI collaboration]], [[usability-research|usability]], рефлексивне проєктування, емоційне проєктування, відкрите знання), наголошуючи, що ШІ має зберігати боротьбу, пропонуючи недирективну підтримку. [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] показують, що [[llm]]-тьюторами можна *керувати*, щоб вони дотримувалися педагогіки продуктивної невдачі (приховувати рішення, викликати численні спроби), ціною сприйманої корисності. CoMeT (Hou et al. 2026) оцінює ту ціну і знаходить середину: його ескалюючий тьютор був на 0,42 бальних одиниць більш незручним, ніж тьютор, який відповідав на запит (p < .001), і на 0,29 менш незручним, ніж той, який лише ставив питання (p = .011), причому дистрес виявлявся в 8,4% його сесій проти 16,0% у тьютора, що приховував, і він поступався повною відповіддю в 6,1% сесій. Поріг, який відкривається на явному проголошенні здачі, а не на незручності, випливає з того самого проєктування — без нього ті здобувачі, які найбільше потребують цього, обходять вимогу.
- **ШІ як інструмент для проєктування PF:** [[rhaimi-productivemath-2025|ProductiveMath]] використовує [[generative-ai|generative AI]], щоб допомагати викладачам створювати високоякісні проблеми PF — вирішуючи виклик, що проєктування діяльностей продуктивної невдачі є трудомістким.
- **Згенеровані ШІ помилки як провокації:** [[pedagogy-ai-mistakes|pedagogy of AI mistakes]] навмисно використовує помилки ШІ та [[hallucination-risk|hallucinations]] як [[teacher-role|teaching]] інструменти, узгоджуючись із мисленням продуктивної невдачі шляхом розгляду хибного виходу як когнітивної провокації.

Це робить продуктивну невдачу центральним об’єктивом для [[ai-ed-evaluation|evaluating AI in education]]: питання не в тому, чи допомагає ШІ, а в тому, чи допомагає він так, щоб **зберігати боротьбу, через яку будується довговічне навчання**.

## Наслідки для викладачів та навчального проєктування

- **Проєктуйте для боротьби перед навчанням.** Упорядкуйте навчання так, щоб студенти намагалися розв’язувати проблеми до прямого викладання, а потім консолідують, — а не за традиційним підходом «спочатку навчання».
- **Стратегічно приховуйте рішення.** Скаффольдіть підказками, зачіпками та керівними питаннями ([[socratic-method]]), які утримують здобувачів когнітивно залученими, а не віддають відповіді.
- **Використовуйте ШІ, щоб скаффолдити, а не заміщати.** Обирайте та налаштовуйте інструменти ШІ, які дають недирективну підтримку, зберігають продуктивну боротьбу та виявляють помилки для рефлексії, — а не тих, що віддають відповіді. Це стосується як проєктування тьюторів (керування LLM), так і практики в аудиторії.
- **Звертайте увагу на емоційний бік невдачі.** [[affective-computing|Emotional design]], безпечний простір для експериментування та зменшення страху помилок є суттєвими — продуктивна невдача вимагає, щоб здобувачі були готові боротися і зазнавати невдачі.
- **Вбудовуйте аналіз помилок у навчання.** Просіть здобувачів діагностувати *чому* їхня (або ШІ-відповідь) є неправильною, використовуючи розгорнутий/на основі підказок зворотний зв’язок, щоб перетворювати помилки на навчальні здобутки.
- **Педагогічно розрізняйте промахи та помилки.** Не всі невдачі однаково продуктивні; звертайте увагу на те, чи відбивають помилки хибні уявлення, якими варто зайнятися.

## Зв’язки з навчальними здобутками та іншими мірами

- **Навчальні здобутки:** PF асоціюється з покращеним [[learning-gains|learning]] порівняно з традиційними підходами «спочатку навчання» (Kapur, 2008, 2015; Schwartz & Martin, 2004), особливо на мірах перенесення та глибокого розуміння. Зворотний зв’язок на основі підказок/розгорнутий дає значно вищі навчальні здобутки, ніж зворотний зв’язок лише з верифікацією (Hattie & Timperley).
- **Перенесення та збереження:** вигоди PF найсильніші на перенесенні знань до нових проблем — це результат довговічних навичок, а не короткострокової успішності на іспиті.
- **Афективні та [[motivation|motivational]] результати:** PF зменшує страх помилок, підсилює [[student-engagement|engagement]] та культивує стійкість і позитивні ставлення до навчання.
- **Специфічні для ШІ міри:** дослідження ШІ, орієнтованого на PF, оцінюються за вірністю стратегії (наприклад, [[puech-pedagogical-steering-llm-productive-failure-2025|StratL's PF score]], кількістю викликаних спроб рішення) та за сприйняттям викладачів/здобувачів, поряд із традиційними мірами навчальних результатів.

## Зв’язки з пов’язаними поняттями

Продуктивна невдача пов’язана з [[learning-theories]] (конструктивізм), [[desirable-difficulties]] (цінність труднощів у навчанні), [[problem-based-learning]], та [[inquiry-based-learning]] (ведене здобувачем розв’язування проблем), [[metacognition]] (рефлексія над власними спробами), [[cognitive-offloading]] (ризик, що ШІ стирає боротьбу), [[scaffolding]] (підтримка, що зберігає зусилля), [[feedback]] (розгорнутим, корегувальним), [[prior-knowledge]] (активація та диференціація), [[transfer-of-learning]] (довговічні результати) та [[socratic-method]] (питання, що провокують міркування). В епоху ШІ це центральний оцінний об’єктив: чи допомагає ШІ так, щоб зберігати боротьбу, через яку будується довговічне навчання?

## Пов’язані поняття

- [[pedagogical-patterns]] — Спроба перед навчанням як повна послідовність, з її тонкою базою доказів
- [[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]]

## Пов’язані статті

- [[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

---

## [Навчання на основі дослідження](https://edtechdev.github.io/aied/concepts/inquiry-based-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Навчання на основі дослідження (IBL)** — орієнтована на здобувача [[pedagogy]], у якій студенти розбудовують розуміння, ставлячи питання, досліджуючи самостійно та конструюючи знання через цикл дослідження, рефлексії та перегляду, тоді як викладач виконує роль [[scaffolding]], а не викладає лекційно. В епоху ШІ структура IBL, зорієнтована на питання й дослідження, стала фокусом уваги: інструменти [[generative-ai|generative AI]] та [[llm]] можуть виступати як інтерактивні «співдослідники», що підтримують постановку питань і дослідження — але лише тоді, коли їх спроєктовано так, щоб зберегти, а не обійти когнітивну роботу дослідження.

## Питання для роздумів

- Навчання на основі дослідження зосереджене на запитах, які породжує сам студент, і на самому процесі дослідження. Чим відрізняється навчання, що керується власним питанням, від навчання, що керується чиїмось іншим?
- Сторінка запитує, чи виступає ШІ як «співдослідник», що підтримує ваше дослідження, чи як замінник, що обходить когнітивну роботу. Коли ви використовуєте ШІ для дослідження питання, хто саме досліджує?
- Свідчення щодо підтриманого ШІ дослідження неоднозначні: в одному дослідженні воно покращило творчу продуктивність і ставлення, але не критичне [[problem-solving]], а в іншому поглибило концептуальне розуміння, не підвищивши [[ai-literacy|AI literacy]]. Що це говорить про те, що сам лише ШІ може й не може розвивати?
- Якщо розгляд результатів ШІ як авторитетних ризикує надмірною залежністю й поверховими висновками, як ви навчали б студентів оцінювати згенеровані ШІ відповіді в межах циклу дослідження?
- Сторінка пов’язує дослідження з продуктивним провалом — здобувачі досліджують до інструктажу, тому сама боротьба готує навчання. Як ШІ, що утримує відповіді й спонукає до кількох спроб, може підтримувати цю боротьбу, а не усувати її?
- Яка роль фасилітатора, коли ШІ знижує труднощі постановки питань? Якщо студенти можуть миттєво отримувати відповіді, що тепер викладачеві потрібно скаффолдити так, як раніше не потрібно було?

## Вступ

Навчання на основі дослідження зосереджене на запитах, які породжує сам студент, і на самому процесі дослідження, зазвичай проходячи фази (орієнтація → концептуалізація → дослідження → обговорення → висновок). Це ширше сімейство, у межах якого часто вкладені [[problem-based-learning|problem-based learning]] і [[project-based-learning|project-based learning]]: IBL підкреслює *процес постановки питань і відкриття*, PBL — погано структуровану *проблему*, а навчання на основі проєктів — відчутний *артефакт*.

## Як навчання на основі дослідження представлене в базі знань

**ШІ як співдослідник.** [[meta-analysis-systematic-review|systematic review]] ChatGPT для навчання на основі дослідження в STEAM ([[jiang-chatgpt-inquiry-steam-review-2026]], 24 дослідження) виявив, що ChatGPT використовувався переважно на фазах концептуалізації, дослідження та обговорення — як навчальний інструмент, тьютор, навчальний пір, експерт у предметній галузі та помічник [[teacher-role|teaching]] — покращуючи продуктивність, [[critical-thinking|critical thinking]], [[student-engagement|engagement]] і мотивацію, водночас породжуючи ризики надмірної залежності, галюцинацій і поверхових висновків, коли результати розглядаються як авторитетні.

**Постановка проблеми як відправна точка.** Квазіексперимент із 97 учнями третього класу ([[dai-chatbots-problem-posing-primary-2026]]) показав, що GenAI [[conversational-ai|chatbots]] суттєво перевершили пошукові системи в постановці наукових проблем, покращуючи якість запитань і породжуючи більш інтегровані епістемічні [[network-analysis|networks]] за одночасного зниження когнітивного навантаження.

**Когнітивні патерни в IBL, що керується LLM.** Дослідницьке дослідження 117 транскриптів інтерв’ю та записів взаємодії ([[luo-ibl-patterns-llm-bloom-2026|Luo et al.]]) виявило 14 патернів взаємодії на когнітивних рівнях Блума, показуючи, як попередні знання студентів формують використання LLM, і підкреслюючи потребу в скаффолдингу, що націлений на етапи мислення вищого порядку та пом’якшує надмірну залежність.

**Свідчення результатів неоднозначні.** Експеримент із підтриманим ШІ IBL у [[math-education|mathematics]] ([[mujib-ai-ibl-creative-math-2026|Mujib et al.]]) покращив творчу математичну продуктивність і ставлення, але не навички критичного вирішення проблем — що вказує на те, що AI-IBL переважно підтримує розвиток [[creativity]] та [[affective-computing|affective]] розвиток. Мета-аналіз 29 експериментів ([[zhao-genai-higher-order-thinking-meta-2026|Zhao et al.]]) виявив, що GenAI має помірний позитивний ефект на мислення вищого порядку, найсильніший для вирішення проблем та при інтервенціях тривалістю 8–16 тижнів, причому найбільше виграють здобувачі з вищим рівнем [[self-regulated-learning]]. Квазіексперимент із 48 майбутніми викладачами науки в Туреччині ([[ai-supported-inquiry-photosynthesis-respiration-2026|Aydın]]) із використанням 8-тижневої програми керованого дослідження з підтримкою ШІ (що інтегрує навчання на основі проблем і дизайну) виявив суттєві прирости в залежності від часу в концептуальному розумінні фотосинтезу й клітинного дихання, але *не* виявив суттєвого ефекту на ШІ-грамотність чи власне відчуття [[computational-thinking|computational thinking]] — свідчення того, що AI-IBL може поглиблювати предметне розуміння, тоді як розвиток компетентностей ШІ/КТ вимагає більш явного, цілеспрямованого проєктування.

[[ai-assisted-inquiry-ssi-climate|Gousopoulos (2026)]] ізолював внесок ШІ від самого дослідження в тригруповому дослідженні клімату: дослідження з підтримкою ШІ випередило однолітків, які лише досліджували, за прийняттям рішень (d = 0,69), із найбільшими приростами в моніторингу та адаптивному управлінні (d = 1,37), тоді як базовий збір даних покращився однаково в умовах усіх груп.

**[[equity-in-ai-education|Equity]] і контекст.** Концептуальна рамка поєднує спроєктоване спільно з генеративним ШІ з відкритими освітніми практиками для підтримки веденого дослідженням навчання STEM у контекстах із обмеженими ресурсами, використовуючи згенеровані ШІ, [[multilingual-learning|multilingual]], контекстуально релевантні [[simulation|simulations]].

**Порівняння свідчень зі скаффолдингом ШІ.** [[ai-information-extraction-undergraduate-thesis-2026|An and colleagues (2026)]] показують, як система витягання інформації на основі ШІ зсуває огляд літератури в бакалаврському навчанні від узагальнення до **організації та порівняння свідчень** — студенти переходять від ізольованого читання до порівняння між дослідженнями та обґрунтування на основі свідчень на підтримку навчання, заснованого на дослідженнях, і завершення дипломної роботи. Це конкретизує, як [[generative-ai|AI]] може скаффолдити процеси дослідження в [[stem-education|STEM]] дослідженнях здобувачів.

## Чому навчання на основі дослідження важливе для інтеграції ШІ

Зорієнтована на питання, сфокусована на процесі структура IBL є природним домом для продуктивного використання ШІ: студенти вчаться *з* ШІ як із партнером, а не *з* нього як із замінником. Свідчення бази знань сходяться навколо ключового напруження — ШІ може знизити труднощі пошуку інформації та формулювання питань (зменшуючи [[cognitive-offloading|cognitive load]] і даючи змогу глибшій [[metacognition|reflection]]), але без скаффолдингу проєктування він ризикує надмірною залежністю та обходженням пізнання вищого порядку. Роль фасилітатора, проєктування скаффолдів і явне навчання навичкам оцінювання — це важелі, що визначають, чи поглиблює ШІ дослідження, чи витісняє його.

### Продуктивний провал і дослідження

[[productive-failure|Productive failure (PF)]] — найструктурованіший родич навчання на основі дослідження: здобувачі досліджують проблеми та генерують рішення *до* прямого інструктажу, а потім консолідують. Обидва поділяють передумову, що здобувацькі спроби (навіть невдалі) [[prior-knowledge|activate prior knowledge]] і готують здобувачів вчитися з інструктажу. [[research-methods-aied|research]] епохи ШІ щодо PF уточнює, як ШІ має скаффолдити дослідження, не закорочуючи його: [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] виводять принципи проєктування ШІ для збереження боротьби через дослідження проблем і генерацію рішень; [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] показують, що LLM-тьюторів можна скеровувати так, щоб вони утримували відповіді й спонукали до кількох спроб; завдання [[lukesova-clue-before-correction-2026|clue-before-correction]] є прикладом скаффолдингу на основі підказок (а не прямих відповідей), що зберігає за здобувачем здійснення міркування. Це пов’язує дослідження та PF із ширшим імперативом: ШІ не має усувати [[desirable-difficulties|productive struggle]], через яку формується тривале навчання.

У польових умовах той самий імператив стає просторовим: GenAI може попередньо структурувати те, що здобувачі помічають, перш ніж вони зіткнуться зі свідченнями, тому послідовність «спочатку поле», що утримує згенероване пояснення, доки не записані спостереження й початкові інтерпретації, захищає дослідження ([[geoscience-field-learning-genai-2026|Choi, 2026]]).

## Пов’язані поняття

- [[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]] — Продуктивний провал
## Пов’язані статті

- [[jiang-chatgpt-inquiry-steam-review-2026]] — ChatGPT для навчання на основі дослідження в STEAM (систематичний огляд)
- [[dai-chatbots-problem-posing-primary-2026]] — GenAI чат-боти та постановка проблем у початковій науці
- [[luo-ibl-patterns-llm-bloom-2026]] — Патерни IBL в умовах, що керуються LLM (перспектива Блума)
- [[mujib-ai-ibl-creative-math-2026]] — IBL з підтримкою ШІ та творча математична продуктивність
- [[zhao-genai-higher-order-thinking-meta-2026]] — Мета-аналіз GenAI і мислення вищого порядку
- [[niri-steam-ai-literacy-review-2026]] — Освіта STEAM для ШІ-грамотності
- [[kim-ai-productive-failure-adult-2026]] — Проєктування систем ШІ для підтримки навчання на основі продуктивного провалу
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Педагогічне скеровування LLM для продуктивного провалу
- [[lukesova-clue-before-correction-2026]] — Clue Before Correction: ChatGPT для автономного вивчення мови
- [[ai-supported-inquiry-photosynthesis-respiration-2026]] — Кероване дослідження з підтримкою ШІ в фотосинтезі та диханні (освіта викладачів науки)
- [[ai-information-extraction-undergraduate-thesis-2026]] — Витягання інформації на основі ШІ для підтримки дипломної роботи та навчання, заснованого на дослідженнях (An et al. 2026)
- [[ai-assisted-inquiry-ssi-climate]] — Дослідження з підтримкою ШІ в соціально-наукових питаннях щодо зміни клімату
- [[geoscience-field-learning-genai-2026]] — Модель інструктажу «спочатку поле», що не дає GenAI попередньо структурувати те, що помічають здобувачі (Choi 2026)

---

## [Досвідницьке навчання](https://edtechdev.github.io/aied/concepts/experiential-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Досвідницьке навчання** — навчання через безпосередній досвід, рефлексію та застосування знань в автентичних або практичних контекстах («навчання через дію»). Спираючись на цикл досвідницького навчання Колба (конкретний досвід, рефлексивне спостереження, абстрактне концептуалізування, активне експериментування), досвідницькі підходи наголошують, що здобувачі навчаються найглибше тоді, коли діють, спостерігають результати та рефлектують. В [[ai-education|освіті зі ШІ]] досвідницьке навчання охоплює практичні лабораторії, проєктну роботу, [[educational-robotics|робототехніку]], [[simulation|симуляції]] та вирішення [[problem-solving|проблем]] із реального світу.

## Питання для роздумів

- Цикл Колба описує навчання через дію: конкретний досвід, рефлексію, спостереження, концептуалізування, а потім активне експериментування. Згадайте навичку, яку ви справді засвоїли. Чи пройшла вона цей цикл — і хіба одна лише лекція могла б дати ту саму глибину?
- Досвідницьке навчання часто є типовим за умовчанням в освіті зі ШІ, кібербезпеки та робототехніки, де студенти навчаються, працюючи зі справжніми інструментами. Який аргумент пояснює, чому практика з власними руками закриває прогалину між теорією та практикою, яку залишають відкритою лекції?
- Деякі досвідницькі підходи тепер використовують асистентів ШІ всередині віртуальних лабораторій і симульованих роботів. Коли сам «досвід» є симульованим або підтриманим ШІ, чи він усе ще справді досвідницький — чи відсутність реальних наслідків змінює те, що засвоюється?
- Коли ви бачили, що «навчання через дію» не давало навчання? Які умови — рефлексія, зворотний зв’язок, реальна проблема — здаються необхідними, щоб досвід справді навчав?

## Вступ

Досвідницьке навчання тісно пов’язане з [[active-learning]], [[project-based-learning]], [[embodied-learning]] та [[simulation]]. Воно особливо доречне для освіти зі ШІ, кібербезпеки та робототехніки, де студенти розвивають навички, працюючи з інструментами та системами в прикладних контекстах, а не лише через лекції. Ключове обґрунтування — закриття прогалини між теорією та практикою в професійній підготовці.

### Як досвідницьке навчання проявляється в дослідженнях бази знань

- **Аварійне підставлення — із рубрикою, яка показує, наскільки далеко воно веде.** [[ai-personas-fieldwork-experiential-learning-2026|Elhajj та співавт. (2026)]] документують підставлення, зумовлене конфліктом 2024 року в Лівані: студенти магістерського курсу досвідницького навчання в Американському університеті Бейрута, не маючи доступу до спільнот для оцінки потреб, замість цього інтерв’юювали персони-зацікавлені сторони, згенеровані ChatGPT. Два оцінювачі оцінили всі десять групових запитів, і розподіл виявився повчальним — узгодженість із освітніми цілями (середнє 5,00) і різноманітність перспектив (4,90) були сильними, тоді як автентичність і реалістичність (4,38), а особливо групова динаміка та узгодженість (3,80, причому одна фокус-група з 30 персон перетворилася на послідовні інтерв’ю) і обмеження та прогалини (3,20) були слабкими, причому останнє — через те, що емоційна плоскоскість, відсутність суперечностей і тонка культурна специфічність повторювалися в кожному контексті. Висновок авторів — це межа, а не вердикт: персони працюють як репетиція і як тимчасовий захід там, де доступ неможливий або небезпечний, але не там, де саме емоційна складність, культурна специфічність та міжособистісна динаміка *є* ціллю навчання. Їхній спосіб пом’якшення структурний — поєднати симульовану рольову гру з реальними інтерв’ю, щоб студенти могли порівнювати, і навчати студентів перевіряти результат роботи персон на упередження та узагальнення, а не розглядати його як польові докази.
- **Лабораторії з кібербезпеки:** [[genai-cybersecurity-ocr-multimodal-instruction-2025|Викладання кібербезпеки з підтримкою LLM]] інтегрує асистента з [[generative-ai]] навчання у платформу віртуальної лабораторії, підтримуючи практичне досвідницьке формування навичок.
- **Проєкти з робототехніки:** [[bots-blocks-project-based-robotics-education-2026|Bots and Blocks]] використовує проєктний, практичний підхід до викладання робототехніки, усуваючи брак практичного досвіду в класичних програмах.
- **Симуляція та втілене навчання:** [[edusim-llm-robotic-simulation-education-2026|EduSim-LLM]] дає змогу початківцям експериментувати з симульованими роботами, а [[embodied-learning|втілена]] взаємодія з роботом приземлює навчання в безпосередньому досвіді.

- **ШІ як інфраструктура для невизначеності, а не для ефективності.** [[shi-genai-experiential-learning-management-education-2026|Shi, Dai & Zhang (2026)]] дають генеративній ролі ШІ завдання створювати руйнівні події та каскадні наслідки в бізнес-симуляції, щоб команди переглядали плани за неповної інформації, і застерігають, що захищені симуляції можуть залишити звички прийняття рішень, які стають обтяженням за межами аудиторії.

### Дві форми навчання з практикою в навчальному плані з підтримкою ШІ

Тематичний огляд 32 рецензованих досліджень навчання з практикою в освіті зі ШІ з дизайну
([[hands-on-learning-necessity-age-of-ai-review-2026|Yu, Liu & Zhu, 2026]]) стверджує, що ШІ переорганізовує, а не заміщує
досвідницьке навчання, і проводить розрізнення, яке інші джерела бази знань схильні згладжувати: *Втілена практика* (Embodied Hands-on), яка
залежить від тілесної дії, інструментів і матеріалів, та *Когнітивна практика* (Cognitive Hands-on), яка розвивається через продовжену операцію, судження
і коригування результатів, згенерованих ШІ. Обидва проходять той самий цикл дія–зворотний зв’язок–рефлексія–вдосконалення, але беруть зворотний зв’язок із
різних джерел — опору реального матеріалу в першому випадку, мовні та візуальні результати в другому, — тому їх не слід
розглядати як рівнозначні або як взаємозамінні. Застереження огляду полягає в тому, що ефективність генерації може стиснути дослідну
фазу: кілька включених досліджень повідомляють про зменшення дослідного ескізування та поступового методу проб і помилок, тож більше ітерацій, уможливлених ШІ,
не обов’язково означає більшу ітеративну глибину, і студенти можуть пропустити ті зустрічі з невдачею та обмеженнями матеріалу, які роблять роботу з практикою
повчальною. Узгоджено з цим, саме [[prompt-engineering|підказкування]] не підвищувало [[creativity]] в переглянутих роботах, тоді як багатокрокові операції
(генерація, зміна, вибір) підвищували — знову розміщуючи навчання в судженні здобувача, а не в генерації.

Досвідницьке навчання пов’язується з [[active-learning]], [[project-based-learning]], [[embodied-learning]], [[simulation]], [[educational-robotics]] та професійною підготовкою в [[higher-ed]].

Досвід, інтегрований з роботою, може бути обов’язковою умовою високої компетентності: у 89 спонсорованих проєктах-капстоун в лабораторії інтелектуального виробництва перехід від Workforce Readiness Level 6 до 7 визначався виробничими стажуваннями, вбудованими в галузь, а не додатковими навчальними дисциплінами ([[workforce-readiness-smart-manufacturing-wrl-2026|Smith та співавт. (2026)]]).

## Пов’язані поняття

- [[active-learning]]
- [[project-based-learning]]
- [[embodied-learning]]
- [[simulation]]
- [[educational-robotics]]
- [[higher-ed]]
- [[learning-theories]]
- [[pedagogy]] — Зонтичне поняття: педагогіки та стратегії викладання в освіті зі ШІ
- [[virtual-and-augmented-reality]] — імерсивна практика як свідомий досвід

## Пов’язані статті

- [[genai-counter-learner-groupthink-2025]]
- [[workforce-readiness-smart-manufacturing-wrl-2026]] — Рамкова концепція Workforce Readiness Level для інтелектуального виробництва в епоху ШІ
- [[zhu-e3-hot-embodied-intelligence-sustainable-learning]] — Розвиток сталого навчання через втілену інтелігенцію (E3-HOT)
- [[genai-cybersecurity-ocr-multimodal-instruction-2025]] — GenAI в освіті з кібербезпеки
- [[bots-blocks-project-based-robotics-education-2026]] — Bots and Blocks
- [[edusim-llm-robotic-simulation-education-2026]] — EduSim-LLM
- [[white-wu-robotics-ai-education-2026]] — Робототехніка та ШІ в освіті
- [[ai-lms-middle-school-longitudinal]] — Лонгітюдне дослідження LMS з інтеграцією ШІ
- [[li-ai-science-situated-learning-teachers-2025]]
- [[ai-personas-fieldwork-experiential-learning-2026]] — Персони ШІ, що підміняють польову роботу в спільноті, із рубрикою з п’яти показників для визначення, де підміна провалюється (Elhajj та співавт. 2026)
- [[hands-on-learning-necessity-age-of-ai-review-2026]] — Тематичний огляд, що розрізняє втілену практику та когнітивну практику в освіті зі ШІ з дизайну (Yu, Liu & Zhu 2026)
- [[shi-genai-experiential-learning-management-education-2026]] — курс стратегічного управління, перебудований навколо трьох механізмів генеративного ШІ

---

## [Навчання на основі ігор](https://edtechdev.github.io/aied/concepts/game-based-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Навчання на основі ігор (GBL)** — використання самих ігор (цифрових або фізичних) як середовища та контексту навчання, де механіка, виклики та прогресія гри несуть навчальний зміст. Здобувачі вчаться *через* гру. Схожим чином, **геміфікація** застосовує елементи ігрового дизайну (бали, значки, рівні, таблиці лідерів) до неігрових навчальних видів діяльності, не перетворюючи їх на повноцінні ігри. В освіті зі ШІ та [[educational-robotics|робототехнікою]] обидва підходи використовуються, щоб зробити технічний зміст цікавим і мотивуючим.

## Запитання для роздумів

- Навчання на основі ігор використовує саму гру як середовище навчання — ви вчитеся *через* гру. Геміфікація лише нашаровує бали, значки та рівні на неігровий вид діяльності. Наскільки різними, на вашу думку, є ці два підходи за впливом на справжнє навчання в порівнянні з короткостроковою залученістю?
- Порівняльний огляд виявив, що навчання на основі ігор поширеніше в неформальних умовах, тоді як геміфікація домінувала в формальних аудиторіях і віддавала перевагу навчанню на основі проєктів. Чому, на вашу думку, кожен підхід знайшов інший дім — і що це говорить про те, де кожен із них працює найкраще?
- Геміфікація спирається на теорію самодетермінації — [[agency|автономія]], компетентність, пов’язаність. Якщо мотивація стосується задоволення цих потреб, чому система балів і значків може досягати успіху чи зазнавати невдачі залежно від того, як вона формує сприймане зусилля та увагу?
- [[research-methods-aied|Дослідження]] припускає, що мотиваційна вигода ігроподібних і підтримуваних ШІ дизайнів залежить від того, як вони формують сприймане навантаження та увагу, а не від геміфікації сама по собі. Коли ви бачили, як гра або значки підвищували залученість, не покращуючи фактично навчання — або навпаки?

## Вступ

GBL спирається на теорії [[motivation]], [[student-engagement]] та [[active-learning]]: ігри дають внутрішню мотивацію, негайний зворотний зв’язок та автентичні проблемні контексти. Воно перетинається з [[simulation]], [[project-based-learning]] та [[educational-robotics]]. GBL особливо релевантне для [[educational-robotics]], [[computational-thinking]] та [[cs-education]], де ігри можуть робити абстрактні технічні поняття конкретними й цікавими.

### Як GBL проявляється в дослідженнях бази знань

- **Освіта з робототехніки:** [[game-based-gamified-robotics-education-review-2026|Порівняльний систематичний огляд]] навчання на основі ігор та геміфікації в освіті з робототехніки виявив, що GBL поширеніше в неформальних умовах, тоді як геміфікація домінувала в формальних аудиторіях і віддавала перевагу [[project-based-learning|навчанню на основі проєктів]].

- **Ігри з посередництвом роботів:** [[remind-robot-mediated-roleplay-antibullying-2026|REMind]] — це рольова гра з посередництвом робота для втручання проти цькування, а [[motibo-digital-storytelling-robots-motivation-2026|MotiBo]] використовує інтерактивне [[storytelling-in-education|цифрове оповідання]] для підвищення мотивації.

- **ШІ-[[conversational-ai|розмовні агенти]] в імітаційних іграх:** Wenzel, Geiger і Liening (2026) виводять фреймворк CAIS-GBL — чотири принципи дизайну та п’ятнадцять дизайнерських рис для ШІ-розмовних агентів у цифровому навчанні на основі ігор — з теоретично обґрунтованих метавимог, що охоплюють когнітивну, мотиваційну, [[affective-computing|афективну]] та [[sociocultural-learning|соціокультурну]] залученість, із позицією [[equity-in-ai-education|справедливості]] через дизайн. Їхній реалізований агент (Lara) в бізнес-імітаційній грі був позитивно сприйнятий за когнітивної присутності та [[community-of-inquiry|присутності соціальної]] і підтримки [[self-regulated-learning]] саморегуляції, вирішуючи поширену прогалину обмеженого [[formative-assessment|формативного]] зворотного зв’язку та структурованої рефлексії в імітаційних іграх.

- **Ефективність ШІ у GBL:** Систематичний огляд 55 досліджень навчання на основі ігор із підтримкою ШІ виявляє позитивні ефекти на знання, внутрішню мотивацію та афективну залученість, але лише 4 дослідження (7%) відповідали його порогу високої якості, і лише 4 (7%) були [[rct|РКВ]] ([[ai-game-based-learning-systematic-review-2026|Kaşarcı & Yurt, 2026]]). Ефективність залежала від узгодження механізму ШІ із заявленою [[learning-theories|теорією навчання]].

### Геміфікація

**Геміфікація** — це застосування елементів ігрового дизайну (бали, значки, рівні, таблиці лідерів, виклики, шкали прогресу) в неігрових контекстах для мотивації та залучення користувачів. На відміну від навчання на основі ігор — де навчання відбувається *через* гру — геміфікація нашаровує ігрові механіки на наявний навчальний вид діяльності, не перетворюючи його на повноцінну гру. В освіті вона використовується для підвищення мотивації, [[student-engagement]] та стійкості й широко застосовується в формальних умовах аудиторії.

Геміфікація спирається на мотиваційну теорію, зокрема [[self-determination-theory]] (підтримка автономії, компетентності та пов’язаності) і фреймворки зміни поведінки. Вона виявила особливу синергію з [[project-based-learning]] в прикладних галузях, як-от робототехніка. В дослідженнях бази знань:

- **Освіта з робототехніки:** порівняльний огляд виявив, що геміфікація домінувала в формальних аудиторіях в освіті з робототехніки (p < .001) і сильно віддавала перевагу [[project-based-learning|навчанню на основі проєктів]] (p = .009), тоді як навчання на основі ігор було поширенішим в неформальних умовах.

- **Залученість і мотивація:** геміфікація використовується в усьому обсязі бази знань для підвищення залученості та мотивації здобувачів у контекстах навчання ШІ, [[cs-education|програмуванню]] та [[stem-education|STEM]]. Дослідження [[genai-motivation-engagement-2026|генеративного ШІ, мотивації та залученості]] розглядає, як ігроподібні елементи поєднуються зі ШІ для підтримки інтересу здобувача. Два дослідження 2026 року розширють це, порівнюючи геміфіковані та підтримувані ШІ умови з традиційним навчанням: [[nasa-tlx-workload-gamified-ai-2026|дослідження за NASA-TLX]] виміряло сприймане навантаження в умовах традиційного, геміфікованого та підтримуваного ШІ навчання, а [[arcs-motivational-ergonomics-gamified-ai-2026|дослідження за ARCS]] розглянуло мотиваційну «ергономіку» в геміфікованому та підтримуваному ШІ навчанні з наслідками для [[professional-training|навчання на робочому місці]]. Разом вони з’ясовують, що мотиваційна вигода ігроподібних і підтримуваних ШІ дизайнів залежить від того, як вони формують [[motivation|сприймане зусилля]], навантаження та увагу (наприклад, виміри уваги/релевантності ARCS), а не від геміфікації сама по собі.

GBL і геміфікація разом пов’язуються з [[educational-robotics]], [[student-engagement]], [[motivation]], [[self-determination-theory]], [[active-learning]], [[simulation]], [[project-based-learning]] та [[computational-thinking]].

## Пов’язані поняття

- [[educational-robotics]]
- [[student-engagement]]
- [[motivation]]
- [[self-determination-theory]]
- [[active-learning]]
- [[simulation]]
- [[project-based-learning]]
- [[computational-thinking]]
- [[cs-education]]
- [[pedagogy]] — Зонтична категорія: педагогіки та стратегії викладання в освіті зі ШІ
- [[virtual-and-augmented-reality]] — імерсивна та геміфікована практика перетинаються в дизайні та доказах

## Пов’язані статті

- [[ai-game-based-learning-systematic-review-2026]] — Систематичний огляд 55 досліджень навчання на основі ігор із підтримкою ШІ: позитивні результати, тонка база доказів

- [[game-based-gamified-robotics-education-review-2026]] — Game-Based and Gamified Robotics Education
- [[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]] — Robotics and AI in Education
- [[genai-motivation-engagement-2026]] — Generative AI, Motivation, and Engagement
- [[nasa-tlx-workload-gamified-ai-2026]] — Навантаження за NASA-TLX у геміфікованих/ШІ-умовах
- [[arcs-motivational-ergonomics-gamified-ai-2026]] — Мотивація за ARCS та підтримувана ШІ геміфікація

---

## [Навчання через навчання інших](https://edtechdev.github.io/aied/concepts/learning-by-teaching/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Навчання через навчання інших (Learning by Teaching, LbT)** — навчальна рамка, що спирається на ефект протеже, у якій студенти поглиблюють своє розуміння, пояснюючи матеріал ровеснику, підопічному або агенту. Десятиліття робіт у сфері LbT і взаємного навчання (peer tutoring) показують, що пояснення понять, передбачення непорозумінь та відповіді на запитання укріплюють розуміння й підтримують перенесення знань. В епоху ШІ **навчабельні агенти** — і дедалі частіше **LLM, налаштовані як підопічні-новачки** — втілюють LbT у масштабі, ставлячи студентів у ролі інструкторів, які мусять пояснювати, виправляти й заповнювати прогалини.

## Питання для роздумів

- Згадайте випадок, коли ви по-справжньому зрозуміли щось лише після того, як пояснили це комусь іншому. Що відбувалося у вашій свідомості — і чому, на вашу думку, навчання породжує глибше розуміння, ніж просто самостійне вивчення?
- Поширений погляд полягає в тому, що навчати — справа експертів, а новачкам немає чому вчити. Проте «навчання через навчання інших» спирається на протилежну передумову: підготовка до навчання змушує вас організувати знання й знайти власні прогалини. Як це переосмислює питання про те, кому вигідно навчати інших?
- На сторінці описані «навчабельні агенти» — програмне забезпечення, якому студенти навчають у процесі навчання. За допомогою LLM можна налаштувати чат-бота на роль підопічного-новачка, що робить помилки та ставить запитання. Що довелося б закласти в такого підопічного, щоб він справді покращував навчання, а не просто спілкувався?
- Одним із викликів є «інженерія помилковості»: моделі ШІ навчені давати експертні, вільні відповіді, тобто протилежне боротьбі новачка, якого хоче бачити парадигма навчання через навчання інших. Чому схильний до помилок підопічний може бути ефективнішим для навчання, ніж той, що завжди правий?
- Навчабельний агент на основі ChatGPT покращив навчання, але його тенденція генерувати правильний код обмежувала практику виправлення помилок. Як інструмент, що завжди дає правильну відповідь, може обкрадати здобувача, якому потрібно практикувати виявлення й виправлення помилок?
- Якби ви проєктували заняття з навчання через навчання інших для власного заняття, що зробило б навчальне завдання достатньо *вагомим*, щоб студенти докладали справжніх зусиль, а не просто вставляли готову відповідь?

## Вступ

Навчання через навчання інших — це висновок, що зазвичай пов'язують із ефектом протеже: підготовка до навчання — і справжнє пояснення іншій людині або навчабельному агенту — породжує глибшу обробку інформації, ніж самостійне вивчення. Вимоги навчання змушують здобувачів організовувати знання, передбачати [[misconceptions|непорозуміння]] й генерувати пояснення, що виявляє прогалини у власному розумінні та зміцнює [[metacognition]]. ШІ входить у цю ідею з обох боків: [[intelligent-tutoring|системи тьюторінгу]] й навчабельні агенти можуть грати роль студента, тоді як зростаюча література ставить запитання, що відбувається з навчанням, коли пояснення дає машина, а не здобувач ([[generative-ai]], [[cs-education]]).

## Ефект протеже

Навчання через навчання інших спирається на висновок, що підготовка до навчання й справжнє пояснення іншій людині породжують глибшу обробку інформації, ніж самостійне вивчення. Вимоги навчання — формулювання ідей, передбачення непорозумінь і відповіді на запитання — змушують здобувачів організовувати знання, виявляти прогалини у власному розумінні та генерувати пояснення, які підтримують утримання в пам'яті та перенесення знань. Вигоди найпомітніші в контекстах [[collaborative-learning]] і в добре структурованих доменах, що підтримують навчабельних агентів (наприклад, Betty's Brain). Ефект протеже називає механізм: студенти докладають більше зусиль і розмірковують глибше, коли почувають відповідальність за навчання чогось, тому з'ясовують [[misconceptions]] та заповнюють прогалини через пояснення та [[metacognition]].

## Навчабельні агенти: від правила до діалогу

**Навчабельні агенти** — це програмні системи, через які втілюється навчання через навчання інших: здобувач навчає систему як частину навчання. Традиційні навчабельні агенти працювали на правилах або на пошуку й могли відповідати лише на обмежений набір команд; їхньою головною обмеженістю була неможливість вести діалог природною мовою. [[llm|Великі мовні моделі]] це змінюють: вони можуть гнучко приймати ролі через [[prompt-engineering|підказки]] — зокрема роль «підопічного», який ставить запитання або робить помилки — і вести відкритий діалог, уможливлюючи LbT у менш структурованих доменах (письмо, лексика), ніж це було можливо раніше.

База знань пов'язує цей зсув із **розмовними навчабельними агентами на основі LLM**:

- **ChatGPT як навчабельний агент** ([[chatgpt-teachable-agent-programming-lbt-2024|Chen та ін.]]) підтримує LbT у програмуванні, покращуючи навчальні здобутки, здатність програмувати та [[self-regulated-learning|саморегульоване навчання]] — хоча його тенденція генерувати правильний код обмежує практику виправлення помилок.
- **Explique у масштабі** ([[explique-teachable-agent-algorithms-546-students-2026|Wang та ін.]]) розгорнув навчабельного агента ШІ (Algorithm Apprentice) для 546 студентів протягом 11-тижневого семестру, виявивши, що орієнтований на пояснення діалог передбачає менше невірних подач тестів, тоді як повторне використання зовнішнього контенту — більше.
- **Викладання лексики** ([[teaching-ai-vocabulary-lbt-llms-2026|Uchida та ін.]]) використав LLM як студента для генерації динамічних запитань, покращуючи утримання в пам'яті на 3-й і 7-й день.

## Інженерія помилковості: LLM як підопічні-новачки

Центральним викликом проєктування для навчабельних агентів на основі LLM є те, що LLM за замовчуванням навчені давати відповіді експертного, вільного рівня — протилежність схильному до помилок новачкові, якого хоче бачити парадигма LbT. Щоб зробити з LLM гарного підопічного, потрібна **інженерія помилковості**:

- **Згенеровані помилки можуть видаватися справжніми.** У сліпому дослідженні з анотування експерти помилково класифікували 164 із 196 (83,7 %) згенерованих LLM робіт на Java як написані людиною, тож підопічний може постачати реалістичні помилки для налагодження, а не лише правильний код ([[simulating-students-java-programming-errors-llms|Keramati та ін. (2026)]]).
- **[[prompting-teachability-novice-personas-lbt-2026|Підказки для навчабельності]]** (Miller & Bosch) показали, що підказки з обмеженнями, які явно змушують генерувати помилки (наприклад, «відповідай неправильно» або «припустися 2–3 помилок»), викликають подібну до новачка поведінку значно надійніше, ніж підказки, засновані на персоні, хибних уявленнях або невизначеності.
- **[[socrates-students-instructors-llms-lbt-2025|Сконструйовані прогалини в знаннях]]** (Yang та ін.) проєктують задачі, які LLM не може вирішити без знань, що є лише у студента, роблячи навчання необхідністю і протидіючи пасивній надмірній залежності при використанні LLM як тьютора.
- **Обмеження учня Explique** (Wang та ін.) наказують підопічному (а) залишатися новачком, (б) продовжувати просити уточнення, доки пояснення студента не стане точним, і (в) ніколи не розкривати цільове пояснення — і *чинити опір* студентам, які намагаються обернути ролі й змусити підопічного пояснювати у відповідь.
- **Розучування як шлях до помилковості на рівні ваг.** Машинне розучування придушує 16 цільових компонентів знань у Mistral-7B, знижуючи точність із приблизно 0,75 за коефіцієнта забування 10 % до менше 0,5 за 40 %, тоді як базова модель трималася біля 0,85. Придушені знання поверталися через контрольоване переучування й діалог із наставником, тож рівень знань підопічного — це циферблат, а не твердження ([[simulating-novice-students-machine-unlearning-2026|Song, Guo & Lin, 2026]]).

## Запитання, саморегуляція та активне навчання

Ще дві можливості повторюються в усьому корпусі бази знань:

- **Запитання виявляють прогалини в знаннях.** Системи LbT використовують запитання, згенеровані здобувачами, щоб виявляти прогалини й укріплювати розуміння, а [[teaching-ai-vocabulary-lbt-llms-2026|згенеровані LLM запитання]] замінюють жорсткі генератори на основі шаблонів.
- **Навчання у зворотному напрямку виявляє те, чого не виявляє уточнення.** У системі післялекційного огляду з 22 учасниками рефлексивне навчання у зворотному напрямку від агента-ровесника послідовно виявляло розрив між тим, що, на думку здобувачів, вони розуміли, і тим, що могли сформулювати, — розрив, якого саме уточнення на основі лекції не виявляло ([[knowloop-confusion-to-consolidation-2026|Fang & Reidsma (2026)]]).
- **LbT [[scaffolding|дає скаффолдинг]] само[[regulation]].** Навчання [[conversational-ai|розмовного агента]] розвиває [[self-efficacy]] і впровадження стратегій саморегульованого навчання та пов'язує LbT із [[desirable-difficulties]] — старання, вкладене в пояснення та виправлення, саме по собі є продуктивною боротьбою, яку усунення тертя в Ші інакше стерло б.
- **Те, що передбачає навчання тьютора, — це будування знань, а не попередні знання.** У вибірці з 23 тьюторів середньої школи частка відповідей, що будували знання, а не лише повторювали їх, передбачала результати концептуального післятесту (β = .138, p < 0.05), тоді як попередні результати тесту не передбачали, хто їх створить, і тьютори з низьким рівнем попередніх знань, які будували знання, закінчили на тому ж рівні, що й ровесники з високим рівнем ([[knowledge-building-tutor-learning-2026|Ameen та ін., 2026]]).

## Чому це важливо в освіті зі ШІ

Навчання через навчання інших — це конструктивний, [[active-learning]] контрапункт до домінуючої моделі LLM-як-тьютор. Там, де тьютор дає відповіді (і ризикує [[cognitive-offloading|надмірною залежністю]]), у конструкції LbT студент стає вчителем, змушуючи до пояснення, виявлення прогалин і будування знань. Це робить LbT ключовою стратегією перетворення [[generative-ai|генеративного ШІ]] з милиці на інструмент глибшого навчання та пов'язує його з [[desirable-difficulties]], [[active-learning]] та [[constructivist]] [[pedagogy]].

## Впровадження навчання через навчання інших на практиці

### Патерни проєктування для навчабельного агента ШІ

Наведене вище [[research-methods-aied|дослідження]] збігається на кількох багаторазово придатних патернах перетворення LLM-експерта за замовчуванням на продуктивного підопічного:

- **Підказки новачка з обмеженнями (найнадійніші).** Замість того щоб просити модель «вдавати збентеженого студента», явно змушуйте її помилятися і вести навчальний цикл, наприклад: *«Ти — студент-новачок, який вивчає [поняття]. Попроси мене навчити тебе цьому. Став уточнюючі запитання і навмисно припустися 2–3 помилок під час нашої розмови. Ніколи не називай правильної відповіді сам — зачекай, поки я поясню, а потім скажи, чи було моє пояснення зрозумілим.»*
- **Захист від оберненого навчання.** Додайте правило, що підопічний мусить *відмовлятися* пояснювати відповідь у відповідь, коли студент намагається обернути ролі: *«Якщо я попрошу тебе вирішити задачу або пояснити поняття, нагадай мені, що я вчитель, і попроси мене пояснити це самому.»* Explique показує, що саме цей опір зберігає взаємодію в форматі LbT.
- **Сконструйовані прогалини в знаннях.** Структуруйте завдання так, щоб модель *не могла* відповісти без інформації, якою володіє лише студент, — знання студента стають справді необхідними, а не необов'язковими. Це перетворює взаємодію з довільної балачки на обов'язкове навчання.
- **Зовнішній критерій успіху.** Дайте навчанню справжнє наслідок — тест-вартовий, який відкривається лише після того, як студент успішно навчає (Explique), або платформа оцінювання коду, яку вивід агента від студента мусить пройти (Chen). Підзвітність — це те, що підтримує справжні зусилля й не дає вправі перетворитися на позначку.

### Поради для викладачів

- **Зробіть навчальне завдання вагомим, а не формальним.** Найсильніші свідчення щодо [[student-engagement|залученості]] дають ті діяльності, що мають значення: Explique поставив оцінюваний тест після вправи з навчання; Chen пов'язав вивід підопічного з проходженням платформи оцінювання. Якщо навчання цілком необов'язкове, студенти раціонально пропустять складну частину.
- **Дайте студентам протокол навчання, а не просто вікно чату.** Підтримайте взаємодію структурою — «поясни поняття → наведи конкретний приклад → відповідай на запитання підопічного → перевір розуміння» — щоб відкритий діалог став свідомою послідовністю навчання, а не бецільною розмовою.
- **Безпосередньо протидійте перекиданню контенту.** Explique виявив, що пряме копіювання-вставлення зовнішнього контенту зросло від менше 15 % до 30–35 % взаємодій до кінця семестру. Поясніть студентам, чому вставлення руйнує сенс, і розгляньте крок підзвітності (наприклад, «поясни непорозуміння агента власними словами»).
- **Поєднуйте LbT із практикою налагодження.** Оскільки ШІ пише правильний код, студенти можуть втратити практику виправлення помилок. Навмисно просіть підопічного щось *невірно реалізувати* або завершуйте заняття із навчання завданням на пошук помилок, щоб налагодження залишалося в циклі.
- **Стежте за градієнтом зусиль.** Очікуйте, що новизна згасне; плануйте змінювати цільові поняття, додавати складність або чергувати, які студенти беруть на себе [[teacher-role|роль вчителя]], щоб підтримувати когнітивні зусилля протягом семестру.

### Поради для розробників

- **Надавайте перевагу жорстким обмеженням, а не лише персоні.** Підказки «невизначеності» або «персони студента» ненадійні; явно змушуйте до помилок і циклу уточнень. (Див. [[prompting-teachability-novice-personas-lbt-2026]].)
- **Побудуйте критерій завершення.** Визначте *коли студент пояснив достатньо* (Explique використав функцію інструменту LLM, прив'язану до цілей навчання поняття), щоб взаємодія завершувалася розумінням, а не обмеженням часу чи фіксованою кількістю ходів.
- **Журналюйте й кодуйте діалог.** Explique використовував виявлення слів за хвилину плюс семантичне кодування за допомогою LLM для класифікації взаємодій як Детальна / Мінімальна / Використання зовнішнього контенту — цей сигнал і є спосіб виявити обхід і згасання залученості, перш ніж це стане проблемою.
- **Дайте викладачам панель керування.** Показники завершення та [[qualitative-research|якісні]] закономірності в навчальних взаємодіях дають людині можливість втрутитися, коли зусилля спадають (викладачі Explique відстежували саме це).

### Наслідки та відкриті запитання

- **LbT — це масштабований засіб протидії надмірній залежності від ШІ**: він обертає ролі тьютора й студента й утримує здобувача когнітивно активним, що має все більше значення, оскільки ШІ стає вільнішим і «кориснішим».
- **Помилковість — це особливість, а не вада.** Підопічний, який *занадто* правий, усуває виправлення помилок і виявлення прогалин, що роблять LbT дієвим; проєктуйте під продуктивну боротьбу, а не проти неї.
- **Відкриті запитання залишаються:** Як взаємодії LbT підтримуються за межами семестру, коли новизна повністю згасне? Чи переноситься LbT на не-CS, менш структуровані домени в тому ж масштабі? Чи може автоматичне кодування діалогу стати практичним монітором залученості в реальному часі для викладачів? І як зберегти роль учителя значущою для *кожного* студента, а не лише для небагатьох мотивованих?

## Пов’язані поняття

- [[pedagogical-patterns]] — Пояснення навчабельному агенту ШІ: найкраще підтверджена послідовність у базі знань
- [[generative-ai]] — Генеративний ШІ
- [[active-learning]] — Активне навчання
- [[constructivist]] — Конструктивізм
- [[scaffolding]] — Скаффолдинг
- [[self-regulated-learning]] — Саморегульоване навчання
- [[metacognition]] — Метакогніція
- [[desirable-difficulties]] — Бажані труднощі
- [[cognitive-offloading]] — Когнітивне перекладання
- [[cs-education]] — Освіта в галузі CS
- [[collaborative-learning]] — Спільне навчання
- [[intelligent-tutoring]] — Інтелектуальний тьюторінг
- [[pedagogical-agent]] — Педагогічний агент
- [[pedagogy]] — Зонтичне поняття: педагогіка й стратегії навчання в освіті зі ШІ

## Пов’язані статті

- [[chatgpt-teachable-agent-programming-lbt-2024]] — ChatGPT як навчабельний агент у програмуванні
- [[explique-teachable-agent-algorithms-546-students-2026]] — Explique: навчабельний агент для 546 студентів
- [[prompting-teachability-novice-personas-lbt-2026]] — Проєктування персон новачків для навчабельності
- [[socrates-students-instructors-llms-lbt-2025]] — Студенти як інструктори LLM (Socrates)
- [[teaching-ai-vocabulary-lbt-llms-2026]] — Вивчення лексики шляхом навчання ШІ
- [[knowloop-confusion-to-consolidation-2026]] — Укріплення через навчання у зворотному напрямку в розмовній системі огляду
- [[simulating-novice-students-machine-unlearning-2026]] — машинне розучування для утримання підопічного на рівні знань новачка й переучування через діалог із навчанням
- [[simulating-students-java-programming-errors-llms]] — Моделювання помилок студентів за допомогою LLM
- [[knowledge-building-tutor-learning-2026]] — відповіді, що будують знання, а не попередні знання, передбачають навчання тьютора

---

## [Скаффолдинг](https://edtechdev.github.io/aied/concepts/scaffolding/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Скаффолдинг** — структурована підтримка, яка допомагає здобувачам виконувати завдання, які вони поки не можуть виконати самостійно, і яка поступово зникає в міру зростання компетентності. У [[ai-education]] скаффолдинг є основним принципом проєктування, що гарантує, що інструменти ШІ підтримують навчання, а не замінюють його.

## Питання для роздумів

- Згадайте випадок, коли хтось вам «допоміг» у тому, що ви вивчали, і ця допомога виконала роботу так добре, що ви вивчили менше. Де межа між підтримкою, яка дає вам зростати, і підтримкою, яка вас замінює? Сторінка стверджує, що це центральне питання проєктування для ШІ-тьюторів.
- Скаффолдинг ґрунтується на зоні найближчого розвитку — достатньо підтримки, щоб забезпечити прогрес, але не настільки багато, щоб навчання обходилося стороною. Як виглядає «забагато підтримки» в ШІ-тьюторі, і чи можна виявити це лише за поведінкою студента?
- Ключове висновок: студенти часто *віддають перевагу* більш директивним ролям ШІ-тьютора, хоча *краще працюють* у колаборативних ролях однокурсника та помічника з роллю [[teacher-role]]. Чи надійно відображає перевага здобувача те, що найкраще для навчання — і що означає ця розбіжність для можливості дозволити студентам обирати власний скаффолдинг?
- Скаффолдинг, який ніколи не згасає, створює залежність. Сторінка зазначає, що автоматизовані скаффолди ризикують залишатися статичними замість того, щоб поступово зніматися в міру зростання компетентності. Чому «згасання» є необхідним і чому система ШІ може не впоратися з цим, якщо вона не спроєктована для цього цілеспрямовано?
- Принцип проєктування — «підтримуй, а не заміщуй». Самі студенти просили ШІ, який «не надає вам жодних рішень — ви все одно вчитеся, оскільки мусите знайти правильну відповідь самостійно». Чи відповідає це вашому досвіду ефективної допомоги, чи ви воліли шлях скорочення, навіть усвідомлюючи, якою ціною?
- Поставте ціль перед читанням: виберіть завдання, якого ви викладаєте, і накресліть, як виглядає підказка, що зберігає зусилля здобувача, порівняно з відповіддю, що ці зусилля усуває. Як ви дізнаєтеся, що ваші підказки перебувають у зоні продуктивної боротьби?

## Вступ

### Як скаффолдинг проявляється в AIEd

- **Скаффолдинг на основі підказок:** [[guided-llm-scaffolding-independent-learning|Guided LLM scaffolding]] викладає структуроване [[prompt-engineering|формулювання підказок]] як навчальну інтервенцію. [[scaffolding-critical-engagement-genai-minority-students|Critical engagement scaffolding]] використовує підходи [[culturally-relevant-pedagogy|culturally responsive]].
- **Змішано-ініціативний скаффолдинг для прогалин, яких здобувач не може назвати:** [[veriforge-narrative-drafting-scaffolding-2026|Sun et al. (2026)]] залишають автора відповідальним за наративний синтез, а система бере ініціативу лише щодо виявлення проблемної області, проактивно позначаючи прогалини в знаннях, яких письменники не можуть сформулювати як запити.
- **Сократичний скаффолдинг:** [[socratic-method|Socratic AI dialogue]] утримує прямих відповідей, використовуючи запитання для спрямовування до відкриття — форма скаффолдингу [[desirable-difficulties]]. Як гранична умова: ставити запитання корисна на початку, але користь слабшає з глибиною, тому правило згасання зміщується від викликання до усунення помилки: користь падає з 20-бальної переваги на початку до 3 балів до четвертого заклиненого ходу, тоді як усунення помилки зростає з +5 до +12 [[guided-ai-tutor-impasse-resolution-2026|Ahtisham et al. (2026)]].
- **Адаптивне згасання:** [[intelligent-tutoring|Intelligent tutoring systems]] регулюють скаффолдинг на основі оцінок [[knowledge-tracing]], надаючи більше підтримки для неопанованих понять і менше — для відомих.
- **Функція, а не інструмент, визначає, що вважається успіхом:** [[vasileiou-ai-cognitive-scaffolding-executive-functioning-sen-2026|Vasileiou et al. (2026)]] пропонують трифункційну рамку для підтримки ШІ в спеціальній освіті. *Компенсація* зменшує вимогу до виконавчих функцій, щоб здобувач міг брати участь (успіх = доступ, поки підтримка зберігається). *Скаффолдинг* підтримує виконання трохи за межами поточних можливостей (успіх = рішення з цільовою допомогою). *Розвиток* формує стратегії, придатні до використання без інструмента (успіх = використання стратегії після згасання або перенесення). Кожна функція несе власний стандарт оцінювання, і повторювана помилка галузі — повідомляти про завершення завдання під час підтримки як про розвиток. Це наративний огляд з інтерпретаційними категоріями, а не зведена оцінка ефекту.
- **Скаффолдинг, що спрацьовує за потребою, в навчанні [[medical-education|clinical]] інтерв’ю:** рандомізоване випробування MeduAI-SP ([[rct|randomized trial]]; [[ai-standardized-patient-scaffolding-medical-2026|Yang et al., 2026]]; N = 100 студентів третього курсу медичного факультету) операціоналізувала скаффолдинг як адаптивну підтримку за потребою: агент-оцінювач на рівні ходу позначав, коли здобувач застряг, пропустив ключовий анамнез, ризикував передчасним закриттям чи погіршував рапорт, і лише тоді агент-[[pedagogical-agent|tutor agent]] видавав [[socratic-method|Socratic]] підказку. Експертна анотація 207 консультацій показала, що потреба в скаффолдингу сильно залежала від фази, зростаючи від приблизно 16.1% вимов студентів на початку зустрічі до 34.8% наприкінці (24.1% позначено в цілому) — емпіричний доказ, що підтримка в навчанні консультуванню новачків найбільше потрібна під час інтеграції та діагностичного міркування, а не початкового збору інформації. Умова скаффолдингу перевершила структурований контроль із поступовим розкриттям на підсумковому [[summative-assessment|examination]] іспиті, узгодженому з OSCE (71.8% проти 55.6%; β = 16.4 процентних пункти; P = 3.30e-4), із найбільшим приростом у комунікації (Hedges' g = −0.79).
- **Системи підказок:** [[correct-answer-trap-ai-tutor|AI tutor hint research]] досліджує, коли підказки допомагають, а коли сприяють [[cognitive-offloading|Over-Reliance]].
- **Скаффолди, що підвищують відновлення після помилки.** У польовому експерименті з 6 000 учнів середньої школи підтримка ШІ сповільнила прогрес і зменшила кількість спроб відповідей, але підвищила правильність наступної спроби після помилок і зменшила кількість спроб, потрібних для повернення до правильної відповіді — «продуктивне сповільнення», а не постачання відповідей ([[making-ai-tutoring-productive-mastery-math-2026|Oreopoulos et al. (2026)]]).
- **Навчання самого здобувача — це також скаффолд.** 45-хвилинне заняття, що вчило студентів формулювати підказки для моделі за фазами [[self-regulated-learning|SRL]] і виправляти її візуальні помилки та помилки міркування, підвищило точність повторення з [[physics-education|physics]] (d = 0.81) без зростання заявленого сумарного [[cognitive-offloading|cognitive load]] навантаження ([[structured-genai-training-physics-problem-solving-rct-2026|Huang et al. (2026)]]).
- **Понятійні та репрезентаційні скаффолди:** [[concept-catalyst-engineering-scaffolds|Concept Catalyst]] та [[rethinking-scaffolding-llm-tutors|LLM tutor rethinking]] досліджують патерни проєктування когнітивної підтримки. [[genai-cognitive-scaffold-geometric-reasoning-2026|Davor (2026)]] надає галузь, у якій репрезентаційну підтримку та надання відповідей доводиться розділяти: геометричний доказ багатий на ресурси [[visualization]], проте крок від співвідношення, яке можна побачити, до валідного дедуктивного аргументу — саме той, якого здобувачам не вдається зробити, тому скаффолд має перенести їх через репрезентації, а не простягнути ще одну картину. Його квазіексперимент із 86 ганських учнів старших класів налаштував генеративний ШІ на підказки та запитання, а не на розв’язання — просячи здобувачів обґрунтувати спостережуване, називати відповідні теореми та впорядковувати свої логічні кроки, причому викладач використовував репрезентації ШІ для спрямовування дискусії, — і клас із підтримкою ШІ перевершив звичайне навчання з побудови доказів навіть після контролю за результатами передтесту. Уявлення про зворотний зв’язок і [[explainable-ai|explanation quality]] якість пояснень були сприятливими, хоча опитували лише експериментальну групу. Скаффолд позиціонується тут як міст від візуальної інтуїції до дедуктивного міркування, а робота ніколи не називає модель чи вікно збору даних, тож вона пропонує скоріше засадове обґрунтування проєктування, ніж рецепт реплікації.
- **«Підтримуй, а не заміщуй» як принцип проєктування:** [[substitution-to-scaffolding-ai-harm-cycle-2026|Favero et al. (2026)]] стверджують, що центральний ризик ШІ в освіті — роз’єднання — ШІ, що заміщує людські зусилля, підриває здібності, для розвитку яких призначена освіта, — і виводять єдиний принцип проєктування: *підтримуй, а не заміщуй*. Скаффолдинг має бути базовою здатністю [[ai-technologies|AI systems]] систем ШІ: знати, *коли утримати відповідь, поставити запитання, виявити невизначеність чи представити альтернативні точки зору*. Їхній аналіз студентських есеїв показує, що самі здобувачі сходяться на цьому — просячи ШІ, який «не надає вам жодних рішень, ви все одно вчитеся, оскільки мусите знайти правильну відповідь самостійно». Принцип позиціонує скаффолдинг як альтернативу самопідсилюваному циклу шкоди від заміщення в когніції, [[agency]], емоціях та [[ethics]].
- **Менторство як скаффолдинг для дослідницького процесу.** [[scaffolding-systematic-reviews-2026|Wang et al. (2026)]] трактують систематичний огляд як навмисне навчальне переживання, в якому менторство забезпечує інтегрований методологічний та емоційний скаффолдинг, тоді як автоматизація обмежується процедурним навантаженням, як-от скринінг анотацій, а вилучення даних, узгодження й синтез залишаються за людськими рецензентами.
- **Скаффолдинг, вбудований у середовище, а не прикріплений збоку:** [[wang-chatgpt-comments-video-learning-scaffolding-2026|Wang, Du and Jin (2026)]] операціоналізують чотири принципи скаффолдингу всередині відеоплеєра — регулювання глибини коментарів на основі [[sociocultural-learning|ZPD]], скаффолдинг *згасання* (підтримка знань рідшає з часом), *розподілений* скаффолдинг (кожен коментар — або підтримка знань, або емоційна підтримка) і **часування**, похідне від когнітивного навантаження — обчислюючи ентропію відео на рівні кадрів і вставляючи коментарі лише в інтервали з малою кількістю інформації. Їхня абляція з чотирма умовами з 20 здобувачами показала, що модуль ентропійного хронометражу давав найсильніший і найстійкіший ефект на сприйняту якість під час видалення (Z = −2.85, r = 0.45, p = .004), що робить *планування* скаффолдингу вимірюваною змінною проєктування, а не деталлю упаковки. Дослідження також несе попередження щодо автоматизованого скаффолдингу: коментарі, згенеровані [[generative-ai|ChatGPT]], були послідовно важчими для читання, менш лексично різноманітними й менш узгодженими за темою, ніж коментарі викладача, із найбільшою розбіжністю в релевантності емоційної підтримки ([[ai-feedback-quality|feedback quality]]).
- **Переважний скаффолдинг не завжди найефективніший:** [[preferred-scaffolding-ai-mathematical-modeling|Zhu, Yang and Yang (2026)]] в експерименті з одного суб’єкта встановили, що студенти найкраще працювали з ролями ШІ Peer і Teaching Assistant (які сприяють [[collaborative-learning|collaborative]] міркуванню), проте віддавали перевагу більш директивним ролям Tutor та Excellent Student — розбіжність між перевагою та результатом, яка застерігає від ототожнення переваги здобувача з ефективним скаффолдингом у математичному моделюванні з підтримкою ШІ.
- **Більш структурований скаффолд не автоматично є більш агентним:** експертний бот проєктування підвищив тривалість взаємодії та самостійні підказки порівняно зі звичайним ChatGPT, але агентність у спільному розв’язуванні задач впала в обох умовах, причому погодження замість критики було поведінкою з найнижчою агентністю ([[preservice-teacher-agency-genai-design-learning-2026|Krushinskaia et al. (2026)]]).
- **[[automated-assessment|Automated scoring]] Автоматичне оцінювання як свідомий скаффолд:** [[chen-automated-scoring-interpreting-self-regulated-learning-2026|Chen and Liu (2026)]] трактували автоматизовану систему оцінювання усного перекладу як [[formative-assessment|formative]] скаффолдинг, а не як інструмент вимірювання, у 14-тижневому порівнянні зі 46 студентами-другокурсниками спеціальності перекладу та усного перекладу. Скаффолд перетворювався на приріст лише там, де дефіцит, на який він націлювався, був розкладним, надійно оцінюваним і чутливо масштабованим: лінгвістична точність і логічна узгодженість зросли, тоді як точність передачі інформації та плавність виконання залишилися незмінними, причому точність передачі інформації — вимір, за яким автоматизовані й людські оцінки розходилися найбільше (r = 0.12). Цикл, який він підсилював, також був частковим. Лише виконання й моніторинг на фазі практики корелювали з приростом оцінок (r = 0.42), тоді як планування перед навчанням лежало біля середини шкали (M = 3.01), а студенти ставили цілі на основі попередньої оцінки, а не на основі майбутнього завдання. Скаффолд може бути добре розміщеним усередині фази виконання і водночас залишати недоторканим саме те планування, яке зробило б його непотрібним.
- **Скаффолдинг із замкненим циклом на поточній межі здобувача:** [[zhu-adaptive-teaching-assistance-genai-big-data-2026|Zhu, Luo and Li (2026)]] побудували цикл музичної освіти, в якому виявлення помилок [[multimodal]] у аудіо виконання та нотному записі стає винагородою, що спрямовує згенеровані [[reinforcement-learning|reinforcement]] треки практики, тому складність слідує за поточною межею здобувача, а не за фіксованою програмою: згенеровані траєкторії практики відповідали профілям умінь здобувачів із піковою косинусною подібністю 0.962, і взаємодія Група × Час була на користь групи зі скаффолдингом у 12-тижневому квазіексперименті зі 120 студентами (beta = 0.52, 95% CI [0.31, 0.73]). Для автоматизованого скаффолдингу випливають два обмеження. Виявлення — це сортування, а не судження, оскільки точність виявлення ритмічних помилок 89.7% означає, що приблизно одна позначена помилка з десяти — хибна тривога, а сліпий експертний огляд оцінив підтримку музичної виразності найслабшою областю системи, залишаючи інтерпретацію викладачеві.

## Зв’язок із зоною найближчого розвитку

[[sociocultural-learning|Vygotsky's Zone of Proximal Development]] Зона найближчого розвитку Виготського забезпечує теоретичну основу: скаффолдинг націлюється на простір між тим, що здобувачі можуть робити самостійно, і тим, що вони можуть досягти з підтримкою. Інструменти ШІ мають діяти в цій зоні — достатньо підтримки, щоб забезпечити прогрес, але не настільки багато, щоб навчання обходилося стороною. Конфігурація, що перевертає звичайний напрям адаптації, з’являється в аспірантському курсі Сідоркіна (2026), де рівень підтримки встановлював здобувач, а не система: щотижневі читання генерувалися на вимогу, а студенти регулювали рівень розуміння через ітеративні підказки (темп, визначення, щільність лексики, глибина). Аналіз трьох журналів читання показав, що дефініційні маркери зустрічалися у відповідях ШІ, що йшли за підказками, орієнтованими на розуміння, у 3.4 до 8.7 разів частіше, ніж у базовому пояснювальному тексті, причому найчіткіші випадки будували дефініційний шар, а потім нумерований процедурний, що робить щільність скаффолдингу вимірюваною властивістю запиту здобувача, а не лише оцінки володіння системи. Вимога ставити принаймні три уточнюючих запитання на читання зробила це регулювання рутиною, перетворивши текст на взаємодію, що виявляла прогалини в розумінні, яких викладач інакше не побачив би.

Форма скаффолду має відповідати тому, що здобувач уже може втримати, а не лише тому, що вимагає завдання. У систематичному [[meta-analysis-systematic-review|scoping review]] огляді 24 джерел доказів щодо [[creativity|creative thinking]] креативного мислення в дітей віком від 6 до 15 років [[niu-genai-children-creative-thinking-cognitive-development-review-2026|Niu et al. (2026)]] повідомляють, що молодші діти не мали достатнього лінгвістичного та метакогнітивного контролю, якого вимагає формулювання текстових підказок, і потребували мультимодальних, змодельованих дорослими інтерфейсів, тоді як текстові [[llm|LLMs]] показували сильніші заявлені результати з дітьми старшого віку та молодими підлітками. Залежність від підказок була найсильнішою в молодших класах, і жодне включене дослідження не вивчало порогів готовності до розвитку, тому автори трактують вибір модальності та скаффолдингу як відкрите питання проєктування, яке має вирішуватися спроможністю здобувача, а не зручністю.

### Зв’язки

Скаффолдинг пов’язаний із [[cognitive-offloading|Over-Reliance]] (скаффолдинг, який не згасає, створює залежність), теорією когнітивного навантаження (скаффолдинг управляє когнітивним навантаженням), [[feedback|Feedback Loop]] (скаффолдинг забезпечує [[formative-assessment|formative]] зворотний зв’язок) і [[ai-literacy]] (здобувачі мають розпізнавати, коли скаффолдинг корисний, а коли він витісняє навчання).

Агенти мають забезпечувати скаффолдинг динамічно, а не статично: [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] встановлюють, що автоматизовані скаффолди ризикують залишатися статичними замість того, щоб поступово зніматися в міру зростання компетентності, і рекомендують динамічні скаффолди, що адаптуються та згасають — ключовий запобіжник для [[agentic-ai]]. CoMeT (Hou et al. 2026) забезпечує і розділення, і обґрунтування *коли* згасати: його підтримка піднімається на одну сходинку щоразу, коли здобувач нею не користується, і спадає до найлегшої сходинки при використанні, утримуючи [[metacognition|metacognitive demand]] метакогнітивний запит статистично еквівалентним тому, що в умовах утримання відповідей (p_TOST = .004), водночас забезпечуючи артефакт у 48.1% сеансів проти 23.7% — більше роботи системи, а не менше. Тригер, який він підтвердив, — це мета, а не глибина: після повної демонстрації тьютор пізніше поступався тим, що ще лишалося відкритим, у 30.3% випадків, після вставленого артефакту — у 25.9%, після простого твердження — у 20.4% і після прохання побудувати — у 33.7%, тоді як ходи, не націлені на рішення, яке підтримується, отримували пізнішу поступку у 40.3% випадків проти 28.8% для націлених ходів (різниця 11.5 пунктів, 95% бутстрап-інтервал [2.1, 22.4]). Використання підтримки було рідким — 37.0% після першого прохання і 21.8% після третього — тому правило згасання, прив’язане до зусиль здобувача, сприйняло б відсутність відповіді як готовність.

Четверта зона робить видимим джерело скаффолду: [[scan-framework-task-assignment-generative-ai-2025|Tsim and Gutoreva (2025)]] додають «відоме для GenAI» до зон Виготського, тому завдання потрапляє в категорію Substitute, Complement, Aid або Non-negotiable — а Non-negotiable утримує те, що потребує людини, оскільки воно нормативне, невербалізоване або надто ризиковане, щоб його передавати.
- **Розміщуйте ШІ за фазою ідеї, а не за курсом.** Рамка розміщення з шести ходів утримує ШІ від першої важкої спроби та фінальної перевірки без допомоги, дозволяючи його використання між ними для підказок, прикладів і тренування; якщо ШІ робить завдання таким, що воно здається беззусильним, він розміщений не там ([[brcic-effortless-trap-productive-struggle-2026|Brcic & Frljic, 2026]]).

Скаффолдинг має бути ситуативно доречним, а не максимальним: [[zhang-tutormoments-2026|Zhang et al. (2026)]] впроваджують TutorMoments, який оцінює, чи забезпечують мовні моделі-тьютори скаффолдинг лише тоді, коли підтримка потрібна, чи вимагають суворості, коли студент готовий, і чи уникають надмірного скаффолдингу (зменшення когнітивного запиту більше, ніж вимагає ситуація). Фронтьєрні моделі з мінімальними підказками за замовчуванням надмірно скаффолдять за рахунок продуктивної боротьби.

- **ШІ, що скаффолдить продуктивну боротьбу.** [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] виводять принципи проєктування ШІ (недирективна підтримка, рефлексивне проєктування, [[human-in-the-loop-ai]]), які утримують скаффолдинг у зоні продуктивної боротьби, а не дають йому згорнутися до надання відповідей; [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] показують, що тьюторами на базі [[llm]] можна керувати так, щоб вони надавали допомогу лише тоді, коли вона суворо необхідна, — скаффолдинг, що зберігає власні зусилля здобувача.

**Зняття скаффолду як механізм забезпечення перевірки.** [[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong (2026)]] синтезують 72 дослідження з обчислювальної освіти і визначають зняття скаффолду, поряд із інструментами запобіжників і проєктами [[self-regulated-learning]], як один із трьох способів, якими курси забезпечують критичну взаємодію з результатами ШІ — структурно (обмежуючи те, що повертає інструмент), процедурно (журнали рефлексії, самотестування) і тимчасово (поступово відновлюючи умови, за яких потрібне незалежне міркування). Їхній доказ — прирости ефективності за допомогою ШІ не [[transfer-of-learning|transfer]] переносяться на виконання без допомоги, а режим відмовлення — патерн *pseudo-apprenticeship*, коли студенти дивляться, як ШІ генерує код, не виконуючи самого завдання, — є саме моделюванням без практики цілісного завдання. Тому поступовий доступ функціонує як розклад згасання для потужної нової форми підтримки, і огляд обґрунтовує його на 4C/ID: допомога справді діє лише тоді, коли здобувач уже має достатньо схеми для критичної взаємодії з нею (зона найближчого розвитку, [[cognitive-offloading]]).

Послідовність — інший важіль скаффолду: [[critical-thinking-genai-scaffolding|Vendrell and Johnston (2026)]] рекомендують вимагати незалежної спроби здобувача перед будь-якою консультацією зі ШІ, а потім використовувати модель для генерації контраргументів, а не відповідей, із свідомими фазами без ШІ, щоб підтримка підсилювала міркування, а не заміщувала його.

## Керований правилами та ситуативний скаффолдинг

- **Керований правилами та ситуативний скаффолдинг.** Looi, Liu та Sun (2026) формалізують розрізнення, центральне для проєктування скаффолдингу: **керований правилами скаффолдинг**, у якому тьюторство регулюється аудитовною тришаровою архітектурою (діагностика → вибір наміру → обмежена генерація відповіді), проти **ситуативного скаффолдингу**, в якому корисні ходи важко перевірити та відтворити. Їхнє дослідження математики в початковій школі показало, що керований правилами скаффолдинг покращує узгодженість взаємодії, зменшує передчасне надання відповідей і раннє закриття та підтримує когнітивну [[student-engagement|engagement]] залученість — доказ того, що явність і можливість аудиту ходів скаффолду мають значення як для узгодженості, так і для навчання в процедурних галузях.
- **Скаффолдинг як обмежений шлях між обходом і зніманням навантаження.** Neuroplasticity-[[student-ai-interaction|AI Interaction]] Model модель взаємодії ШІ із нейропластичністю називає скаффолдинг третім із трьох шляхів для допомоги мовних моделей, поряд із прямим обходом і когнітивним зніманням навантаження, і визначає його тим, чи зберігає модель зусильну обробку, для тренування якої призначене завдання ([[naim-bypass-offload-scaffold-llm-learning-2026]]). Доказ калібрування моделі — природний експеримент в обмеженні скаффолду: необмежений доступ до GPT-4 у дослідженні майже 1 000 студентів старших класів із [[math-education|mathematics]] математики дав 48% приросту практики, але 17% дефіцит на іспиті без допомоги, тоді як GPT Tutor із обмеженими підказками дав 127% приросту практики, і дефіцит на іспиті був здебільшого усунуто. Урок проєктування відповідає вищезгаданому розрізненню керованого правилами і ситуативного на грубішому рівні: саме обмеження на те, що тьюторові дозволено надавати, а не наявність тьютора, визначає, чи буде скаффолд успішно знято.

Розрізнення керованого правилами і ситуативного простягається за межі тьютора і до самого завдання. [[ai-integration-instructional-design-collaboratory-2026|cross-institutional faculty collaboratory]] Міжінституційна колегія викладачів виявила, що критика результатів ШІ не відбувалася сама собою, тому вимоги аудитувати, порівнювати, переглядати та обґрунтовувати згенерований вміст доводилося записувати в завдання, і ті, хто захищав незалежний дисциплінарний аналіз до появи ШІ, виявили, що кандидати могли оцінювати результати ШІ критичніше. [[bondurant-shaughnessy-ai-pedagogies-practice-2026|Rehearsal evidence]] Докази репетицій погоджуються: викладачі-стажери, практикуючись із партнерами ШІ, ставили більше зондувальних і дослідницьких запитань, коли було надано структурований зворотний зв’язок після репетиції. В обох випадках підтримка специфікується заздалегідь, а не імпровізується, розділяючи спроєктоване керівництво від ситуативної допомоги, яку важко перевірити та відтворити.

- **Правильно обмежений скаффолд усе одно зазнає невдачі, якщо обмеження не адмініструється.** [[ai-literacy-tool-design-programming-education-2026|Azimi (2026)]] побудував те, що прописує вищезгадане розрізнення — бюджет 25 підказок на сеанс, обмеження 15 хвилин на використання ШІ, обов’язкову рефлексію в кінці сеансу і заборону генерованого коду — і рандомізував 33 магістрів між цим і необмеженим використанням [[generative-ai]] протягом семи тижнів. Результати завдань і прирости за інвентарем понять не відрізнялися між умовами. Бюджет підказок не діяв як механізм нормування: деякі студенти витратили більшу його частину на перші задачі і не мали нічого для вимогливих, інші закінчили, майже не витративши його, і в умові Coach саме ті студенти, які вже мали свідому стратегію витрачання підказок, набирали вищі оцінки. Обмеження підвищило заявлену [[self-efficacy|confidence]] впевненість і супроводжувало студентів поза аудиторією як звичку ставити собі запитання (чи варте запитання того, щоб поставити його інструменту), але воно винагороджувало наявне самоврядування, а не розвивало його. Можливість аудиту скаффолду і здатність здобувача його використовувати — окремі умови.

- **Скаффолд, якого здобувач не може перевірити, — плинна заміна.** Оскільки [[chemistry-education|chemistry]] хімія міркує через спостережувані явища, корпускулярні моделі та символічну нотацію, згенерована відповідь може бути локально переконливою й глобально хибною. [[vega-baudrit-genai-university-chemistry-education-review-2026|Vega-Baudrit and Rivera Álvarez (2026)]] розміщують скаффолдинг на продуктивній стороні їхнього аналізу Presage-Process-Product, а некритичне копіювання — на стороні невдачі, і вимагають, щоб скаффолди вимагали репрезентаційного перекладу в обох напрямах, оскільки відповідь, яка правильно описує нейтралізацію, усе одно може стверджувати, що кожна точка еквівалентності має pH 7. Перевірка спроєктована в завдання, а не оголошена як правило: студенти виявляють хибне припущення, виправляють помилку в одиницях чи механізмі, порівнюють символічну структуру із субмікроскопічною моделлю або обґрунтовують відкидання згенерованої відповіді. Оскільки студенти не можуть перевірити те, чого ще не розуміють, [[prior-knowledge|prior knowledge]] попередні знання та скаффолдинг стоять першими, а формулювання підказок трактується як епістемічний акт, у якому здобувач специфікує обмеження, яким має відповідати відповідь.

## Пов’язані поняття
- [[pedagogical-patterns]] — Де в послідовності має стояти підтримка і чому правило «спроба перед допомогою» є несучим
- [[problem-based-learning]] — PBL вбудовує згасаючі скаффолди навколо погано структурованих задач
- [[learning-by-teaching]] — Скаффолдинг побудови знань через пояснення
- [[sociocultural-learning]] — Виготськівська основа: ЗБР і опосередковане соціально навчання
- [[cognitive-offloading]] — Скаффолдинг, який ніколи не згасає, створює надмірну залежність
- [[feedback]] — Скаффолдинг забезпечує формувальний зворотний зв’язок у міру згасання підтримки
- [[ai-literacy]] — Розпізнавання, коли скаффолдинг підтримує, а коли витісняє навчання
- [[intelligent-tutoring]] — ITSs адаптують інтенсивність скаффолду до оцінок володіння
- [[socratic-method]] — Запитання, які утримують прямих відповідей
- [[metacognition]] — Скаффолди, що розвивають самоконтроль і саморегуляцію
- [[adaptive-learning]] — Адаптивні системи модулюють підтримку в межах ЗБР здобувача
- [[learning-design]] — Скаффолдинг — ключова стратегія навчального проєктування
- [[help-seeking]] — Скаффолдинг формує, коли і як здобувачі звертаються по допомогу
- [[teacher-role]] — Викладачі скаффолдять, а потім згасають у міру зростання компетентності
- [[pedagogy]] — Парасолька: педагогіки та стратегії викладання в освіті ШІ
- [[agentic-ai]]
- [[productive-failure]] — Productive Failure

## Пов’язані статті
- [[kumar-genai-computing-education-systematic-review-2026]] — Зняття скаффолду як механізм забезпечення перевірки (рамка VIE)
- [[ai-standardized-patient-scaffolding-medical-2026]] — Оцінювання багатоагентної системи великих мовних моделей, орієнтованої на скаффолдинг, для навчання клінічному інтерв’ю
- [[wang-chatgpt-comments-video-learning-scaffolding-2026]] — Коментарі ШІ з ентропійним хронометражем як увідеопідтримка знань та емоцій (Wang, Du & Jin 2026)
- [[guided-llm-scaffolding-independent-learning]] — Формулювання підказок до мовних моделей як структурована навчальна інтервенція
- [[scaffolding-critical-engagement-genai-minority-students]] — Скаффолдинг критичної залученості з GenAI на культурно адаптованих засадах
- [[rethinking-scaffolding-llm-tutors]] — Патерни проєктування скаффолдингу в тьюторах на базі мовних моделей
- [[concept-catalyst-engineering-scaffolds]] — Скаффолди Concept Catalyst для понятійної зміни
- [[correct-answer-trap-ai-tutor]] — Коли підказки допомагають, а коли сприяють надмірній залежності
- [[critical-thinking-genai-scaffolding]] — Скаффолдинг критичного мислення за допомогою GenAI
- [[veriforge-narrative-drafting-scaffolding-2026]] — Скаффолдинг наративного чернеткування з Veriforge
- [[substitution-to-scaffolding-ai-harm-cycle-2026]] — Від заміщення до скаффолдингу: розрив самопідсилюваного циклу шкоди
- [[preferred-scaffolding-ai-mathematical-modeling]] — Переважний скаффолдинг у математичному моделюванні з підтримкою ШІ
- [[agentic-ai-pedagogical-best-practice-2026]] — Динамічні (згасаючі) скаффолди як запобіжник для агентного ШІ
- [[zhang-tutormoments-2026]] — Коли допомога шкодить: оцінювання ШІ-тьюторів на предмет продуктивної боротьби
- [[kim-ai-productive-failure-adult-2026]] — Проєктування систем ШІ для підтримки навчання на основі продуктивних невдач
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Педагогічне керування мовними моделями задля продуктивних невдач
- [[making-ai-tutoring-productive-mastery-math-2026]] — Робота тьюторства ШІ продуктивним: практика математики на основі володіння
- [[brcic-effortless-trap-productive-struggle-2026]] — Обмежений і необмежений ШІ: правило розміщення (Brcic & Frljic 2026)
- [[ai-supported-experimental-design-chemistry-2026]] — Проєктування експериментів із підтримкою ШІ в практичній хімії
- [[scaffolding-systematic-reviews-2026]] — Скаффолдинг систематичних оглядів через менторство та ШІ (Wang 2026)
- [[preservice-teacher-agency-genai-design-learning-2026]] — Агентність викладачів-стажерів під час взаємодій з GenAI в проєктуванні для навчання (Krushinskaia, Elen & Raes 2026)
- [[bondurant-shaughnessy-ai-pedagogies-practice-2026]] — ШІ в педагогіках практики в освіті вчителів математики: структурований зворотний зв’язок за репетиціями підвищив зондувальні запитання (Bondurant & Shaughnessy 2026)
- [[ai-integration-instructional-design-collaboratory-2026]] — Інтеграція ШІ як навчальне проєктування: критика результатів ШІ має бути призначена, а дисциплінарний аналіз — першим
- [[ai-literacy-tool-design-programming-education-2026]] — ШІ-коуч для навчання з бюджетом підказок: скаффолдинговане та необмежене використання GenAI і чому одне обмеження не дало навчання (Azimi 2026)
- [[scan-framework-task-assignment-generative-ai-2025]] — SCAN: скаффолдинг переосмислений як визначення, до якої підзони належить завдання
- [[chen-automated-scoring-interpreting-self-regulated-learning-2026]] — Автоматичне оцінювання як формувальний скаффолдинг: воно перетворюється на приріст лише там, де цільовий дефіцит розкладний, надійний і чутливо масштабований (Chen & Liu 2026)
- [[zhu-adaptive-teaching-assistance-genai-big-data-2026]] — Скаффолдинг із замкненим циклом, що відстежує поточну межу здобувача в музичній практиці, з виявленням помилок як сортуванням (Zhu et al. 2026)
- [[niu-genai-children-creative-thinking-cognitive-development-review-2026]] — Форма скаффолду має відповідати розвитковій спроможності дітей, а не лише завданню (Niu et al. 2026)
- [[vega-baudrit-genai-university-chemistry-education-review-2026]] — Скаффолди мають вимагати репрезентаційного перекладу та перевірки, оскільки студенти не можуть перевірити те, чого не розуміють (Vega-Baudrit & Rivera Álvarez 2026)
- [[genai-cognitive-scaffold-geometric-reasoning-2026]] — GenAI як скаффолд підказок, що з’єднує візуальну інтуїцію з дедуктивним доказом у геометрії, де самої візуалізації недостатньо (Davor 2026)
- [[guided-ai-tutor-impasse-resolution-2026]] — Вивчення варіацій у тому, як керовані ШІ-тьютори розв’язують заклинення студентів
- [[structured-genai-training-physics-problem-solving-rct-2026]] — Навчання здобувача як скаффолдинг для використання GenAI в розв’язуванні STEM-задач (Huang et al. 2026)

---

## [Сократичний метод](https://edtechdev.github.io/aied/concepts/socratic-method/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Сократичний метод** — [[pedagogy|pedagogical]] підхід, що сягає корінням у керованому ставанні запитань і діалозі, а не в прямому навчанні, і який нині адаптують для систем тьюторства на генеративному ШІ. У [[ai-education|AI in education]] сократичний метод операціоналізується через LLM, які ставлять проникаючі запитання, підтримують міркування скаффолдингом і притримують прямі відповіді — щоб сприяти глибшому розумінню та [[desirable-difficulties|productive struggle]], а не добуванню відповідей.([[hashmi-socratic-physics-chatbot-2025]])([[favero-critical-ai-tutors-empower-enslave-2025]])

## Питання для роздумів

- Згадайте випадок, коли викладач (або друг) відповів на ваше запитання іншим запитанням і це справді допомогло вам подумати. Що зробило це дієвим і коли це натомість лише дратувало або здавалося ухильним?
- Сократичний підхід притримує прямі відповіді, щоб спровокувати «продуктивну боротьбу». Чи вважаєте ви боротьбу необхідною для глибокого навчання, чи інколи це просто непотрібне тертя — і як би ви визначили різницю?
- Сократичний ШІ-тьютор має вирішувати, коли вести, коли підказувати і коли давати пряму відповідь, ґрунтуючись на сигналах студента в реальному часі. Як, на вашу думку, система (або людина) дізнається, який хід зробити в певний момент?
- Сторінка зазначає, що розчарованому студентові може знадобитися коротка пряма відповідь перед поверненням до сократичних запитань. Що це, на вашу думку, говорить про межі універсального підходу, що спирається лише на запитання?
- Якщо [[conversational-ai|chatbot]], який лише ставить запитання, може давати вимірні прирости в міркуванні, що може бути втрачено в порівнянні з первісним сократичним діалогом із людським наставником — і що може бути здобуто?

## Вступ

Сократичний метод — одна з найдавніших педагогічних технік, що бере початок у Сократа в стародавніх Афінах, і вона знайшла нову актуальність в епоху [[generative-ai|generative AI]]. В дослідженнях [[research-methods-aied|research]] сократичний метод означає системи ШІ, які залучають здобувачів через керований діалог, ставлячи запитання, що ведуть студентів до відкриття відповідей, а не надають їх наперед. Ставити структуровані запитання, а не надавати відповіді, — один із найсильніших педагогічних скаффолдингів для глибокого навчання; коли це автоматизовано через ШІ, воно дає вимірні прирости в міркуванні, але також вимагає ретельної калібрування, щоб не розчаровувати здобувачів і не витісняти людського наставництва.([[hashmi-socratic-physics-chatbot-2025]])([[favero-critical-ai-tutors-empower-enslave-2025]])

Сократичний і директивний зворотний зв’язок змінювали різне: сократичний підвищував моніторинг розуміння й орієнтацію на завдання, директивний набирав вищих оцінок за визначення пріоритетності суттєвих рис, і лише директивна умова мала виграш від персоналізованого агента ([[agent-type-feedback-style-self-directed-learning-2026|Han et al. (2026)]]).

## Як це працює в ШІ-тьюторстві

На відміну від ШІ-тьюторів прямого навчання, які дають відповіді, сократичні ШІ-тьютори використовують послідовності запитань, які:
- **Викликають [[prior-knowledge|prior knowledge]]** — запитують, що студент уже знає про тему
- **Досліджують міркування** — «Чому ви так думаєте?» або «А що, якби ситуація була іншою?»
- **Виявляють [[misconceptions]]** — через ретельно підібрані протиприклади
- **Ведять до проникнення** — не віддаючи відповідь наперед

Сократичний підхід безпосередньо втілює принцип із [[llm-training-and-fine-tuning|EduQwen]]: **винагороджувати «ведення», а не «відповідь».** Проте калібрування сократичного підходу в реальному часі важче за паперову бенчмарк-педагогіку: EduQwen оптимізується на правильне ведення в [[benchmark]] з вибором відповідей, тоді як живий сократичний тьютор має вирішувати, *коли* вести, *коли* підказувати і *коли* відповідати — ґрунтуючись на сигналах студента в реальному часі. [[affective-tutoring|Affective state]] є критичним модератором: розчарованому студентові може знадобитися коротка пряма відповідь перед поверненням у сократичний режим.

## Докази ефективності

Спеціально створений сократичний ШІ-чат-бот, розгорнутий у вступному курсі механіки з великим набором студентів (150 першокурсників [[stem-education|STEM]]-спеціальностей), дав вимірні прирости в міркуванні:

| Метрика | Результат |
|---|---|
| **Вибірка** | 150 першокурсників STEM-спеціальностей |
| **Оцінка навичок, що спираються на знання** | Медіана **4.0/5** |
| **Оцінка загальної ефективності** | Медіана **3.4/5** (помітний розрив) |
| **Конкретність запитань (перший хід)** | ~10–15% |
| **Конкретність запитань (останній хід)** | **100%** |
| **Кореляція конкретності × оцінка** | Пірсонівське **r = 0.43** |

**Тлумачення:** студенти починали з невиразних, загальних запитань, але поступово загострювали їх через сократичну взаємодію — чіткий показник розвитку міркування, схожого на експертне. Позитивна кореляція між конкретністю запитань і заявленою студентами очікуваною оцінкою вказує на те, що вміння ставити кращі запитання саме по собі є галузевою навичкою.

### Розрив в ефективності

Розрив між «навичками, що спираються на знання» (4.0/5) і «загальною ефективністю» (3.4/5) вказує на напругу: студенти визнають, що сократичний бот покращив їхнє міркування, але не повністю схвалюють його як повне рішення для тьюторства. Можливі причини:
- Сократичний діалог вимагає зусиль; студенти можуть віддавати перевагу прямим відповідям задля ефективності
- Чат-бот не може надавати відносинної підтримки людського тьютора
- Деякі студенти можуть застрягати в сократичних петлях без розв’язання

### Протилежний висновок: необмежений доступ може перевершувати обмежені режими

Не всі докази сприяють обмеженню ШІ. [[socratic-nuclear-ai-learning|Socrates went Nuclear (Clin Deffarges, Kosmyna & Maes, 2026)]] — рандомізоване ЕЕГ-дослідження 50 учасників, яке порівнювало необмеженого бота у стилі ChatGPT, режим із лише сократичними підказками та адаптивний режим із обмеженням запитань на завданні з навчання ядерній безпеці, — виявило, що **необмежений чат-бот дав вищі навчальні здобутки**, ніж обидва обмежені режими (*p* < .03, *d* > 0.80), — хоча **адаптивна умова породжувала значно вищу [[student-engagement|cognitive engagement]], виміряну за ЕЕГ** (*p* = .018). Результат ускладнює припущення, що педагогічно обмежена (сократична) взаємодія завжди дає глибше навчання: при короткостроковому засвоєнні фактів переміг вільний доступ, тоді як обмеження доступу підвищувало виміряну когнітивну залученість, не перетворюючи її на вищі негайні здобутки в тесті після навчання. Це корисна точка калібрування поряд із сильнішими вище результатами щодо [[learning-gains|learning-outcome]]: обмеження може підсилити залученість, але переведення залученості в утримання не відбувається автоматично, а надмірне обмеження може просто розчаровувати здобувачів, які шукають відповідей.

Найсильніша підтримка причинності щодо обмеження вказує в інший бік: в огляді K-12 старшокласники, які користувалися чат-ботом загального призначення, набрали приблизно на 17% гірше на підсумкових іспитах без підручників, ніж однолітки без доступу до ШІ, тоді як бот, спеціально призначений для тьюторства, з поступовими підказками й відмовою давати прямі відповіді, зменшив це падіння ([[stanford-evidence-base-ai-k12-2026|Stanford SCALE Initiative (2026)]]).

- **Сократичний тьютор із повним контекстом може бути оцінений найгіршим із чотирьох.** У рандомізованому випробуванні 2×2 зі 132 студентами вступного курсу Python асистент GPT-4o, що застосовував сократичне ставання запитань із повним контекстом проблеми, набрав значно нижчі оцінки за підтримку завершення завдання (середній ранг 48.63, μ = 3.53), ніж варіанти прямого навчання та без контексту (χ²(3) = 12.14, p = .007), мав тенденцію до найвищого стресу взаємодії та зовнішнього використання LLM (23% проти 15% загалом) і породив найменше пояснень після завдання з повним розумінням (48%). Сократичні умови надсилали більше запитів (μ = 11.1 на проблему без контексту), що [[guardrails-ai-teaching-assistants-programming-2026|Eastwood et al. (2026)]] тлумачать як притримані відповіді, які змушують до додаткового обміну репліками, а не як продуктивну боротьбу.

В [[medical-education|clinical]] навчанні опитуванню [[ai-standardized-patient-scaffolding-medical-2026|the MeduAI-SP trial (Yang et al., 2026)]] змушувало агента-тьютора видавати сократичні підказки лише за позначеної потреби — відсутність ключової історії, передчасне закриття, імпас у розмові або збій комунікації — формулюючи їх як рефлексивні запитання, наприклад чи достатньо зібраної інформації, щоб підтримати провідний діагноз. Студенти, навчені за цим сократичним скаффолдингом, набрали на 31 відсотковий пункт вище за спостережний пункт контрольного переліку «висловлення співчуття» (Holm-виправлене P = 8.30e-4) і на 0.90 пункта вище в комунікаційній області OSCE за шкалою 1–5 (P = 4.50e-4), пов’язуючи невіддавання відповідей із вимірними здобутками в пацієнт-центрованій комунікації, а не в діагностичній точності (84% проти 86%; P = 1.000).

Вірність не гарантується конфігурацією: спеціально сконфігурований фасилітатор ISLE відновив порядок «спочатку тест, потім передбачення», який перевернули студенти, але коли його натиснули «просто скажіть нам», яка гиря важча, він видав значення мас, які ніхто не вимірював, перейшовши від ставання запитань до фабрикування даних ([[embodied-inquiry-ai-facilitator-physics-2026|Tufino & Damiani (2026)]]).

## Дослідження в базі знань

**[[hashmi-socratic-physics-chatbot-2025|Socratic Physics Chatbot]]** надає емпіричні докази, що сократичний метод може бути операціоналізований через генеративний ШІ у масштабі, служачи водночас [[teacher-role|teaching]] інструментом і засобом збирання даних для [[learning-analytics]]. На відміну від минулих систем на основі правил, підходи на базі [[llm]] можуть динамічно адаптувати послідовності запитань залежно від відповідей студента.

**[[ai-agents-constructive-conflict-design-education-2026|Adversarial AI agents]]** втілюють конструктивний конфлікт — варіацію сократичного підходу — [[prompt-engineering|prompting]] початковим проєктувальникам переосмислити свої припущення, що веде до більшої кількості ітерацій проєктування та краще оціненого кінцевого результату. Це пов’язує сократичне ставання запитань із [[design-thinking]] та [[critical-thinking]].

**[[syal-multimodal-dialogue-stem-2026|Multimodal dialogue systems]]** розширюють сократичне тьюторство на візуальні домени, використовуючи протокол втручання без перенавчання, який просить моделі описати, поміркувати й самовиправитися — [[multimodal]] сократичний скаффолдинг.

**[[retrieval-augmented-tutoring-algorithm-kite|Retrieval-augmented tutoring]]** операціоналізує принципи сократичного підходу через пошук, прив’язуючи кожну відповідь до авторитетного вмісту курсу, а не спираючись лише на параметричне знання моделі, — закриваючи розрив у тому, що одна педагогічна якість є недостатньою без відповідності вмісту.

**Сократичне тьюторство в підготовці викладачів біології.** Квазіексперимент із 124 майбутніми викладачами біології виявив, що сократичний тьютор ChatGPT-4 із соціально-наукових питань перевершує офлайн-обговорення з однолітками за якістю аргументації (F(1,121) = 14.23, p < .001), причому здобутки зосереджувалися в оцінюванні спростувань і контр-доказів, а не в формуванні тверджень ([[genai-socratic-tutor-biology-argumentation-2026|Ergasheva et al., 2026]]).

[[lftutor-logical-fallacy-education-2026|LFTutor (Shi et al., 2026)]] застосовує ставання запитань за Сократом до предмета, де притримання відповіді — це й усе завдання: навчити непрофесіоналів бачити логічну помилку в переконливому тексті, який вони вважають валідним. Його діалоговий агент розкладає власний аргумент здобувача за моделлю Тулміна (твердження, підстави, зв’язуюче правило), виявляє намір здобувача, а потім обирає рівно одну з чотирьох стратегій — Responding, Evidence, Assumption, Refutation — у фіксованому порядку пріоритету, що віддзеркалює структуру Тулміна, а окремий агент-верифікатор перевіряє після генерації, що відповідь справді виконала обрану стратегію, і перефразовує її, коли не виконала. Метрики оцінювання — це самі способи відмови сократичного підходу, а не навчальні здобутки: відхилення від теми, зміна позиції (поступка позиції здобувача), повторення, нездатність спростувати, нездатність просити докази, фіксація стратегії, непояснена термінологія помилок і пасивне ведення. За 1 000 змодельованих діалогів на кожну рамку з базою GPT-4o LFTutor проходив 84.5% діалогів у середньому проти 61.5% для підказки, що перелічувала ці ж пастки, і 31.2% для звичайної підказки на відіграш ролі, а абляція показує, що здобуток походить не з лексики Тулміна, а з перевіреного виконання стратегії та вибору на основі наміру. За 20 людських учасників, які дискутували з тьютором, LFTutor набрав значно краще за вісьмома з дев’ятьох метрик Лайкерта, зокрема за корисністю (4.15 проти 1.65), причому повторення — єдиний вимір, де різниця не була значущою.

Гейтування може зробити притримання відповідей примусовим, а не косметичним: Prober.ai обмежує LLM ставити лише дослідницькі запитання й видає конкретну пропозицію виправлення лише після того, як студент пише захист, що проходить рефлексивний гейт, повертаючи замість нього коучинговий підштовх, коли захист слабкий ([[prober-ai-inquiry-writing|Bi, Wei and Zhou (2026)]]).

## Суб’єктність і критичне використання

Favero et al. (2025) застерігають, що навіть сократичний ШІ може підривати [[agency]], якщо студенти стануть залежними від структури ставання запитань, а не інтеріоризують її. Мета — не постійний сократичний скаффолдинг, а **перенесення зі скаффолдингом** — студенти з часом сами стають сократичними.

## Зв’язки з іншими поняттями

Сократичний метод тісно пов’язаний зі [[scaffolding]] (надання саме достатньої підтримки), продуктивною боротьбою (дозволяючи студентам боротися зі складністю) та [[intelligent-tutoring]] (адаптивним упорядкуванням запитань). Він протистоїть [[cognitive-offloading|Over-Reliance]] — студенти, які отримують прямі відповіді, можуть обминути навчання, тоді як сократичне ведення підтримує когнітивну залученість. Він підтримує [[self-regulated-learning]] та [[metacognition]], роблячи міркування видимим, і пов’язується з [[formative-assessment]], коли використовується для дослідження розуміння в реальному часі.

## Відкриті питання

1. Чи переноситься сократичний діалог між доменами, чи [[discipline-specific-aied|domain-specific]] міркування непереносне?
2. Як конкретність сократичних запитань корелює з *фактичною»* (а не заявленою) успішністю на курсі?
3. Чи можна поєднати сократичний ШІ з [[becerra-aicofe-feedback-2026|peer feedback]] для соціального підсилення?

- **Притримання відповідей для спровокування міркування.** [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] проєктують LLM-тьюторів, які дотримуються педагогіки [[productive-failure|productive failure]], притримуючи рішення й викликаючи кілька спроб, — сократичноподібна відмова надавати допомогу, крім випадків суворої необхідності; [[wang-safety-gap-productive-struggle-2026|Wang & Shan (2026)]] рекомендують сократичні та антагоністичні архітектури ШІ, що зберігають конструктивне когнітивне тертя.

## Пов’язані поняття

- [[pedagogical-patterns]] — послідовність запитань і суперечливі докази щодо неї
- [[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]] — Umbrella: pedagogies and teaching strategies in AI education
- [[productive-failure]] — Productive Failure

## Пов’язані статті
- [[agent-type-feedback-style-self-directed-learning-2026]] — Socratic versus directive feedback styles in a 2 x 2 postgraduate design study

- [[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]] — Structured Socratic hints vs. open-ended general-purpose Q&A
- [[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]] — Socratic questioning plus critical argumentation in a four-step fallacy-tutoring framework

- [[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

---

## [Критична педагогіка](https://edtechdev.github.io/aied/concepts/critical-pedagogy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Критична педагогіка** — освітній підхід, укорінений у працях Паулу Фрейре та пізніших критичних теоретиків, таких як Генрі Жиру, який розглядає викладання та навчання як справді політичні акти. Замість того щоб просто передавати вміння чи знання, критична педагогіка запитує, кому вигідна освіта, чиє знання привілейоване, і як шкільництво відтворює чи опирається системам влади та утисків. В освіті зі ШІ критична педагогіка допитує корпоративних та капіталістичних логік, що формують впровадження ШІ, ставить у центр голоси та епістемології маргіналізованих спільнот і розглядає [[ai-literacy|ШІ-грамотність]] як практику спротиву та соціальної трансформації, а не як суто технічну компетентність.

## Питання для роздумів

- Кому насправді служить ваша освіта — або інструменти ШІ в ній? Критична педагогіка наполягає, що це питання є неминучим, а не опційним. Яка ваша чесна відповідь?
- Критичне мислення запитує «чи це міркування є обґрунтованим?» Критична педагогіка запитує «кому вигідна ця освіта і чиє знання має вагу?» Чим ці два питання відрізняються, і коли одне потребує іншого?
- Деякі вчені описують поширення генеративного ШІ в освіту як форму «колонізації», що витягує дані, працю та ресурси з маргіналізованих спільнот. Чи здається вам це кадрування крайнім, чи воно називає щось справжнє?
- Критична ШІ-грамотність може включати «спротив ШІ» — відмову від неминучості техніки як рішення. У яких ситуаціях стратегічна відмова чи невикористання були б відповідальнішим вибором, ніж впровадження?
- Хто вирішує, що вважається авторитетним знанням? Якщо [[ai-technologies|системи ШІ]] позиціонуються як авторитетні, що стається з власними пережитими та спільнотними епістемологіями здобувачів?
- За критичною педагогікою викладач — не нейтральний передавач вмінь ШІ, а фасилітатор, який допомагає [[learners]] допитувати політику ШІ. Наскільки ви комфортно почуваєтеся в цій ролі, і чого вона від вас вимагала б?

## Вступ

Критична педагогіка відрізняється від [[critical-thinking]]. Критичне мислення — це когнітивне вміння: оцінювати аргументи, ставити під сумнів припущення та міркувати уважно, — яке можна практикувати в межах майже будь-якої рамкової моделі. Критична педагогіка, навпаки, є *політичною та [[ethics|етичною]] позицією*, яка пов’язує ці вміння з питаннями влади, справедливості, [[equity-in-ai-education|справедливості]] та соціальної трансформації. База знань розглядає їх як споріднені, але відмінні поняття: критичне мислення запитує «чи це міркування є обґрунтованим?», тоді як критична педагогіка запитує «кому служить ця освіта і чиє знання має вагу?».

### Критична педагогіка та ШІ в освіті

[[ai-education|ШІ в освіті]] породжує гострі питання для критичної педагогіки, і база знань документує кілька напрямів:

- **Критика «колонізації освіти» з боку ШІ.** Критичні та феміністичні вчені стверджують, що [[generative-ai|генеративний ШІ]] перебудовує освіту способами, які повторюють патерни колоніальної експлуатації та витягнення — даних, праці та природних ресурсів, — збагачуючи могутніх за рахунок маргіналізованих спільнот.([[avraamidou-ai-colonization-science-education]]) Це кадрування відкидає наратив «техно-утопії», що подає ШІ як нейтральну срібну кулю.
- **Від підкорення до людського розквіту.** Соціалістично-гуманістичний огляд переосмислює ШІ-грамотність як трансформацію, а не як підкорення, називаючи «AIgemony» — ШІ, який посилює корпоративні асиметрії влади, — та «примарну працю» невидимої людської праці з розмітки, і закликаючи до режиму «буття» активної залученості замість режиму «володіння» ([[mechanical-compliance-human-flourishing-ai-literacy-2026|Rose (2026)]]).
- **Феміністичний та справедливий ШІ.** Феміністичний підхід до ШІ ставить справедливість над прибутком, ставить критичні питання про природу та власність знань, про те, кому вигідний ШІ і хто несе відповідальність, коли системи зазнають невдачі. Він закликає до критичної ШІ-грамотності, кадрованої в межах феміністичних [[pedagogy|педагогік]].([[avraamidou-ai-colonization-science-education]])
- **Спротив ШІ як практика критичної грамотності.** Критична ШІ-грамотність (CAIL) може охоплювати «спротив ШІ» — позицію, що відмовляється від неминучості та техносолюціонізму домінантного дискурсу, і натомість культивує колективну [[agency]] через діалогічні, [[collaborative-learning|колаборативні]] педагогіки, які уявляють альтернативні майбутні.([[li-mroziak-reorienting-critical-ai-literacy]])
- **[[multimodal]] [[writing-education|композиція]] як педагогіка критичної ШІ-грамотності.** [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] документують аудиторний модуль, в якому 22 учні одинадцятого класу створювали відео-оголошення суспільного призначення про питання [[ethics]], пов’язані зі ШІ, за власним вибором, перекладаючи нагляд, [[privacy|згоду на дані]] та алгоритмічне звинувачення у фільми від 90 секунд до 3 хвилин, побудовані зі звуку, зображення, тексту та власних тіл. Кадрована Critical Posthumanist Literacy, робота показує політичну позицію в практиці: в усіх семи фільмах шкода виникала з заплутаної людсько-машинної відповідальності, а не з лиходійного інструменту, і студенти все ж закінчували на [[agency]] — «рішення в нашому досягненні», — навіть коли один учасник не погодився, що молодь «повністю бракує будь-якої достовірності». Автори стверджують, що креативна, [[collaborative-learning|колаборативна]] композиція сама є формою критичної ШІ-грамотності, і що наявні шкали ШІ-грамотності та рамкові моделі компетентностей, які припускають індивідуально вимірювану продуктивність, систематично її виключають.
- **Перерозподіл епістемічної авторитетності.** Навчання зі ШІ, засноване на спільноті, заземлює [[student-engagement|залученість]] зі ШІ в пережитих та спільнотних епістемологіях здобувачів, кидаючи виклик позиціонуванню систем ШІ як авторитетних джерел знань.([[ojeda-ramirez-community-based-ai-learning]]) Це включає епістемічну тонку настройку, перерозподіл авторитетності та [[situated-learning|втілене]] розрізнення.

- **Критична взаємодія — виняток, а не норма.** У 42 аудиторних епізодах в румунському дослідженні в нижній середній школі 15 (35,71%) були залежними від ШІ, а 16 (38,10%) — посиленими ШІ, залишаючи лише 11 (26,19%) ШІ-критичними, — що мотивує розробку [[voicu-ai-interpretive-cognition-ssh-2026|Voicu (2026)]] шістконтрольної розвитково-критичної моделі для інтерпретаційної автономії.
- **Цифрове опосередкування як критична практика за умови обмежених ресурсів.** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] застосовує Critical Digital Pedagogy з деколоніальними епістемологіями Півдня до [[educational-development|академічного розвитку]] в південноафриканських Historically Disadvantaged Institutions, де розробники пропускають інституційну риторику щодо ШІ крізь питання про те, що вона означає «для наших студентів із бідних шкіл». Їхнє опосередкування є втручанням, а не фасилітацією — допитуючи, а не впроваджуючи інструменти, запитуючи, що здобувається і чия праця зникає, і розглядаючи контекст як епістемічний принцип, а не як проєктувальну перевагу. Аналітичний внесок автора — відокремити [[digital-divide|цифрову нерівність]] від **алгоритмічної колоніальності** та наполягати, йдучи за Адамсом, що заклики деколонізувати ШІ мають залишатися матеріальними, а не метафоричними.
- **Втілена та культурно-історична етика.** Критичні підходи також стверджують, що етика ШІ в освіті має бути *втіленою* — заземленою в культурно-історичному та екологічному контексті, а не в абстрактних принципах.([[raffaghelli-situated-ai-ethics-2026]])

- **Сталий розвиток як ціннісно обґрунтований проєкт.** Вплив ШІ на освітній сталий розвиток є умовним та опосередкованим управлінням, а не внутрішнім: ціннісно-критичний аналіз стверджує, що ШІ підтримує сталу освіту лише тоді, коли впровадження підпорядковано явним освітнім цінностям, і підриває її, коли технологізація та комодифікація розмивають їх ([[alsuhaymi-sustainable-education-ai-digitalization-2026|Alsuhami & Atallah (2026)]]).
- **Дискурс узгодження, орієнтований на ефективність, як стирання контексту.** [[mcinnes-salvaging-constructive-alignment-genai-2026|McInnes et al. (2026)]] застосовують тривимірну модель Фейрклоу до 14 одиниць сірої літератури (листопад 2022 — квітень 2025), які радять практикам вищої освіти використовувати [[generative-ai|генеративний ШІ]] для конструктивного узгодження, і виявляють техносолюціоністський дискурс, у якому інструмент антропоморфізується як «освітній експерт і помічник», а академічний персонал позиціонується як той, хто постачає «експертизу в предметній галузі», тоді як систему виконує педагогічну роботу. Аналіз називає стирання втіленого, дисциплінарного та критичного контексту одним із трьох режимів невдачі — поряд із перформативністю (узгодженням, яке лише виглядає узгодженим) та поверхневим узгодженням, що змішує конструктивний вимір із узгодженим, — свідчення того, що навіть поради щодо [[learning-design|проєктування курсу]], нібито нейтральна технічна справа, несуть у собі деполітизовану логіку, яку критичні педагоги критикують деінде.

- **Проєктувальні засоби виправлення не є достатніми самі по собі.** Людиноцентричні підходи до проєктування, як-от value-sensitive design, є недостатніми: вони залишають недоторканими системні драйвери — кадрування продуктивності робочої сили та економічні стимули, — і [[agency]] може бути з нульовою сумою, тож здатність, віддана інструментові, є здатністю, якої здобувач не утримує ([[emancipatory-ai-learner-flourishing-2026|Prieto & Dimitriadis (2026)]]).
- **Освіта з прав людини як випробування управління ШІ як формування.** [[kasa-malksoo-ai-human-rights-education-2026|Kasa-Mälksoo (2026)]] працює крізь рамкову модель ООН *about, through, for* у програмі з права і розміщує складність не в технології, а в педагогіці: студенти подавали відполіровані письмові роботи та відполіровані проєкти занять без тієї залученості, яку ці артефакти мають свідчити, і найкритичніше мислення з’являлося в письмі наприкінці курсу, а не в класному діалозі. Її висновок зсуває роль освітянина, а не скорочує її — [[governance|управління ШІ]] стає професійною відповідальністю, якій студентів навчають кидати виклик, а [[llm|інструмент]] спрямовується, а не забороняється.

### Роль освітянина

За критичною педагогікою освітяни є не нейтральними передавачами вмінь ШІ, а критичними співрозмовниками та фасилітаторами, які допомагають здобувачам допитувати політику ШІ. Це пов’язується з поняттями [[teacher-role]] та [[ai-literacy]] в базі знань, а також із ширшим занепокоєнням щодо [[equity-in-ai-education]] та [[reducing-ai-misuse]]. Задача освітянина — культивувати простори, в яких спільноти можуть колективно ставити під сумнів, привласнювати чи відмовлятися від ШІ, — зберігаючи освіту місцем уяви та соціальної трансформації.  [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss et al. (2026)]] додають до цієї ролі практичну умову: робота з критичної ШІ-грамотності з відкритим кінцем не вимагає, щоб освітяни приходили як експерти зі ШІ, а лише щоб вони були готові досліджувати поряд зі студентами — спільне студентсько-викладацьке дослідження однієї конкретної системи, електронні «пропуски в хол» (не всі з яких є ШІ), виявило й опрацювало [[misconceptions]], поглиблюючи водночас технічні знання. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran та Arar (2026)]] надають цій ролі конструктивістської, турботливої форми етики: вони розглядають [[prompt-engineering|грамотність щодо підказок]] як риторичний, етичний та рефлексивний процес, а не як вміння технічної оптимізації, і завершальна фаза рамкової моделі має студентів, які співпроєктують із викладачем Personal AI Use Policy, тож норми, що регулюють використання ШІ в аудиторії, авторизовані тими, ким вони регулюються, а не видаються їм.

## Пов’язані поняття

- [[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: педагогіки та навчальні стратегії в освіті зі ШІ

## Пов’язані статті

- [[kasa-malksoo-ai-human-rights-education-2026]] — Освіта з прав людини, рефлексивна практика та викладання управління ШІ як професійного формування (Kasa-Mälksoo 2026)

- [[burriss-multimodal-composition-critical-ai-literacy-2026]] — Мультимодальна композиція як педагогіка критичної ШІ-грамотності
- [[mcinnes-salvaging-constructive-alignment-genai-2026]] — Критичний дискурс-аналіз техносолюціоністських порад щодо конструктивного узгодження з GenAI
- [[benali-genai-academic-writing-2026]]
- [[avraamidou-ai-colonization-science-education]] — Критична, феміністична критика «колонізації освіти з природничих наук» з боку ШІ
- [[li-mroziak-reorienting-critical-ai-literacy]] — «Спротив ШІ» як укорінена в спільноті праксис критичної ШІ-грамотності
- [[ojeda-ramirez-community-based-ai-learning]] — Перерозподіл епістемічної авторитетності ШІ через навчання, засноване на спільноті
- [[raffaghelli-situated-ai-ethics-2026]] — Втілена, культурно-історична та екологічна рамкова модель для етики ШІ
- [[voicu-ai-interpretive-cognition-ssh-2026]] — Розвитково-критична модель інтерпретаційного пізнання в гуманітарних науках
- [[mechanical-compliance-human-flourishing-ai-literacy-2026]] — Соціалістично-гуманістична ШІ-грамотність + fair use
- [[alsuhaymi-sustainable-education-ai-digitalization-2026]] — Ціннісно-критичний підхід до сталого розвитку освіти та ШІ (Alsuhami & Atallah 2026)
- [[emancipatory-ai-learner-flourishing-2026]] — Емансипаторне бачення проєктування генеративного ШІ на користь розквіту здобувача
- [[miles-prompt-literacy-human-centered-genai-framework-2026]] — Людиноцентрична рамкова модель залученості з GenAI, побудована на Фрейре, конструкціонізмі та етиці турботи
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Critical Digital Pedagogy та деколоніальні епістемології, застосовані до академічного розвитку в Глобальному Півдні

---

## [Педагогічне партнерство](https://edtechdev.github.io/aied/concepts/pedagogical-partnerships/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **[[pedagogy|Педагогічні]] партнерства** (також відомі як **студенти як партнери** або **SaP**) — орієнтований на взаємини підхід до навчання та викладання, в якому студенти й педагоги працюють разом як співавтори, щоби спільно створювати навчальні програми, навчальні активності, [[assessment]], відкритих освітніх ресурси та освітню політику, замість того щоб сприймати студентів як пасивних одержувачів навчання, спроєктованого викладачами. Цей підхід заснований на цінностях **поваги, взаємності та відповідальності** (Cook-Sather et al., 2014), і педагогічне партнерство переосмислює роль студентів як співтворців знань і освітніх інновацій, кидаючи виклик традиційним ієрархіям «згори вниз» в освіті. В епоху ШІ партнерство стало ключовою альтернативою дефіцитарним поглядам на студентів як на тих, хто шахраює за допомоги ШІ, або як на жертв, — позиціонуючи студентів як партнерів у спільному проєктуванні політики, інструментів і практик щодо ШІ.

## Питання для роздумів

- Коли ви проєктуєте курс, завдання чи політику, хто зазвичай ухвалює рішення — і чия перспектива залишається непочутою? Що змінилося б, якби люди, на яких ці рішення найбільше впливають, були справжніми співавторами, а не лише одержувачами?
- Поширене припущення полягає в тому, що студентам бракує експертизи, щоб робити внесок у проєктування викладання. Проте дослідження [[research-methods-aied|дослідження]] стверджує, що студенти є експертами у власному досвіді здобувачів. Де межа між законною досвідченою експертизою студента та дисциплінарною експертизою викладача?
- Слово «партнерство» може завуальовувати реальні розбіжності у владі — студент, якого попросили «спільно проєктувати» курс, усе ще залежить від викладача в питаннях оцінок і рекомендацій. Які умови роблять партнерство справжнім, а не показовим?
- В добу генеративного ШІ студентів часто представляють або як тих, хто шахраює, або як жертв. Як переосмислення їхньої ролі як партнерів у проєктуванні використання ШІ та політики щодо нього може змінити і створювані інструменти, і розмови, які педагоги ведуть зі студентами?
- Партнерство може охоплювати цілі групи, малі групи чи окремих осіб. Яка форма є найсправедливішою, і які практичні та ресурсні обмеження стримують ширшу участь?
- Який зв’язок має довіра з педагогічним партнерством — і як відповіді на ШІ, орієнтовані на нагляд або на дефіцит, можуть підірвати взаємини, від яких залежить партнерство?

## Вступ

Педагогічні партнерства, які також називають **студенти як партнери (SaP)**, описують спектр практик, у яких студенти співпрацюють із науково-педагогічними працівниками, щоби формувати викладання, навчання, оцінювання, навчальні програми та ширший [[student-experience|студентський досвід]]. Цей підхід спирається на фундаментальний посібник Cook-Sather, Bovill і Felten (2014) і на рамки вищої освіти Healey, Flint і Harrington (2014), які описують партнерство як засноване на трьох базових цінностях: **повазі, взаємності та відповідальності**. Партнерство не полягає в тому, щоб зробити студентів педагогічними експертами, чи в тому, щоб викладачі відмовилися від дисциплінарної авторитетності; скоріше, воно визнає доповнювальні ролі, які приносить кожен із партнерів — викладачі як дисциплінарні експерти та інтелектуальні провідники, студенти як експерти у власному досвіді здобувачів із різноманітними талантами та інтересами.

Педагогічне партнерство кидає виклик глибоко вкоріненому припущенню, що студентам не можна довіряти співпрацю у питаннях навчання та викладання, і активно руйнує традиційні ієрархії, зосереджені навколо викладача. Воно концептуально перетинається з [[collaborative-learning]], [[agency|агентністю здобувача]] та [[student-engagement]], але відрізняється тим, що ставить студентів у центр *проєктування* самої освіти — навчальних програм, оцінювання, навчальних активностей, відкритих освітніх ресурсів і політики, — а не лише як активних учасників заздалегідь спроєктованого курсу.

В еру [[generative-ai|генеративного ШІ]] педагогічне партнерство набуло нової нагальності. Оскільки ШІ посилює дефіцитарні наративи, які представляють студентів або як тих, хто шахраює, або як жертв (див. [[ai-misuse-learning-harm]] і [[framing-ai-use-for-students]]), партнерство пропонує альтернативний наратив: замість того щоб контролювати студентів або припускати зловживання, педагоги та заклади можуть залучити студентів як співпроєктувальників політики, інструментів і практик щодо ШІ. Це відображено в дослідженнях бази знань — від студентів, які спільно проєктують політики курсів щодо ШІ, до співтворення спеціальних інструментів ШІ та спільного формування критеріїв оцінювання.

## Форми та масштаб партнерства

Партнерство може набувати різних форм і діяти на різних рівнях, кожен з яких має свої можливості та обмеження:

- **Партнерство всієї групи (співтворення в аудиторії):** Усі студенти курсу співпрацюють із викладачами над структурою, змістом, цілями та політикою курсу. Підходи на рівні всієї групи можуть бути найсправедливішою формою партнерства, оскільки дозволяють широку участь і отримання вигод, хоча й вимагають значних кадрових ресурсів «щільного супроводу», щоб підтримувати збільшення ролі студентів в ухваленні рішень (Bovill, 2020).
- **Індивідуальне партнерство або партнерство малих груп:** Невелика кількість студентів-партнерів працює зі співробітниками над конкретним проєктом — наприклад, спільно проєктує критерії [[assessment]], оцінює інструменти ШІ або розробляє навчальну програму. Це добре підходить для діалогічної, глибокої співпраці.
- **Партнерство на основі проєкту чи програми:** Студенти беруть участь у чітко окресленій ініціативі, як-от спільне проєктування політики курсу щодо ШІ, створення спеціального інструменту ШІ або розробка програми алгоритмічної грамотності.
- **Партнерство в [[curriculum-design]] і [[learning-design]]:** Студенти роблять внесок у формування того, що і як навчається, — від окремих активностей до цілих програм.

Серед цих форм партнерство є *процесом і взаєминами*, а не лише активністю. Результати часто співтворюються і не повністю визначені заздалегідь, що вимагає від співробітників відпустити контроль і прийняти ризики невідомого — цінності, які суперечать прихованим правилам значної частини [[higher-ed|вищої освіти]].

## Педагогічне партнерство та ШІ в освіті

Перетин педагогічного партнерства й ШІ — один із найшвидше зростаючих напрямів бази знань. Ключові теми:

- **Студенти як співпроєктувальники політики щодо ШІ.** Замість того щоб заклади нав’язували студентам правила щодо ШІ, партнерство позиціонує студентів як співтворців політики щодо ШІ на рівні курсу та закладу. Наприклад, активність керованого дослідження, у якій студенти спільно проєктували політику курсу щодо [[generative-ai]], виявила студентські пріоритети навколо навчання, стандартизованого розкриття інформації, інституційної підтримки та залучення до ухвалення рішень ([[guided-inquiry-genai-course-policy-2026]]).
- **Студенти як співтворці інструментів ШІ.** У рамках моделей «студенти як партнери» студенти спільно проєктували та вдосконалювали спеціальні чат-боти [[conversational-ai|чат-боти]], узгоджені з педагогічними цілями, — підхід, який поширює парадигму SaP на самі інструменти ШІ і позиціонує голос студента як центральний для відповідальної інновації в галузі ШІ ([[lo-co-creating-custom-gpts-sap-2026]]).

- **Співпроєктування всієї групи з оцінюванням через самооцінку.** В інформаційній програмі першого року студенти та викладачі спільно проєктували цілі та політики курсу в першому тижні та переглядали їх протягом семестру, причому студенти оцінювали себе та свої групи за особистими цілями, командними цілями та спільною рубрикою, а не за фінальними продуктами ([[maybee-disruptive-partnerships-sap-2025|Maybee, LeGrand & Fundator (2025)]]).
- **Співтворення в оцінюванні та ШІ.** Партнерства студентів і співробітників спільно оцінювали результати, згенеровані ШІ, в оцінюванні курсових робіт і спільно проєктували критерії оцінювання, покращуючи розуміння переваг і обмежень ШІ та підтримуючи [[self-regulated-learning]] ([[williams-ingle-assessment-co-creation-ai-2025]]).
- **Партнерство для збереження педагогічної довіри.** Перед обличчом невизначеності, спричиненої ШІ, та «сорому через ШІ», практики партнерства, які плекають *педагогічну довіру* — впевнені, взаємні навчальні взаємини, відкриті до невизначеності та спільно орієнтовані в діалозі, — пропонують спосіб зберегти реляційне ядро освіти ([[matthews-five-guiding-principles-ai-sap-trust-2025]]).
- **Молодь як співпроєктувальники систем ШІ.** Підходи партисипаторного проєктування залучають історично маргіналізованих студентів як партнерів у проєктуванні систем ШІ, які впливатимуть на їхні аудиторії, виявляючи цінності студентів та їхні [[ethics|етичні]] зобов’язання ([[chang-co-designing-ai-youth-relational-privacy-2025]]).
- **Жива реальність студентів як вхідний дані для проєктування.** Рамки, подібні до «заплутаної педагогіки» (entangled pedagogy), висвітлюють складну, «неохайну» реальність, у якій студенти орієнтуються зі ШІ, стверджуючи, що політика та настанови мають бути спроєктовані спільно зі студентами з урахуванням їхнього життєвого досвіду, а не нав’язані згори ([[fawns-entangled-pedagogy-genai-students-2026]]).

Ці напрями поділяють спільне твердження: що люди, які житимуть із [[ai-education|ШІ в освіті]] — студенти, — мають бути значуще залучені до його формування, інакше створені в результаті інструменти, політики та практики ризикують бути ненадійними, несправедливими або неефективними.

## Зв’язок із суміжними поняттями

Педагогічне партнерство пов’язане, але відмінне від кількох суміжних понять:

- **[[agency|Агентність здобувача]] та [[self-directed-learning]]:** Партнерство підтримує агентність здобувача, даючи студентам голос у питаннях того, що і як вони навчаються, і воно перетинається із самоспрямованим навчанням. Проте партнерство фундаментально *реляційне* — агентність і спрямованість виникають через взаємини між викладачем і студентом, а не в ізоляції. Деякі рамки концептуалізують це як «спільну агентність», що існує у взаєминах між студентом і викладачем, а не лише в одній із сторін. Anastasia (2026) називає вісім умов, яких вимагає таке партнерство — присутність викладача, довіра, психологічна безпека, діалог, голос і вибір, змістовний зворотний зв’язок, рефлексія та спільна відповідальність, — і стверджує, що сам лише вибір не створює автономії: студентам можуть дати варіанти, але вони можуть не мати інформації, впевненості чи психологічної безпеки, щоб ними скористатися ([[anastasia-shared-agency-partnership-framework-2026|Anastasia (2026)]]).
- **[[collaborative-learning]]:** Обидва поняття передбачають роботу разом, але колаборативне навчання зазвичай стосується студентів, які навчаються *один з одним* у межах спроєктованої активності, тоді як педагогічне партнерство ставить студентів і співробітників у центр співпраці над *проєктуванням* самої освіти.
- **[[student-engagement]]:** Партнерство — це глибока форма залученості, але залученість описує участь студента в навчанні, тоді як партнерство описує змінені відносини влади, у яких студенти поділяють відповідальність за формування цього навчання.
- **[[teacher-role]]:** Партнерство переосмислює роль викладача від єдиного авторитету та вартового знань до співпроєктувальника та інтелектуального провідника, не применшуючи експертизи викладацького складу.
- **[[assessment]] та [[authentic-assessment]]:** Співпроєктування оцінювання — від критеріїв оцінювання до рубрик і цілих форматів оцінювання — є центральною ареною партнерства, і ШІ посилив і потребу в справжньому співпроєктуванні оцінювання, і його складність.
- **[[educational-policy-ai]] та [[governance]]:** Партнерство поширюється на політику та управління, позиціонуючи студентів як співтворців політики щодо ШІ, а не як пасивних її суб’єктів.
- **[[equity-in-ai-education]] та [[inclusive-learning]]:** Твердиться, що партнерство є справедливішою формою участі в освіті, висуваючи на передній план голоси — особливо голоси історично маргіналізованих студентів, — які часто виключаються з ухвалення освітніх рішень.

## Ключові теми досліджень

- Чи покращує партнерство та як саме [[learning-gains|навчальні результати]], [[student-engagement]], [[motivation]] та відчуття приналежності.
- Реляційні умови — довіра, психологічна безпека, діалог, спільна відповідальність, — необхідні для створення партнерств і їхнього збереження.
- Як ШІ і сприяє партнерству, і ускладнює його: коли студенти спільно проєктують інструменти та політики ШІ, і коли дефіцитарні наративи навколо ШІ загрожують довірі, від якої залежить партнерство.
- Справедливість у партнерстві: які студенти мають можливість брати участь, чиї голоси висуваються на передній план і як форми на рівні всієї групи порівняно з вибірковими формами розподіляють вигоди.
- Ресурсні та інституційні обмеження партнерства, зокрема трудомісткість справжнього співпроєктування за часом.
- Як партнерство пов’язане з деколонізуючими, критичними та [[critical-pedagogy|критичними педагогіками]], які кидають виклик традиційним ієрархіям і висувають на передній план різні способи пізнання.

## Практичні наслідки

Для педагів і закладів, які прагнуть запровадити педагогічне партнерство, дослідження бази знань дають такі поради:

1. **Починайте з малого та ітеруйте.** Почніть з чітко окресленого проєкту — пілоту з обмеженою кількістю учасників, — і шануйте зусилля учасників визнанням (працевлаштуванням, заліком, сертифікатами, публікаціями).
2. **Використовуйте наявну інфраструктуру.** Програми [[educational-development|розвитку викладацького складу]], відносини працевлаштування студентів і міжкампусні партнерства дають основи для адаптації практики партнерства.
3. **Робіть ставку на взаємини та довіру.** Партнерство спрацьовує, коли довіра, психологічна безпека, діалог і спільна відповідальність свідомо плекаються, а не припускаються як належне.
4. **В епоху ШІ залучайте студентів, а не контролюйте їх.** Співпроєктування політики, інструментів і оцінювання щодо ШІ разом зі студентами є водночас справедливішим і ефективнішим, ніж відповіді, засновані на дефіцитному погляді.
5. **Звертайте увагу на справедливість участі.** Партнерство всієї групи пропонує найширшу участь; вибіркові програми мають ураховувати, яких студентів запрошують і включають.

## Пов’язані поняття
- [[pedagogy]] — Педагогіки та стратегії викладання
- [[collaborative-learning]]
- [[agency]] — Агентність здобувача
- [[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]]

## Пов’язані статті
- [[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

---

## [Сторітелінг в освіті](https://edtechdev.github.io/aied/concepts/storytelling-in-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Сторітелінг в освіті** — використання наративу як [[pedagogy|педагогічного]] інструмента для залучення здобувачів, передачі змісту та підтримки конструювання знань, креативності та емоційного зв’язку. Сторітелінг є природним і мотивуючим способом для здобувачів осмислювати світ, і його дедалі частіше поєднують із технологіями — зокрема зі ШІ та [[educational-robotics|соціальними роботами]] — для створення інтерактивних, адаптивних наративних переживань. Цифровий і опосередкований роботами сторітелінг може додавати інтерактивність, [[personalized-learning|персоналізацію]] та втіленість, яких бракує звичайному (паперовому чи слайдовому) сторітелінгу.

## Питання для роздумів

- Згадайте урок або поняття, яке ви пам’ятаєте яскраво, бо воно прийшло як історія. Що додав наратив, чого не додавало просте пояснення, і чи може ця сила зберегтися, якщо віддати її на аутсорсинг ШІ або роботу?
- На сторінці описано сторітелінг, опосередкований роботами та LLM, який реагує на здобувача та підтримує спільнотворення. Що, на вашу думку, набувається — і потенційно втрачається, — коли історію будують разом із машиною, а не розповідає людина?
- Якщо сторітелінг розбудовує залученість, креативність та емоційний зв’язок, де його вживання в освіті може бути чимось більшим, ніж розвагою — і де воно ризикує підмінити розуміння почуттям?
- Робот-оповідач підвищував поведінкову та когнітивну залученість порівняно з папером і PowerPoint у наведеному [[research-methods-aied|дослідженні]]. Чи довіряєте ви тому, що ця залученість перетворюється на навчання, чи роботу може робити новизна робота?
- Як ви могли б з’ясувати, чи здобувач справді творить зміст зі створеної спільно зі ШІ історії, а не лише насолоджується інтерактивним переживанням?

## Вступ

Сторітелінг ґрунтується на теоріях [[motivation]], [[student-engagement]] та [[constructivist]] навчання. Він підтримує [[language-learning]], [[creativity]], [[social-emotional-learning]] і розуміння. В епоху ШІ сторітелінг із підтримкою [[llm|LLM]] та опосередкований роботами уможливлює спільнотворення, коли здобувачі та [[agentic-ai|АІ-агенти]] будують історії разом, а також інтерактивний наратив, що реагує на здобувача.

### Як сторітелінг проявляється в дослідженнях бази знань

- **Сторітелінг із посередництвом роботів:** [[motibo-digital-storytelling-robots-motivation-2026|MotiBo]] використовує людськоподібний інтерактивний робот цифрового сторітелінгу й виявляє значні здобутки в поведінковій та когнітивній залученості порівняно з паперовими методами та PowerPoint; [[robobuddy-llm-social-robots-classroom-2025|RoboBuddy]] дає змогу викладачам створювати сценарійні заняття зі сторітелінгу на основі LLM із [[curriculum-design|навчального плану]] контенту.
- **Співтворчий наратив у HRI:** [[icub-humanoid-storytelling-llm-hri-2025|Дослідження наративу iCub]] досліджує людсько-роботизоване спільнотворення історій, інтегруючи генеративні моделі для контекстуально доречної взаємодії.
- **Наратив і креативність:** сторітелінг підтримує [[creativity]] і [[language-learning|мовний]] розвиток і використовується для посилення мотивації та залученості в умовах [[k-12]].
- **Цифровий сторітелінг як противага ШІ:** коли [[generative-ai|генеративний ШІ]] наростає, цифровий сторітелінг переосмислюється як засіб для емоційних, культурних і наративних здатностей, яких бракує ШІ. У моделі [[project-based-learning|проєктного навчання]] для освіти в галузі мистецтва та дизайну студенти перетворили місцеву культурну спадщину на [[multimodal]] наративи в 92 роботах цифрового сторітелінгу, демонструючи, як сторітелінг зберігає людську креативність в епоху ШІ.

Сторітелінг пов’язується зі [[student-engagement]], [[motivation]], [[creativity]], [[educational-robotics]], [[language-learning]], [[social-emotional-learning]] та [[educational-robotics]].

## Пов’язані поняття

- [[student-engagement]]
- [[motivation]]
- [[creativity]]
- [[educational-robotics]]
- [[language-learning]]
- [[social-emotional-learning]]

## Пов’язані статті

- [[motibo-digital-storytelling-robots-motivation-2026]] — MotiBo
- [[robobuddy-llm-social-robots-classroom-2025]] — RoboBuddy
- [[icub-humanoid-storytelling-llm-hri-2025]] — Наратив iCub у HRI
- [[remind-robot-mediated-roleplay-antibullying-2026]] — REMind
- [[white-wu-robotics-ai-education-2026]] — Робототехніка та ШІ в освіті

---

## [Онлайн-викладання та онлайн-навчання](https://edtechdev.github.io/aied/concepts/online-teaching-and-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Онлайн-викладання та онлайн-навчання** — педагогіка та практика викладання та навчання, що відбуваються в цифровому, опосередкованому мережею середовищі, а не в спільній фізичній аудиторії. Це охоплює повністю онлайн-курси, масові відкриті онлайн-курси (MOOC), змішані та гібридні формати та дистанційну освіту. Для бази знань центральним питанням є те, як [[generative-ai]] змінює можливості, виклики та рекомендовані практики викладання на відстані — від масштабованої [[personalized-learning|personalization]] до нових ризиків [[academic-integrity]] та [[cognitive-offloading]].

## Питання для роздумів

- Ймовірно, ви вже проходили онлайн-курс або вели такий. Що ви втратили і що здобули, коли фізична аудиторія зникла, — і як це змінило те, на що викладачі могли покладатися?
- Сторінка стверджує, що онлайн-викладання — це відмінна педагогіка, а не лише механізм доставки. Якими конкретними способами онлайн-середовище змінює те, які стратегії викладання взагалі можливі чи ефективні?
- [[rct]] виявило, що некерована допомога ШІ підвищувала результати практики, але знижувала бали іспиту без допомоги, тоді як репетитор за моделлю «підказка, а не відповідь» усував цю шкоду. Перш ніж читати далі, чи можете ви пояснити, чому видача студентам відповіді може завищувати негайні результати, проте підривати довготривале навчання?
- Онлайн-оцінювання не завжди може відрізнити роботу з допомогою від самостійної. Якщо засоби виявлення — це «часткова, оспорювана відповідь», які альтернативні дизайни оцінювання могли б виявляти справжнє розуміння?
- Як уявна доступність легкого ярлика зі ШІ змінює мотивацію студента в курсі з власним темпом та на основі екрана? Що ви могли б спроєктувати, щоб це нейтралізувати?
- Автономний агент тепер може увійти в систему керування навчанням, прочитати матеріал, відповісти на тест і опублікувати допис у дискусії. Якщо створення артефакту більше не демонструє навчання, що вам замість цього потрібно було б побачити?
- ШІ тепер може згенерувати курс, еквівалентний MOOC, за лічені хвилини за частину вартості. Які педагогічні компроміси має «N агентів для одного студента» у порівнянні з «одне відео для N студентів»?

## Вступ

Онлайн-викладання та онлайн-навчання — це відмінний [[pedagogy|pedagogical]] контекст, а не лише механізм доставки. Воно усуває фізичну співприсутність, що підтримує увагу, [[motivation]] та неформальну взаємодію, і замінює безпосередній контакт структурованою цифровою взаємодією — дискусійними форумами, асинхронними матеріалами, відео, [[intelligent-tutoring|tutoring agents]]. Це змінює те, на що викладачі можуть покладатися, що студенти можуть отримувати, а також як проєктується та оцінюється навчання. Як узагальнювальне поняття в ландшафті [[pedagogy]] воно стоїть поряд із [[active-learning]], [[collaborative-learning]] та [[self-regulated-learning]], проте відрізняється середовищем: обмеження та можливості онлайн-середовища формують те, які стратегії є життєздатними.

Зростання генеративного ШІ припадає безпосередньо на цей контекст. Онлайн-здобувачі вже працюють через екрани та програмне забезпечення, тому засоби ШІ є природними сусідами; водночас онлайн-оцінювання важче інвигілювати, що робить неправильне використання легшим, а ставки — вищими. Докази в цій базі знань показують, що ШІ може бути потужним союзником онлайн-викладання та онлайн-навчання — і, за невдалого налаштування, значним джерелом шкоди для навчання.

Критичний огляд літератури [[lock-integrating-ai-online-learning-higher-ed-2025|Lock, Arteaga & Johnson (2025)]] (63 цитування з 32 країн) організовує цей ландшафт у чотири взаємопов’язані теми, які повторюються на сторінці нижче: типи та цілі інтеграції ШІ, педагогічні підходи (ШІ-грамотність, саморегульоване навчання), вигоди та виклики. Їхнє центральне застереження — що ці теми *перетинаються* і що онлайн-інтеграція ШІ є соціотехнічним підприємством, закріпленим у педагогіці та людських стосунках, а не лише в освоєнні технологій, — узгоджується з трактуванням сторінки онлайн-викладання як відмінної педагогіки. Варто зазначити, що вони повідомляють, що студенти, які використовували ChatGPT *разом із* репетиторством викладача, сприймали більші [[learning-gains]], ніж ті, хто використовував його сам, що підсилює акцент на гібридній співпраці людини та ШІ, присутній на всій цій сторінці.

Розвиток, який перемістив це з питання дизайну на нагальне, полягає в тому, що генеративний ШІ більше не лише пише текст, який міг би написати студент. Автономні [[agentic-ai|agents]] тепер входять у систему керування навчанням, читають матеріали курсу, відповідають на тести, читають дописи однокурсників і здають роботу. Три демонстрації на живому бакалаврському курсі з психології показують, що це означає на практиці: два завершення тесту — одне приблизно за **12 хвилин** і одне **менш ніж за 5 хвилин**, обидва з результатом **10/10**, — і допис у дискусії, у якому агент видобув матеріал із дописів однокурсників, а потім сфабрикував правдоподібну історію життя від першої особи, щоб їм відповісти, — на фоні публічного запису щонайменше **15 задокументованих запусків агента** у Canvas, Moodle та Brightspace із використанням **семи інструментів агентів**. [[ai-agents-complete-lms-assessment-validity-2026|Hadjisolomou and El-Haddad (2026)]] стверджують, що це є проблемою [[assessment-validity]] раніше, ніж проблемою доброчесності: те, що усуває завершення агентом, — це припущення, що здану роботу створила та людина, чиє навчання оцінюється. Тому дизайнерське питання онлайн-викладання зміщується від того, як виявляти неправильне використання, до того, які докази навчання онлайн-курс усе ще може продукувати, і саме ця нитка пронизує розділи нижче.

## Формати та умови

Онлайн-викладання та онлайн-навчання набувають кількох пов’язаних форм, які ділять середовище, проте відрізняються охопленням і структурою:

- **Змішане та гібридне навчання.** Моделі, що поєднують очні та онлайн-компоненти, навмисно інтегруючи цифрові діяльності, матеріали та взаємодії з очним викладанням. Змішані формати вимагають від викладачів вирішувати, що найкраще робити синхронно в порівнянні з асинхронним і онлайн в порівнянні з очно, — рішення, які організовують принципи [[learning-design]] і які ШІ водночас підтримує й ускладнює. У змішаному контексті засоби ШІ пропонують можливості для [[personalized-learning|personalization]] та підтримки цілодобово, водночас підвищуючи ризики доброчесності та офлоадінгу, які охоплюють як онлайн-, так і очну частини. [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] ілюструють це у двох змішаних умовах — перевернутих університетських аудиторіях і рефлексивному письмі в професійній освіті, — де інформаційна панель навчальної аналітики (DashED) передавала викладачам профілі [[self-regulated-learning]], отримані за допомогою машинного навчання. Занепокоєння щодо освоєння розійшлися за контекстами: викладачі перевернутих аудиторій (університет) найбільше турбувалися про анонімізацію даних і право студента відмовитися, тоді як викладачі рефлексивного письма (професійна освіта) боялися неправильного використання засобу колегами-викладачами та підкреслювали потребу контекстуалізувати дані. У використанні викладачі перевернутих аудиторій слідували послідовному дослідженню й віддавали перевагу адаптації на рівні курсу та показу панелей на занятті, тоді як викладачі професійної освіти поверталися до зведених сторінок і використовували засіб переважно для індивідуальних консультацій, — доказ того, що дизайн змішаної аналітики має бути обізнаним щодо контексту.
- **Синхронний в порівнянні з асинхронним дизайном.** Цей розподіл важливіший за середовище доставки, бо два формати висувають протилежні вимоги до здобувача. Синхронні заняття несуть увагу, темп і підзвітність у самому занятті; асинхронні курси мають проєктувати їх усередину, оскільки лише здобувач вирішує, коли працювати, і не отримує природної підзвітності від аудиторії. Дослідницька база часто розмиває це: огляд бази знань щодо ШІ та [[student-engagement|engagement]] в онлайн-навчанні (24 дослідження) розглядає залученість усамітнено та явно зливає синхронні й асинхронні контексти, тому його висновки не слід читати як специфічні для асинхронного. Специфічним для асинхронного є доказ того, як здобувачі з власним темпом втрачають фокус і темп — саморегульовані поведінки, такі як постановка цілей, структурування середовища та керування часом, найбільше збігаються з низьким цифровим відволіканням ([[decreasing-digital-distraction-college-online-learning-2026|Shi et al. 2026]], 530 студентів), тоді як метакогнітивні знання та [[well-being]] знижуються протягом семестру крок за кроком зі скупченими дедлайнами оцінювання ([[song-genai-learning-partner-srl-over-time-2026|Song et al. 2026]], 75 студентів). Практичним відповідником є розділ поширених запитань про [[asynchronous-online-courses-ai|designing and facilitating asynchronous courses when AI can do the work]].
- **Дистанційна освіта.** Програми, розроблені для здобувачів, які навчаються дистанційно, часто масштабно й у кількох регіонах (наприклад, 200 тис. і більше здобувачів Відкритого університету). Дистанційне навчання — це місце, де підтримка ШІ цілодобово, вбудована в контекст, і неможливість очного інвигілювання є найбільш помітними. Порівняльні докази з підготовки вчителів у Південній Африці показують, що саме середовище пов’язане з готовністю: [[ai-training-science-teacher-tpack-distance-2026|Mnguni et al. (2026)]] виявили самозвітований TPACK для викладання природничих наук з інтеграцією ШІ вищим серед студентів-учителів останнього курсу в університеті з очним навчанням (64,0%), ніж в університеті дистанційної освіти (47,4%), причому найслабшою заявленою областю в обох умовах було педагогічне знання. Цей патерн попереджає, що дистанційні програми не можуть припускати, що та сама підготовка зі ШІ дає ту саму готовність, і що саме дизайн підготовки, а не її наявність, є тим, що відрізняється.

## Можливості та вигоди ШІ для онлайн-викладання та онлайн-навчання

- **Масштабована персоналізація.** Традиційні MOOC відмінні за охопленням, але погано адаптуються — «одне відео для N студентів». Системи агентів на базі [[llm]] ([[mooc-to-maic|MAIC]]) перевертають це на «N агентів для 1 студента», використовуючи спеціалізовані агенти Teacher (вчитель), Assistant (помічник), Classmate (однокурсник) та Analyzer (аналізатор) для надання [[adaptive-learning|adaptive instruction]], персоналізованого зворотного зв’язку та динамічних навчальних шляхів у масштабі MOOC. Системи на кшталт [[learnmate2-llm-adaptive-learning|LearnMate²]] вирішують «розрив персоналізації» у відкритому онлайн-навчанні за допомогою персоналізованих планів навчання, контекстуальної допомоги в реальному часі та [[adaptive-learning|adaptive]] діяльностей. Персоналізоване відео — конкретний шлях до цієї мети: [[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]] виявили, що студенти великого онлайн-курсу віддавали перевагу персоналізованим відео, згенерованим ШІ, над неперсоналізованими записами людини — перевага, чий ефект персоналізації переважав цінність, надану живому ведучому, — що свідчить, що масштабовані персоналізовані медіа, створені [[generative-ai]], можуть закрити розрив «одне відео для N студентів» в онлайн-інструкції.
- **Цілодобова підтримка, вбудована в контекст.** У контекстах дистанційного та [[adult-learning|adult learning]], де здобувачі навчаються на роботі чи вдома, цілодобова підтримка, вбудована в курс, є значною вигодою. [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|Open University's AIDA assistant]] виявив, що спеціально побудована GenAI-підтримка в середовищі підвищувала [[student-engagement|engagement]] (подвоєний час використання в дослідницькому пілоті), а 96 % студентів хотіли її у своєму формальному навчанні.
- **Розмовне, діалогічне репетиторство в масштабі.** Репетитори [[conversational-ai]], побудовані на перевіреній технології [[intelligent-tutoring]] ([[conversational-ai-tutors-framework|keep/change/center/study framework]]), обіцяють високоякісне, діалогове репетиторство, що залучає думки, питання та [[misconceptions]] студентів, — набагато масштабованіше за людське репетиторство.
- **Фасилітація та аналітика.** ШІ може підтримувати [[collaborative-learning|online discussions]] та [[learning-analytics]], прогнозуючи залученість і допомагаючи викладачам розподіляти увагу. [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026|Hao & Cukurova (2026)]] додають, що згенеровані LLM зведення дискусій можуть діяти як навігаційні [[scaffolding|scaffolds]] у великих асинхронних форумах — розширюючи експозицію студентів до однолітків і умови мережі для навільного соціального капіталу без обтяження студентів чи викладачів роботою зі зведення.
- **Аналітика раннього попередження для онлайн-здобувачів із груп ризику.** [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries & Koprinska (2025)]] показують, що інтерпретоване [[reinforcement-learning|machine learning]] на журналах взаємодії з контентом прогнозує прогрес на рівні модулів і позначає результати відпадання («немає здачі») в масштабних онлайн-курсах [[cs-education|programming]] за 7–8 днів до дедлайнів модулів, даючи онлайн-викладачам конкретне вікно для [[teacher-role|intervene]] щодо відірваних студентів, а не виявлення невдачі лише постфактум.
- **Доступність за вартістю та швидкість.** ШІ може генерувати матеріали курсу за частину традиційної вартості — MAIC скоротив виробництво курсу MOOC з приблизно \\$25 тис./60 годин до менш ніж \\$2/30 хвилин.

## Виклики онлайн-викладання в епоху ШІ

Онлайн-середовище та генеративний ШІ поєднуються, посилюючи специфічний кластер викликів, з якими викладачі мають зустрітися прямо. Там, де очне викладання може покладатися на присутність, негайну підзвітність та інвигілювання, онлайн-викладання має проєктувати для них явно.

### Академічна доброчесність і шахрайство

Онлайн-курси вже створюють виклики інвигілювання — очне інвигілювання часто неможливе для розпорошених, асинхронних здобувачів. Генеративний ШІ посилює це, роблячи згенеровану ШІ роботу нерозрізненою від студентської та даючи змогу робити скорочення в стилі «замовного шахрайства» в масштабі. Докази бази знань щодо [[academic-integrity]] та [[ai-misuse-learning-harm]] показують, що неправильне використання зумовлено менше помилками ШІ, ніж тим, що студенти копіюють відповіді замість навчання. Оскільки онлайн-оцінювання часто не може відрізнити роботу з допомогою від самостійної, неправильне використання може завищувати негайні оцінки, руйнуючи при цьому довготривалі знання, — розрив між уявним і фактичним, який особливо небезпечний на відстані, де викладачі мають меншу видимість процесу студента. Засоби виявлення є частковою, оспорюваною відповіддю ([[ai-detection|AI plagiarism detection]], [[remote-proctoring]]), а позиція бази знань надає перевагу [[authentic-assessment|authentic]], [[process-oriented-assessment|process-revealing]] оцінюванню над гонитвою виявлення.

### Неправильне використання ШІ та когнітивний офлоадінг

Найсерйозніший ризик — що онлайн-здобувачі перекладають на чужих саму ту когнітивну роботу, яка будує розуміння. [[genai-performance-vs-learning|performance–learning gap]] показує, що генеративний ШІ легко підвищує негайну діяльність, оминаючи глибоку обробку, необхідну для довготривалого навчання. Польові докази є прямими:

- Причинне РКД (приблизно 1000 школярів із математики) виявило, що некерована допомога ШІ підвищувала результати практики на **+48 %**, проте знижувала бали недопоможного іспиту за книжками на **−17 %** — студенти, які ніколи не мали доступу до ШІ, перевершували тих, хто мав. Репетитор зі [[guardrails|guardrailed]] за моделлю «підказка, а не відповідь» усунув цю шкоду.
- Поведінкові дані в масштабі населення (3,2 млн взаємодій у ALEKS) виявили, що час навчання на задачах, сприйнятливих до ШІ, впав на **−26,9 %** після виходу ChatGPT, зі **зниженням на 25 % шансів правильних елементів утримання під інвигілюванням** — ефект, що зникав під інвигілюванням, приписуючи його використанню ШІ поза платформою.

Онлайн-навчання особливо вразливе: середовище вже віддаляє здобувачів від негайної підзвітності, а робота з власним темпом і на основі екрана запрошує ярлик «попроси відповідь», який дослідження [[cognitive-offloading]] [[research-methods-aied|research]] визначають як основний механізм шкоди. Відповіддю є не заборона ШІ, а застосування [[guardrails]] — скаффолдингу за моделлю «підказка, а не відповідь», закріплення в знаннях та [[human-in-the-loop-ai|human oversight]] — щоб ШІ посилював, а не заміщав когнітивну роботу здобувача.

### Інші виклики

- **Надто завзята фасилітація ШІ.** Фасилітатори LLM надмірно завзяті втручатися в онлайн-дискусії, що може дратувати учасників і зривати добру розмову; людська обачність — краща модель ([[llm-facilitation-timing-online-discussions|Tsirmpas et al.]]).
- **Ерозія мотивації.** Уявна доступність легкого ярлика зі ШІ знижує автономну [[motivation]] та наполегливість, посилюючи шкоду для навчання.
- **Справедливість і цифровий розрив.** Доступ до надійних пристроїв, зв’язку та високоякісного ШІ варіюється; онлайн-навчання зі ШІ може розширювати, а не звужувати прогалини [[equity-in-ai-education]] ([[digital-divide]]).
- **Приватність даних і довіра.** Онлайн-платформи збирають багаті дані про здобувачів; системи ШІ підвищують занепокоєння щодо прозорості та приватності ([[privacy]]), особливо для дорослих, які поєднують роботу й навчання.
- **Організаційна готовність.** Загибель KhanMigo — здобувачі фактично не взаємодіяли з чат-ботом, за обмежених доказів здобутків, — застерігає, що технічна здатність має супроводжуватися [[governance]] та організаційною готовністю.

### Валідність оцінювання, коли здачу може бути створено без здобувача

Якщо інвигілювання неможливе, а агент може виконати роботу, відповідь, якій надає перевагу база знань, — змінити те, що вважається доказом, а не поліціювати жорсткіше. Чотири дизайнерські відповіді повторюються в нещодавній літературі.

**Поєднайте вразливе завдання з близнюком.** [[roe-assessment-twins-2026|Roe, Perkins and Giray (2026)]] зберігають педагогічно цінне, проте вразливе до ШІ оцінювання — домашній твір чи аналіз випадку — і додають друге, менш вразливе завдання, яке оцінює ті самі [[learning-gains|learning outcomes]], заплановане достатньо близько для взаємної верифікації та оцінене взаємозалежно. Їхнє зіставлення проходить через шість пасом доказів валідності Мессіка, а процес дизайну складається з трьох кроків: визначити вразливості, узгодити результати та обрати близнюка, потім розробити оцінювання, що пов’язує двох. Коротка варіація випадку, пояснення одного ключового рішення або стислий усний захист можуть слугувати близнюком.

**Спрямовуйте на володіння, а не на авторство.** [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|Ebrahimzadeh, Shibani and Buckingham Shum]] стверджують, що змішане людсько-ШІ авторство підриває кілька форм доказів валідності, і пропонують **доброчесність співавторства** як доказ валідності саму по собі: порушену, коли студент здає згенерований ШІ контент, якого він не розуміє. Для перевірки розуміння в масштабі вони повідомляють про **AI Viva** — розмовного агента, який проводить гібридний усний залік із питаннями на розуміння керованого типу та складності, валідований експертами-педагогами та фахівцями з оцінювання. Для онлайн-курсів це є справді масштабованою формою верифікації, і вона продукує доказ про розуміння, а не про те, хто був у кімнаті.

**Перенесіть усний залік в онлайн.** [[asynchronous-oral-assessment-2026|Pentland, Lowenthal and Krier (2026)]] видають підказки точно вчасно й просять студентів записати стислі, обмежені часом відповіді через вебкамеру, до яких вони не можуть повернутися, оцінені за вбудованими рубриками зі стенограмами, згенерованими автоматично. У двох дослідженнях — пілоті з проміжного бухгалтерського обліку та курсі аналітики даних — студенти набрали вище на цих оцінюваннях, ніж на очних іспитах із вибором відповіді (значимо в другому дослідженні, позитивний тренд у першому), за помірних міжформатних кореляцій, що підтримують конвергентну валідність; студенти повідомляли, що готувалися інакше та використовували активніші стратегії навчання. Формат безпосередньо вирішує асинхронну проблему: мислення виконується наживо в обраний студентом час, за адміністративної вартості, яка не масштабується з розміром когорти.

**Послідовніть роботу так, щоб мислення фіксувалося спершу.** [[brcic-effortless-trap-productive-struggle-2026|Brcic and Frljic (2026)]] висувають дизайнерське питання як **розміщення**, а не дозвіл, і зібрані ними причинні докази показують, що результат перевертається лише від розміщення — той самий некерований помічник, який залишив школярів приблизно на **17 % гіршими** на іспиті без допомоги, не завдав шкоди після перебудови так, щоб утримувати відповіді, тоді як добре спроєктований [[intelligent-tutoring|tutor]] приблизно **подвоїв** навчання. Їхня діагностика — та, яку варто зберегти: *якщо впускання ШІ робить завдання таким, що здається беззусильним, він перебуває не на тому місці.* Операційно це дає послідовність, яку онлайн-курс може вписати в завдання — подумай, зафіксуй, використай ШІ, критикуй, перероби, поясни, — де крок фіксації є тим, що робить решту оцінюваною, бо артефакт, створений з нуля, не має історії ревізій для дослідження. Під цим лежить стан, який ця база знань називає [[metacognitively-discordant-completion-genai-2026|metacognitively discordant completion]]: правильна, повна робота, здана студентом, який знає, що розуміння ніколи не прийшло, що в асинхронному курсі нерозрізнене від успіху, якщо дизайн не просить чогось більшого.

Яку б комбінацію викладач не обрав, її має формувати одне обмеження. Онлайн-навчання часто є єдиною доступною опцією — студенти обирають його через зайнятість, обов’язки з догляду, інвалідність чи географію, — тому верифікація має бути **малою і пропорційною**: стислий записаний пояснення, персоналізоване застосування, відповідь на обране викладачем питання, анотований слід рішення, малоставочна індивідуальна перевірка. Виявлення несе тут свої власні витрати на справедливість, бо засоби, які позначають неписьменних носіїв мови непропорційно часто, генерують хибнопозитивні результати ([[ai-detection]], [[digital-divide]]).

## Рекомендовані педагогічні стратегії онлайн-викладання та онлайн-навчання

- **Активне та інтерактивне навчання.** Віддавайте перевагу стратегіям, які зберігають студентів роблячими та мислячими, а не пасивно сприймаючими, — [[active-learning]], інтерактивні вправи та [[socratic-method|Socratic]] діалог. ШІ, який підказує мислення (замість постачання відповідей), зберігає продуктивну боротьбу та [[desirable-difficulties]], що будують довготривале навчання.
- **Підтримка зі скаффолдингом та під керівництвом.** Використовуйте [[scaffolding]], що поступово знімається в міру прогресу здобувачів, і проєктуйте підтримки [[self-regulated-learning]], щоб здобувачі керували власним навчанням, а не залежали від засобу.
- **Навчання на основі співпраці та дискусій.** Структуруйте онлайн-дискусії та групову роботу навмисно; використовуйте діяльності [[collaborative-learning]] і, коли в них бере участь ШІ, калібруйте його фасилітацію та його роль як колеги.
- **Автентичне оцінювання, що розкриває процес.** Зміщуйтеся до [[authentic-assessment]] та оцінювань, які фіксують процес — чернетки, усні захисти, самопояснення, рефлексивні [[eportfolio|portfolios]], — які є більш стійкими до ШІ та розкривають справжнє розуміння.
- **Персоналізовані та адаптивні шляхи.** Використовуйте [[personalized-learning|personalization]] та [[adaptive-learning|adaptive]] діяльності з підтримкою ШІ, щоб пристосувати темп і складність, зберігаючи при цьому персоналізацію глибокою (послідовність завдань, калібрування складності), а не лише поверхневою (кастомні приклади).
- **Соціальна присутність і побудова спільноти.** Навмисно культивуйте соціальну присутність і [[collaborative-learning|community]] — ядро рамки [[community-of-inquiry]], — через компаньйонський ШІ, синхронні перевірки та взаємодію з однолітками, оскільки онлайн-ізоляція є ключовою перешкодою для [[student-engagement|engagement]] та належності. В епоху ШІ це означає курувати три присутності (когнітивну, соціальну, викладацьку), навіть коли згенерований машинами дискурс ускладнює питання про те, хто є «присутнім» (див. [[community-of-inquiry]]).
- **Змішане [[design-thinking]].** Для гібридних форматів застосовуйте принципи [[learning-design]], щоб вирішувати, що найкраще робити синхронно в порівнянні з асинхронним і онлайн в порівнянні з очно, і як ШІ підтримує кожне.
- **Називайте роль ШІ — і перевіряйте, що у студента вона все ще є.** «Студенти можуть використовувати ШІ» — надто широко, щоб проти цього проєктувати. Ролі несуть різні педагогічні наслідки — дослідження генеративного ШІ в освіті з маркетингу розрізняє **репетитора, товариша по команді та інструмент** і показує, що кожна формує викладацьку, соціальну та когнітивну присутність інакше ([[genai-marketing-education-roles-2026|GenAI in Marketing Education]]), — тому онлайн-діяльність має вміти сформулювати свій поділ праці: робота ШІ тут — X, робота студента — Y. Якщо Y містить мало мислення, діяльність потребує перепроєктування, а не суворішої політики.
- **Послідовніть дискусію як позицію, виклик, переосмислення.** Традиційна асинхронна формула публікації один раз і двох відповідей є і поверхневою, і такою, яку може виконати агент. Сильніша структура просить студентів зафіксувати тлумачення, зустріти контрприклад чи критику, потім пояснити, як зрушило їхнє мислення; те, що оцінюється, — рух між ідеями, а не кількість дописів. Це також переміщує викладацьку присутність: механічне відповідання на десятки дописів є найменш цінною її формою, тоді як синтезування патернів у дискусії — припущень, які тривають, розбіжностей, які варто назвати, контрприкладу, що заколисує консенсус, — є тією частиною, якої жоден агент у цій літературі не виконує.
- **Управління з людиною в контурі.** Утримуйте педагогів та [[teacher-role|instructors]] у контурі керування засобами ШІ, спираючись на [[tpack|pedagogical content knowledge]], щоб педагогічний намір, а не типовий для засобу, керував дизайном.

## Наслідки для онлайн-викладачів та інструкційних дизайнерів

- **Ставте обмеження на ШІ, а не просто його постачайте.** Використовуйте [[scaffolding]] за моделлю «підказка, а не відповідь», який утримує когнітивну роботу здобувача в контурі; РКД репетитора зі [[guardrails|guardrailed]] показує, що це усуває штраф на іспиті, якого спричиняє некерований доступ. Див. поняття [[guardrails]] для повного шару дизайну ([[prompt-engineering|prompting]], закріплення в [[rag]], навчання, забезпечення якості).
- **Проєктуйте оцінювання, стійкі до ШІ та інвигільовані/недопоможні.** Оскільки онлайн-оцінювання часто не може відрізнити роботу з допомогою від самостійної, включайте закриті, інвигільовані або розкриваючі процес оцінювання, щоб виявляти та стримувати неправильне використання ([[ai-misuse-learning-harm]]).
- **Викладайте ШІ-грамотність явно.** Допомагайте студентам розпізнавати патерни покладання та калібрувати довіру ([[ai-literacy]]); розвивайте [[self-regulated-learning|self-regulation]] та [[metacognition]], щоб протидіяти офлоадінгу.
- **Вбудовуйте ШІ в навчальне середовище, а не як зовнішній прикріплений модуль.** Спеціально побудовані, контекстуально налаштовані помічники, вбудовані в курс (як [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|AIDA]]), перевершують загальні зовнішні чат-боти та підвищують прийняття.
- **Калібруйте фасилітацію ШІ до людської обачності.** Коли використовуєте ШІ для модерування дискусій, віддавайте перевагу налаштуванням, які втручаються рідко ([[llm-facilitation-timing-online-discussions|Tsirmpas et al.]]).
- **Проєктуйте з огляду на обмеження дорослого життя.** Для дорослих і дистанційних здобувачів надавайте пріоритет мобільному доступу, офлайн-здатності та асинхронній доступності ([[ai-adult-learning-guidelines-dis2026|AI-ALOE guidelines]]).
- **Співпроєктуйте зі студентами та персоналом і будуйте управління.** Партисипативна розробка, спонсорство з боку старших керівників, співпраця між підрозділами та надійне [[governance]] є факторами, що вмикають відповідальне освоєння GenAI.
- **Припускайте, що агент спробує кожну неінвигільовану діяльність, і проєктуйте від цього припущення.** Тест із трьох питань є швидким і викриває слабкі діяльності: чи може система ШІ виконати це без розуміння студентом матеріалу; яка когнітивна діяльність має продукувати навчання; які докази покажуть, що студент її виконав. Коли перша відповідь — так, а дві інші важко відповісти, проблема — в дизайні навчання, а не в політиці щодо ШІ.
- **Утримуйте верифікацію пропорційною до ризику.** Там, де компетентність має бути сертифікована, віддавайте перевагу завданню-близнюку, асинхронному усному захисту чи стислій перевірці розуміння над загальним моніторингом; утримуйте решту курсу гнучкою для здобувачів, які залежать від цієї гнучкості.
- **Використовуйте аналітику для підтримки, а не для заміщення викладання.** Застосовуйте [[learning-analytics]], щоб прогнозувати залученість і цілити підтримку, але утримуйте [[human-in-the-loop-ai|human oversight]] центральним.

## Пов’язані поняття

- [[pedagogical-patterns]] — Контекст, який робить послідовність несучою, оскільки система не може бачити спробу
- [[assessment-validity]] — Валідність висновку від зданої роботи до навчання
- [[agentic-ai]] — Автономні системи, які працюють із засобами та платформами, включно з LMS
- [[community-of-inquiry]] — Спільнота дослідження
- [[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]]

## Пов’язані статті

- [[ai-agents-complete-lms-assessment-validity-2026]] — Автономні агенти завершили неінвигільовані оцінювання в LMS від початку до кінця: проблема валідності оцінювання (Hadjisolomou & El-Haddad 2026)
- [[roe-assessment-twins-2026]] — Близнюки оцінювання: поєднання завдання, вразливого до GenAI, з близько запланованим, менш вразливим на тих самих результатах
- [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene]] — Доброчесність співавторства як доказ валідності та AI Viva як масштабована верифікація
- [[asynchronous-oral-assessment-2026]] — Асинхронні усні оцінювання: обмежені часом непереглянуті записи, оцінені за вбудованими рубриками
- [[brcic-effortless-trap-productive-struggle-2026]] — Беззусильна пастка: розміщення ШІ, а не дозвіл чи заборона
- [[metacognitively-discordant-completion-genai-2026]] — Метакогнітивно дискордантне завершення: правильна робота, здана без розуміння
- [[decreasing-digital-distraction-college-online-learning-2026]] — Які саморегульовані стратегії збігаються з низьким цифровим відволіканням (530 студентів)
- [[song-genai-learning-partner-srl-over-time-2026]] — SRL як стабільна схильність і коливний стан; метакогніція та благополуччя знижуються протягом семестру
- [[genai-marketing-education-roles-2026]] — ШІ як репетитор, товариш по команді та інструмент: ролі та їхні ефекти на присутність
- [[kirsanov-beyond-detection-ai-online-assessments-2026]] — Понад виявлення: дизайн оцінювання для онлайн-умов
- [[reconceptualizing-community-inquiry-generative-ai]] — Переконцептуалізація Спільноти дослідження в епоху генеративного ШІ
- [[lock-integrating-ai-online-learning-higher-ed-2025]] — Інтеграція ШІ в онлайн-навчання у вищій освіті: критичний огляд літератури за чотирма темами
- [[mooc-to-maic]] — Від MOOC до MAIC: переформатування онлайн-викладання та онлайн-навчання за допомогою агентів на базі LLM
- [[learnmate2-llm-adaptive-learning]] — LearnMate²: персоналізована та адаптивна система підтримки онлайн-навчання
- [[llm-facilitation-timing-online-discussions]] — Тенденції фасилітаторів-людей і LLM в онлайн-дискусіях
- [[elevate-genai-virtual-tutors]] — ELEVATE: орієнтовані на людину віртуальні репетитори GenAI
- [[conversational-ai-tutors-framework]] — Шлях до розмовних репетиторів на базі ШІ
- [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of]] — Впровадження AIDA у Відкритому університеті
- [[ai-adult-learning-guidelines-dis2026]] — Настанови щодо проєктування технологій ШІ для підтримки навчання дорослих
- [[deeptutor]] — DeepTutor: до агентного персоналізованого репетиторства
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Робити знахідки машинного навчання доступними для викладачів у змішаних аудиторіях
- [[zhang-ml-student-progress-programming-2026]]
- [[personalized-ai-generated-videos-preference-2026]] — Студенти віддають перевагу персоналізованим згенерованим ШІ відео над неперсоналізованими записами людини (Tomlinson et al. 2026)
- [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026]] — Навчальний дизайн у форумах онлайн-дискусій, керований зведеннями, згенерованими ШІ
- [[ai-training-science-teacher-tpack-distance-2026]] — Студенти-вчителі з очних університетів повідомляли про вищий TPACK для викладання природничих наук з інтеграцією ШІ, ніж колеги з дистанційної освіти (64,0 % проти 47,4 %)

---

## [Відео в освіті](https://edtechdev.github.io/aied/concepts/video-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Відео в освіті** — використання відео як засобу [[teacher-role|навчання]] та навчання, і те, як [[generative-ai|генеративний ШІ]] його переформатовує: згенеровані ШІ та персоналізовані ним [[personalized-learning|персоналізовані]] інструкційні відео, аватари та ведущі на основі ШІ, адаптивна генерація відео, [[learning-analytics|аналітика навчання]] на основі відео та виявлення уваги/[[student-engagement|залученості]], і підтримка ШІ для перегляду відео лекцій. База знань трактує відео і як усталений засіб онлайн-навчання, і як швидкоеволюціонуюче місце інновацій ШІ, що охоплює [[online-teaching-and-learning|онлайн]], змішане та очне навчання.

## Питання для роздумів

- Освітнє відео довго було ресурсом «один розмір для всіх» — тотожний зміст для кожного здобувача. Генеративний ШІ тепер робить відео для кожного здобувача здійсненним, і [[research-methods-aied|дослідження]] свідчить, що студенти дуже високо цінують таку персоналізацію. Що персоналізація додає понад релевантність — і чого вона може коштувати?
- Студенти часто кажуть, що все щто цінують присутність і автентичність людського викладача у відео. Проте в порівнянні прямих уподобань персоналізоване відео ШІ може перевершити універсальні записані людиною лекції. Які компроміси насправді роблять здобувачі, і наскільки вони стійкі?
- Аватари, клоновані з викладачів, можуть генерувати відео у масштабі — але вони також можуть викликати дискомфорт «зловісної долини» та [[ethics|етичні]] заперечення (вплив на довкілля, праця, академічна доброчесність). Коли відеоведучий на основі ШІ є прийнятним, а коли він переходить межу, яку не вирішує жодне технічне втручання?
- Багато відеодосліджень спирається на уподобання студентів і [[self-report-measures|самостійні звіти]]. Наскільки добре заявлені уподобання передбачають фактичні [[learning-gains|результати навчання]] — і коли відео, яке «приємне на дотик», може навчати гірше за те, яке не є таким?
- Аналітика відео може виявляти точки уваги, залученості та відпадання. Які [[pedagogy|педагогічні]] та [[privacy]] наслідки має таке щільне інструментування відеонавчання?

## Вступ

Відео є наріжним каменем сучасної освіти — особливо [[online-teaching-and-learning|онлайн- і змішаного навчання]] — яке цінується за гнучкість, масштабованість і послідовність. Проте звичайне інструкційне відео створюється як артефакт «один розмір для всіх», подаючи тотожний зміст кожному здобувачу незалежно від його інтересів, передумов або [[prior-knowledge|попередніх знань]]. Генеративний ШІ пересуває відео зі статичного засобу мовлення до динамічного, індивідуально підібраного, а також породжує нові запитання щодо присутності, [[trust]], [[privacy]] і вимірювання.

### Як кластеруються дослідження бази знань

- **Згенеровані ШІ та персоналізовані інструкційні відео.** Центральний напрям запитує, чи приймають студенти відео, створене ШІ, і як воно порівнюється зі змістом, записаним людиною. [[ai-generated-instructional-videos-computing-ed|Опитування студентів в освіті з обчислювальної техніки]] досліджують сприйняття й уподобання щодо згенерованого ШІ інструкційного відео. У великому польовому розгортанні [[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]] виявили, що студенти віддавали перевагу згенерованим ШІ *персоналізованим* відео над неособистими записаними людиною лекціями — уподобання, у якому ефект персоналізації переважив цінність, надану людському ведучому. [[ai-video-dual-gatekeeping-2026|Дослідження подвійного контролю]] показує, як нагляд викладача («контроль») на двох етапах створення відео ШІ дає педагогічно більш обґрунтований результат, пов’язуючи це з проєктуванням [[human-in-the-loop-ai|людина в циклі]].
- **Адаптивна та структурована генерація відео.** [[courseblueprint-adaptive-video-generation|CourseBlueprint]] пропонує структурований конвеєр, який генерує адаптивне педагогічне відео, обґрунтоване на корпусах курсів, показуючи, що ефективність відео ШІ визначає явна педагогічна структура — а не лише [[ai-literacy|вільно володіння ШІ]]. [[bespoke-industry-personalized-lecture-videos-2026|Bespoke]] застосовує ту саму логіку в масштабі цілих лекцій: з 31 аспірантської лекції він згенерував 209 відео для аудиторій охорони здоров’я, фінансів, енергетики та універсальної аудиторії, і 25 відповідних за доменом експертів, оцінивши 92 з них, поставили 87% на середину або вище, сформульовану як «якість стандартної лекції MOOC» (в середньому 3.42 з 5), за приблизно \\$0.22 вартості API на хвилину — при тому що повторюваними дефектами були голос, таймінг слайдів і розкладка.
- **Навчальний цикл перевершує кращий рендер.** [[pivot-generative-video-tutors-stem-2026|Ma et al. (2026)]] планують кожне відео як раскадровку цілей, активації передумов, розібраних прикладів і діагностичних проб, в парі з вікториною, що уникає прикладів із відео, та відпрацюванням для кожної неправильної відповіді; 96.9% із 32 викладачів визнали цикл ефективнішим за автономне відео.
- **Аналітика відеонавчання та уваги.** Інструментування відео розкриває, як здобувачі залучаються. [[engagement-assessment-video|Оцінка залученості у відеонавчанні]] і [[savvy-student-attention-video-learning|SAVVY]] візуалізують увагу студентів під час навчання на основі відео, підтримуючи [[learning-analytics|аналітику навчання]], [[self-regulated-learning|саморегуляцію]] та раннє попередження про відпадання. Роботи з сегментацією (наприклад, [[adhd-video-segmentation-computing-education|часова сегментація відео]]) адаптують відео до індивідуальних відмінностей.
- **Аватари та присутність.** Аватари ШІ — віртуальні ведущі та педагогічні агенти — породжують запитання щодо ідентичності, [[community-of-inquiry|соціальної присутності]] та довіри. [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning|Ідентичність аватара та епістемічна довіра]] досліджує, як очевидна ідентичність ведучого формує довіру здобувачів, тоді як [[ai-psychotherapy-training-avatars|аватари ШІ в навчанні]] поширюють цей патерн на професійну практику.
- **Коментарі-скаффолдинг усередині відео — і чого ШІ все ще не розуміє.** [[wang-chatgpt-comments-video-learning-scaffolding-2026|Wang, Du and Jin (2026)]] генерують *i-Comments*, повідомлення [[scaffolding]], що відтворюються всередині кадру відео та синхронізуються зі змістом, обчислюючи ентропію на рівні кадру та вставляючи підтримку лише в інтервали з малою кількістю інформації. Порівняно з 120 коментарями від досвідчених викладачів, 1 000 коментарів ChatGPT були щільнішими, набагато менш різноманітними структурно (різноманіття POS 3-грам 5.5–6.2% проти 25.1–38.5%), тяжчими для читання за кожним індексом читабельності та менш узгодженими тематично (BERTScore емоційної підтримки 0.317 проти 0.574); 40 здобувачів оцінили людські коментарі суттєво вище за таймінг і корисність, хоча новіша модель звузила цей розрив. Аргумент є аргументом про проєктування в такій же мірі, як і про автоматизацію: підтримка, вбудована в медіум, уникає витрат на увагу й когнітивних витрат на паузу для запиту до окремого [[conversational-ai|чатбота]] ([[ai-feedback-quality|якість зворотного зв’язку]], [[social-emotional-learning|емоційна підтримка]]).
- **Підтримка ШІ для перегляду відео лекцій.** Поза генерацією ШІ допомагає здобувачам і викладачам працювати з наявним відео: [[bilingual-llm-lecture-companion-srl-2026|двомовні супутники лекцій на основі LLM]] підтримують саморегульоване навчання з записаними лекціями, а [[gemini-lualatex-physics-video-transcription-2026|конвеєри транскрипції]] перетворюють відео лекції на доступний текст.

### Персоналізація проти людської присутності

Повторювана напруга полягає в тому, чи може цінність [[personalized-learning|персоналізації]] переважити цінність видимого людського викладача. [[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]] представляють персоналізацію та соціальну присутність як *частково взаємозамінні сигнали педагогічної турботи*: людська подача підвищує [[affective-computing|афективний]] досвід і автентичність, тоді як персоналізація підвищує релевантність — і студенти готові міняти одне на інше. Їхні дані ранжування на великому курсі (88.4% віддавали перевагу тому чи іншому персоналізованому відео; лише 73.8% віддавали перевагу записаним людиною) свідчать, що персоналізація нині часто є впливовішим чинником, указуючи на доповнювальну модель, у якій людські викладачі постачають експертизу й соціальний зв’язок, а ШІ розширює їхнє охоплення індивідуально підібраними медіумами.

### Проєктування, етика та вимірювання

Створення ефективного відео ШІ вимагає педагогічної структури та людського нагляду, і породжує окремі занепокоєння: ведущі ШІ можуть викликати дискомфорт або недовіру («зловісна долина»); генеративне відео ризикує фактичною неточністю, якої здобувачі можуть не помітити; масштабування персоналізації вимагає збирання або виведення атрибутів здобувача з відповідними занепокоєннями щодо [[privacy]], упереджень і [[governance]]; а частина здобувачів заперечує проти навчання, згенерованого ШІ, з принципових міркувань (вплив на довкілля, праця, автоматизація, [[academic-integrity|академічна доброчесність]]). Вимірювання також перебуває в русі — багато доказів спирається на заявлені уподобання та сприйняту цінність, а не на об’єктивні результати навчання, тож дані про уподобання треба читати паралельно з (часто ще очікуваними) даними результатів.

## Пов’язані поняття

- [[online-teaching-and-learning]] — відео як основний засіб онлайн- і змішаного навчання
- [[generative-ai]] — двигун згенерованого та персоналізованого відео ШІ
- [[personalized-learning]] — персоналізація як рушій привабливості відео ШІ
- [[adaptive-learning]] — адаптивна генерація відео та темп
- [[multimodal]] — відео, що поєднує візуальну, аудіо та текстову модальності
- [[learning-analytics]] — аналітика залученості та уваги у відео
- [[student-engagement]] — залученість, яку персоналізація відео має на меті підвищити
- [[pedagogical-agent]] — аватари/ведущі ШІ як віртуальні педагогічні агенти
- [[llm]] — великі мовні моделі, що лежать в основі генерації сценаріїв і відео
- [[trust]] — довіра здобувача до ведучих і змісту на основі ШІ

## Пов’язані статті
- [[bespoke-industry-personalized-lecture-videos-2026]] — Bespoke: генерація персоналізованих за галуззю відео лекцій якості MOOC у масштабі (Puech et al. 2026)
- [[wang-chatgpt-comments-video-learning-scaffolding-2026]] — Згенеровані ChatGPT коментарі всередині відео: таймінг за ентропією, розриви в якості проти людських коментарів (Wang, Du & Jin 2026)
- [[personalized-ai-generated-videos-preference-2026]] — Студенти віддають перевагу персоналізованим згенерованим ШІ відео над неособистими записаними людиною (Tomlinson et al. 2026)
- [[ai-generated-instructional-videos-computing-ed]] — Сприйняття/вподобання студентів щодо згенерованого ШІ інструкційного відео в освіті з обчислювальної техніки
- [[ai-video-dual-gatekeeping-2026]] — Подвійний контроль для педагогічно обґрунтованого створення відео ШІ
- [[courseblueprint-adaptive-video-generation]] — CourseBlueprint: адаптивна генерація педагогічного відео
- [[engagement-assessment-video]] — Оцінка залученості у відеонавчанні
- [[savvy-student-attention-video-learning]] — Візуалізація уваги студентів для навчання на основі відео
- [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning]] — Як ідентичність аватара формує епістемічну довіру в опосередкованому ШІ навчанні
- [[bilingual-llm-lecture-companion-srl-2026]] — Двомовні супутники лекцій на основі LLM для саморегульованого навчання
- [[adhd-video-segmentation-computing-education]] — Часова сегментація відео для індивідуальних відмінностей
- [[ai-psychotherapy-training-avatars]] — Аватари ШІ в навчанні психотерапії
- [[gemini-lualatex-physics-video-transcription-2026]] — Транскрипція відео лекцій з фізики в доступний текст
- [[pivot-generative-video-tutors-stem-2026]] — Від генерації змісту до підтримки навчання: керовані педагогікою генеративні відеотьютори для навчання STEM

---

## [Теорії навчання](https://edtechdev.github.io/aied/concepts/learning-theories/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Теорії навчання** — сімейство рамок, що пояснюють, як відбувається навчання, і зонтичне поняття для пов'язаних із теорією ідей бази знань. У [[ai-education|ШІ в освіті]] теорії навчання формують і те, як проєктуються системи ШІ (педагогіка, яку вони втілюють), і те, як поле тлумачить, чи «працює» ШІ: той самий інструмент може бути скаффолдингом за [[constructivist]] припущень, механізмом підкріплення за [[behaviorism]] або небезпекою когнітивного навантаження за теорії когнітивного навантаження.

## Питання для роздумів

- Подумайте про ШІ-тьютора або адаптивну систему, якими ви користувалися або які бачили. Які припущення щодо того, як люди навчаються, вони містили — винагороджували правильні відповіді (біхевіоризм), будували розуміння (конструктивізм) чи керували розумовим старанням (когнітивне навантаження)? Чи проголошували їхні творці ці припущення коли-небудь?
- Сторінка описує повторювану прогалину: дискурс проголошує конструктивізм, тоді як реалізації ШІ за замовчуванням спираються на механіку дресури й зворотного зв'язку. Де ви бачили інструмент, який стверджує, що підтримує глибоке навчання, а насправді лише підкріплює поверхневі реакції?
- Той самий інструмент ШІ може виглядати успіхом за однієї теорії й невдачею за іншої — здуті оцінки за домашні завдання читаються як навчання за біхевіоризму, але як нездатність побудувати стійке розуміння за конструктивізму. Яке лінза справедливіше для суду про те, чи справді студенти навчилися?
- Оскільки кожен ШІ-тьютор утілює теорію, хоч би його проєктувальники казали це чи ні, «чи це працює?» може бути хибним запитанням. Яке краще запитання ставити про освітній ШІ, з огляду на теорії, які він міг би втілювати?
- Генеративний ШІ спонукає освітян розглядати нові теорії — наприклад навчання як ітеративну співконструкцію між людьми та ШІ або ШІ як когнітивного партнера протягом усього життя. Чи справді виникнення ШІ вимагає нових теорій навчання, чи наявних досі вистачає?
- Вимірювання навчальних здобутків саме по собі є «навантаженим теорією»: інструмент, побудований на одній теорії, може не вловлювати здобутків, які передбачає інша. Як двоє дослідників із різними теоретичними зобов'язаннями могли б дивитися на ті самі дані й дійти протилежних висновків про те, чи спрацював інструмент ШІ?

## Вступ

Це зонтичне поняття для гілки теорій навчання в базі знань. Теорії навчання сидять у серці ШІ в освіті, оскільки кожен ШІ-тьютор, адаптивна система та інструмент зворотного зв'язку втілює припущення про те, як люди навчаються — хоч би його проєктувальники проголошували їх чи ні. База знань документує ці теорії індивідуально й розглядає їх як концептуальну лінзу, крізь яку оцінюються проєктування й ефекти ШІ. Дослідницьке поле, яке перевіряє ці рамки, — окрема сторінка: [[learning-sciences|науки про навчання]] вивчають навчання емпірично — експериментами, класовими випробуваннями і дослідницьким на основі проєктування, — і розглядають теорію як щось, що мусить бути підтверджено або спростовано, тоді як ця сторінка збирає самі рамки; ці два вирази у цій базі знань тримаються розрізненими, причому однина «наука про навчання» називає саме цю гілку теорій.

### Ландшафт теорій навчання

База знань документує кілька сімейств теорії навчання, кожне з власними поняттями:

- **Класичні теорії навчання.** [[behaviorism]] (навчання як спостережувана зміна поведінки через підкріплення й дресуру з практикою) і [[constructivist|конструктивізм]] (навчання як активна конструкція знань) — два полюси, які повторюються найчастіше в дослідженнях ШІ. Поле часто демонструє прогалину «конструктивізм на словах, біхевіоризм на справі», де дискурс проголошує конструкцію, а реалізації ШІ за замовчуванням спираються на механіку дресури й зворотного зв'язку.([[ai-vocational-education-training-review]]) [[cognitive-psychology|когнітивізм]] — третій класичний полюс, навчання як зміна внутрішніх розумових репрезентацій, — і теорія, яка найбільше відповідальна за сигнатурні внески AIED ([[knowledge-tracing]], [[cognitive-diagnosis]], [[student-modeling]], [[intelligent-tutoring]]).
- **Соціокультурні й розвиткові теорії.** [[sociocultural-learning]] стверджує, що навчання й розвиток виникають через соціальну участь і опосередковані культурними знаряддями та більш обізнаними іншими — охоплюючи [[sociocultural-learning|зону найближчого розвитку]], [[scaffolding]], учеництво, спільноти практики та [[distributed-cognition|розподілену пізнання]]. В епоху ШІ [[generative-ai|генеративний ШІ]] дедалі частіше розглядається як *опосередкувальний агент*, який і опосередковує діяльність, і генерує ситуативні внески у взаємодію.([[generative-ai-mediational-agent-sociocultural-2026]])
- **Пізнання й когнітивна архітектура.** [[cognitive-psychology|Когнітивна психологія / когнітивізм]] — зонтичне поняття для цього сімейства: теорія когнітивного навантаження (як межі робочої пам'яті формують інструкцію), теорія подвійних процесів (швидка інтуїтивна проти повільної зваженої обробки) і [[metacognition]] (моніторинг і регуляція власного навчання) пояснюють *внутрішні* механізми, які інструменти ШІ задіють або обходять.
- **Мотивація й самоспрямованість.** [[self-determination-theory]] (автономія, компетентність, пов'язаність), [[self-efficacy]] (упевненість у власній здатності), [[self-regulated-learning]] (постановка цілей, моніторинг і корегування) і [[motivation]] пояснюють, чому здобувачі взаємодіють зі ШІ так, як вони взаємодіють.
- **Контекст і діяльність навчання.** [[experiential-learning]], [[active-learning]], [[project-based-learning]], [[collaborative-learning]], [[transfer-of-learning]], [[desirable-difficulties]] й [[embodied-learning]] описують види діяльності й контексту, що породжують стійке навчання.

### Теорії навчання й навчальні здобутки

Теорії навчання зрештою оцінюються за своїми результатами, і поняття [[learning-gains]] бази знань є місцем, де теорія зустрічає свідчення. Кожна теорія дає різне передбачення про те, що *вважається* навчанням і як його вимірювати: біхевіоризм передбачає спостережувані здобутки в продуктивності на завданнях дресури та зворотного зв'язку; конструктивізм передбачає глибше розуміння, що переноситься на нові задачі; соціокультурна теорія передбачає здобутки в участі та опосередкованому розв'язуванні задач; а теорія когнітивного навантаження передбачає здобутки лише тоді, коли інструкція поважає межі робочої пам'яті. Саме тому вимірювання [[learning-gains]] навантажене теорією — інструмент, побудований на одній теорії, може не вловлювати здобутків, які передбачає інша. В епоху ШІ різкий розрив між підтриманою ШІ продуктивністю та несприяними [[learning-gains|навчальними здобутками]] (див. [[generative-ai-reduced-study-time-math]], [[stromberg-generative-ai-learning-penalty-secondary-2026]]) можна прочитати через цю лінзу: біхевіористське читання бачить здуті оцінки за домашні завдання як успіх, тоді як конструктивістське читання, зосереджене на стійкому розумінні, бачить ті самі свідчення як невдачу навчання. Тому поєднання теорій з [[ai-ed-evaluation|оцінюванням]] і [[learning-gains|виміряними результатами]] є необхідним для вирішення, якій теоретичній лінзі дана система ШІ справді відповідає.

### Чому теорії навчання мають значення для ШІ в освіті

Теорії навчання мають значення з трьох причин:

- **Вони передбачають ефекти ШІ.** Чи покращує чи шкодить інструмент ШІ навчанню, залежить від того, який механізм він активує. Тьютор, який віддає відповіді, шкодить за конструктивістської лінзи (обходить конструкцію), нейтральний за біхевіоризму (підкріплює) й викликає занепокоєння щодо когнітивного навантаження (перекладає, а не будує). Поняття [[cognitive-offloading]] й [[cognitive-offloading|надмірної залежності]] бази знань ловлять ризикований бік цього.
- **Вони виявляють прогалину між теорією і практикою.** Емпірична робота повторно виявляє, що реалізації ШІ втілюють інші теорії, ніж проголошує дискурс — найпомітніше конструктивістську мову в парі з біхевіористською механікою дресури з практикою.([[ai-vocational-education-training-review]]) Тому оцінювання ШІ вимагає запитання, *яку* теорію система справді втілює, а не лише чи вона «працює».
- **Їх активно переосмислюють.** Генеративний ШІ [[prompt-engineering|спонукає]] освітян переосмислити, чи вистачає класичних теорій. [[generativism-learning-theory|генеративізм]] пропонує, що навчання в епоху ШІ дедалі більше відбувається через ітеративну співконструкцію між здобувачами-людьми й системами ШІ, розширюючи, а не заміщаючи класичну четвірку (біхевіоризм, когнітивізм, конструктивізм, коннективізм).([[generativism-learning-theory]])

### Нові теоретичні напрями з нещодавніх робіт у AIED

Нещодавня теоретична робота розширює класичну гілку в кількох напрямах, кожен із яких перецентровує стосунок «людина–ШІ», а не розглядає ШІ як нейтральний інструмент:

- **Спів[[regulation]] людини та ШІ.** Розвикова рамка позиціонує ШІ не як зовнішній інструмент, а як **когнітивного партнера**, який співрегулює мислення, навчання й самоконтроль протягом усього життя.([[ai-cognitive-partner-co-regulation-learning]]) Спираючись на виконавчу функцію, [[metacognition]], розподілену пізнання та соціокультурний розвиток, вона вдає ШІ в чотирьох ролях — скаффолдинг, метакогнітивна підтримка, зовнішня пам'ять і система [[cognitive-offloading]], а також партнер у прийнятті рішень, — причому рамка найбільш релевантна від середнього дитинства далі.
- **Ансамблева пізнання.** [[philosophy-of-ai-in-education|філософська]] рамка переконцептуалізує мислення як визначне з динамічних взаємодій між людськими та штучними агентами, а не як таке, що мешкає винятково в індивідуальних розумах.([[ensemble-cognition-philosophy-ai-education]]) Вона кидає виклик «парадигмі свідомості» (припущенням автономії, свідомості та стабільності) й сформулює п'ять особливостей — розподілена агенція, динамічна центральність, когнітивна оркестрація, багаторепрезентаційна інтеграція та контекстно чутливе перемикання, — розрізняючи при цьому **функціональну агенцію** ШІ та моральну відповідальність.
- **[[self-directed-learning|Самоорієнтоване]] зростання / A2PL.** Розширення [[self-regulated-learning|самоорієнтованого навчання]] інтегрує генеративний ШІ з [[learning-analytics|навчальною аналітикою]], щоб культивувати **самоорієнтоване зростання**, операціоналізоване через модель Aspire to Potentials for Learners (A2PL).([[self-directed-growth-generative-ai-learning-analytics]]) Вона переконфігуровує прагнення здобувача (гуманістичне), складне мислення (конструктивістське) та самооцінювання (прагматичне) в єдину компетентність, позиціонуючи GAI як нерецептивний спільний скаффолдинг, а не постачальника контенту.
- **Обманливе надмірне узагальнення.** [[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren і Stamper (2026)]] розширюють традицію ACT-R / Knowledge-Learning-Instruction, теоретизуючи, коли спостережувана правильність маскує незавершене умовне розуміння: здобувачі складають надмірно узагальнену продукцію, що упускає обмеження застосування, і водночас діють правильно — режим невдачі, який адаптивні системи володіння, і навіть традиційна інструкція, можуть пропустити, якщо не перевіряють, *коли утримати* дію.
- **Виконувана теорія KLI.** [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger і Carvalho (2025)]] заземлюють рамку Knowledge-Learning-Instruction на виконуваній обчислювальній моделі (рамка Apprentice Learner з механізмом пам'яті в стилі ACT-R), яка відтворює взаємодію-перехрещення в людських даних: чиста практика допомагає пам'яті на дослівні факти (затримуючи забування), тоді як практика, інтегрована з прикладами, допомагає індукції узагальнюваних умінь. Оскільки KLI пов'язує знання-сталості (факти) з процесами пам'яті, а знання-змінні (уміння) — з індукцією, результат є передбаченою взаємодією контенту зі способом навчання, а не суперечністю між рекомендаціями щодо тестування та розв'язаних прикладів, — а успіх моделі лише за наявності механізму пам'яті демонструє, що практика й приклади грають розрізнені, доповнювальні ролі.
- **Втіленість як онтологічний виклик парадигмі ШІ.** [[videla-embodied-ai-education-choreography|Videla, Penny і Ross (2026)]] стверджують, що онтологічний поділ відділяє втілену, енактивну пізнання від репрезентаційного ідіому, який втілює ШІ, тож ШІ слід децентрувати як епістемічний центр, а не розглядати як нейтральний інструмент.

### Як база знань організовує цю гілку

Замсть розгляду теорій навчання як абстрактної філософії база знань заземлює кожну в дослідженнях ШІ в освіті, які її використовують. Сторінки [[constructivist]] й [[behaviorism]] документують, як проєкти ШІ втілюють (або зраджують) кожну теорію; теорія когнітивного навантаження, [[self-regulated-learning]], [[metacognition]] і [[transfer-of-learning]] пов'язують теорію з конкретними механізмами й результатами ШІ. Це віддзеркалює те, як база знань поводиться з іншими зонтичними доменами, як-от [[feedback]] і [[assessment]], — узгоджена система взаємодіючих понять, а не ізольовані сторінки.

### Теорії навчання та «освіта про ШІ»

Теорії навчання з'являються також як контент у навчальних планах [[ai-literacy|ШІ-грамотності]]: здобувачі вивчають біхевіоризм, когнітивізм, конструктивізм і коннективізм, щоб зрозуміти [[pedagogy|педагогічні]] припущення за інструментами, якими вони користуються.([[generativism-learning-theory]]) Викладання цієї гілки дає студентам (і освітянам) лексику, щоб критикувати, чому продукт ШІ побудований саме так — і чи служать його механіки навчальній меті, що стоїть на порядку денному.

- **Опосередкувальний агент.** Warschauer, Tate і Ritchie (2026) стверджують, що генеративний ШІ ламає соціокультурне розрізнення між опосередкувальними засобами та соціальною взаємодією, пропонуючи *опосередкувального агента* — систему, яка і опосередковує дію, і генерує ситуативні, непідзвітні внески, займаючи гібридний простір між знаряддям і соціальним партнером. Це дає п'ять зорієнтованих на людину звичок участі (первинність людської пізнання, цілеспрямована [[student-engagement|залученість]], наглядова агенція, епістемічна пильність, рефлексивна саморегуляція).([[generative-ai-mediational-agent-sociocultural-2026]])

### Теорії, запропоновані для епохи ШІ

Поруч із класичними сімействами база знань документує теорії, написані специфічно для навчання з системами ШІ, і ці теорії несуть наслідки для проєктування, які старіші теорії залишають відкритими. [[yan-agentivism-learning-theory-ai-2026|Агентивізм (Yan і Gašević 2026)]] — приклад середнього радіусу: він визначає навчання як стійкий приріст у людській здатності, а не як успішне завершення завдання, називає чотири механізми (делегована агенція, епістемічний моніторинг і перевірка, реконструктивна інтеріоризація та перенесення за зменшеної підтримки) і формулює шість перевіровних положень, серед яких — те, що підтримка ШІ, яка зберігає відповідальність здобувача за формулювання задач, постановку критеріїв та обґрунтування, породжує сильніше навчання, ніж підтримка, яка віддає відповіді.

**Педагогічний симбіоз** [[elsayed-pedagogical-symbiosis-posthuman-learner|Elsayed (2026)]] робить сильніше онтологічне твердження: здобувач є *постлюдською* сутністю, чия пізнання є гібридною, а не підтриманою знаряддям, організована чотирма принципами: когнітивним перекладанням і розширенням, епістемічною співконструкцією, метакогнітивним симбіозом і динамічним формуванням ідентичності; операціоналізована як рубрика Symbiotic Portfolio і роль викладача як «когнітивного хореографа»; явно неперевірена.

## Пов’язані поняття

- [[behaviorism]] — Біхевіоризм
- [[cognitive-psychology]] — Когнітивна психологія
- [[constructivist]] — Конструктивізм
- [[metacognition]] — Метакогніція
- [[distributed-cognition]] — Розподілена пізнання
- [[self-regulated-learning]] — Саморегульоване навчання
- [[self-determination-theory]] — Теорія самовизначення
- [[self-efficacy]] — Самоефективність
- [[motivation]] — Мотивація
- [[sociocultural-learning]] — Соціокультурне навчання
- [[scaffolding]] — Скаффолдинг
- [[transfer-of-learning]] — Перенесення навчання
- [[learning-gains]] — Навчальні здобутки
- [[desirable-difficulties]] — Бажані труднощі
- [[active-learning]] — Активне навчання
- [[experiential-learning]] — Досвідне навчання
- [[collaborative-learning]] — Спільне навчання
- [[embodied-learning]] — Втілене навчання
- [[cognitive-offloading]] — Когнітивне перекладання
- [[learning-design]] — Проєктування навчання
- [[learning-sciences]] — Науки про навчання
- [[philosophy-of-ai-in-education]] — Філософія ШІ в освіті
- [[ai-education]] — ШІ в освіті
- [[pedagogy]] — Зонтичне поняття: педагогіка й стратегії навчання в освіті зі ШІ

## Пов’язані статті

- [[yan-agentivism-learning-theory-ai-2026]] — Теорія навчання середнього радіусу для взаємодії людини зі ШІ, з чотирма механізмами та шістьма перевіровними положеннями (Yan і Gašević 2026)
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Обманливе надмірне узагальнення: адаптивне володіння може припинити практику, перш ніж здобувачі дізнаються, коли утримати дію (An, McLaren & Stamper 2026)
- [[airis-hybrid-human-ai-cognition-2026]] — Розширене ШІ дослідження й регуляція в гібридних системах (AIRIS)
- [[voicu-ai-interpretive-cognition-ssh-2026]]
- [[ai-cognitive-partner-co-regulation-learning]] — Позиціонує ШІ як когнітивного партнера в співрегуляції людини та ШІ; розвикова рамка на все життя
- [[ensemble-cognition-philosophy-ai-education]] — Ансамблева пізнання: філософська рамка, що переконцептуалізує мислення як взаємодію людини зі ШІ
- [[self-directed-growth-generative-ai-learning-analytics]] — Самоорієнтоване зростання та модель A2PL, що розширює самоорієнтоване навчання за допомогою GenAI
- [[generativism-learning-theory]] — Пропонує нову теорію навчання для епохи генеративного ШІ, переосмислюючи класичну четвірку
- [[ai-vocational-education-training-review]] — Документує прогалину між конструктивізмом і біхевіоризмом, теорією і практикою, в освіті ШІ для професійно-технічної підготовки
- [[genai-educational-outcomes-meta-analysis]]
- [[elsayed-pedagogical-symbiosis-posthuman-learner]]
- [[videla-embodied-ai-education-choreography]]
- [[generative-ai-mediational-agent-sociocultural-2026]] — Генеративний ШІ як опосередкувальний агент
- [[kim-ai-productive-failure-adult-2026]] — Проєктування систем ШІ для підтримки навчання на основі продуктивної невдачі
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Педагогічне керування LLM для продуктивної невдачі
- [[lukesova-clue-before-correction-2026]] — Підказка перед виправленням: ChatGPT для автономного вивчення мов
- [[rachatasumrit-example-problem-ratio-2026]]

---

## [Біхевіоризм](https://edtechdev.github.io/aied/concepts/behaviorism/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Біхевіоризм** — теорія навчання, яка розглядає навчання як зміну спостережуваної поведінки, що виникає через асоціації «стимул–реакція» та підкріплення, а не через зміни у внутрішніх психічних станах. У [[ai-education|AI in education]] біхевіористські принципи лежать в основі тренажерно-практичних конструкцій із негайним зворотним зв’язком і адаптивним темпом, які домінують у багатьох системах [[intelligent-tutoring]] та [[adaptive-learning]].([[ai-vocational-education-training-review]])

## Питання для роздумів

- Біхевіоризм розглядає навчання як зміну спостережуваної поведінки, що рухається стимулом і реакцією та підкріпленням, — а не як зміну внутрішніх психічних станів. Перш ніж читати далі: які освітні переживання у вашому минулому спиралися на винагороду, повторення та негайний зворотний зв’язок? Чого вони досягали й чого могли не охопити?
- Дивовижний висновок на цій сторінці: навіть там, де освітній дискурс сповідує багаті конструктивістські теорії, фактичні реалізації ШІ є переважно біхевіористськими — тренажер і практика, негайний зворотний зв’язок, адаптивний темп. Як ви вважаєте, чому біхевіористська механіка домінує на практиці, хоч і втратила моду в теорії?
- Сторінка попереджає про освітню «пастку Тюрінга» — використання ШІ для відтворення, а не для розширення можливостей людського навчання. Якщо система ШІ оптимізує правильні відповіді та ефективність, що вона може тихо «оптимізувати геть» в активному конструюванні знань здобувачем?
- Біхевіористські конструкції описані як потужні для базової впевненості в навичках — лексика, арифметика, синтаксис коду, — але самі по собі недостатні для навчання вищого порядку, концептуального чи агентного. Де у вашому власному навчанні тренажерний ШІ із практикою допоміг би, а де активно зашкодив би?
- Поставлене конструктивне питання не в тому, «правильний» біхевіоризм чи ні, а в тому, чи служить механіка конкретної системи меті навчання. Як ви з’ясували б, чи будує негайний зворотний зв’язок і адаптивний темп ШІ-тьютора справжнє переносне розуміння, чи лише робить спостережувану успішність гарною на вигляд?

## Вступ

Біхевіоризм стверджує, що навчання — це посилення або послаблення зв’язків «стимул–реакція» через підкріплення, і що ненаочкові психічні конструкції — погане пояснення навчання. Його прикладна спадщина в освіті — це **програмоване навчання і тренажери з практикою**: подання матеріалу малими кроками, викликання відповіді й негайне підкріплення правильних відповідей. Ці принципи чітко проектуються на механіку систем [[adaptive-learning]] та [[intelligent-tutoring]], які адаптують темп і складність під відповіді студента та забезпечують негайний зворотний зв’язок.

## Основні ідеї

- **Навчання — це зміна поведінки.** Мета — це вимірна зміна в успішності, а не інтеріоризоване розуміння. Це робить біхевіористські конструкції природними для наочних результатів на кшталт впевненості в навичках, швидкості та точності.
- **Підкріплення рухає навчанням.** Правильні відповіді підкріплюються, а помилки виправляються, як правило, негайним зворотним зв’язком — шаблон конструкції, універсальний у ШІ-тьюторах і тренажерах.([[ai-vocational-education-training-review]])
- **Малі крокки й скаффолдинг темпом.** Навчання розбивається на інкрементальні одиниці із зворотним зв’язком на кожному кроці, подібно до того, як адаптивні системи впорядковують практику.
- **Здобувач є переважно пасивним у конструюванні знань.** Середовище (або система) структурує відповіді та винагороджує їх; здобувач реагує, а не конструює сенс — точна протилежність допущень [[constructivist]].

## Біхевіоризм і ШІ в освіті

### Біхевіористські конструкції домінують на практиці

Емпіричні роботи знову й знову показують, що фактичні реалізації ШІ є переважно **біхевіористськими або когнітивістськи орієнтованими** — наголос на тренажерах з практикою, негайному [[feedback]] та адаптивному темпі, — навіть там, де дискурс сповідує багатші теорії. [[meta-analysis-systematic-review|systematic review]] про ШІ у професійній освіті та навчанні (VET) зробив висновок, що конструктивістські теорії сповідуються в дискурсі VET, тоді як **біхевіористські реалізації ШІ домінують на практиці**, і попередив про освітню «пастку Тюрінга» — використання ШІ для відтворення, а не для розширення можливостей людського навчання.([[ai-vocational-education-training-review]])

### Рівнозначність результату: коли поведінка вже не засвідчує навчання

Біхевіоризм визначає навчання як зміну спостережуваної поведінки, що робить його теорією, яку найпряміше бентежить генеративний ШІ: здобувач тепер може створити есей, аналіз або робочий код, невідрізнний від роботи того, хто володіє компетентністю, яку цей артефакт має засвідчувати. Спостережувана поведінка ідентична, а навчання могло не відбутися — режим відмови, який [[generativism-learning-theory|Generativism]] називає проблемою поведінкової рівнозначності.

Розрив між успішністю і навчанням не новий, але ШІ його розширює. У польовому експерименті майже з тисячею старшокласників-математиків необмежений доступ до стандартного помічника підвищив успішність у практиці на 48 відсотків, тоді як ті самі студенти згодом набрали на 17 відсотків менше за однолітків, які практикували без ШІ, на іспиті без допомоги; версія тьютора з обмежувачами здебільшого усунула цей дефіцит ([[genai-performance-vs-learning]]). Поведінково прочитано, урок стосується вимірювання, а не педагогіки: система, що оптимізує результат, може задовольнити власний критерій навчання теорії, не виконуючи її мети.

### Напруженість із конструктивізмом та агентністю

Біхевіористський наголос на «реакція та підкріплення» перебуває в прямій напруженості з цілями [[constructivist]], [[self-regulated-learning]] та [[agency]]. Коли системи ШІ оптимізують правильні відповіді та ефективність, вони можуть недостатньо обслуговувати активне конструювання знань здобувачем, критичну рефлексію та автономне прийняття рішень. Це той самий розрив, про який сигнализує [[constructivist]]-шаблон «конструктивізм на словах, біхевіоризм на практиці», — і він пов’язує біхевіоризм із дебатами про [[cognitive-offloading]] та [[cognitive-offloading|Over-Reliance]], коли ШІ виконує когнітивну роботу за студентів.

### Де біхевіористські конструкції ще пасують

Біхевіористські принципи залишаються добре придатними для:

- **Будівництва базової навички та впевненості в ній** — де повторення та негайний зворотний зв’язок вимірно покращують автоматизм (наприклад, лексика, арифметика, синтаксис коду).
- **[[adaptive-learning]] та [[intelligent-tutoring]]** — які спираються на покрокову практику, визначуваний відповідями темп і негайний зворотний зв’язок.([[ai-vocational-education-training-review]])
- **Низькоризикового [[formative-assessment]]** і тренажерів у добре визначених доменах, де цільовий результат наочний, а шлях до нього здебільшого процедурний.

Конструктивне питання не в тому, «правильний» біхевіоризм чи ні, а в тому, чи служить біхевіористська механіка конкретної системи ШІ *меті навчання* — для процедурної впевненості в навичках вона може бути потужною; для навчання вищого порядку, концептуального чи агентного вона сама по собі недостатня.

## Біхевіоризм і «освіта про ШІ»

Біхевіоризм постає також у тому, як здобувачі зустрічають ШІ як тему. Ця теорія — одна з чотирьох домінантних [[learning-theories|learning theories]] — біхевіоризму, когнітивізму, конструктивізму та коннективізму, — які [[generative-ai|generative AI]] спонукає педагогів переосмислити.([[generativism-learning-theory]]) Її згадують також у контекстах кооперативного навчання й конструкції як частину теоретичного тла, якому вчать здобувачів.([[ccct-cooperative-learning-technique]]) Розуміння біхевіоризму допомагає здобувачам побачити, чому багато інструментів ШІ (і продуктів, побудованих на них) сконструйовані для «реакції та підкріплення», а не для глибшого конструювання.

## Наслідки для конструкції та досліджень

1. **Узгодьте механіку з метами.** Біхевіористські конструкції «тренажер і зворотний зв’язок» пасують для процедурної впевненості в навичках і наочних результатів; самі по собі вони погано пасують для концептуальних, переносних або агентних цілей навчання.
2. **Стежте за розривом між теорією і практикою.** Дослідникам слід перевіряти, чи служить біхевіористська механіка реалізації ШІ сповідуваній меті навчання, чи тихо відтворює «пастку Тюрінга» ШІ як машини відповідей.([[ai-vocational-education-training-review]])
3. **Поєднуйте біхевіоризм із багатшими скаффолдами.** Конструкції з негайним зворотним зв’язком найефективніші, коли вбудовані в ширший контекст [[scaffolding]] та [[self-regulated-learning]], а не стоять окремо як чистий тренажер.
4. **Оцінюйте наочні *і* переносні результати.** Біхевіористські критерії успіху (швидкість, точність) слід доповнювати мірами того, чи переноситься й узагальнюється навчання, згідно з [[transfer-of-learning]] та [[research-methods-aied]].

## Пов’язані поняття

- [[constructivist]]
- [[cognitive-psychology]] — Когнітивізм, третій класичний полюс теорії навчання
- [[learning-design]]
- [[adaptive-learning]]
- [[intelligent-tutoring]]
- [[feedback]]
- [[formative-assessment]]
- [[self-regulated-learning]]
- [[agency]]
- [[cognitive-offloading]]
- [[learning-theories]]

## Пов’язані статті

- [[ai-vocational-education-training-review]] — Біхевіористські конструкції ШІ домінують у практиці VET попри сповідуваний конструктивізм; «пастка Тюрінга»
- [[generativism-learning-theory]] — Біхевіоризм серед чотирьох домінантних теорій, переосмислення яких спонукає генеративний ШІ
- [[ccct-cooperative-learning-technique]] — Біхевіоризм, згаданий у конструкції кооперативного навчання для вищої освіти
- [[wang-multi-agent-systems-learning-designers-2025]] — Біхевіористська персона серед підходів колаборативного мультиагентного конструкціювання

---

## [Конструктивізм](https://edtechdev.github.io/aied/concepts/constructivist/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Конструктивізм** — [[learning-theories|теорія навчання]], згідно з якою знання активно будує сам здобувач через досвід, рефлексію та взаємодію, а не пасивно отримує від викладача чи системи. В [[ai-education|ШІ в освіті]] конструктивізм лежить в основі проєктувального зобов’язання, що інструменти ШІ мають підтримувати власне конструювання знань здобувачем — [[prompt-engineering|формулювання підказок]], ставлячи питання, і [[scaffolding]], — а не виконувати [[cognitive-offloading|когнітивну роботу]] за них.([[ai-vocational-education-training-review]])([[genai-mindtool-generative-learning]])

## Питання для роздумів

- Чи траплялося вам «вивчити» щось в аудиторії, а потім зрозуміти, що ви насправді не можете цього пояснити чи використати? Чого не вистачало — і що це говорить про те, як формується справжнє розуміння?
- Конструктивізм стверджує, що знання будуються, а не передаються. Якщо це так, що відбувається, коли репетитор на базі ШІ просто видає правильну відповідь?
- Вислів «конструктивізм на словах, [[behaviorism]] на практиці» описує інструменти ШІ, які претендують на підтримку [[active-learning|активного навчання]], а насправді працюють як дрель і практика. Чи траплялася вам ця розбіжність? Як би ви виявили її в інструменті, який оцінюєте?
- Конструкціонізм Парперта стверджує, що найпотужніше ми навчаємося, будуючи спільні артефакти. В епоху ШІ одна рамкова модель формулює це так: «ШІ пише код, але студент пише модель». Що насправді конструює студент, коли механіку виконує ШІ?
- Деякі інструменти ШІ практикують «генеративну відмову» — не видають відповідей, а ставлять питання замість них. Коли свідоме утримання допомоги було б педагогічно ціннішим, ніж її надання?
- Якщо знання конструюється, то ШІ-грамотність не засвоюється через лекції про ШІ — її засвоюють, використовуючи, критикуючи та будуючи разом зі ШІ. Що це означає для того, як має навчатися ШІ-грамотності вас чи ваших студентів?

## Вступ

Конструктивізм — це сімейство теорій, а не єдине вчення, проте його центральне твердження спільне: здобувачі не абсорбують значення; вони його конструюють. Розуміння в цій оптиці — не накопичення переданих фактів, а активна організація досвіду в ментальні моделі. Це має прямі наслідки для того, як слід проєктувати, оцінювати та викладати ШІ в освіті, — і воно допомагає пояснити і обіцянку, і ризик [[generative-ai|генеративного ШІ]] в аудиторії.

**[[mishra-control-vs-agency-history-2025|Mishra et al.]]** протиставляють конструкціонізм Парперта (Logo, мікросвіти, зневадження як навчання) когнітивним репетиторам Андерсона як конкурентні бачення творчої дієздатності та систематичного контролю в історії AIED.

## Основні ідеї

- **Знання конструюється, а не передається.** Здобувачі будують розуміння, діючи зі світом, узгоджуючи нову інформацію з [[prior-knowledge|попередніми знаннями]] та рефлексуючи над результатами. Репетитор на базі ШІ, який просто видає правильні відповіді, обходить конструктивну діяльність, що породжує тривале розуміння.([[generative-refusal-ai-tools-for-thought]])
- **Попередні знання формують нове навчання.** Нові ідеї тлумачаться крізь уже наявні ментальні моделі здобувача, тому навчання має виявляти й опиратися на те, що здобувачі вже знають, — принцип, безпосередньо пов’язаний із [[misconceptions]] та з репетиторами ШІ, які адаптуються до здобувача.
- **Соціальна взаємодія підтримує конструювання.** Значний напрям — соціальний конструктивізм — стверджує, що значення співконструюється через діалог, співпрацю та культурно [[situated-learning|втілену]] діяльність. Це пов’язує конструктивізм із [[collaborative-learning]] та з підходами [[socratic-method]], в яких ШІ підказує, а не диктує.([[ai-agents-constructive-conflict-design-education-2026]])
- **Конструювання видиме в діяльності.** Здобувачі розкривають (і закріплюють) своє розуміння, генеруючи, пояснюючи та створюючи, — саме тому [[icap-framework|рамкова модель ICAP]] ставить «конструктивне» та «інтерактивне» [[student-engagement|залучення]] вище за «активний» і «пасивний» режими.([[hingle-collaborative-ai-literacy-2025]])([[icap-cognitive-engagement-llm-agents]])

Межею теорії є те, що конструктивізм припускає людськоцентричну епістемічну дієздатність, через що він не спроможний врахувати ШІ, який імітує міркування і співконструює значення; запропонованим доповненням є епістемічна співдієздатність, у якій здобувачі розглядають результати ШІ як такі, що піддаються оскарженню, і зберігають епістемічний суверенітет над тим, що вважається знанням ([[learning-with-machines-toward-a-theory-of-epistemic-co-agency|Samuel (2026)]]).

## Конструкціонізм

**Конструкціонізм** — це галузь конструктивізму, пов’язана з Сеймуром Парпертом, яка додає конкретне твердження: навчання відбувається найпотужніше, коли здобувачі конструюють *зовнішні, спільні артефакти* — фізичні або цифрові об’єкти, які вони проєктують, будують і зневаджують. Тоді як піажетівський конструктивізм зосереджений на внутрішньому ментальному конструюванні знань, конструкціонізм стверджує, що це конструювання найкраще підтримується й стає видимим через створення чогось відчутного (Harel & Papert, 1991). В [[history-of-aied|історії AIED]] конструкціонізм стоїть як «дієздатний» полюс центральної напруги поля між контролем і дієздатністю, протиставлений структурованим когнітивним репетиторам Андерсона.

- **Logo та мікросвіти.** Парперт співрозробив Logo (1967) зі його знаковою «черепашкою» — програмованим мікросвітом, де діти досліджують геометрію та інші потужні ідеї, командуючи й зневаджуючи видимого агента. Зневадження переосмислюється як природна, цінна частина навчання, а не як невдача.([[mishra-control-vs-agency-history-2025]])
- **Конструювання понад інструкцію.** Конструкціонізм критикує «інструкціонізм» — припущення, що [[teacher-role|викладання]] є ефективною передачею знань, — і натомість позиціонує здобувачів як [[agentic-ai|автономних агентів]], які конструюють розуміння через проєкти та експерименти (Papert, 1980, *Mindstorms*).
- **Родовід у сучасні [[edtech-platform|edtech]].** Акцент Logo на креативному, практичному конструюванні лежить в основі [[game-based-learning]], [[project-based-learning]], [[educational-robotics|робототехніки]] (LEGO Mindstorms, [[cs-education|Scratch]], програмовані блоки) та ширшого мейкерського руху.
- **Конструкціоністська спадщина в ШІ.** Конструкціонізм означає, що інструменти ШІ мають служити **матеріалами для будівництва** — інструментами мислення та креативними співконструкторами, якими керує здобувач, — а не викладачами, що видають відповіді. Це прямий предок трактування генеративного ШІ як [[genai-mindtool-generative-learning|mindtool]] в базі знань і проєктувальних зобов’язань, що зберігають [[agency|дієздатність здобувача]] над навчальним процесом.([[educational-robotics-pathways-2026]])

- **Конструкціонізм в епоху GenAI: вчіться писати модель, а не код.** Поява ШІ, що генерує код, *поновила* конструкціонізм як проєктувальну відповідь, а не послабила його. Рамкова модель **Code-to-Learn with Generative AI (CtL-GenAI)** Ґусопулоса синтезує конструкціонізм, теорію когнітивного навантаження, [[self-regulated-learning]], модель залучення [[icap-framework|ICAP]], [[productive-failure|продуктивну невдачу]] та [[sociocultural-learning|соціокультурний]] скаффолдинг для студентів старшої школи, які будують програмне забезпечення разом зі ШІ. Його організуюче твердження — **«ШІ пише код, але студент пише модель»** — переосмислює ціль конструювання: коли GenAI виконує синтаксичну роботу написання коду, конструювання здобувача переходить до будівництва та зневадження *концептуальної моделі*, яку виражає код. CtL-GenAI визначає авторство моделі як конструкт із чотирма гранями та впорядкованими рівнями, що несуть спостережувані індикатори, і формалізує модель вимірювання з частковою оцінкою та фальсифікованістю, щоб перевірити, чи таке навчання справді відбувається.([[code-to-learn-genai-artifact-construction-2026]])([[ai-writes-code-student-writes-model-2026]]) Це класичне конструкціоністське «зроби щось спільне й зневадь це» оновлено так, що артефакт, який студент створює і над яким рефлектує, — це видима ментальна модель, а не лише вихідний код, — і воно пов’язує теорію з явною програмою вимірювання, щоб твердження стало емпірично перевірним.

Отже, конструкціонізм є водночас теорією навчання і критикою: він наполягає, що мета освіти — не відтворювати наявні структури знань, а наділяти здобувачів здатністю конструювати та перетворювати їх, — позиція з чіткими наслідками для того, чи ШІ в освіті підсилює, чи кидає виклик усталеним ієрархіям.

## Конструктивізм та ШІ в освіті

### ШІ для конструктивістського навчання

Добре спроєктований ШІ може уможливити конструювання у масштабі. Системи [[intelligent-tutoring]] та [[intelligent-tutoring|AI Tutoring]] можуть ставити задачі та спрямовувати [[help-seeking]] замість того, щоб видавати відповіді; середовища [[simulation]] та [[game-based-learning]] дають здобувачам змогу будувати та перевіряти ментальні моделі; а діяльності [[project-based-learning]] та [[experiential-learning]] з підтримкою ШІ дають здобувачам автентичні завдання конструювання. Центральний проєктувальний патерн — **[[scaffolding]]**, калібрована підтримка, яка поступово знімається в міру зростання компетентності, — а не завершення за них.([[conversational-ai-tutors-framework]])([[embodied-inquiry-ai-facilitator-physics-2026]])

Класифікація *питань, які ставлять здобувачі*, — один із способів побачити, що конструювання відбувається, і діяти відповідно. [[lee-learner-question-types-ai-education-2026|Lee, Atif & Kang (2026)]] сортують 434 автентичні питання здобувачів від 11 студентів ІТ на 12 курсах на три конструктивістські інструкційні ролі — передавач знань, фасилітатор та співучень — і тренують чотири трансформери на їхньому розпізнаванні. DeBERTa класифікував фактичні питання ролі «передавач знань» з точністю 96,67%, а питання фасилітатора — лише з 78,79%, і кожна модель найчастіше плутала дві вищі ролі: виявлення діалогічного, дослідницького запиту набагато важче, ніж виявлення пошуку інформації. Оскільки типологія розглядає питання як діагностичне свідчення епістемічної залученості, а не просто як вхідні дані, вона підтримує явно конструктивістський проєктувальний хід — коли здобувач багаторазово ставить лише фактичні питання, система може підказувати рефлексивне, дослідницьке опитування, що розвиває [[metacognition]] та критичне дослідження, замість того щоб відповідати на тій глибині, яку має на увазі питання здобувача.

### Ризик «конструктивізму на словах, поведенцієзму на практиці»

Емпірична робота багаторазово виявляє розрив між проголошеними конструктивістськими цілями та фактичними реалізаціями ШІ. [[meta-analysis-systematic-review|Систематичний огляд]] ШІ в професійно-технічній освіті, наприклад, встановив, що конструктивістські теорії проголошуються в дискурсі VET, тоді як **поведенцієцькі проєктування типу «дрель і практика» домінують на практиці**, і попередив про освітню «пастку Тюринга» — використання ШІ для відтворення, а не розширення людського навчання.([[ai-vocational-education-training-review]])

Цей патерн генералізується на всю галузь:

- Коли генеративний ШІ виконує за студентів письмо, міркування або код, здобувач втрачає конструктивний процес мислення, який мала будувати задача, — це занепокоєння, центральне для [[cognitive-offloading]] та [[cognitive-offloading|over-reliance]].([[generative-refusal-ai-tools-for-thought]])
- Реалізації ШІ, що акцентують адаптивний зворотний зв’язок і ефективність, часто недостатньо обслуговують цілі дієздатності здобувача, критичної рефлексії та автономного прийняття рішень, які імплікує конструктивізм.([[ai-vocational-education-training-review]])

### Пастка найменування: результат генеративного ШІ — не генеративне навчання

Повторювана плутанина в галузі пов’язана зі зіткненням імен. **Генеративний ШІ** називає клас *технології* — моделей, що генерують текст, зображення або код. **Генеративне навчання** (теорія генеративного навчання Віттрока) називає *діяльність здобувача* — здобувач активно творить значення, конструюючи зв’язки між новою інформацією та попередніми знаннями, за допомогою таких стратегій, як узагальнення, картографування, малювання, самомтестування та самопояснення. Це не одне й те саме, і змішування їх має справжні [[pedagogy|педагогічні]] наслідки: ШІ, який *створює* узагальнення чи мапу для студента, є протилежністю студента, який *виконує* акт генеративного навчання. [[genai-mindtool-generative-learning|Dabbagh & Fake (2026)]] будуються безпосередньо на цій відмінності, стверджуючи, що mindtool на базі GenAI підтримує генеративне навчання лише тоді, коли конструктивну діяльність веде *здобувач* — генерування карти розуму з допомогою ШІ є генеративним навчанням; отримання такої карти цілком від ШІ — ні, яким би вмілим чи правильним не був результат.

Вирішальним питанням є **хто виконує творення значення**:
- Чи конструює студент пояснення, чи просто його отримує?
- Чи підказує ШІ здобувачу пов’язувати ідеї, чи постачає зв’язки замість них?
- Чи є артефакт (узагальнення, мапа, код, модель) *продуктом* конструювання здобувачем, чи замінником для нього?

Це віддзеркалює ієрархію [[icap-framework|ICAP]] — конструктивне та інтерактивне залучення перевершують активне та пасивне, — але загострює її: інструмент може створювати видимо «конструктивноподібний» результат, поки здобувач перебуває в *пасивному* або *активному* режимі. Тому оцінювання інструменту GenAI на генеративне навчання означає перевірку того, де насправді відбувається конструктивна праця, а не того, чи присутній генеративний результат. Це та сама пастка конструктивізму-на-словах / поведенцієзму-на-практиці, застосована до конкретного випадку генерації: [[ai-writes-code-student-writes-model-2026|авторство моделі]] (ШІ пише код, студент пише модель) — одне з конкретних розв’язань: здобувач конструює *концептуальну модель*, навіть коли ШІ постачає поверхневий артефакт.

### Проєктувальні відповіді, обґрунтовані конструктивізмом

- **Генеративна відмова** — інструменти ШІ, які стратегічно утримують створений текст і замість нього ставлять питання, повертаючи користувачеві [[desirable-difficulties|когнітивне тертя]], щоб сама праця артикуляції будувала розуміння.([[generative-refusal-ai-tools-for-thought]])
- **Інструменти мислення понад машини відповідей** — використання GenAI як [[genai-mindtool-generative-learning]], яким керує здобувач, а не як інструменту, що заміщає здобувача.([[genai-mindtool-generative-learning]])
- **Конструктивний конфлікт** — ворожі агенти ШІ, які кидають виклик проєктуванню чи міркуванню здобувача, спонукаючи до перегляду та глибшого конструювання альтернатив, у традиції сократичного наставництва.([[ai-agents-constructive-conflict-design-education-2026]])

- **Імітована опозиція — це не опозиція.** Контрапозиція, яку можна висловити на вимогу, але яка ніколи не опирається, репетирує хореографію діалогу, утримуючи те, що робить його потужним: у неї немає втілення, зацікавленості чи підданості наслідкам, тому, на відміну від людського іншого, вона не дає шляху до відновлення ([[synthetic-position-self-authorship-2026|Du et al. (2026)]]).
- **Внутрішній зворотний зв’язок через порівняння** — здобувачі порівнюють власну роботу зі створеними ШІ зразками так, що сам акт порівняння генерує навчання.([[ai-internal-feedback-evaluative-judgments]])
- **Підказки, чутливі до типу питання** — класифікація питань здобувачів на конструктивістські ролі, щоб система могла свідомо підвищити студента від пошуку інформації до дослідницького, діалогічного запиту, замість того щоб віддзеркалювати ту когнітивну глибину, яку має на увазі питання. Оскільки намір ролей «фасилітатор» і «співучень» залишається плутаним для автоматизованих класифікаторів, це проєктування зберігає людину, що валідує категоризацію, перш ніж вона почне керувати [[feedback]] чи [[scaffolding]].([[lee-learner-question-types-ai-education-2026]])
- **Спільнота як оцінювальний стандарт** — здобувачі проєктують щось реальне для своєї спільноти, використовуючи ШІ як ресурс проєктування, тоді як знання спільноти та її практики служать стандартом, що судить про результат, залишаючи місце для обмеження, відмови чи стратегічного невикористання там, де цього вимагає критична взаємодія.([[ojeda-ramirez-community-based-ai-learning|Ojeda-Ramirez, Gyles & Peppler (2026)]])

## Конструктивізм та «освіта про ШІ»

Конструктивізм формує також те, як викладається сама ШІ-грамотність. Якщо знання конструюється, то ШІ-грамотність не набувається через лекції про моделі, а через активне використання, критику та будівництво разом зі ШІ — створення артефактів, допитування результатів і рефлексію над взаємодією.([[hingle-collaborative-ai-literacy-2025]]) Це позиціонує [[ai-literacy]] як активну, партисипативну компетентність, а не як тіло пасивних знань, і пов’язує конструктивізм із [[critical-thinking]] та з [[agency]] у зустрічах здобувачів зі ШІ.

## Наслідки для проєктування та досліджень

1. **Зберігайте конструктивну діяльність.** ШІ має підтримувати скаффолдингом власне мислення здобувача — підказувати, ставити питання та підтримувати, — а не виконувати його. Проєктувальники мають запитувати, чи інструмент збільшує чи заміщає конструктивну працю здобувача.([[generative-refusal-ai-tools-for-thought]])
2. **Використовуйте оптику [[icap-framework|ICAP]].** ICAP класифікує залучення на конструктивні, інтерактивні, активні та пасивні режими — використовуйте її, щоб оцінити, чи взаємодії зі ШІ справді викликають конструктивні та інтерактивні режими, а не пасивне споживання. Проєктувальникам слід надавати перевагу глибшим (конструктивним та інтерактивним) режимам там, де цього вимагає мета навчання.([[hingle-collaborative-ai-literacy-2025]])
3. **Узгоджуйте теорію та реалізацію.** Дослідники мають дивитися далі за те, чи ШІ «працює», на *як* він утілює теорію навчання, перевіряючи розрив між конструктивізмом на словах і поведенцієзмом на практиці.([[ai-vocational-education-training-review]])
4. **Вивчайте дієздатність здобувача та перенесення.** Конструктивістські зобов’язання імплікують оцінювання не лише негайних тестових здобутків, а й того, чи можуть здобувачі перенести та самостійно застосувати своє сконструйоване розуміння.([[research-methods-aied]])

## Пов’язані поняття
- [[community-of-inquiry]] — Спільнота дослідження (спирається на конструктивістський/дьюївський прагматизм)
- [[cognitive-psychology]] — Когнітивізм, третій класичний полюс теорії навчання
- [[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]] — Освіта з хімії та ШІ: лабораторії, формативне оцінювання, межі ВММ, філософія експериментування
- [[theory-development-aied]] — Розвиток теорії в ШІ в освіті
- [[productive-failure]]
## Пов’язані статті
- [[lee-learner-question-types-ai-education-2026]] — Питання здобувачів, класифіковані на три конструктивістські ролі: передавач, фасилітатор, співучень (Lee, Atif & Kang 2026)
- [[mishra-control-vs-agency-history-2025]] — Позиціонує конструкціонізм (Парперт) проти когнітивних репетиторів в історії AIED
- [[code-to-learn-genai-artifact-construction-2026]] — Code-to-Learn with GenAI: конструктивістська рамкова модель конструювання артефактів
- [[ai-writes-code-student-writes-model-2026]] — Авторство моделі: теорія та програма вимірювання навчання через конструювання з GenAI
- [[ai-vocational-education-training-review]] — Конструктивізм проголошений, але поведенцієцький ШІ домінує в VET; «пастка Тюринга»
- [[generative-refusal-ai-tools-for-thought]] — Інструменти ШІ, що утримують генерацію, щоб захистити конструктивне мислення
- [[genai-mindtool-generative-learning]] — GenAI як інструмент мислення, що підтримує конструювання здобувачем
- [[ai-agents-constructive-conflict-design-education-2026]] — Ворожі агенти ШІ, спонукаючі до конструктивного перегляду
- [[hingle-collaborative-ai-literacy-2025]] — Колаборативна ШІ-грамотність та рамкова модель залучення ICAP
- [[ai-internal-feedback-evaluative-judgments]] — Порівняння з підтримкою ШІ, що генерує оцінювальні судження
- [[icap-cognitive-engagement-llm-agents]] — ICAP та когнітивне залучення з агентами ВММ
- [[conversational-ai-tutors-framework]] — Скаффолдингований діалог у репетиторах ШІ
- [[embodied-inquiry-ai-facilitator-physics-2026]] — Втілене дослідження з фасилітатором ШІ
- [[beyond-detection-authentic-assessment-ai-2025]] — Автентичне оцінювання та конструювання знань
- [[teacher-ai-teaming-five-levels]] — Рівні командної роботи викладач—ШІ в проєктуванні
- [[learning-with-machines-toward-a-theory-of-epistemic-co-agency]] — Епістемічна співдієздатність між здобувачем і машиною
- [[ojeda-ramirez-community-based-ai-learning]]
- [[vargas-ai-catalyst-situated-learning-2026]]
- [[niari-ai-pedagogical-mediator-collaborative-learning]]
- [[educational-robotics-pathways-2026]] — Шляхи до навчання освітньої робототехніки на базі ШІ (2026)
- [[cogevolution-student-cognitive-evolution-agent-2026]] — CogEvolution: генеративний агент, що імітує когнітивну еволюцію студентів

- [[synthetic-position-self-authorship-2026]] — Імітовані контрапозиції ШІ репетують форму діалогу, але утримують опір, що змушує переглядати

---

## [Когнітивна психологія](https://edtechdev.github.io/aied/concepts/cognitive-psychology/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Когнітивна психологія / когнітивізм** — родина теорій, які пояснюють навчання через внутрішні психічні процеси — увагу, сприйняття, пам’ять, міркування та метакогніцію, — а не через одну лише спостережувану поведінку. В [[ai-education|галузі ШІ в освіті]] когнітивістські припущення лежать в основі найсамобутніших внесків напряму: систем [[intelligent-tutoring]], які моделюють знання здобувача; [[knowledge-tracing]] і [[cognitive-diagnosis]], які відстежують, що знає здобувач; проєктувань [[feedback]], підґрунтованих на діагностиці помилок, і всієї родини [[student-modeling|моделювання здобувача та адаптивного навчання]]. Когнітивізм — це середовище між [[behaviorism]] (навчання як поведінкова зміна) та [[constructivist|конструктивізмом]] (навчання як активне осмислення), і це теоретична лінза, найтісніше пов’язана з комп’ютерною метафорою розуму, що живила ранній AIED.

## Питання для роздумів

- Коли ви думаєте про «навчання», ви уявляєте собі зміну в тому, що хтось робить, чи зміну в тому, що він знає і може пригадати? Як ця різниця могла б змінити ваше судження про те, чи інструмент ШІ-тьюторингу насправді працює?
- ШІ-тьюторинг побудований на «комп’ютерній метафорі» — розгляд розуму як системи обробки інформації з обмеженнями пам’яті. Де ця метафора відчувається сильною, а де може втрачати щось важливе про те, як навчаються люди?
- Інструмент ШІ робить завдання легким: він пояснює наступний крок, зменшує тертя, і здобувач блискуче працює, поки користується ним. Чи вважати це успішним [[teacher-role|викладанням]]? Як ви дізналися б, чи може здобувач тепер зробити це без інструмента?
- Теорія когнітивного навантаження відрізняє внутрішнє, зайве та релевантне навантаження. Якби ви проєктували помічника ШІ, який тип навантаження ви свідомо намагалися б зменшити, а який ретельно НЕ прибирали б?
- Якщо здобувач знає, що може перекласти пам’ять і міркування на ШІ, коли це розумна стратегія, а коли — скорочення шляху, що тихо заважає навчанню? Що визначає цю різницю?
- Когнітивізм припускає, що знання можна розкласти на компоненти й відстежувати в часі. Що може втратитися, коли ми зводимо розуміння здобувача до набору відстежуваних компонентів знань?

## Вступ

Когнітивна психологія — це традиція теорії навчання, яка розглядає навчання як зміну внутрішніх психічних подань — понять, схем і процедур, що тримаються в пам’яті, — а не як зміну спостережуваної поведінки. Її лексика обробки інформації (увага, кодування, пригадування, обмежена робоча пам’ять) дала водночас і діагностичну мову для труднощів навчання, і архітектуру за [[intelligent-tutoring]] та [[knowledge-tracing]]: системами, які виводять внутрішній стан здобувача й адаптуються до нього. Вона залишається опорною рамкою для [[metacognition]], [[desirable-difficulties]] і [[self-regulated-learning]] в цій базі знань.

## Основні ідеї

- **Навчання — це зміна внутрішніх психічних подань.** Когнітивізм стверджує, що навчання включає набуття, зберігання й перебудову знань у пам’яті — понять, схем і процедур, — а не лише зміну спостережуваної відгуку. Важливо те, що здобувач *знає і може пригадати*, а не лише те, що він робить.
- **Метафора обробки інформації (комп’ютерна).** Розум розглядається як система обробки інформації з можливостями й вузькими місцями — [[item-response-theory|вимірюванням]] прихованої здібності, обмеженнями робочої пам’яті, кодуванням і пригадуванням, — а це саме та модель, яка зробила ШІ-тьюторинг (комп’ютерну програму, що моделює когніцію здобувача та адаптується до неї) природним рішенням.
- **Увага та пам’ять обмежені.** Робоча пам’ять має обмежену місткість; тривале навчання вимагає кодування в довготривалу пам’ять через повторення, розгортання й [[retrieval-spacing-interleaving|практику пригадування]]. Це пов’язує когнітивізм із [[research-methods-aied|дослідженнями]] [[cognitive-offloading]] (перекладання пам’яті/обробки на зовнішні інструменти) та з «розривом між результативністю та навчанням», коли ШІ обходить пригадування й практику.
- **Метакогніція регулює когніцію.** [[metacognition]] — контроль і регулювання власного мислення — є відверто когнітивістським конструктом, і вона пояснює, чому калібрування здобувачами моменту опори на ШІ важливе для навчання (див. [[cognitive-offloading]] та [[self-regulated-learning]]).
- **Знання розкладне на частини й відстежуване.** Когнітивістський AIED припускає, що знання здобувача можна представити як компоненти й відстежувати в часі, — що є основою [[knowledge-tracing]], [[cognitive-diagnosis]] та [[item-response-theory]].

## Когнітивізм і ШІ в освіті

### Когнітивістське походження AIED

Когнітивізм — аргументовано, найбільше відповідальна за саме існування ШІ в освіті теорія. Ранні когнітивні тьютори (наприклад, тьютори Андерсона на основі ACT-R) [[embodied-learning|втілювали]] припущення, що навчання можна моделювати як продуктові правила і що система може відстежувати, якими правилами оволодів здобувач. Це дало канонічну архітектуру, яка й досі визначає напрям: модель домену, [[student-modeling|модель студента]], що відстежує стан знань здобувача, і [[pedagogy|педагогічна]] модель, що адаптує навчання — усі когнітивістські за походженням. Сучасне [[knowledge-tracing]] (баєсівське, глибинного навчання та на основі IRT) і [[cognitive-diagnosis]] продовжують цю традицію. Те саме припущення підтримує [[intelligent-tutoring]], [[adaptive-learning]] та [[personalized-learning]], які в базі знань згруповані під парасолькою [[student-modeling|моделювання здобувача та адаптивного навчання]].

### Когнітивне навантаження та проєктування навчання

Теорія когнітивного навантаження (CLT) — найширше застосовна когнітивістська рамка в [[learning-design|проєктуванні навчання]]: вона відрізняє внутрішнє навантаження (складність завдання), зайве навантаження (тертя подання) і релевантне навантаження (зусилля на побудову схем). Добре проєктований ШІ має зменшувати зайве навантаження, зберігаючи релевантну обробку; погано інтегрований ШІ зменшує всі три, залишаючи виконані завдання з порожнім навчанням. Рамка робочої пам’яті CLT також є центральною у дебатах про [[cognitive-offloading]] — чи зменшує ШІ шкідливе зайве навантаження, чи скорочує релевантну обробку, що породжує навчання.

Когнітивна теорія мультимедійного навчання Маєра (CTML) застосовує ті самі припущення про робочу пам’ять до самих матеріалів, і її приписи є надзвичайно конкретними: здобувачі краще засвоюють зі слів і зображень разом, ніж зі слів самих; коли зайвий матеріал виключено; коли урок сегментовано й іде в темпі користувача, а не подається як один безперервний блок; коли відповідні слова й зображення з’являються близько один до одного і водночас; і коли нарація розмовна та в дружньому людському голосі, а не формальна або згенерована машиною.

### Когнітивізм проти біхевіоризму та конструктивізму

- **проти [[behaviorism]]:** Біхевіоризм пояснює навчання як спостережувану поведінкову зміну через підкріплення й тренування; когнітивізм наполягає на внутрішніх поданнях і слідах психічних станів. Практика ШІ часто показує розрив «конструктивізм на словах, біхевіоризм на ділі», проте когнітивістські проєктування (моделювання студента, відстеження знань) відмінні від чистого біхевіористського тренування й зворотного зв’язку, бо вони *представляють припущене знання здобувача та адаптуються до нього*, а не лише підкріплюють відгуки.
- **проти [[constructivist|конструктивізму]]:** Конструктивізм стверджує, що [[learners]] активно конструюють сенс через досвід; когнітивізм наголошує на точному кодуванні (часто попередньо структурованого) знання й навички. На когнітивістське походження AIED (структуровані домени, явні компоненти знань) конструктивісти іноді посилають критику, що воно надто біхевіористське або надто передавальне, тоді як когнітивізм відповідає, що саме представлення й відстеження знань уможливлює справді адаптивне навчання.
- **проти [[learning-sciences|наук про навчання]]:** Когнітивізм дає механізми, якими цей напрям проєктує, — робочу пам’ять, кодування, пригадування, розкладні компоненти знань, — але сам не є проєктно спрямованим. Він пояснює, як відбувається навчання; науки про навчання питають, як побудувати середовища, у яких воно відбувається, і перевіряють ці проєктування емпірично.

### Напруга епохи ШІ: межі когнітивізму під тиском

[[generative-ai|Генеративний ШІ]] водночас розширює й кидає виклик когнітивізму. Він розширює його, роблячи подання знань потужнішими (ВММ як рушії знань, які можна відстежувати через [[knowledge-tracing]] і до яких можна адаптуватися через [[student-modeling]]). Він кидає йому виклик, ускладнюючи, де когніція «перебуває»: коли ШІ виконує міркування, пам’ять і навіть функції, подібні до метакогнітивних, когнітивістське припущення, що навчання — це внутрішня обробка в індивідуальному розумі, стає хитким, — про що стверджують [[distributed-cognition]], [[ai-cognitive-partner-co-regulation-learning|корегуляція]] та постуhumanістські рамки, які вважають, що когніція може бути розподілена між людськими й штучними системами. Проте когнітивістське питання залишається центральним для напряму: *чи інтерналізує здобувач знання, чи інструмент тримає його?* Це питання розвантаження когніції та розриву між результативністю та навчанням у його найчистішій формі.

## Наслідки для проєктування та досліджень

1. **Проєктуйте для інтерналізації, а не лише для результативності.** Когнітивістський AIED має оцінюватися за тим, чи може здобувач пригадати й застосувати знання *без* інструмента, — а не за допомогою результатів. Це [[ai-misuse-learning-harm|розрив між результативністю та навчанням]] і обґрунтування для вимірювання допомогу [[transfer-of-learning|перенесення]].
2. **Представляйте здобувача, а не лише відповідайте.** Долучайте структуровані [[student-modeling]] та [[knowledge-tracing]] до діалогу ШІ, щоб система адаптувалася до припущеного знання, а не відповідала плавно, але сліпо.([[educlaw-bench-pedagogical-llm-agents-2026]])
3. **Поважайте обмеження робочої пам’яті.** Застосовуйте теорію когнітивного навантаження до UX ШІ: зменшуйте зайве навантаження (тертя, перевантажені інтерфейси), зберігаючи релевантну обробку ([[desirable-difficulties|продуктивну боротьбу]], практику пригадування), а не мінімізуючи весь когнітивний запит.
4. **Калібруйте метакогніцію.** Оскільки [[metacognition]] визначає, коли здобувачі обирають розвантаження, навчання калібруванню (знати, що людина може справді зробити без допомоги) — когнітивістська відповідь на надмірну опору (див. [[cognitive-offloading]]).

## Пов’язані поняття

- [[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]] — висновки про утримання в пам’яті, на яких спирається це родини практик

## Пов’язані статті

- [[cognitive-shift-ai-education]] — Когнітивний зсув в освіті зі ШІ
- [[cogtax-cognitive-taxonomy]] — Когнітивна таксономія для використання ШІ
- [[educlaw-bench-pedagogical-llm-agents-2026]] — Педагогічні агенти на ВММ, підґрунтовані на відстеженні знань
- [[nie-personavlm-long-term-personalization-2026]] — Моделювання студента на ВММ і пам’ять
- [[ai-cognitive-partner-co-regulation-learning]] — ШІ як когнітивний партнер у корегульованому навчанні
- [[ensemble-cognition-philosophy-ai-education]] — Ensemble Cognition: мислення як людсько-ШІ-взаємодія

---

## [Соціокультурне навчання](https://edtechdev.github.io/aied/concepts/sociocultural-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Соціокультурне навчання** — родина теорій, що сягає корінням у Виготського і стверджує, що навчання та розвиток виникають через соціальну участь і опосередковуються культурними інструментами, мовою та взаємодією з більш обізнаними іншими. Пізнання розподілене між людьми, артефактами та середовищами, а не перебуває винятково в індивідах. У [[ai-education|AI in education]] соціокультурна теорія окреслює, як [[generative-ai|generative AI]] функціонує як новий різновид *опосередкувального агента* — інструменту, який водночас опосередковує діяльність і створює ситуативні внески у взаємодію, — а також окреслює проєктування [[scaffolding]], зони найближчого розвитку (ZPD), майстерні й спільнот практики. Див. [[generative-ai-mediational-agent-sociocultural-2026]].

## Питання для роздумів

- Зона найближчого розвитку за Виготським — це розрив між тим, що ви можете зробити самостійно, і тим, що можете зробити за допомоги. Згадайте випадок, коли своєчасна підказка дозволила вам досягти того, чого ви не могли б самі, — що зробило цю допомогу ефективною і коли вона могла відкрити забагато?
- Сторінка стверджує, що людське мислення «опосередковане» культурними інструментами, як-от мова та письмо, які реорганізовують наші способи міркування. Якщо це правда, як нам слід думати про [[conversational-ai|chatbot]] зі ШІ як про новий різновид інструменту мислення — і як він може змінити те, що означає «знати»?
- Соціокультурна теорія каже, що пізнання розподілене між людьми, артефактами та середовищами, а не перебуває всередині окремих голів. Чи узгоджується це з вашим досвідом того, як ви насправді доводите справи до кінця, і що це означало б для проєктування навчання, якби це було правдою?
- Якщо навчання відбувається спершу між людьми й лише потім в індивідові, які ризики несе в собі ШІ-тьютор, що дозволяє студентові взаємодіяти переважно з машиною, а не з однолітками чи більш обізнаною людиною?
- Як би ви визначали, скільки підтримки має надавати ШІ-тьютор, щоб здобувач просувався вперед, а відповідь просто не вкладали йому в руки?

## Вступ

### Поняття

Соціокультурна теорія (Виготський, 1978; Лурія; Леонтьєв) стверджує, що вищі психічні функції розвиваються через участь у культурно організованій діяльності. На відміну від підходів, які поміщають навчання винятково в обробку інформації індивідом, соціокультурний погляд наголошує на такому:

- **Опосередкування є фундаментальним.** Люди мислять за допомогою й через культурні інструменти — мову, письмо, діаграми, [[ai-technologies|technologies]], — які реорганізовують те, як вони міркують, запам’ятовують і розв’язують проблеми (Wertsch, 1991). Ці інструменти не лише передають інформацію; вони переформують пізнання та участь.
- **Навчання є соціальним.** Вищі психічні функції з’являються спершу між людьми (міжсуб’єктно, у взаємодії) й лише потім — в індивідові. Навчання виникає через участь із [[teacher-role|teachers]], однолітками та спільнотами — у таких процесах, як [[scaffolding]], майстерня й просування через ZPD.
- **[[distributed-cognition|Cognition is distributed]].** Пізнавальна робота розкидана між людьми, артефактами та середовищами (Hutchins; Clark & Chalmers; Pea), а не вміщена в індивідуальний розум. [[distributed-cognition|Distributed cognition]], [[situated-learning|situated learning]] та спільноти практики розширюють соціокультурну течію.

### Зона найближчого розвитку (ZPD)

ZPD (за Виготським) — це соціокультурне поняття, найширше застосовне в [[intelligent-tutoring|AI tutoring]]: простір між тим, що здобувач може зробити самостійно, і тим, що може зробити за підтримки. Навчання відбувається найефективніше, коли навчання спрямоване на цю зону — достатньо складне, щоб штовхати розвиток, і достатньо підтримане, щоб забезпечити прогрес. Це теоретичний фундамент [[scaffolding]]: тимчасової, регульованої підтримки, яку знімають, коли росте компетентність. У освіті зі ШІ ZPD окреслює центральне питання проєктування — скільки підтримки має надавати [[intelligent-tutoring|AI tutor]], щоб навчання просувалося, не віддаючись наперед, — див. [[stanford-evidence-base-ai-k12-2026]].

### Соціокультурне навчання в освіті зі ШІ

Соціокультурна теорія формує AIEd [[research-methods-aied|research]] кількома відмінними способами:

- **ШІ як опосередкувальний агент.** Генеративний ШІ ускладнює соціокультурне розрізнення між опосередкувальними засобами й соціальною взаємодією: він і опосередковує діяльність, *і* створює контекстно чутливі, ситуативні внески, що формують взаємодію, не маючи інтенційності, соціальної приналежності чи підзвітності. Warschauer, Tate та Ritchie (2026) пропонують *опосередкувального агента* як гібридну категорію та виводять людocentричні звички участі (первинність людського пізнання, цілеспрямовану [[student-engagement|engagement]], наглядову суб’єктність, епістемічну пильність, рефлексивну [[self-regulated-learning|self-regulation]]) для збереження [[agency|learner agency]].([[generative-ai-mediational-agent-sociocultural-2026]])

- **Етапно чутливий опис регуляторної ролі ШІ.** [[ai-cognitive-partner-co-regulation-learning|A developmental framework of human–AI co-regulation]] дає ШІ чотири ролі — скаффолдинг, метакогнітивну підтримку, зовнішню пам’ять і партнера в ухваленні рішень — і розміщує їх за етапами: структуроване зовнішнє регулювання в ранньому дитинстві, [[metacognition|metacognitive]] партнер у середньому дитинстві й підлітковому віці та співробітник зі складного пізнання у зрілості.
- **Скаффолдинг, калібрований за ZPD.** [[intelligent-tutoring|AI tutors]] мають динамічно калібрувати допомогу так, щоб вона лежала в межах зони кожного здобувача. [[stanford-evidence-base-ai-k12-2026]] показує, що тьютори, налаштовані на рівень здобувача, перевершують універсальну допомогу; [[adaptive-learning]] і [[golrang-propact-pair-programming-2026]] операціоналізують ZPD, регулюючи складність і підказки; а принципові рамки, як-от [[finkelstein-principled-ai-education-2025]], стверджують, що підтримку слід знімати, коли росте компетентність.
- **Четверта зона: що знає модель.** [[scan-framework-task-assignment-generative-ai-2025|Tsim and Gutoreva (2025)]] розширюють діаграму Виготського, а не цикл тьюторства, додаючи до ZPD зону *відомого [[generative-ai|GenAI]]* і виводячи з неї чотири підзони, які класифікують, чому слід доручити завдання: Substitute (немає специфічного для завдання знання, тож його несе загальна компетентність моделі), Aid (часткове знання, що розширюється), Complement (достатньо знання, щоб наглядати за результатом моделі) та Non-negotiable (достатньо, щоб зробити це без допомоги, тож делегування додає мало). [[scaffolding|Scaffolding]] виражається як доручення завдання, а не як видача підказок, і саме [[metacognition|metacognitive]] цикл оцінювання в реальному часі, рефлексії та навчання пересуває завдання між підзонами з часом.
- **Майстерня та спільнота.** Соціокультурні ідеї лежать в основі когнітивної майстерні, моделювання, коучингу та поступового знімання підтримки; спільноти практики окреслюють навчання як рух до повнішої участі в практиках спільноти.
- **Культурний і [[governance|institutional]] контекст.** Безпосередньо прилегла до [[constructivist|constructivism]] соціокультурна течія наголошує, що культурний вимір формує те, що вважається знанням, хто є авторитетом і що означає зусилля, — див. рамкування «здобувачі–контексти–культури» в [[young-people-learning-generative-ai-rapid-review-2026|Sydney PreK-12 rapid review's]].

- **Перевірка мір мовлення вимагає молоді, чиє мовлення вимірюється.** Реконтекстуалізація визначень мовних ходів із чотирма фокусними студентами підвищила класифікаційну F1 LLM на +0.104 для Claim і на +0.23 для Question, а власні тлумачення студентів розійшлися з дорослими та модельними обрамленнями — це структурна межа текстової класифікації, а не проблема обсягу даних ([[youth-enter-chat-llm-student-talk-2026|Santos-Deonizio et al. (2026)]]).

### Зв’язок із когнітивним навантаженням і метакогніцією

Соціокультурна течія тісно пов’язана з теорією [[cognitive-offloading|Cognitive Load]] (підтримка має керувати навантаженням, не знищуючи продуктивних зусиль) і з [[metacognition]] (здобувачі в зоні активно стежать за своїм розумінням і регулюють його). [[stanford-evidence-base-ai-k12-2026]] синтезує докази з [[k-12|K-12]], що інструменти ШІ працюють найкраще, коли тримають здобувачів у ZPD, а не відповідають за них, а дослідження [[human-in-the-loop-ai]] розглядає, як людина та підтримка ШІ спільно визначають зону здобувача.

- **Генеративний ШІ як опосередкувальний агент (2026):** спираючись на виготськіанське опосередкування, теоретична стаття пропонує переосмислити генеративний ШІ не просто як інструмент чи опосередкувальний засіб, а як *опосередкувального агента*, який активно бере участь у навчальній діяльності, розмиваючи межі між інструментом і соціальною взаємодією, центральні для соціокультурної теорії ([[generative-ai-mediational-agent-sociocultural-2026]]). Це позиціонує генеративні моделі як співучасників, а не пасивні знаряддя, з наслідками для того, як опосередкування, [[agency]] і стосунок здобувач–ШІ теоретизуються в [[learning-sciences|the learning sciences]].

## Пов’язані поняття

- [[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]]

## Пов’язані статті
- [[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

---

## [Розподілена когніція](https://edtechdev.github.io/aied/concepts/distributed-cognition/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Розподілена когніція** — теоретична перспектива, згідно з якою когніція не обмежена індивідуальним розумом, а розподілена між людьми, інструментами, артефактами та середовищами. У [[research-methods-aied|research]] освіти зі ШІ ця рамка стала центральною для розуміння [[human-ai-collaboration|human–AI collaboration]]: замість того щоб розглядати ШІ як нейтральний інструмент, який підтримує в іншому самодостатнього здобувача, розподілена когніція трактує мислення як таке, що виникає зі взаємодії між здобувачами, системами ШІ, ровесниками та їхнім спільним контекстом. Вона перерамковує питання [[agency]], відповідальності та [[learning-gains|learning outcomes]] в термінах того, як когнітивна робота розподіляється в межах системи «людина — ШІ».

## Питання для роздумів

- Розподілена когніція стверджує, що мислення не обмежене одним розумом, а розкидане між людьми, інструментами та середовищами. Коли ви користуєтеся калькулятором, застосунком для нотаток чи помічником на основі ШІ, де насправді відбувається «мислення»?
- Якщо когніція розподілена між людиною і ШІ, хто відповідальний, коли результат неправильний, — і хто звітує за навчання?
- Одна рамка відрізняє «функціональну суб’єктність» ШІ (вона може впливати на результати) від «моральної відповідальності» (яка залишається людською). Чи витримує це розрізнення на практиці, чи відповідальність розмивається, коли люди не можуть зрозуміти, що зробила система?
- Системи «людина — ШІ», які розподіляють міркування найефективніше, схильні давати найвищу успішність завдання, але найменше [[self-regulated-learning|self-regulated learning]]. Чому роблення системи «розумнішою» на груповому рівні робить індивідуального здобувача слабкішим?
- Аргумент «когнітивного спільного» стверджує, що розподілене оволодіння залежить від інтеріоризованої експертизи: ви не можете ефективно наглядати за системою ШІ, якої глибоко не розумієте. Як це кидає виклик ідеї, що ШІ дозволяє нам пропустити важку роботу навчання?

## Вступ

Це поняття теорії навчання в межах напряму [[learning-theories]] цієї бази знань, тісно пов’язане з [[embodied-learning]], [[situated-learning]] і [[cognitive-offloading]]. Розподілена когніція (DCog), що походить із робіт Едвіна Хатчінса й колег, описує, як когнітивні процеси, такі як пам’ять, міркування та [[problem-solving]], розкидані між кількома агентами та матеріальними системами, а не містяться в одній голові. В [[ai-education|AI education]] це важливо, бо системи ШІ дедалі більше функціонують як справжні когнітивні партнери, які несуть частину тягаря мислення, піднімаючи питання *де* насправді відбувається навчання і *хто* відповідальний.

### Як ШІ зміщує розподіл когніції

Генеративні та інтерактивні системи ШІ перерозподіляють когнітивну роботу в способах, яких не робили попередні інструменти. База знань документує кілька вимірів цього зміщення:

- **ШІ як когнітивний партнер і співрегулятор.** ШІ може діяти як [[scaffolding|scaffold]], метакогнітивна підтримка, система зовнішньої пам’яті та партнер у прийнятті рішень у спів-[[regulation]] мислення й навчання.([[ai-cognitive-partner-co-regulation-learning]]) Це позиціонує когніцію як співрегульовану між здобувачем і системою, а не як індивідуально керовану.
- **Перерозподіл суб’єктності та відповідальності.** Рамки, такі як **ансамблева когніція**, переосмислюють мислення як таке, що виникає з динамічної взаємодії люди та [[student-ai-interaction|AI interaction]], відрізняючи *функціональну суб’єктність* ШІ (його здатність впливати на результати без свідомості) від *моральної відповідальності* (яка залишається людською).([[ensemble-cognition-philosophy-ai-education]]) Таким чином, розподілена когніція перерамковує, хто звітує за навчання.
- **Напруга між ефективністю та регуляцією.** Емпірична робота показує компроміс: системи «людина — ШІ», які розподіляють міркування найефективніше (наприклад, через делеговане міркування), досягають вищої успішності завдання, але можуть зменшувати саморегуляційну залученість здобувачів [[student-engagement|engagement]].([[hao-human-ai-collaborative-problem-solving-cognition]]) Це емпіричне обличчя ризиків [[cognitive-offloading]] й [[cognitive-offloading|Over-Reliance]], які документує ця база знань.
- **Медіація в співпраці.** ШІ може діяти як *[[pedagogy|pedagogical]] медіатор*, який оркеструє взаємодію, епістемічне осмислення та регуляційні процеси в [[collaborative-learning|collaborative learning]], перерозподіляючи суб’єктність, авторитет і відповідальність між людськими та нелюдськими акторами.([[niari-ai-pedagogical-mediator-collaborative-learning]])
- **Конфігурація доступу розподіляє когніцію всередині групи.** [[xu-genai-collaborative-space-2026|Xu et al. (2026)]] показують, що *як* команда ділиться GenAI, визначає розподіл когніції: синхронна робота на одному спільному інтерфейсі підтримує спільну когнітивну модель (колективні підказки, спільна зовнішня пам’ять), тоді як асинхронне приватне використання її фрагментує, а результати селективно пере-позначаються перед поширенням. Таким чином, GenAI функціонує і як розподілений когнітивний учасник, і як інтерактивний колаборативний простір, чию проникність треба проєктувати (спільний контекст входить, приватні ідеї не повертаються автоматично).
- **Викладачі теж переживають ШІ-домінантний проти комплементарного розподілу.** Та сама логіка ефективності та регуляції стосується викладацької сторони проєктування уроку: [[choi-teacher-ai-interaction-lesson-design-2026|Choi et al. (2026)]] виявили, що початківці-викладачі делегують значну частку когнітивного навантаження проєктування навчання системі ШІ (ШІ-домінантний розподіл, здебільшого сприймаючи відповіді), тоді як досвідчені, вмілі в роботі зі ШІ викладачі досягають комплементарного розподілу, у якому педагогічна експертиза й обчислювальна підтримка ШІ взаємно підсилюють одне одного, — і оскільки [[generative-ai|GenAI]] генерує та співконструює, а не лише зберігає інформацію, вони рамкують це як *партисипаторну спільну когніцію*, а не як просте використання інструмента.
- **Типи взаємодії, а не результати, як одиниця.** [[cognitive-distribution-student-genai-interaction-2026|Willcox, Lane and Arikan (2026)]] побудували **рамку когнітивного розподілу** з 53 журналів самостійного використання ChatGPT: п’ять типів взаємодії (розширення, аутсорсинг, узгодження, трансформація, розчленування) та чотири ролі користувача, так що той самий студент може розвантажитися в одній події обміну й мислити спільно в наступній.

### Розподілена когніція та споріднені перспективи

База знань розглядає розподілену когніцію поруч із суміжними теоретичними традиціями, які перекриваються, але не тотожні:

- **[[situated-learning|Situated learning / situated cognition]]** підкреслює, що когніція й навчання невіддільні від автентичного контексту та спільнот практики, у яких вони відбуваються, — доповнення до фокусу DCog на когнітивному *розподілі* між системами.
- **[[embodied-learning|Embodied cognition]]** наголошує на ролі тіла та сенсомоторної взаємодії, стверджуючи, що мислення засноване на тілесному залученні, а не на абстрактному маніпулюванні символами.
- **[[cognitive-offloading]]** є практичним механізмом, яким когнітивну роботу передають зовнішнім системам (включно зі ШІ), і є навантаженим ризиком протилежником описового акаунту DCog.
- **Розширена когніція / теза про розширений розум** (що вживається в постгуманістичній роботі) стверджує, що зовнішні артефакти можуть бути *конститутивними* частинами когнітивної системи, а не лише інструментами, — сильніше твердження, що ШІ є частиною самого розуму здобувача.([[elsayed-pedagogical-symbiosis-posthuman-learner]])

### Чому це важливо для дизайну та оцінювання ШІ

Розподілена когніція дає і лінзу дизайну, і лінзу оцінювання. Для дизайну вона запитує, як розподілити когнітивну роботу між здобувачами та ШІ, щоб зберегти (а не підірвати) суб’єктність, [[metacognition]] та саморегуляцію людського здобувача. Для оцінювання вона перерамковує метрики успіху: замість того щоб запитувати лише «чи покращилася успішність?», DCog запитує, чи підтримує розподіл когніції стійке навчання, епістемічну суб’єктність та освітню справедливість, — перспектива, що пов’язує проблеми [[ai-ed-evaluation]] та [[learning-theories]] цієї бази знань.

Fowlin та співавт. (2026) операціоналізують цей розподіл як двофазну послідовність: спершу будувати основні компетентності без ШІ, потім вводити ШІ як когнітивного партнера, чиї пропозиції студенти критично оцінюють, щоб запобігти пов’язаній з автоматизацією втраті кваліфікації ([[fowlin-operationalizing-learning-principles-ai|Fowlin et al. (2026)]]).

**Інтеріоризоване проти розподіленого оволодіння.** Рамка «когнітивного спільного» ([[cognitive-commons-ai-expertise-regeneration|Lovett 2026]]) відрізняє інтеріоризоване оволодіння (глибоке предметне знання в індивідуальних розумах) від розподіленого оволодіння (оркестрування систем «людина — ШІ») і стверджує, що друге залежить від першого через «прив’язку валідації»: ефективний нагляд за розподіленими системами ШІ передбачає інтеріоризовану експертизу, яку ці системи можуть підривати. Це загострює питання дизайну DCog — розподіл когніції не має відбуватися за рахунок експертизи, яка його валідує.

## Пов’язані поняття

- [[learning-theories]]
- [[cognitive-offloading]]
- [[embodied-learning]]
- [[situated-learning]]
- [[human-ai-collaboration]]
- [[agency]]
- [[metacognition]]
- [[self-regulated-learning]]
- [[constructivist]]
- [[collaborative-learning]]
- [[ai-education]]
## Пов’язані статті

- [[hao-human-ai-collaborative-problem-solving-cognition]] — Емпіричне дослідження колаборативного розв’язування проблем у парі «людина — ШІ» через оптику розподіленої когніції та співрегуляції
- [[niari-ai-pedagogical-mediator-collaborative-learning]] — ШІ як педагогічний медіатор, що перерозподіляє когніцію між людськими та нелюдськими акторами
- [[ai-cognitive-partner-co-regulation-learning]] — ШІ як когнітивний партнер у співрегульованому мисленні
- [[ensemble-cognition-philosophy-ai-education]] — Рамка ансамблевої когніції, що переосмислює мислення як взаємодію люди та ШІ
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — Постгуманістичний здобувач із когніцією, розподіленою між біологічними та штучними системами
- [[fowlin-operationalizing-learning-principles-ai]] — Операціоналізація розподіленої когніції поруч із досвідним та ситуативним навчанням
- [[cognitive-commons-ai-expertise-regeneration]] — Трагедія когнітивного спільного: ШІ та відродження експертизи
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Взаємодія викладача зі ШІ в проєктуванні уроку: ШІ-домінантна проти комплементарної розподіленої когніції за досвідом і вмілістю (Choi та співавт. 2026)
- [[xu-genai-collaborative-space-2026]] — GenAI як агент і колаборативний простір: як конфігурація доступу розподіляє групову когніцію (Xu та співавт. 2026)
- [[cognitive-distribution-student-genai-interaction-2026]] — Рамка когнітивного розподілу: п’ять типів взаємодії та чотири ролі з самостійного використання ChatGPT

---

## [Ситуативне навчання](https://edtechdev.github.io/aied/concepts/situated-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Ситуативне навчання** — теорія, що коріниться в роботі початку 1990-х Lave і Wenger (1991), згідно з якою навчання не є ізольованим, деконтекстуалізованим актом, а відбувається через участь в автентичних діяльностях, контекстах і культурах. Знання співконструюються здобувачами та ровесниками в межах [[collaborative-learning|спільнот практики]], а новачки навчаються через легітимну периферичну участь — засвоюючи культуру, мову та практики експертних членів, коли вони рушають від периферії до центру спільноти. Акцент падає на навчання через робітню дію в реальних ситуаціях, де [[assessment]] виникає з самого завдання, а не відокремлюється від нього.

## Питання для роздумів

- Подумайте про щось, що ви справді добре вмієте робити — навичку, ремесло, майстерність. Чи навчилися ви цьому переважно з абстрактної інструкції чи від участі в реальній спільноті, яка це робить? Що це натякає про те, де насправді живе знання?
- Lave і Wenger описують новачків, які навчаються через «легітимну периферичну участь» — починаючи від краю спільноти практики і рушаючи всередину. Де ви спостерігали (або були) таким новоприбулим, і що дозволило їм перейти від периферії до центру?
- Якщо знання «ситуативне» в автентичних контекстах, що це означає для традиційної навчальної аудиторії, яка свідомо відокремлює навчання від реальних ситуацій — і для інструментів ШІ, призначених доставляти деконтекстуалізований контент?
- Сторінка розглядає ситуативне навчання як дизайн-лінзу для ШІ. Як адаптивна система чи симуляція могла б заземлити навчання в автентичній практиці, а не витягувати його з контексту?
- Які перешкоди, на думку [[research-methods-aied|досліджень]], стоять на шляху ситуавання навчання на основі ШІ в реальні контексти, і які з них ви бачили у власному закладі?

## Вступ

Ситуативне навчання є однією з теорій діяльності та контексту в межах напряму [[learning-theories]] бази знань. Воно підхоплює виготські теми соціального конструювання, але додає сильний акцент на тісній інтеграції «робітньої дії» та «навчання» і на важливості спільнот практики. Як освітня позиція воно протистоїть традиційній, стандартизованій шкільній освіті, виводячи на передній план [[sociocultural-learning|соціокультурний]] контекст здобувача як ключовий елемент набуття навичок і привласнення знань, релевантних його реальності.

В літературі [[ai-education|ШІ в освіті]] ситуативне навчання має значення, оскільки надає дизайн-лінзу для ШІ: [[adaptive-learning|адаптивні системи]], [[intelligent-tutoring|інтелектуальне репетиторство]] в автентичних сценаріях та [[virtual-and-augmented-reality|імерсивні]] [[simulation|симуляції]] можуть заземлювати освіту на основі ШІ в реальних контекстах, тоді як ситуативне навчання своєю чергою надає ШІ змістовний якір в автентичній практиці та складності. Два широко розглядаються як взаємодоповнюючі, із збереженням необхідності людського керівництва для [[ethics|етичного]] заземлення.

### Ситуативне навчання як дизайн-лінза для ШІ

Дослідження бази знань розглядають ситуативне навчання не просто як абстрактну теорію, але як конкретну рамку проєктування та оцінювання для ШІ в освіті:

- **Можливості та перешкоди.** [[meta-analysis-systematic-review|Систематичний огляд]] PRISMA 60 статей (три десятиліття) виявляє, що ШІ може посилювати ситуативне навчання — через адаптивні системи, підлаштовані під змінні потреби студентів, інтелектуальне репетиторство, ситуатоване в автентичних сценаріях, автоматизацію адміністративних завдань та підтримку викладачів на основі даних — тоді як головні перешкоди — одностороннє пасивне навчання традиційної школи, надмірний акцент на заздалегідь визначених результатах та обмежені контекстуальні знання викладачів. Людське керівництво залишається необхідним для етичного заземлення.([[vargas-situated-learning-ai-review-2024]])
- **ШІ як каталізатор, що з’єднує освіту з реальністю.** ШІ може діяти як *каталізатор* ситуативного навчання, з’єднуючи освіту з реальністю та автентичними контекстами, уможливлюючи навчання, заземлене в реальних сценаріях.([[vargas-ai-catalyst-situated-learning-2026]])
- **Медіаційні артефакти в автентичному дослідженні.** У [[science-education|навчанні науці]] інструменти ШІ (віртуальні лабораторії, симуляції, інтелектуальне репетиторство) функціонують як «медіаційні артефакти», які розширюють ситуативне навчання, уможливлюючи цифрові спільноти практики та перетин кордонів між шкільним, реальним та міждисциплінарним контекстами — перетворюючи студентів із «здобувачів знань» на «наукових практиків».([[li-ai-science-situated-learning-teachers-2025]])
- **Ситуативні пристрої [[curriculum-design|навчального плану]].** [[ai-literacy|ШІ-грамотність]] може розвиватися через *епізоди ситуативного навчання* — активні інструменти [[teacher-role|викладання]] (передбачай, продукуй, рефлексуй), які будують компетентності в галузі ШІ через реальний [[problem-solving]], а не через абстрактну інструкцію.([[panciroli-ai-literacy-episodes-situated-learning]])
- **Ситуативне оцінювання в навчанні, заснованому на [[design-based-research|дизайні]].** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] заземлили своє дослідження в теорії ситуативного навчання та ітеративній [[pedagogy]] дизайну, оцінюючи 80 дизайнерських плакатів студентів за ролями інструктора, рецензента-ровесника та рецензента-грантовця. Освідомлений щодо ролей [[prompt-engineering|промптинг]] давав якісно різний оцінювальний зворотний зв’язок — інструктори: заохочувальний та орієнтований на процес, ровесники: підтримувальний та розмовний, грантові рецензенти: формальний та орієнтований на результати — відмінності, які були епістемічними, а не лише стилістичними, виводячи на передній план різні аспекти практики дизайну. Це показує, як ситуативне, специфічне для ролей оцінювання може бути емульоване [[llm|LLM]], коли його забезпечено семантично точною рубрикою, і як оцінювання в навчанні, заснованому на дизайні, виникає з автентичного завдання та його ролей, а не відокремлюється від них.
- **Ситуативна етика ШІ.** Етичне мислення щодо ШІ само найкраще розглядати як *ситуативне* — заземлене в культурно-історичному та екологічному контексті, а не в абстрактних принципах.([[raffaghelli-situated-ai-ethics-2026]])

Ситуативне навчання тісно пов’язується з [[embodied-learning]] (обидва підкреслюють заземлення когніції в контексті та дії), [[distributed-cognition]] (навчання, розподілене між людьми, інструментами та контекстами), [[experiential-learning]] та [[constructivist]] теорією. В освіті ШІ воно заземлює критику деконтекстуалізованого, розпростертого навчання: дизайн ШІ, який тримає здобувачів прив’язаними до автентичної практики, зберігає ту ситуативність, якої потребує тривале навчання.

## Пов’язані поняття
- [[learner-identity]] — evolving disciplinary, professional, creative, and academic learner identities
- [[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]] — immersive environments as a route to authentic context

## Пов’язані статті

- [[vargas-situated-learning-ai-review-2024]] — PRISMA systematic review of situated learning and AI in education (primary reference for this page)
- [[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]] — LLMs as agents of iterative pedagogical design

---

## [Втілене навчання](https://edtechdev.github.io/aied/concepts/embodied-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Втілене навчання** — [[pedagogy|педагогічний]] принцип, згідно з яким навчання ґрунтується на тілесному досвіді, фізичній взаємодії та сенсомоторному контексті здобувача. Втілені підходи стверджують, що пізнання не є суто абстрактним, а формується тілом і його взаємодією з середовищем. У [[ai-education|ШІ в освіті]] втіленість реалізується через [[educational-robotics|освітніх роботів]] та [[educational-robotics|соціальних роботів]], чия фізична присутність приземлює абстрактні поняття (як-от логіку програмування або соціальні навички) в спостережуваній, керованій поведінці.

## Питання для роздумів

- Ми часто вважаємо навчання чимось, що відбувається «в голові», а тіло просто возить мозок із собою. А якщо навчання справді ґрунтується на тілесному досвіді та взаємодії з середовищем? Який предмет ви вивчали так, що здавалося, ніби він потребує вашого тіла, — і хіба його можна було б засвоїти суто абстрактно?
- Втілені підхи твердять, що фізичний, керований агент допомагає здобувачам пов’язувати абстрактні ідеї з конкретними результатами — наприклад, бачити, як програма змушує робота рухатися. Коли ви помічали, що саме фізична дія призвела до того, що абстрактне поняття нарешті «клацнуло»?
- Деякі [[research-methods-aied|дослідники]] розглядають жест як доказ розуміння — відстежують рухи рук студентів поряд із їхньою мовою, щоб оцінити поняттєве засвоєння. Якщо «руки» студента знають поняття раніше за його слова, що це може означати для того, як нам слід оцінювати навчання?
- Новітня критика кидає виклик «невтіленому» ШІ, який діє над абстрактними символами, стверджуючи, що ШІ слід проєктувати навколо втіленої інтелігенції, щоб підтримувати мислення здобувачів, а не віддавати його на аутсорсинг. Чи вважаєте ви, що ШІ, який ніколи не мав тіла, може повністю підтримувати втілене навчання?

## Вступ

Втілене навчання тісно пов’язане з теоріями [[active-learning]], [[experiential-learning]] та ситуативними/[[constructivist]] теоріями. Ключове твердження полягає в тому, що фізичний, керований агент допомагає здобувачам пов’язувати абстрактні ідеї з конкретними результатами — програма, яка змушує робота рухатися, або рольова гра з фізичним роботом — так, як цього може не вміти суто екранна взаємодія. Робототехніка є найявнішим втіленням ШІ в освіті, даючи здобувачам щось, що можна побачити, натиснути й спостерігати.

### Як втілене навчання проявляється в дослідженнях бази знань

- **Приземлене програмування:** [[roboblockly-conversational-block-robotics-ct-2026|RoboBlockly Studio]] приземлює [[cs-education|блочне програмування]] у втіленому виконанні роботом, створюючи щільний цикл авторства, запуску, спостереження та перегляду, щоб здобувачі бачили, як їхній код стає поведінкою.
- **Соціально-роботизована взаємодія:** [[educational-robotics|Соціальні роботи]], використовувані для [[storytelling-in-education|сторітелінгу]] ([[motibo-digital-storytelling-robots-motivation-2026|MotiBo]], [[robobuddy-llm-social-robots-classroom-2025|RoboBuddy]]), рольових ігор ([[remind-robot-mediated-roleplay-antibullying-2026|REMind]]) та жестової мови ([[pepper-robot-sign-language-lis-2025|Pepper]]), забезпечують втілену соціальну взаємодію, що підтримує реляційне та [[social-emotional-learning|емоційне]] навчання.
- **Ознаки втіленості не є тим, що визначає результати.** Метааналіз 11 досліджень RALL (N = 595, g = 0,83, I² = 84,4%) виявив, що морфологія робота, модальність, автономність та соціальна роль не були модеруючими чинниками навчання L2; групові формати перемагали формати «один на один», тобто ефект давала позиція робота, а не його втіленість ([[robot-assisted-language-learning-meta-analysis-2026|Wang та співавт. (2026)]]).
- **Втіленість і креативне письмо:** [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen|Дослідження інтеграції роботів і LLM у креативному письмі]] розглядає, як втіленість впливає на взаємодію та результати здобувачів.
- **Людинодо-роботизована взаємодія:** дослідження [[educational-robotics|HRI]] ([[task-context-trust-educational-hri-2026|довіра]], [[human-autonomy-agency-hri-review-2025|агентність]]) розглядають, як фізична втіленість формує довіру, [[student-engagement|залученість]] і [[agency|автономію]].
- **Жест як доказ розуміння:** [[multimodal-embodied-cognition-oral-explanations-2026|Morphew та співавт.]] інтегрують відстеження жестів за допомогою комп’ютерного зору з аналізом [[llm]] мовлення, щоб показати, що поняттєве розуміння статистики в студентів-інженерів виражається як мовленням, так і жестами. Пояснювальні жести з високою упевненістю групуються навколо конкретних понять (особливо середнього значення), а тісний зв’язок між жестом і мовленням сигналізує про узгоджену поняттєву мову, тоді як розбіжність позначає розвивальні ідеї — що позиціонує втілену дію як доказ в [[assessment-validity|оцінюванні]] через [[multimodal|мультимодальну аналітику навчання]], а не лише як механізм навчання.

### Втілена інтелігенція та критика невтіленого ШІ

Другий, більш теоретичний напрям досліджень втіленості в базі знань стосується ролі *тіла* в навчанні, опосередкованому ШІ-[[sociocultural-learning|соціокультурним]] навчанням, — не через фізичних роботів, а через питання, чи самі [[ai-technologies|системи ШІ]] є (або можуть бути) втіленими. Ця робота кидає виклик домінуванню символічних, невтілених моделей ШІ, побудованих на абстрактній обробці інформації:

- **Втілений ШІ як принцип проєктування.** **Рамкова концепція E3-HOT** стверджує, що для підтримки когнітивної агентності здобувачів і [[critical-thinking|високорівневого мислення]] (а не для заохочення [[cognitive-offloading|когнітивного аутсорсингу]]) ШІ слід проєктувати навколо *втіленої інтелігенції* — ситуативного вбудовування, втіленої участі та когнітивного творення — в межах інтегрованого віртуально-реального навчального середовища.([[zhu-e3-hot-embodied-intelligence-sustainable-learning]])
- **Межі невтіленого [[generative-ai|генеративного ШІ]].** Посткогнітивістські дослідження стверджують, що поточні системи GenAI не мають пропріоцепції, мультимодальної агентності та втіленої практики, і відстоюють «втілений ШІ», ґрунтований на ситуативності, виникненні та сенсомоторному зв’язуванні, пропонуючи перцептивно-[[affective-computing|афективну]] хореографію для взаємодії люди та [[student-ai-interaction|ШІ]].([[videla-embodied-ai-education-choreography]])
- **Втіленість, ситуативність та соціальне конструювання.** У [[science-education|навчанні науці]] інструменти ШІ функціонують як «медіаційні артефакти», які дають змогу цифровим спільнотам практики та перетину меж, пов’язуючи втілене, автентичне дослідження з реальними та міждисциплінарними контекстами.([[li-ai-science-situated-learning-teachers-2025]]) Це пов’язує втіленість із [[situated-learning]] та [[distributed-cognition]].

Втілене навчання пов’язується з [[educational-robotics]], [[educational-robotics]], [[educational-robotics]], [[active-learning]], [[experiential-learning]], [[situated-learning]], [[distributed-cognition]], [[computational-thinking]] і [[social-emotional-learning]].

## Пов’язані поняття

- [[educational-robotics]]
- [[active-learning]]
- [[experiential-learning]]
- [[situated-learning]]
- [[distributed-cognition]]
- [[computational-thinking]]
- [[social-emotional-learning]]
- [[learning-theories]]
- [[multimodal]]
- [[assessment-validity]]
- [[virtual-and-augmented-reality]] — модальність, яка намагається безпосередньо використати втіленість

## Пов’язані статті

- [[multimodal-embodied-cognition-oral-explanations-2026]] — Мультимодальна рамкова концепція втіленого пізнання в усних поясненнях
- [[zhu-e3-hot-embodied-intelligence-sustainable-learning]] — Розвиток сталого навчання через втілену інтелігенцію (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 і жестова мова
- [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen]] — Інтеграція роботів і LLM у креативному письмі
- [[robot-assisted-language-learning-meta-analysis-2026]] — Метааналіз посиленого ШІ втіленого роботизованого навчання мовам
- [[vargas-situated-learning-ai-review-2024]]
- [[li-ai-science-situated-learning-teachers-2025]]
- [[vargas-ai-catalyst-situated-learning-2026]]
- [[videla-embodied-ai-education-choreography]]

---

## [Спільнота дослідження](https://edtechdev.github.io/aied/concepts/community-of-inquiry/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Спільнота дослідження (CoI)** — це рамкова модель для осмислення змістового освітнього досвіду як динамічної взаємодії **когнітивної присутності**, **соціальної присутності** та **присутності викладання**. Рамки виникли у дослідженнях комп’ютерно-опосередкованого та онлайнового навчання [[research-methods-aied|research]] (Garrison, Anderson & Archer, 2000) і стали однією з найпоширеніших моделей для проєктування, оцінювання та вивчення освіти, заснованої на дослідженні, у форматі [[online-teaching-and-learning|online and blended]]. В епоху [[generative-ai]] рамки переосмислюються: створений машиною дискурс може імітувати автентичну присутність, тому присутності слід розуміти як соціотехнічні досягнення ансамблів «людина — GenAI», а не як суто людську діяльність.

## Питання для роздумів

- В онлайновому курсі що вам підказує, що змістовне навчання справді відбувається — і звідки ви знали б, що воно не відбувається?
- Рамкова модель «Спільнота дослідження» називає три присутності: когнітивну, соціальну та присутність викладання. Ґрунтуючись на власному онлайновому досвіді, яка присутність найчастіше зникає — і що це робить із навчанням?
- Якщо чат-бот на базі ШІ [[conversational-ai|chatbot]] пише вмілі, схожі на співчутливі відповіді на форумі дискусій, чи відбувається «соціальна присутність»? Чи присутність — це те, що справді можуть створити лише люди?
- Генеративний ШІ може створювати настільки згладжені пояснення, що вони здаються очевидно правильними — але згладженість не є тим самим, що правильність. Де ви бачили, як «плавність приймали за підставу», і як ви б від цього захищалися в курсі на основі дослідження?
- Ця рамкова модель припускає, що присутності є «соціотехнічними досягненнями» спільної роботи люди та ШІ, а не суто людською діяльністі. Чи змінює це розуміння того, кого ви вважаєте відповідальним, коли онлайнова дискусія стає поверхневою — або, навпаки, вдалою?

## Вступ

Рамкова модель «Спільнота дослідження» описує вартісний онлайновий навчальний досвід як продукт трьох взаємодіючих присутностей: когнітивної присутності (здобувачі конструюють і підтверджують значення через стійку рефлексію та дискурс), соціальної присутності (учасники соціально й емоційно себе висловлюють) та присутності викладання (проєктування, фасилітація та спрямування процесу). Спираючись на [[constructivist]] та дьюївські традиції, вона розглядає дослідження як соціальний та ітеративний процес і нині служить оптикою для проєктування та оцінювання курсів із посередництвом ШІ — де [[pedagogical-agent]] може підтримувати одну присутність, тихо розмиваючи іншу.

## Три присутності

- **Когнітивна присутність** — міра того, наскільки здобувачі конструюють і підтверджують значення через стійку рефлексію та дискурс, що операціоналізується через модель *практичного дослідження* (ініціювальна подія → дослідження → інтеграція → розв’язання).
- **Соціальна присутність** — здатність учасників соціально та емоційно себе висловлювати, що виражається через [[affective-computing|affective]] спілкування, відкрите спілкування та згуртованість групи.
- **Присутність викладання** — проєктування, фасилітація та спрямування когнітивних і соціальних процесів для досягнення особисто змістовних і освітньо вартісних результатів, включно з проєктуванням і організацією, фасилітацією дискурсу та прямим навчанням.

CoI спирається на [[constructivist]] та дьюївські прагматичні традиції: дослідження є соціальним, ітеративним і зумовленим відчуттям труднощів, що мотивує пошук розв’язання.

## CoI як рамкова модель для онлайнового викладання

CoI виникла в межах [[online-teaching-and-learning]] та найміцніше асоціюється саме з нею. Вона надає словник для діагностики *чому* онлайновий курс спрацьовує або зазнає невдачі: низька [[student-engagement|engagement]] та ізоляція в асинхронних курсах — це зазвичай провали соціальної присутності та присутності викладання, тоді як поверхнева дискусія часто відображає слабку когнітивну присутність. Це робить CoI практичною оптикою проєктування для тих самих умов, які створює онлайнове середовище — усунення фізичної співприсутності, потреба в усвідомленому формуванні спільноти та структурування дискусії, що заміщає безпосередній контакт. В епоху [[generative-ai]] CoI — це також місце, де викладачі онлайнових курсів стикаються з найважчими новими питаннями: хто є «присутнім», коли агенти [[llm]] публікують дописи, модерують або відповідають, і як зберегти змістовність трьох присутностей, коли створений машиною дискурс може їх імітувати. Тому сторінка бази знань про онлайнове викладання розглядає «Спільноту дослідження» як основну рамкову модель для напряму соціальної присутності та формування спільноти в її рекомендованій практиці.

## CoI під тиском генеративного ШІ

GenAI руйнує припущення, що індикатори присутності можна пояснювати переважно діяльністю здобувачів-людей і [[teacher-role|instructor]]ів (див. [[reconceptualizing-community-inquiry-generative-ai|Ba, Gašević, Lim & Anderson]]). Він може:

- **перебільшувати когнітивну присутність** — вмілі створені машиною пояснення прискорюють осмислення, але несуть ризик передчасного замикання, коли згладженість приймають за підставу.
- **імітувати соціальну присутність** — створені машиною висловлювання можуть нагадувати співчуття та чуйність завдяки високій мовній переконливості, що ускладнює відносну відповідальність.
- **перерозподіляти присутність викладання** — проєктування, фасилітація та пряме навчання стають розподіленими досягненнями, а викладачі демонструють зразками, як ставити під сумнів створені результати та виявляти галюциновані посилання.

Під цими твердженнями уже лежить емпіричне мережеве свідчення: у квазіексперименті, де 63 китайських студенти бакалаврату (33 з чат-ботом GPT-4o mini і 30 без нього) анотували спільні читання в CollaboRead упродовж п’яти тижневих завдань, [[network-analysis|епістемічний мережевий аналіз]] показав, що клас із підтримкою пов’язував соціальну присутність із інтеграцією та розв’язанням, тоді як контрольний клас пов’язував її із ініціюванням та дослідженням (вісь X: U = 25,00, p = 0,01, r = 1,00; вісь Y: U = 13,00, p = 1,00, r = 0,04), з вищим самооцінюваним когнітивним і емоційним залученням у класі з підтримкою. Присутності потім розділяються всередині умови, а не між умовами: успішні групи ініціювали 1407 запитів на зворотний зв’язок серед 2319 анотацій (60,7%) проти 737 серед 2167 (34,0%) у групи з низькими результатами, яка залишалася в замкнутому на собі циклі і слабко використовувала скаффолдинг.([[genai-social-annotation-epistemic-network-analysis-2026|Pan et al., 2026]])

А не як інструмент, діалогічний партнер чи спекулятивну «четверту присутність», GenAI найкраще розуміти як **епістемічну умову** — всепроникаючий вплив, який перебудовує те, як присутності втілюються, тлумачаться, підтверджуються й регулюються через видимі результати та невидимі логіки навчальних даних, алгоритмів і платформ.

Власні автори рамкової моделі пропонують для цієї умови таксономію ролей: [[ai-communities-of-inquiry-2026|Stenbom and Garrison (2026)]] розміщують ШІ як підтримку проєктування навчання, незалежний ресурс здобувача, функцію підтримки викладача через аналітику, учасника спільноти та стійкого діалогічного партнера, і пропонують спільну [[metacognition]] — само- та спів-[[self-regulated-learning|regulation]] — як те, що змушує здобувачів перевіряти результати ШІ.

## Практичні наслідки

- Зв’язок між залученістю GenAI та якістю дослідження є **залежним від людської відповідальності**, а не лінійним: сильна присутність може спостерігатися за високої чи низької залученості GenAI, коли відповідальність сильна, і слабка присутність — за будь-якої з них, коли відповідальність слабка.
- [[assessment]] дослідження має перейти від відполірованих фінальних результатів до **чутливих до процесу свідчень** — [[prompt-engineering|слідів]] підказок і переробок, практик розкриття та атрибуції, дій з перевірки та логів взаємодії. Це узгоджується зі загальним рухом бази знань до [[authentic-assessment|автентичного]], [[process-oriented-assessment|розкриваючого процес]] оцінювання та геть від реакцій, заснованих на виявленні.
- Педагогічно здобувачам часто потрібне явне навчання (наприклад, [[simulation|імітаційна]] практика зі сценарними ролями та точками рішень GenAI), щоб підтримувати автентичне дослідження в умовах GenAI, — а викладачі мають подавати зразок того, як ставити під сумнів створені результати, що залежить від розбудови [[ai-literacy]], [[critical-thinking|критичної оцінки]] та скоригованої [[trust-calibration|довіри]].

## Пов’язані поняття

- [[online-teaching-and-learning]]
- [[generative-ai]]
- [[constructivist]]
- [[pedagogy]]
- [[critical-thinking]]
- [[assessment]]
- [[human-ai-collaboration]]
- [[student-engagement]]
- [[llm]]
- [[ai-literacy]]
- [[authentic-assessment]]
- [[trust-calibration]]

## Пов’язані статті
- [[genai-social-annotation-epistemic-network-analysis-2026]] — Розкриття взаємодій студентів у соціальній анотації з GenAI: епістемічний мережевий аналіз когнітивної та соціальної присутності

- [[reconceptualizing-community-inquiry-generative-ai]] — Переосмислення CoI в епоху генеративного ШІ
- [[ai-communities-of-inquiry-2026]] — ШІ у спільнотах дослідження
- [[ai-online-education-engagement-satisfaction-2026]] — Залученість та задоволеність в онлайновій освіті зі ШІ
- [[reflective-triangle-model-teacher-ai-2026]] — Модель рефлексивного трикутника: ШІ як когнітивний посередник

---

## [Саморегульоване навчання](https://edtechdev.github.io/aied/concepts/self-regulated-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> Саморегульоване навчання (SRL) описує здобувачів як активних учасників, які можуть успішно формувати й розвивати власні когнітивні та поведінкові дії. Інструменти ШІ можуть або забезпечувати [[scaffolding|скаффолдинг]] розвитку SRL, або ненавмисно зривати його, усуваючи регулятивні вимоги, що формують експертність.([[scheu-mobile-chatbot-journaling-motivation-2026]])([[stanford-evidence-base-ai-k12-2026]]) Лонгітюдні дані загострюють це розрізнення: рефлексивне використання навколо інструмента ШІ прогнозувало критичне мислення (β = 0,43), але не приріст у знаннях, а сам доступ до інструмента не змінював ні того, ні іншого.([[melanou-genai-learning-dynamics-longitudinal-2026]])

## Питання для роздумів

- SRL описує здобувачів, які активно керують власним навчанням через три фази: переддія (постановка цілей, планування, самоефективність), дія (стратегія, самоспостереження) і саморефлексія (оцінювання, адаптація). Перш ніж читати далі, яку фазу ви дійсно виконуєте добре — і яку пропускаєте, хоч знаєте, що не варто?
- Ключова напруга сторінки: ШІ може забезпечувати скаффолдинг саморегуляції або зривати його, усуваючи регулятивні вимоги, що формують експертність. Як інструмент, який робить завдання легшим, водночас може зробити вас слабкішим регулятором власного навчання — і чи можете ви відчути цю різницю у власному досвіді?
- Студенти часто демонструють «дефіцит продукції»: володіють знаннями про саморегуляцію, але не вдаються до них спонтанно — просять чат-бота «витягти основні ідеї» й повністю пропускають планування та моніторинг. Чи ловили ви себе на когнітивному еквіваленті цього, навіть знаючи про кращу стратегію?
- Коли підтримка присутня, ваше власне судження може зникнути з картини: в одному дослідженні на основі даних-трейсів саме доступна підтримка, а не метакогнітивна точність здобувача, визначала обрану стратегію перегляду. Якщо зовнішня допомога перебиває вашу оцінку власного навчання, яке судження ви свідомі залишите у своїх руках?
- Дослідження виявило «розрив у [[trust-calibration|некаліброваності]] довіри»: студенти можуть *відчувати* більше навчання з GenAI, водночас запам’ятовуючи менше — віддаючи перевагу ШІ перед конспектуванням попри слабкіше утримання. Якщо ви відчуваєте себе продуктивним під час використання інструмента, як ви дізнаєтесь, що насправді не навчаєтесь більше?
- Те, функціонує GenAI як скаффолдинг, ярлик чи партнер, залежить більше від регулятивного потенціалу здобувача, ніж від самого інструмента. Але сторінка також показує, що саморегуляція пом’якшує — хоч і не скасовує — шкоду глибокого когнітивного офлоадингу. Що означає ця обмеженість «пом’якшує, але не скасовує» для проєктування кращих інструментів ШІ?
- Поставте ціль перед читанням: виберіть одне завдання, для якого ви регулярно використовуєте ШІ, і заздалегідь вирішіть, яку з трьох фаз SRL (переддія, дія, рефлексія) ви свідомі захистите від автоматизації. Який результат покаже, що це спрацювало?

## Вступ

SRL — це процес, у якому здобувачі активно керують власним навчанням через три взаємопов’язані фази:

1. **Переддія:** постановка цілей, стратегічне планування, вірування в [[self-efficacy]]
2. **Дія:** розгортання стратегій, самоспостереження, фокусування [[cognitive-psychology|уваги]]
3. **Саморефлексія:** [[self-assessment]], причинне пояснення, адаптація

Досвідчені саморегульовані здобувачі використовують когнітивні стратегії для підвищення успіху та залучають [[metacognition]], щоб безперервно вдосконалювати свої навчальні процеси.([[scheu-mobile-chatbot-journaling-motivation-2026]])


Емпірична робота в опосередкованому технологіями курсі підтверджує зв’язки між фазами: у восьмитижневому дослідженні адаптивної стохастики (194 студенти) цінність завдання, самоефективність, орієнтація на цілі та позитивні емоції на преакціональній фазі прогнозували акціональну регулятивну поведінку, тоді як негативні емоції їй перешкоджали, а постакціональне задоволення передавалося вперед до наступної преакціональної фази ([[mejeh-fromm-srl-adaptive-learning-feedback-2026|Mejeh & Fromm (2026)]]).

Систематичний огляд 84 досліджень ШІ–SRL виявив, що дослідження зосереджені на студентах вищої освіти та на метакогнітивних і когнітивних аспектах саморегуляції, з недовизученим мотиваційним виміром і тим, що понад третина досліджень узагалі не специфікувала жодної теорії SRL ([[banihashem-ai-srl-systematic-mapping-review-2025|Banihashem et al. (2025)]]).

Принципово, що SRL навколо ШІ формується *сприйняттям* так само, як і поведінкою: [[yilmaz-genai-feedback-srl-online-higher-ed-2026|Yilmaz et al.]] демонструють, що те, сприймають студенти зворотний зв’язок як такий, що надходить від ШІ чи від людини, суттєво впливає на їхнє саморегульоване навчання та поведінку при перегляді — нагадування, що соціальне обрамлення ШІ, а не лише його зміст, змінює те, як здобувачі регулюються навколо нього.


Один режим відмови стоїть перед початком регуляції: прокрастинація навчання за допомогою GenAI — непотрібне відкладання початку підтримуваної GenAI роботи попри щире намір її виконати. Серед 1243 китайських студентів бакалаврату частіше використання GenAI супроводжувалося меншою її мірою (β = −0,195), а тривожність щодо навчання GenAI підсилювала зв’язок між наміром і відкладанням ([[genai-learning-procrastination-planned-behavior-2026|Li et al. (2026)]]).

Місце входження GenAI у цикл визначає його ефект: відображуючи фази переддії, дії та рефлексії Zimmerman на опосередковані ШІ середовища, фреймворк коагенції стверджує, що точка входу визначає, чи посилює інструмент почуття контролю здобувача, чи руйнує його, і що офлоадинг підтримує трансформативне навчання лише тоді, коли рішення свідоме, а не рутинне ([[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]]).

Поперечне обстеження 434 студентів-бакалаврів спеціальної освіти вимірює один такий ланцюг: [[generative-ai|GenAI]]-грамотність позитивно пов’язувалася з поведінкою саморегульованого навчання за допомогою GenAI (загальне B = 0,701), переважно через навчальну [[agency]] (B = 0,345), а не через емоції виклику (B = 0,061) ([[genai-literacy-srl-special-education-2026|Yang et al. (2026)]]).

## Цифрова підтримка SRL

### Навчальні щоденники

Навчальні щоденники — перспективна інтервенція для SRL: рефлексуючи над власними навчальними процесами, студенти підвищують усвідомленість когніції та зміцнюють регулятивний потенціал. Ключові міркування щодо проєктування:

- **Структура має значення:** щоденники з відкритими запитаннями часто дають поверхневі записи; керовані підказки та зразкові моделі покращують глибину
- **Спад мотивації:** мобільні застосунки для щоденників зазвичай демонструють швидке зниження [[student-engagement|залученості]] протягом кількох днів
- **Компроміс скаффолдингу:** допомога ШІ, яка пише рефлексії за студентів, підриває практику SRL; допомога, що структурує підказки, не створюючи змісту, її зберігає

### Дашборди, що повідомляють профілі SRL викладачам

[[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] розширюють цифрову підтримку SRL на бік викладача: їхній [[learning-analytics]] (DashED) повідомляє викладачам у змішаних аудиторіях профілі саморегульованого навчання, отримані методами машинного навчання, і те, як викладачі діють на основі цих профілів, залежить від контексту. На практиці викладачі з перевернутих аудиторій (університет) дотримувалися послідовного дослідження й надавали перевагу адаптації на рівні курсу та показу [[visualization|дашбордів]] на занятті, тоді як викладачі професійно-технічних програм поверталися до зведених сторінок і використовували інструмент переважно для індивідуальних коучингових сесій. Запропоновані викладачами дії формувалися змістом, який був представлений, та їхнім рівнем викладання, а не типом графіка — викладачі університетів надавали перевагу щотижневим тестам і адаптації курсу, викладачі професійно-технічних програм — прямому, індивідуалізованому коучингу. Це позиціонує дашборд як скаффолдинг для регуляції викладачами навчального процесу, із потребами в проєктуванні, що різняться за контекстом, а не єдиним оптимальним інтерфейсом.

Студентський відповідник є набагато рідкіснішим: дашборд, який показував 46 студентам середньої школи їхні власні підказки до GenAI та перекриття їхніх текстів із відповідями моделі, відкривали лише близько третини класу, що робить обмеженням саме добровільну експозицію, а не візуалізацію ([[learning-analytics-genai-secondary-writing-2026|Fong et al. (2026)]]).

### Експеримент 2×2 Scheu et al. (2026)

У рандомізованому польовому експерименті зі 179 студентами протягом 22 днів порівнювалися два принципи проєктування:

| Принцип | Механізм | Ефект на SRL | Ефект на мотивацію | Ефект на залученість |
|---|---|---|---|---|
| **Курс на основі зразків** | 7-денний [[curriculum-design|навчальний план]] [[teacher-role]] і ведення рефлексивного щоденника на основі модельованих відповідей | Підвищення відчутної компетентності та задоволення | **Позитивний** | Стабільно позитивний |
| **[[llm]]-асистент ведення щоденника** | GPT-3.5 узагальнює чернетки, ставить уточнювальні запитання, пропонує переформулювання | Прямого ефекту на навички SRL не виміряно | **Без ефекту** | Зростає з часом ([[feedback|петля зворотного зв’язку]]) |

**Ключове прозріння:** курс покращив навички SRL *і* внутрішню мотивацію через [[transfer-of-learning|перенесення навичок]], тоді як асистент покращив залученість, не впливаючи на мотивацію.([[scheu-mobile-chatbot-journaling-motivation-2026]])

## Інструменти ШІ та взаємна петля SRL–мотивація

Фундаментальний принцип теорії SRL: навички само-[[regulation]] та [[motivation]] утворюють **взаємний зв’язок**:

- Кращий SRL → успішніше навчання → вища самоефективність → сильніша мотивація
- Вища мотивація → інтенсивніша залученість → краща практика SRL

Інструменти ШІ можуть входити в цю петлю в різних точках:

- **Проєктування з пріоритетом SRL** (наприклад, структуровані курси, поступові підказки, підказки до рефлексії): посилює петлю, формуючи справжню навичку
- **Проєктування з пріоритетом залученості** (наприклад, автодоповнення, генерація контенту): може підвищувати поведінкову залученість, не входячи в петлю мотивації, ризикуючи залежністю від інструмента

### Стратегічна регуляція GenAI як SRL

[[ai-anxiety-strategic-regulation-writing-2026|Kim (2026)]] переосмислює ефективне використання [[generative-ai|GenAI]] в [[writing-education|академічному письмі]] як **стратегічну регуляцію** — втілену практику SRL перевірки, перегляду, вибіркового прийняття чи відкидання результатів ШІ. У [[mixed-methods-research|змішаномутодному]] дослідженні 107 студентів вища [[anxiety-and-stress|тривожність щодо ШІ]] позитивно пов’язувалася з перевіркою та переглядом (β = .24), тоді як оцінювальний потенціал прогнозував активний перегляд і вибіркову інтеграцію (β = .46). Студенти розподілилися на чотири регулятивні типи — некритична залежність (18,7%), вибіркова інтеграція (34,6%), оцінювальна трансформація (31,8%) і стратегічне відкидання (14,9%) — що показує, що [[ai-literacy]] у [[higher-ed]] функціонує менше як прийняття, ніж як регулятивна компетентність, заснована на [[evaluative-judgment]] та [[ethics|етичній]] відповідальності. Це позиціонує SRL як основний механізм, що відрізняє критичне використання ШІ від некритичного.

Управління інструментом саме по собі є вимірюваним аспектом: двохвимiрна валідація з китайськими здобувачами EFL (EFA N = 305; CFA N = 342) розділяє шість регулятивних вимірів і називає *регуляцію середовища* — перевірку згенерованого результату на точність, фільтрування запропонованих ресурсів і встановлення меж залежності — одним із них у власному праві ([[genai-srl-l2-writing-scale-2026|Wang, Zhang and Zhang (2026)]]).


Класифікуйте перед делегуванням: [[scan-framework-task-assignment-generative-ai-2025|Tsim and Gutoreva (2025)]] перетворюють саморегуляцію на протокол для кожного завдання — позначте кожне підзавдання як Substitute (заміна), Complement (доповнення), Aid (допомога) або Non-negotiable (непорушне), обґрунтуйте це в короткій метакогнітивній нотатці та зберігайте журнал аудиту підказок, чернеток і людських правок — із повторенням циклу, щоб розподіл у межах одного завдання інформував наступне.
**Сама взаємодія як об’єкт регуляції.** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] документують ту саму потребу в регуляції з іншого боку: у восьмираундовій демонстрації використання чат-бота для підготовки відповіді на домашній [[summative-assessment|іспит]] стандартний результат ШІ залишався на *[[quantitative-research|кількісному]]*, мультиструктурному кінці таксономії SOLO — відполірований, готовий до здачі та педагогічно тонкий — і досягав придатного триступеневого навчального циклу лише після повторних інтервенцій метарівня («це занадто багато, можете стиснути?»). Їхній висновок: продуктивне використання вимагало «тих самих саморегулятивних навичок, які інструмент мав підтримувати»: здобувач має ставити поступові цілі, запитувати коригування складності й рефлексувати над тим, що ще не зрозуміло, понад самим дисциплінарним змістом. Вони називають цю здатність [[ai-literacy|AI-грамотністю взаємодії]] і розглядають відхід від інструмента як легітимне регулятивне рішення, а не як невдачу в наполегливості ([[metacognition]]).

- **Задоволення — це не саморегуляція.** [[aigc-affordance-student-self-regulation-2026|Liang et al. (2026)]] опитали 689 студентів бакалаврату програм індустрія–освіта та перевірили модель серійного опосередкування, у якій відчутні можливості контенту, згенерованого ШІ, підвищують AIGC-[[self-efficacy]] (beta = 0,583) і через неї — навчальну [[motivation]] (beta = 0,565) і саморегульоване навчання (beta = 0,250), причому мотивація є найважчим окремим предиктором SRL (beta = 0,527). Поряд із цими шляхами стоять несучі негативні результати: якість зворотного зв’язку щодо оцінювання від ШІ сильно прогнозувала задоволення (beta = 0,712), але не самоефективність (beta = 0,131), а задоволення не мало суттєвого впливу на саморегульоване навчання (beta = 0,032). Отже, добре сприйнятий і діючий асистент не є доказом покращення регуляції — механізм проходить через упевненість і мотивацію, а не через досвід здобувача з інструментом.

### GenAI-усвідомлена рефлексія як SRL

[[5p-reflection-model-genai-2026|Модель рефлексії 5P (Kadel et al. 2026)]] перецентровує структуровану рефлексію в епоху GenAI як втілену практику SRL. Оскільки здобувачі все більше співтворять сенс разом із ШІ, традиційні моделі рефлексії мають труднощі з автентифікацією студентської рефлексії, тому модель 5P (Purpose — мета, Process — процес, Product — продукт, Pitfalls — пастки, Plan — план) поєднує керовану переддією постановку цілей, рефлексію-в-дії (документування підказок і ітерацій), рефлексію-над-дією (перевірку ймовірнісного результату проти зовнішніх джерел), явний етап пасток для [[hallucination-risk|галюцинацій]], [[academic-integrity|плагіату]] та [[cognitive-offloading|надмірної залежності]] і орієнтований вперед план — вбудовуючи моніторинг емоцій усередину. Його філософія «процес понад продукт» розглядає структуроване документування [[human-ai-collaboration|взаємодії людини та ШІ]] як ту регулятивну вимогу, що зберігає автентичність, [[agency]] і [[metacognition|метакогнітивну]] глибину, позиціонуючи GenAI-усвідомлену рефлексію як скаффолдинг для саморегуляції, а не як її замінник.

## Співвідношення з проєктуванням для репетиторства

[[stanford-evidence-base-ai-k12-2026|ШІ, спеціально призначений для репетиторства]] узгоджується з проєктуванням із пріоритетом SRL: він надає поступові скаффолдинги, які зберігають [[agency]] і вимагають стратегічної саморегуляції. ШІ загального призначення часто повністю усуває регулятивні вимоги.([[stanford-evidence-base-ai-k12-2026]])

Наприклад:
- Призначений для репетиторства [[conversational-ai|чат-бот]] Bastani et al. зберігав покрокове мислення (вимога SRL)
- Варіант GPT загального призначення просто надавав відповіді (обхід SRL)

## Докази в різних контекстах

- **Змішані докази та розрив у некаліброваності довіри.** Швидкий огляд досліджень GenAI у дошкільній та середній освіті (PreK-12) виявляє, що метакогнітивні здобутки під час підтримуваних завдань часто не зберігаються, коли підтримку прибрано, і що GenAI може підвищувати [[self-report-measures|відчутне навчання]], навіть коли тривалого навчання немає (розрив у некаліброваності довіри — студенти віддавали перевагу GenAI попри слабкіше утримання при конспектуванні). Студентам потрібне явне, відповідне до етапу навчання, щоб вирішувати, що делегувати і коли важливі самостійні зусилля.([[young-people-learning-generative-ai-rapid-review-2026]])
- **[[agentic-ai|Агенційна]] ініціатива проти напруги саморегуляції.** [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] зазначають, що коли агенти автоматизують більшу частину завдання, здобувач виконує менше саморегульованої когнітивної роботи, — тому проєкти мають давати здобувачам контроль над ініціюванням агента (динамічний, поступово зникаючий скаффолдинг), щоб зберегти саморегулятивний потенціал, а не віддати його на аутсорсинг.
- **Саморегуляція формує використання ШІ-асистентів програмування.** [[computational-thinking-aica-2026|Дослідження ШІ-асистентів програмування]] виявило, що студенти з високим [[computational-thinking]] демонстрували сильнішу саморегулятивну узгодженість (планування–виконання–саморефлексія) й використовували AICA для розуміння коду, тоді як студенти з низьким ОМ використовували його для негайного отримання відповідей.
- **SRL співіснує з меншим цифровим відволіканням у [[online-teaching-and-learning|онлайн-навчанні]].** [[decreasing-digital-distraction-college-online-learning-2026|Shi et al. (2026)]], використовуючи ненаглядний майнінг даних на 530 студентах коледжу, виявили, що стратегії SRL — постановка цілей, структурування середовища та керування часом — найпослідовніше співіснували з меншим цифровим відволіканням у [[higher-ed|онлайн-навчанні]], поряд із залученістю «здобувач–викладач» і «здобувач–контент». Цей результат позиціонує конкретне навчання SRL як високоефективну інтервенцію для сфокусованого онлайн-навчання.
- **Метакогнітивна усвідомленість, а не доступ до інструмента, є найсильнішим драйвером адаптивних результатів у STEM.** [[alatoai-ai-learning-environments-self-regulation-2026|Alatoai and Alshahri (2026)]] побудували та валідували AI-STEM-MLCS із 649 студентами середньої школи в Саудівській Аравії (CFI = 0,983, RMSEA = 0,019; McDonald's ω = 0,888 до 0,905) і виявили, що їхні чотири виміри пояснюють 68% дисперсії в результатах саморегульованого навчання (R² = 0,68). Базована на ШІ метакогнітивна усвідомленість була найсильнішим предиктором (β = 0,38, p < 0,001), за нею — когнітивне перенесення та адаптивність (β = 0,29, p = 0,008) і посилене ШІ саморегульоване навчання (β = 0,21, p = 0,040), тоді як креативне та критичне мислення в AI-STEM не прогнозувало критерію (β = 0,14, p = 0,135). Автори читають цей патерн як доказ, що [[adaptive-learning|адаптивний]] зворотний зв’язок підвищує результати STEM переважно через спонукання здобувачів аналізувати помилки, перекалібровуватися й повторно використовувати стратегії, тому інструмент працює краще як діагностика, що локалізує прогалини в метанавчанні, ніж як єдиний глобальний бал. Це [[self-report-measures|самоопитова]] міра, валідована в одній національній системі, тому коефіцієнти є тимчасовими.
- **Зовнішня підтримка може обходити власне метакогнітивне судження здобувача.** [[iqbal-human-genai-support-essay-revision-2026|Iqbal et al. (2026)]] простежили 87 студентів EFL, які переглядали есей за підтримки [[generative-ai|GenAI]] (ChatGPT 4.0), експерта-людини або без підтримки. Умова підтримки була найсильнішим корелятом обраної студентом стратегії перегляду (Cramér's V = 0,668), значно випереджаючи перенесення з попереднього завдання з письма (V = 0,333), тоді як точність метакогнітивного судження (p = 0,172), навичка письма (p = 0,261) і [[motivation]] (p = 0,683) не були пов’язані. Метакогнітивне судження відстежувало стратегію лише тоді, коли підтримка була недоступна (пермутаційний тест p = 0,0460). Студенти з підтримкою GenAI набрали найбільше (близько 4 балів у середньому за стратегії зменшення пошуку допомоги проти −0,5 балів за тією ж стратегією при підтримці експерта-людини), проте жодна стратегія перегляду не була пов’язана зі зміною бала (H(3) = 3,895, p = 0,273), тож здобутки йшли від інструмента, а не від кращої саморегуляції. Орієнтація авторів: GenAI має спонукати рефлексію над власною стратегією перегляду замість того, щоб надавати пряму допомогу.
- **Рефлексивне використання відстежує критичне мислення, а не приріст у знаннях.** [[melanou-genai-learning-dynamics-longitudinal-2026|Melanou et al. (2026)]] спостерігали три паралельні групи студентів бізнес-інформатики (N = 87) протягом дев’ятитижневого курсу, зі зростанням знань у кожній групі (F(1, 50) = 29,87, p < 0,001, η²p = 0,374), без переваги ШІ, без взаємодії Час × Група і без ефекту Меттью (F(1, 48) = 2,46, p = 0,124; BF01 = 8,70). Рефлексивне використання (перевірка джерел і верифікація результатів ШІ перед їхнім прийняттям) було значно вищим в умові зі ШІ (3,72 проти 2,82; F(1, 40) = 20,21, p < 0,001) і прогнозувало критичне мислення (β = 0,43, p < 0,001), але не приріст у знаннях, який прогнозував релевантний когнітивний навантаження (β = 0,51, p = 0,001). Практичне прочитання: доступ до ШІ сам по собі не є інтервенцією, і його метакогнітивна вигода проявляється в якості мислення раніше, ніж у тестових балах.

## Опосередковане LLM SRL: скаффолдинг, ярлик чи партнерство?

Група досліджень Learning Letters (2026) сходиться в одній ключовій напрузі: [[generative-ai|GenAI]] може забезпечувати скаффолдинг, зривати чи бути партнером саморегуляції залежно від проєктування й від того, як здобувачі регулюють його використання. Докази вказують на саму SRL — а не на інструмент — як на вирішальну змінну.

- **[[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg et al.]]** виявляють, що LLM вплетені в *багатошарову екосистему [[help-seeking]]*, а не замінюють людську підтримку: студенти спочатку намагаються виконати завдання самостійно, потім звертаються до ChatGPT як до першого кроку з низьким порогом, до однокурсників — для концептуального узгодження, а до викладачів — у високоставних питаннях. Вони надають перевагу **інструментальному пошуку допомоги** (підказки, покрокове керівництво) над **виконавчим пошуком допомоги** (готові рішення), здійснюючи вибіркову [[trust]] та перевіряючи результати проти матеріалів курсу — чотиристроковий процес (вирішення, чи потрібна допомога, вибір, до кого звертатися, визначення типу допомоги, оцінювання отриманої допомоги), який можна вимірювати й навчати.
- **[[atif-dickson-deane-scaffold-shortcut-genai-srl-2026|Atif & Dickson-Deane]]** трактують використання GenAI як **[[cognitive-offloading]]**, який може бути або *скаффолдингованим* (здобувачі критикують і адаптують результати ШІ, зберігаючи [[agency]] і осмислення), або *заміщувальним* (здобувачі приймають результати з мінімальною перевіркою, перекладаючи контроль на інструмент). У дослідженні 267 аспірантів з ІТ той самий інструмент міг забезпечувати скаффолдинг чи скорочувати шлях у SRL залежно від стратегії здобувача — упевнені користувачі демонстрували агенційність у постановці цілей і моніторингу; менш упевнені розглядали GenAI як ярлик або недоброчесну поведінку.
- **[[lim-bannert-student-regulation-genai-chatbot-2026|Lim & Bannert]]** показують ризик конкретно: студенти добровільно використовували чат-бот GenAI (73%) і отримали вищі бали за есе, але вони відклали розуміння і синтез на бік (просячи чат-бот «витягти лише основні ідеї») і майже не займалися плануванням чи моніторингом — передаючи на аутсорсинг ключові регулятивні рішення. Це відображає **дефіцит продукції**: студенти володіють знаннями SRL, але не вдаються до них спонтанно, тому інструменти GenAI мають спонукати рефлексію (скаффолдинг моніторингу), коли запити вказують на офлоадинг.
- **[[song-genai-learning-partner-srl-over-time-2026|Song et al.]]** демонструють, що SRL є і **стабільною здібністю, і динамічним станом**: індивідуальні базові рівні узгоджені, але метакогнітивні знання та [[well-being]] системно знижуються протягом семестру, що спричинено дедлайнами оцінювання. Вони показують, що GenAI може діяти як контекстно-усвідомлений **[[pedagogical-agent|навчальний партнер]]**, коли отримує персональні, тимчасові та контекстні дані — підтримуючи студентів, не заміняючи їхніх зусиль. Це аргумент проти [[personalized-learning|персоналізації]] типу «один розмір для всіх» на основі лише базової здібності.
- **[[de-barba-srl-genai-2026|de Barba]]** розширює SRL теоретично, стверджуючи, що поле звузилося до регуляції, зосередженої на завданні, та до оптимізованих поведінкових проксі в освітніх технологіях. У статті пропонується міжмасштабний акаунт **агенційності здобувача** — регуляція (в межах завдань), інтеграція (у часі та контекстах) і позиціювання (критично щодо умов, що обрамовують навчання) — як орієнтація для проєктування алгоритмічно опосередкованих середовищ.
- **Саморегуляція пом’якшує, але не скасовує шкоди офлоадингу.** [[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] показує, що саморегульоване письмо послаблює — але не усуває — негативний зв’язок між глибоким [[cognitive-offloading]] і незалежними результатами без ШІ в письмі за допомогою GenAI: взаємодія офлоадинг×SRL була позитивною (B = 0,22), згладжуючи шкоду з нахилу −0,54 (низький SRL) до −0,33 (високий SRL), але не скасовуючи її. Умова обмеженої підтримки, що поєднує межі делегування з обов’язковою рефлексією, дала найсильніші незалежні результати — доказ, що метакогнітивна регуляція частково захищає здобувачів, але не може повністю компенсувати передачу самої когнітивної роботи.

**Де «рента» стоїть у моделях Winne.** [[rented-self-decoupling-performance-becoming-2026|de Barba (2026)]] відображує механізм на SRL як операції, які система виконує замість здобувача: помічання, моніторинг і оцінювальне судження здійснюються інструментом, імпас розв’язується пошуком, а не власним вибором If-Then, Else здобувача, а стандарти, за якими здобувач судить, є запозиченими, а не побудованими. Здатність, в яку здобувач вірить, що володіє, тоді як нею володіє інструмент — *прихована рента* — придушує сигнал помилки, який інакше спонукнув би регуляцію, і десять пропозицій конкретизують, що перевіряти, включно з більшими витратами в акліматизації до домену та дрейфом стандартів до власних референсних точок моделі.

Спільний урок: **SRL є основним механізмом, що відрізняє критичне використання ШІ від некритичного.** Те, функціонує GenAI як скаффолдинг, ярлик чи партнер, залежить від регулятивного потенціалу здобувачів і від того, чи спроєктовані інструменти так, щоб зберігати (а не усувати) регулятивні вимоги, що формують експертність.


Яку підтримку задіяно, визначає, який посередник несе зв’язок: серед 3003 китайських майбутніх викладачів відчутна підтримка інструментами ШІ вела до інноваційної компетентності переважно через ШІ-[[self-efficacy]] (60,88% загального ефекту цього шляху), тоді як відчутна підтримка шкільного інтелектуального середовища вела переважно через саморегульоване навчання (29,64% проти 18,60%) ([[preservice-teachers-ai-support-innovative-competence-2026|Liu et al. (2026)]]).

## Наслідки

- **Для інструментів щоденників/чат-ботів:** поєднуйте інструкцію SRL (на основі курсу) з опціональною підтримкою письма, щоб отримати і здобутки в мотивації, і в залученості
- **Для проєктувальників інструментів:** зробіть оцінювання обов’язковим кроком, а не опціональним. Iqbal et al. виявили, що саме доступна підтримка, а не метакогнітивне судження здобувача, визначала обрану студентами стратегію перегляду, і що приріст балів за GenAI не надходив від кращої регуляції, тоді як Melanou et al. виявили, що рефлексивне використання прогнозувало критичне мислення там, де сам лише доступ до інструмента — ні. Саме взаємодії, які просять здобувачів перевіряти, порівнювати та переплановувати, несуть навчальну цінність.
- **Для викладачів:** розглядайте базовану на ШІ метакогнітивну усвідомленість як перший важіль і перевіряйте її явно. Alatoai and Alshahri виявили її найсильнішим предиктором адаптивних результатів у STEM (β = 0,38), а перенесення та адаптивність — на другому місці (β = 0,29), тож активності, у яких студенти аналізують помилки й переносять стратегію в новий контекст завдання, дають більше, ніж загальні спонукання до критичного чи креативного мислення.
- **Для [[educational-policy-ai|політики щодо ШІ]]:** критерії закупівель мають питати, чи розвиває інструмент саморегуляцію, чи витісняє її
- **Для [[research-methods-aied|дослідників]]:** необхідні довгострокові дослідження, що вимірюють результати SRL (не лише негайну продуктивність); Melanou et al. показують вигоду від такого терпіння, оскільки семестрове рефлексивне використання змістило критичне мислення (β = 0,43), не змістивши приріст у знаннях.


## Розмовні агенти та SRL в імітаційних іграх

- **Розмовні агенти, що підтримують саморегульоване навчання в іграх.** Wenzel, Geiger, and Liening (2026) показують, що розмовний агент ШІ (Lara) у бізнесовій ігрі-[[simulation]] може підтримувати саморегульоване навчання через метричний [[formative-assessment|формативний]] зворотний зв’язок, керівництво на вимогу та структуровану рефлексію — вирішуючи поширене обмеження, що ігри-симуляції дають обмежений формативний зворотний зв’язок і підказки до рефлексії. Оцінки з майбутніми викладачами та учасниками BSG повідомляли про позитивне сприйняття когнітивної та [[community-of-inquiry|соціальної присутності]] агента та його підтримки саморегуляції.


## Автоматизоване виявлення SRL: що переноситься, а що ні

- **Класифікатори SRL на основі ембедингів переносяться між мовами в межах домену, але не між доменами.** Дослідження 26 студентів (хімія та формальна логіка; протоколи мислення вголос, кодовані за моделлю Winne-and-Hadwin) виявило, що моделі на основі ембедингів (text-embedding-3-small), натреновані на англійській, класифікують SRL німецькою при AUC ≈ 0,8 із деградацією ≈ 0,1 — крім enacting (≈ 0,7). Міждоменний перенос не працює: перехід від хімії до логіки падає до ≈ 0,6, а enacting — до випадкового рівня (≈ 0,5) — саме домен, а не мова, обмежує.
- **Три режими відмови пояснюють, де перенос ламається.** (1) Розрізнення понять на побутовому, а не доменному значенні — «cancel» проти хімічного «kürzen» — руйнує класифікацію enact. (2) Антропоморфізація — німецькі студенти, незнайомі з сильно скаффолдингованим тьютором, зверталися до нього як до людини, що давало висловлювання поза розподілом; перенос був кращим на менш скаффолдингованих платформах. (3) Неоднозначність «читання підказки проти формулювання плану» — моделі не можуть відрізнити читання метакогнітивної підказки від планування без даних логів. Усвідомлення помилок є стійким у кожній умові — помічання власної помилки не залежить від контексту. Виправлення: експертні словники або донавчання для доменних термінів; дані логів для підказок. ([[borchers-srl-language-generalization-2025]])

## Пов’язані поняття

- [[learners]] — umbrella для здобувацьких понять
- [[metacognition]] — когнітивний моніторинг, на який спирається SRL
- [[self-assessment]]
- [[self-efficacy]] — вірування фази переддії, що спонукає зусилля
- [[scaffolding]] — поступова підтримка, що зберігає регулятивну вимогу
- [[feedback]] — вхідні дані, навколо яких регулюються здобувачі
- [[feedback-literacy]] — здатність діяти на основі зворотного зв’язку
- [[help-seeking]] — стратегічна поведінка SRL
- [[motivation]] — взаємний партнер саморегуляції
- [[cognitive-offloading]] — ризик, коли ШІ усуває регулятивну роботу
- [[generative-ai]] — технологія, що може забезпечувати скаффолдинг або зривати SRL
- [[ai-literacy]] — регулятивна компетентність у використанні ШІ
- [[self-directed-learning]] — ширший конструкт автономії
- [[agency]] — здатність здобувача діяти з наміром, центральна для регуляції, інтеграції та позиціювання
- [[adaptive-learning]] — персоналізація, що може підтримувати регуляцію
- [[formative-assessment]] — безперервний зворотний зв’язок для регуляції
- [[learning-by-teaching]] — стратегія, що формує саморегуляцію
- [[intelligent-tutoring]] — системи, що забезпечують скаффолдинг SRL
- [[llm]] — базова модель інструментів ШІ
- [[retrieval-spacing-interleaving]] — планування, самотестування та вибір стратегій навчання, які роблять здобувачі
- [[cognitive-surrender]]

## Пов’язані статті
- [[aigc-affordance-student-self-regulation-2026]] — AIGC Affordance and Student Self-Regulation
- [[brunnstrom-ai-interaction-literacy-srl-2026]] — AI-interaction literacy: steering a chatbot demanded the SRL it was meant to support (Brunnström & Palmqvist 2026)
- [[5p-reflection-model-genai-2026]] — The 5P reflection model for the GenAI era (Kadel et al. 2026)
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Layer-sensitive cognitive offloading in GenAI-assisted writing (Chen 2026)
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[de-barba-srl-genai-2026]] — Learner agency across scales: regulation, integration, positioning
- [[rented-self-decoupling-performance-becoming-2026]] — The rented self: rental mapped onto Winne's SRL models, with ten propositions and within-learner indices
- [[song-genai-learning-partner-srl-over-time-2026]] — GenAI as a context-aware learning partner over time
- [[lim-bannert-student-regulation-genai-chatbot-2026]] — How students regulate learning with a genAI chatbot
- [[atif-dickson-deane-scaffold-shortcut-genai-srl-2026]] — Scaffold or shortcut? GenAI dual role in SRL
- [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026]] — LLM-mediated help-seeking in STEM: layered, instrumental, and verified
- [[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]] — GenAI feedback and SRL: perceived source matters
- [[ai-anxiety-strategic-regulation-writing-2026]] — From AI anxiety to strategic regulation
- [[young-people-learning-generative-ai-rapid-review-2026]]
- [[agentic-ai-pedagogical-best-practice-2026]] — Agentic AI and the self-regulation tension
- [[decreasing-digital-distraction-college-online-learning-2026]] — SRL and lower digital distraction in online learning (Shi et al. 2026)
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Making ML findings accessible to teachers in blended classrooms
- [[scan-framework-task-assignment-generative-ai-2025]] — SCAN: a learner-facing loop of task identification, justification and post-task reflection
- [[learning-analytics-genai-secondary-writing-2026]] — Using Learning Analytics to Support Secondary School Students' Writing with Generative AI
- [[alatoai-ai-learning-environments-self-regulation-2026]] — A validated instrument for AI-supported self-regulation in adaptive STEM learning, with metacognitive awareness as the strongest predictor
- [[iqbal-human-genai-support-essay-revision-2026]] — Support condition, not metacognitive judgment, drove revision strategy choice in an essay-revision experiment
- [[melanou-genai-learning-dynamics-longitudinal-2026]] — Longitudinal: reflective AI use predicted critical thinking but not knowledge gain, with no Matthew effect

- [[genai-literacy-srl-special-education-2026]] — GenAI literacy related to self-regulated learning behaviors mainly through learning agency
- [[preservice-teachers-ai-support-innovative-competence-2026]] — Support type flips the mediator: AI self-efficacy vs self-regulated learning
- [[genai-learning-procrastination-planned-behavior-2026]] — GenAI-assisted learning procrastination: an intention-behavior gap that anxiety strengthens
- [[genai-srl-l2-writing-scale-2026]] — A validated six-dimension GenAI-SRL scale for L2 writing, with environmental regulation as its own dimension and a 12-item ant-colony-optimized short form
- [[borchers-srl-language-generalization-2025]]

---

## [Теорія самодетермінації](https://edtechdev.github.io/aied/concepts/self-determination-theory/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Теорія самодетермінації (SDT)** — психологічна теорія людської мотивації, яка постулює, що внутрішня мотивація і [[well-being]] залежать від задоволення трьох базових психологічних потреб: автономії, компетентності та спорідненості. У [[ai-education|AI in education]] освіті зі ШІ SDT забезпечує рамку для проєктування інструментів ШІ та професійного розвитку, що підтримують, а не підривають мотивацію здобувачів і викладачів.

## Питання для роздумів

- Теорія стверджує, що мотивація — це не просто скільки її маєш, а *якість*, сформована середовищем, побудована на трьох потребах: автономії, компетентності та спорідненості. Згадайте навчальний досвід, який вас виснажив. Яку з цих трьох потреб було порушено, і що її відновило б?
- Річне дослідження виявило три мотиваційні профілі — Disengaged, Developing, Self-Determined — які були стабільними в часі, і студенти, які досягли профілю Self-Determined, показали найбільші прирости ШІ-грамотності. Перш ніж читати, чи є мотивація чимось, що студенти приносять із собою, або чимось, що добре спроєктоване середовище може виростити? Що означає «розвиткове, а не фіксоване»?
- Якщо інструмент ШІ робить кожне завдання беззусильним і «легким у використанні», яку психологічну потребу він може задовольняти — і яку може тихо підривати? Як інструмент, що підвищує короткострокову залученість, міг би все ж зруйнувати довгострокову мотивацію?
- Професійний розвиток викладачів, що підтримує потреби, покращив їхню ШІ-грамотність і підтримав залученість. Чи припускає це, що те, *як* ми навчаємо педагогів про ШІ, має таке саме значення, як те, що робить сам ШІ? Як виглядало б «підтримуюче автономію» навчання ШІ особисто для вас?
- Дослідження виявило, що ChatGPT міг підтримувати автономію, спорідненість та компетентність у мовному навчанні. Але чи міг би той самий інструмент підривати ці потреби в іншого здобувача? Що мало б бути правдою про те, *як* його використовують, щоб теорія трималася?
- Перш ніж читати далі, назвіть один спосіб, яким ви відчували, що ваша власна компетентність, автономія або відчуття зв’язку були зачеплені використанням інструменту ШІ — і порефлексуйте, чи помітили б ви цю зміну без запитання її шукати.

## Вступ

SDT дедалі більше використовується в [[research-methods-aied|research]] дослідженнях зі ШІ в освіті як теоретична лінза як для систем ШІ, орієнтованих на здобувачів, так і на викладачів. Центральне твердження теорії — що мотивація — не просто кількість, яку мають здобувачі, а якість, сформована соціальним і технологічним середовищем — робить її безпосередньо релевантною до питань про те, як інструменти ШІ впливають на [[student-engagement|engagement]] залученість, наполегливість і [[learning-gains|learning outcomes]] результати навчання. Статті в цій базі знань застосовують SDT у трьох основних контекстах: професійний розвиток викладачів, опосередкована ШІ залученість в навчання та афективні обчислення.

### Основні теми досліджень

**Професійний розвиток викладачів на основі SDT** застосовує принципи теорії щодо підтримки потреб, щоб готувати педагогів до ШІ. **[[teacher-education-ai-literacy-sdt-2026|Chiu et al.]]** дослідили 382 [[k-12|secondary school]] вчителів середньої школи, виявивши, що професійний розвиток, що підтримує потреби, заснований на SDT, покращує [[ai-literacy]] ШІ-грамотність викладачів і сприяє стійкій поведінковій залученості в онлайнових професійних навчальних спільнотах. [[qualitative-research|Qualitative]] Якісний аналіз виявив дев’ять стратегій проєктування, що підтримують автономію, компетентність і спорідненість — заповнюючи прогалину між ізольованим професійним розвитком і професійними навчальними спільнотами.

**SDT в опосередкованій ШІ залученості в навчання** досліджує, як інструменти [[generative-ai|generative AI]] генеративного ШІ формують мотивацію студентів. **[[students-engagement-with-generative-ai-in-academic-learning-a-self-determination|Isaeva et al.]]** поєднали SDT з [[network-analysis|epistemic network analysis]] аналізом епістемічних мереж, щоб дослідити залученість студентів із генеративним ШІ в академічному навчанні. **[[ai-availability-student-motivation]]** досліджує, як доступність ШІ впливає на мотивацію і наполегливість студентів, пов’язуючись із занепокоєннями щодо [[cognitive-offloading|Over-Reliance]] надмірної залежності, що руйнує мотивацію. **[[liang-ai-learning-motivation-sdt-2026|Liang et al. (2026)]]** розширюють SDT на навчання зі ШІ за допомогою аналізу латентних переходів **2 086 студентів** середньої школи в річній навчальній [[curriculum-design|curriculum]] програмі, виявляючи **три мотиваційні профілі (Disengaged, Developing, Self-Determined)**, які були стабільними в часі, і показуючи, що більшість студентів підтримувала або просувалася до вищих профілів. Найважливіше, що студенти, які досягли профілю Self-Determined або залишилися в ньому, показали **найбільші прирости [[ai-literacy]] ШІ-грамотності** — прямий довготривалий доказ, що задоволення автономії, компетентності та спорідненості передбачає кращі результати навчання зі ШІ, і що мотивація є розвитковою (а не фіксованою) властивістю здобувача.

Контрастний результат в аудиторії показує, що потреби не рухаються разом: серед 2 464 студентів молодшої середньої школи навчання на основі компетентностей із підтримкою ChatGPT підвищило підтримку автономії та задоволеність компетентності, проте дало більшу частку мотиваційних профілів низької якості, і задоволеність спорідненістю була слабшою, ніж при навчанні на основі компетентностей без ШІ ([[student-motivation-need-satisfaction-genai-sdt-2026|Schweder, Hagenauer & Raufelder (2026)]]).

Конфігураційний тест загострює пункт: серед 498 студентів-медиків використання GAI було лише слабо пов’язане із задоволеністю потреб (β = 0.155) і виявилося непотрібним для високої залученості, тоді як задоволеність потреби компетентності було основним станом у найсильнішій конфігурації ([[genai-learning-engagement-medical-undergraduates-2026|He et al. (2026)]]).

**Двійні шляхи від навчального клімату до використання ШІ.** [[dual-ai-learning-pathways-sdt-2026|Shen and Arunrugstichai (2026)]] інтегрують SDT з моделлю Hook поведінкової залученості, щоб пояснити, чому використання GenAI коливається від конструктивної підтримки до компульсивної залежності. У даних поперечного опитування **508 студентів університету** з різним досвідом старшої школи та поточним контекстом (Китай і Таїланд) ретроспективні повідомлення про **тиск старшої школи проти підтримки автономії** диференційовано передбачали, яким із двох шляхів студенти йшли в університет — одним до конструктивного, автономного використання GenAI, іншим до компульсивної залежності — з результатами, узгодженими в міжконтекстуальних багатогрупових аналізах. Модель пов’язує мотиваційні процеси SDT із сприйнятою якістю навчання з підтримкою ШІ, висвітлюючи підтримку автономії як важіль, що спрямовує студентів до продуктивного, а не залежного використання ШІ.

- **ChatGPT і потреби SDT в мовному навчанні:** [[chatgpt-english-language-learning-malaysia|Annamalai et al. (2026)]] використовували лінзу SDT зі 25 студентами малайзійського університету, виявивши, що ChatGPT підтримує автономію, спорідненість і компетентність у [[language-learning|English language learning]] навчанні англійської мови — покращуючи граматику, письмо та розмовні завдання, водночас дозволяючи [[teacher-role|educators]] педагогам зосереджуватися на навчанні вищого порядку.

**SDT, застосована до власної практики викладачів, опосередкованої ШІ.** [[claassen-learning-analytics-genai-learning-design-2026|Claassen et al. (2026)]] використовували SDT як інтерпретаційну лінзу на те, як викладачі інтегрують [[learning-analytics|learning analytics]] аналітику навчання і генеративний ШІ в [[learning-design|learning design]] проєктування навчання — виявивши, що підтримка базових потреб викладачів (автономії, компетентності, спорідненості) сприяє креативному [[problem-solving]] розв’язуванню задач, якого вимагає їхня проєктна робота. У їхньому аналізі ENA використання GenAI було пов’язане з проєктуванням для самодетермінації студентів (наприклад, співстворення рубрик оцінювання зі студентами), розширюючи SDT від здобувачів до педагогів, які будують підтримуючі потреби середовища, опосередковані ШІ.

Що стосується самих викладачів, співпраця зі ШІ ріже обидва боки: дослідження трьох хвиль із 468 викладачів університету виявило, що вона підвищила залученість у роботу через психологічну доступність, знижуючи її через відчуженість від роботи, і [[teacher-ai-competency|digital competency]] цифрова компетентність посилила перший шлях і послабила другий ([[teacher-ai-collaboration-work-engagement-2026|Sun et al. (2026)]]).

Рамка співагентності обмежує охоплення SDT в опосередкованій ШІ освіті: вона змінює обставини, за яких виникають автономія, компетентність та спорідненість, але залишає нерозв’язаними рівність влади, володіння даними та підзвітність, чому її автори ставлять людську епістемічну підзвітність як непохитну умову поза теорією ([[reclaiming-epistemic-agency-co-agency-2026|Poudyal (2026)]]).

**Підтримка автономії як рамка для використання GenAI дітьми.** [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] переносять питання відповідального використання від обмеження до підтримки потреб, стверджуючи, що розрізнення, яке має значення, — чи підтримують дорослі навколо дитини автономію, а не контролюють її, і розрізняючи залежне від автономного [[cognitive-offloading]] в термінах SDT: залежне знімання навантаження передає [[agency]] і знижує внутрішню мотивацію, автономне знімання навантаження забезпечує скаффолдинг, поки здобувач утримує епістемічний контроль. Дві риси огляду безпосередньо релевантні застосуванню SDT: він наполягає, що підтримка автономії — не попустительство, і трактує координацію сім’я–школа, яку припускає поточне керівництво, як неперевірену гіпотезу, формалізуючи адитивні, синергійні та компенсаторні версії, які міг би розрізнити лише факторіальний випробування, що протиставляє керівництво лише для сім’ї, лише для школи, скоординоване та звичайну практику.

## Зв’язки з пов’язаними поняттями

SDT пов’язується безпосередньо з [[motivation]] як її батьківська конструкція, з [[affective-computing]] та [[affective-tutoring]] для проєктування емоційно обізнаного ШІ і з [[student-experience]] для того, як здобувачі досвіджують опосередковані ШІ середовища. Акцент теорії на автономії пов’язується з [[self-regulated-learning]], тоді як її вимір компетентності пов’язується з [[self-efficacy-tutoring-learning]] та [[teacher-ai-competency]]. SDT особливо релевантна до [[professional-training]] та [[educational-development]], оскільки підтримуюче потреби проєктування є переносим принципом для підготовки педагогів до використання ШІ.

## Пов’язані поняття
- [[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]]

## Пов’язані статті
- [[family-school-autonomy-support-genai-2026]] — Підтримка автономії сім’я–школа для відповідального використання генеративного ШІ дітьми
- [[dual-ai-learning-pathways-sdt-2026]] — Тиск/підтримка автономії в старшій школі та двійні шляхи навчання зі ШІ (Shen & Arunrugstichai 2026)
- [[reclaiming-epistemic-agency-co-agency-2026]]
- [[claassen-learning-analytics-genai-learning-design-2026]] — Аналітика навчання та GenAI в прийнятті рішень щодо проєктування навчання
- [[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]] — Досвід студентів із ChatGPT в навчанні англійської мови
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Характеристики здобувачів × взаємодії формату діалогу TTS
- [[liang-ai-learning-motivation-sdt-2026]] — Аналіз латентних переходів SDT мотивації студентів до навчання зі ШІ (2 086 студентів середньої школи)
- [[student-motivation-need-satisfaction-genai-sdt-2026]] — Мотивація студентів і задоволеність потреб в аудиторіях GenAI (Schweder, Hagenauer & Raufelder 2026)
- [[genai-learning-engagement-medical-undergraduates-2026]] — Використання GAI слабо пов’язане із задоволеністю потреб і непотрібне для високої залученості (He et al. 2026)
- [[teacher-ai-collaboration-work-engagement-2026]] — Двійні шляхи від співпраці викладач–ШІ до залученості в роботу, модеровані цифровою компетентністю

---

## [Мотивація](https://edtechdev.github.io/aied/concepts/motivation/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Мотивація** — психологічні процеси, що ініціюють, спрямовують і підтримують цілеспрямовану поведінку. У [[ai-education|ШІ в освіті]] [[research-methods-aied|дослідження]] мотивації вивчає, як інструменти ШІ впливають на мотивацію здобувачів і викладачів — чи [[scaffolding|підтримує]] ШІ настійливість, цікавість і внутрішню залученість, чи підриває їх — і як мотиваційні стани формують ефективність навчання, опосередкованого ШІ.

## Питання для роздумів

- Мотивацію часто розглядають як рису, якою деякі студенти «володіють», а інші — ні. Сторінка описує її натомість як психологічні процеси, що ініціюють, спрямовують і підтримують поведінку, — і як щось розвивне та соціально підтримуване. Як це переосмислює питання про відповідальність за мотивацію студентів?
- Інструменти ШІ можуть прибирати перешкоди й робити навчання доступнішим, але вони також можуть зменшувати когнітивне зусилля й боротьбу, що підтримують внутрішню мотивацію. Коли спрощення чогось насправді робило це менш мотивуючим або менш задовільним для вас?
- Теорія самодетермінації стверджує, що внутрішня мотивація виростає з автономії, компетентності та пов’язаності. Якщо [[intelligent-tutoring|репетитор на базі ШІ]] виконує більшість роботи, який із цих трьох елементів він може підривати — а який підсилювати?
- Дослідження виявляють чіткі мотиваційні профілі серед студентів у навчальній програмі зі [[curriculum-design|ШІ]], і досягнення самодетермінованого профілю прогнозувало найбільші здобутки в ШІ-грамотності. Що може знадобитись здобувачеві, щоб перейти від пасивної відстороненості до справжньої самодетермінації у використанні ШІ?
- Сторінка повідомляє, що підтримка викладача спрямовує залученість під час роботи зі ШІ переважно через цілі оволодіння та цілі досягнення — орієнтації «наближення», а не «уникання». Як те, як викладач формулює завдання щодо використання ШІ («щоб зробити правильно» проти «щоб не виглядати неправильно»), впливає на глибину залучення студентів?
- Якщо ви проєктуєте для мотивації, чи є метою полегшити навчання, зробити його залучальнішим або більш осмислено зусильним? Де [[accessibility]] та внутрішня мотивація тягнуть у протилежних напрямках?

## Вступ

Мотивація є базовим конструктом у дослідженнях освіти, а поширення ШІ в освіті зробило її ще більш значущою: інструменти ШІ можуть прибирати перешкоди й робити навчання доступнішим, але вони також можуть зменшувати когнітивне зусилля й боротьбу, що підтримують внутрішню мотивацію і глибоке навчання. Статті в цій базі знань досліджують мотивацію в контексті інструментів ШІ для здобувачів, систем ШІ для викладачів і психологічних механізмів — [[self-determination-theory|самодетермінації]], [[self-efficacy-tutoring-learning|самоефективності]], емоцій — через які ШІ формує мотивовану поведінку.

- **[[lee-wu-gender-motivation-genai-achievement-2026|Lee & Wu]]** показують, що стать і мотивація спрямовують диференційовану залученість у роботу з GenAI, з різними траєкторіями [[learning-gains|досягнень]].

## Ключові теми досліджень

**Вплив ШІ на мотивацію студентів** є найпрямішою лінією досліджень. **[[ai-availability-student-motivation]]** вивчає, як доступність допомоги з боку ШІ впливає на мотивацію та настійливість студентів, пов’язуючи це з дослідженнями [[cognitive-offloading|надмірної залежності]] щодо зрушення мотивації, коли ШІ виконує роботу. Щодо настійливості конкретно: короткого контакту достатньо — десяти хвилин із асистентом, який відповідав на запит, вистачило, щоб учасники пропускали 0,20 задач без допомоги проти 0,11 у контрольній групі ([[liu-ai-assistance-reduces-persistence-2026|Liu та співавт., 2026]]). **[[scheu-mobile-chatbot-journaling-motivation-2026]]** досліджує щоденникове журналювання за допомогою мобільного [[conversational-ai|чатбота]] як мотиваційну інтервенцію. **[[ai-learning-tools-engineering-education-needs]]** вивчає, що мотивує студентів упроваджувати інструменти ШІ для навчання в [[engineering-education|інженерній освіті]].

Метааналіз 42 досліджень (56 розмірів ефекту, 6 059 студентів) виявив, що навчання з підтримкою GenAI підвищувало мотивацію на Hedges' g = 0,764 (95% CI [0,566; 0,962]) — але за I² = 93,7% і 95% передбачуваного інтервалу [−0,689; 2,217] середнє значення приховує умови, в яких ефект близький до нуля або негативний ([[genai-learning-motivation-meta-analysis-2026|Fang та співавт. (2026)]]).
- **Нерефлексивне використання зрушує мотивацію — сильніше в чоловіків.** Бездумне використання GenAI (прийняття відповідей без перевірки) прогнозувало нижчу мотивацію (β = −0,54) та нижчу [[self-efficacy]] (β = −0,37) серед 487 студентів бакалаврату, причому ефект для мотивації був значно сильнішим у студентів-чоловіків, а ефект для самоефективності — сильнішим у студок ([[genai-thoughtless-use-self-directed-learning-2026|Zhao & Gu, 2026]]).

Чому читач звертається до ШІ, саме по собі є вимірною змінною: шкала AIR розрізняє чотири мотиви читання з допомогою GenAI — орієнтований на завдання, Feel-good, переклад та мінімум зусиль — і лише мотив мінімуму зусиль (використання ШІ коли людина втомлена або відсторонена) був негативно пов’язаний із потребою в пізнанні (r = −0,18) ([[air-scale-motivations-ai-reading-2026|Brann, Etgar and Sidi (2026)]]).

**Мотивація в залучення, опосередкованому ШІ,** вивчає, як змінюється мотиваційна якість (а не лише кількість) під дією ШІ. **[[students-engagement-with-generative-ai-in-academic-learning-a-self-determination|Isaeva та співавт.]]** поєднали теорію самодетермінації з [[network-analysis|аналізом епістемічних мереж]] для вивчення залучення в роботу з [[generative-ai|генеративним ШІ]]. **[[liang-ai-learning-motivation-sdt-2026|Liang та співавт. (2026)]]** простежили розвиток мотивації за допомогою аналізу латентних переходів серед **2 086 [[k-12|учнів]]** упродовж річної навчальної програми зі ШІ, виявивши три стабільні профілі (відсторонений, розвивний, самодетермінований) і показавши, що досягнення самодетермінованого профілю прогнозувало найбільші здобутки в [[ai-literacy]]. **[[wang-goal-setting-ai-engagement-2026|Wang & Wang (2026)]]** використали теорію цілепокладання з **758 [[higher-ed|університетських]] студентів**, які вивчають англійську мову, показавши, що **підтримка викладача** спрямовує залученість під час роботи зі ШІ переважно через цілі оволодіння та цілі досягнення (орієнтації наближення, а не уникання). Разом ці дослідження показують, що мотивація в контекстах ШІ є водночас розвивною та соціально підтримуваною — вона змінюється з часом і реагує на підтримку викладача та формулювання цілей, а не лише на дизайн інструменту.

Орієнтація на цілі також спрямовує спосіб використання інструменту: цілі оволодіння та нормативного досягнення, як правило, підтримують розгортання та вдосконалення, тоді як цілі зовнішнього досягнення роблять ймовірнішими мінімізацію зусиль і захист уявленої компетентності — тож один і той самий асистент підтримує або заміщає мислення залежно від мотиваційного клімату ([[oby-chatgpt-use-learning-framework-2026|Øby, 2026]]).

Діалоговий формат може підвищувати мотивацію, не покращуючи загальної оцінки: серед 222 учнів першого класу старшої школи діалог «викладач–викладач» підвищував мотивацію за ARCS сильніше, ніж формат «викладач–студент», для здобувачів із високим рівнем конкретного досвіду (b = 0,162, p < 0,001), водночас отримуючи значно нижчу оцінку за загальною оцінкою (b = −0,126, p = 0,005) ([[tts-dialogue-lessons-learner-characteristics-2026|Watanabe та співавт. (2026)]]).

Мотивація формує те, як студенти сприймають інструмент, а це сприйняття несе метакогнітивний виграш: [[cui-motivation-roles-metacognitive-genai-2026|Cui та співавт. (2026)]] виявили, що роль співробітника — 7,5% логів — була єдиною, що створювала повне метакогнітивне ланцюжок, тоді як екстринсично мотивовані студенти використовували GenAI як інструмент заміщення в 64,6% логів і не створювали зв’язків вищого порядку.

**Здобутки в мотивації є конструкт-специфічними, а не загальними.** [[genai-writing-program-primary-l2-motivation-engagement|Lu та співавт. (2026)]] виявили, що дев’ятитижнева [[writing-education|програма письма]] з підтримкою GenAI для 301 учня 5-го та 6-го класів підвищила їхнє ідеальне Я-як-письменника-другої-мови та академічну стійкість — аспіраційний та стійкісний компоненти мотивації — залишивши установку на розвиток незмінною; єдиний приріст установки на розвиток спостерігався в контрольній групі і не зберігся після корекції на множинні порівняння. Студенти пояснювали цей зсув тим, що бачили вільний текст, побудований зі словникового запасу, який вони вже знали, що робило успішне письмо досяжним. Отже, мотивація — не єдиний регулятор, який ШІ підвищує: покращилась віра в те, що людина *може* добре писати, а не віра в те, що здібності ростуть із зусиллями. Та сама конструкт-специфічність проявляється, коли GenAI сама є інтервенцією актуальності. [[genai-math-relevance-intervention-2026|Guo, Fryer and Shum (2026)]] змусили **218 старшокласників** провести годину в напівструктурованому діалозі з [[conversational-ai|чатботом]], спрямованим на особисту актуальність [[math-education|математики]]; колективна, рівнева версія підвищила актуальність як ідентифікацію (F = 4,35, p = 0,014, η² = 0,04; у порівнянні з контролем, F = 11,11, p = 0,001, η² = 0,073 — середній ефект) і в SEM прогнозувала актуальність конкретного уроку тиждень потому (β = 0,18, p < 0,01), тоді як інтерес до уроку математики не змінився (F = 0,29, p = 0,75, η² = 0,003). Автори пояснюють цю розв’язку дозою: однієї години надто мало, щоб здобутки в актуальності перетворились на інтерес до уроку.

Інтервенція «корисність–цінність» не є рівномірно корисною: скаффолдингова версія не дала загального приросту в інтеграції знань у майбутніх викладачів і *зашкодила* їй у тих, хто розпочинав із високою уявленою корисністю-цінністю, — взаємодія здатностей і обробки, що доводить необхідність узгодження мотиваційної підтримки з вихідними точками здобувачів ([[utility-value-intervention-teach-responsibly-genai-2026|Boos, Eder & Lachner (2026)]]).
**Повідомлення зі зворотним зв’язком змінює інтерес через його уявну корисність, а не через диспозиції здобувача.** [[jansen-argumentative-writing-feedback-receptivity-2026|Jansen та співавт. (2026)]] дали 1 507 учням одне стандартизоване автоматизоване повідомлення зі зворотним зв’язком після першого чернетки аргументативного тексту: загальна сприйнятливість була єдиним виміром сприйнятливості, пов’язаним зі зміною ситуативного інтересу (близько 0,11 бала за спостережуваною шкалою, приблизно 54-й проти 46-го процентиля), і цей ефект повністю опосередковувався уявною корисністю (опосередкований β = 0,09, 95% CI [0,06; 0,13]) без значущого прямого шляху, що залишився (β = 0,06, 95% CI [−0,07; 0,16]), тож інтерс змінило відчуття вартості повідомлення, а не загальна позиція здобувача щодо зворотного зв’язку.

**Мотивація та настійливість викладачів** вивчає мотивацію серед освітян. **[[framing-5-percent-problem-teachers-persistence|Формулювання проблеми 5 відсотків]]** досліджує настійливість викладачів із інструментами ШІ, а **[[teacher-education-ai-literacy-sdt-2026|Chiu та співавт.]]** виявили, що [[educational-development|професійний розвиток]], який підтримує потреби, сприяє стійкій поведінковій залученості в спільнотах професійного навчання.

- **Міжкультурна мотивація майбутніх викладачів:** [[motivation-shape-future-education-ai-switzerland-china|Martínez-Moreno та співавт. (2026)]] валідизували шкалу (D)FIT-Choice з 416 студентів-викладачів у Швейцарії та Китаї, виявивши, що швейцарські викладачі повідомляють про сильнішу соціальну корисність і внутрішню мотивацію, тоді як китайські викладачі демонструють вищу уявлену цифрову компетентність та ентузіазм щодо інтеграції ШІ — підкреслюючи, як культурні та системні фактори формують мотивацію формувати майбутнє освіти за допомогою ШІ.

- **Самоефективність є коренем задоволення викладачів від GenAI.** У дослідженні PLS-SEM серед 434 працюючих викладачів самоефективність була єдиною екзогенною змінною моделі, і її найбільший ефект стосувався уявного задоволення (β = 0,805, f² = 1,839), живлячи своєю чергою уявну корисність і легкість використання ([[guillen-curriculum-genai-teacher-competence-2026|Guillén-Gámez та співавт., 2026]]).

**Парадокс зусиль та порочне коло допомоги.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom and Inzlicht (2026)]] стверджують, що мотивацію ШІ не просто допомагає чи заважає — він її перерозподіляє: люди, як правило, обирають шлях найменшого опору, проте вони також шукають зусиль — парадокс зусиль — оскільки зусилля сигналізують, що дії мають значення, і оскільки нагорода, прив’язана до процесу, а не до результату, підвищує схильність прагнути та наполягати. З цього випливають два твердження. По-перше, співвідношення зусилля–зміст має форму перевернутої U, тож мотиваційною метою є помірна перешкода, і ризик безперешкодного ШІ — перевищення в бік надто малого. По-друге, порочне коло: коли ШІ заміщає зусилля в певній галузі, мотиваційні вигоди зусиль там зрушуються, що робить користувачів більш залежними від ШІ, що далі зрушує мотивацію. Вони також розрізняють доповнення і заміщення за стадією розвитку — здобувачі на ранніх стадіях ризикують обійти ті досвіди, що будують наполегливість, тоді як ті, хто має сформовані навички, можуть використовувати ШІ для економії часу ([[desirable-difficulties]], [[self-efficacy]]).

**Література вимірює мотивацію без теорії про неї.** Огляд-скоупінг 156 досліджень з 2003 по 2025 рік виявив, що 133 (85,3%) не керувались жодною конкретною мотиваційною теорією, найпоширенішою змінною була узагальнена академічна мотивація (n = 89), і 88 досліджень (56,4%) походили з одного національного контексту ([[ai-student-motivation-scoping-review-2026|Li та співавт., 2026]]).

## Зв’язки з суміжними поняттями

Мотивація є батьківським конструктом для [[self-determination-theory]], який конкретизує психологічні потреби (автономію, компетентність, пов’язаність), що підтримують внутрішню мотивацію. Вона пов’язана зі [[student-experience]] як досвідний шар мотивованої залученості, зі [[student-engagement]] як її вимірний вимір, і з [[affective-computing]] для емоційних механізмів, що формують мотивацію. Мотивація також пов’язана з [[cognitive-offloading|надмірною залежністю]] (ШІ зменшує [[desirable-difficulties|продуктивну боротьбу]]), [[self-regulated-learning]] (мотивовані здобувачі саморегулюються) та [[teacher-role]] (мотивація стосується і освітян, і студентів).

## Пов’язані поняття

- [[learners]] — Здобувачі: збірне поняття для понять на боці здобувача
- [[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]] — Соціально-емоційне навчання
## Пов’язані статті
- [[liu-ai-assistance-reduces-persistence-2026]] — Коротке використання ШІ зменшило настійливість у подальших задачах без допомоги (Liu та співавт. 2026)
- [[jansen-argumentative-writing-feedback-receptivity-2026]] — Автоматизований зворотний зв’язок за аргументативне письмо: роль сприйнятливості до зворотного зв’язку та його сприйняття в учнів
- [[zohar-bloom-inzlicht-against-frictionless-ai-2026]] — Парадокс зусиль та порочне коло безперешкодної допомоги
- [[cui-motivation-roles-metacognitive-genai-2026]] — Мотивація та ролі в метакогнітивній залученості в GenAI
- [[lee-wu-gender-motivation-genai-achievement-2026]] — Стать, мотивація та траєкторії досягнень з 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]] — Оцінювання цифрової компетентності викладачів для проєктування навчальних програм з GenAI (Guillén-Gámez 2026)
- [[motivation-shape-future-education-ai-switzerland-china]] — Мотивація формувати майбутнє освіти за допомогою ШІ
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Характеристики здобувачів × взаємодії формату діалогу з 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]] — Аналіз латентних переходів за ТСД мотивації навчання зі ШІ у студентів (2 086 учнів)
- [[wang-goal-setting-ai-engagement-2026]] — Теорія цілепокладання: підтримка викладача, цілі досягнень та залученість у навчанні англійської зі ШІ (758 китайських студентів)
- [[utility-value-intervention-teach-responsibly-genai-2026]] — Ефекти інтервенції «корисність–цінність» у навчанні відповідального викладанню з GenAI (Boos, Eder & Lachner 2026)
- [[genai-writing-program-primary-l2-motivation-engagement]] — Конструкт-специфічні здобутки в мотивації в програмі письма другої мови з GenAI для молодших класів (Lu та співавт. 2026)
- [[air-scale-motivations-ai-reading-2026]] — Шкала AIR: чотири сімейства мотивів звернення до ШІ під час читання
- [[genai-math-relevance-intervention-2026]] — Діалог актуальності з GenAI підвищив актуальність як ідентифікацію, залишивши інтерес до уроку незмінним
- [[genai-learning-motivation-meta-analysis-2026]] — Метааналіз із випадковими ефектами впливу GenAI на мотивацію навчання (56 розмірів ефекту, 6 059 студентів)
- [[ai-student-motivation-scoping-review-2026]] — 156 досліджень про ШІ та мотивацію студентів: 85,3% не використовували мотиваційної теорії, а охоплення вузьке за конструктом, рівнем і країною

---

## [Самоефективність](https://edtechdev.github.io/aied/concepts/self-efficacy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Самоефективність** — віра здобувача у власну здатність успішно виконати завдання або досягти мети. Спираючись на соціальну когнітивну теорію (Бандура), самоефективність формує мотивацію, зусилля, наполегливість і залученість в навчання [[student-engagement|engagement]]. У [[ai-education|AI in education]] освіті зі ШІ самоефективність має значення двома способами: інструменти ШІ можуть будувати впевненість і автономію здобувачів (наприклад, надаючи [[feedback]] і [[scaffolding]]), і ШІ-самоефективність здобувачів — їхня впевненість у використанні [[ai-technologies|technologies]] технологій ШІ — впливає на те, наскільки ефективно вони залучаються зі ШІ, включно з тим, як знання, пов’язані зі ШІ, переводяться в готовність, релевантну кар’єрі.

## Питання для роздумів

- Самоефективність — віра про вашу здатність, відмінна від фактичної компетентності. Чи бували ви колись високо здатними в чомусь і водночас сумнівалися в собі, або впевнено помилялися щодо чогось, чого не могли зробити? Що ця прогалина між вірою і здібністю говорить вам про те, чому самоефективність має значення?
- ШІ-самоефективність (впевненість у роботі зі ШІ) — окрема конструкція від ШІ-грамотності, і дослідження виявляє, що грамотність переводиться в готовність лише тоді, коли здобувачі мають також впевненість. Якщо хтось знає *про* ШІ, але не вірить, що може його використовувати, що стається з цим знанням — і що це означає для навчання?
- Дослідження виявило, що використання ШІ для підтримки розуміння було повністю опосередковане академічною самоефективністю в його зв’язку з продуктивністю, тоді як використання скорочень передбачало гірші результати частково незалежно від самоефективності. Чому *той самий* інструмент будував би впевненість при використанні одним способом і не будував при використанні іншим?
- Сторінка розрізняє самоефективність від повсякденного слова «впевненість». Перш ніж читати, у чому вони різні, і чому [[research-methods-aied|researcher]] дослідник наполягав би на розрізненні, а не трактував би їх як одне й те саме?
- Робототехніка та втілене навчання будують впевненість, занурюючи завдання в спостережувані результати, і зворотний зв’язок може будувати самоефективність здобувача. Згадайте завдання, в якому ви набули справжньої впевненості лише побачивши конкретний результат. Що це говорить про те, які види навчальних переживань зі ШІ найімовірніше будують — а не лише повідомляють — самоефективність?
- Самоефективність [[teacher-role|Teacher]] викладача впливає на впровадження та інтеграцію ШІ. Якщо викладач не вірить, що може ефективно використовувати ШІ, чи виправляє це будь-який обсяг ШІ-грамотності? Що будувало б впевненість викладача, і чим це відрізняється від надання йому більше інформації?

## Вступ

Самоефективність відмінна від фактичної компетентності: це віра про здатність, що рухає поведінку. Вона тісно пов’язана з — і часто вживана як взаємозамінна з — повсякденним поняттям *впевненості* у власних здібностях. Самоефективність тісно пов’язується з [[motivation]], [[self-regulated-learning]] та [[student-experience]]. У контексті ШІ ШІ-самоефективність (впевненість у роботі зі ШІ) — окрема конструкція від ШІ-грамотності, і дослідження показує, що вона відіграє вирішальну роль в тому, чи здобувачі насправді активують і застосовують знання, пов’язані зі ШІ.

### Як самоефективність з’являється в дослідженнях бази знань

- **Зниження при студійній роботі зі ШІ та XR:** у студії [[arts-design-and-media-education|design studio]] дизайн-студії з 27 студентів архітектури команди, що використовували конвеєр [[generative-ai|GenAI]] та багатокористувацького XR, показали більші відносні зниження до–після у впевненості самоефективності дизайну (β = −1.675, p = 0.021) і очікуванні результату (β = −2.088, p = 0.002), ніж команди, що продовжували звичайний робочий процес, без суттєвої відмінності в осліплених оцінках панелі їхніх презентацій ([[genai-xr-architectural-design-education-2026|Xiao et al., 2026]]). Насичені інструментами середовища можуть пригнічувати переконання про еефективність навіть тоді, коли саму роботу оцінюють як еквівалентну.
- **ШІ-самоефективність і готовність до кар’єри:** [[ai-literacy-career-adaptability-business-2026|Research on AI readiness]] Дослідження готовності до ШІ показує, що ШІ-самоефективність модерує взаємини між ШІ-грамотністю і готовністю до ШІ: грамотність переводиться в готовність лише тоді, коли здобувачі мають впевненість у використанні ШІ, и самоефективність безпосередньо передбачає [[career-development-and-readiness|career adaptability]] пристосовуваність кар’єри.
- **Впевненість — не завжди важіль.** Поперечний SEM 502 викладачів університету виявив технологічну самоефективність малим предиктором благополуччя зі ШІ (β = 0.082), тоді як ШІ-грамотність домінувала (β = 0.713), обмежуючи твердження, що впевненість керує результатами ШІ: для благополуччя знання переважили впевненість ([[faculty-ai-well-being-social-supports-2026|Liu et al. (2026)]]).
- **Уміння можуть забезпечувати залежність, тоді як еефективність її пом’якшує.** Серед 478 ізраїльських студентів бакалаврату виміри вміння [[ai-literacy|AI literacy]] ШІ-грамотності були позитивно пов’язані із залежністю від ШІ (використання/розуміння ШІ β = 0.404), тоді як ШІ-самоефективність була пов’язана негативно (β = −0.132), тому навчання грамотності, що будує лише вміння роботи з інструментом, може збільшити покладання ([[student-dependency-on-ai-literacy-self-efficacy-2026|Maizel et al. (2026)]]).
- **Довіра як шарнір між грамотністю і впевненістю:** [[hu-psychological-predictors-continued-chatgpt-use-2026|Hu (2026)]] опитав 450 студентів університету, які вже користуються ChatGPT, і виявив впорядкований ланцюг, а не два паралельні кореляти: [[ai-literacy|AI literacy]] ШІ-грамотність була пов’язана з [[trust]] довірою до інструмента (beta = 0.50), довіра — з академічною самоефективністю (0.48), а самоефективність — з тривалим використанням, із суттєвим серійним непрямим ефектом (0.07, 95% CI [0.04, 0.10]). [[anxiety-and-stress|AI anxiety]] Тривога щодо ШІ послабила зв’язок грамотності та довіри (взаємодія beta = -0.25, прості нахили, що падають від 0.76 до 0.25 через діапазон тривоги), тому те саме знання купувало менше впевненості і досягало менше використання серед більш тривожних студентів. Впевненість є таким чином нижчим звеном у ланцюгу, а не початковою точкою.

Шлях тривоги, через який практика з допомогою ШІ пов’язана з готовністю, може обертатися, а не слабшати з впевненістю: умовна непряма асоціація впала з 0.142 при низькій самоефективності говоріння до 0.044 на середньому і −0.054 на високому, з ефектом, сконцентрованим у малому верхньому хвості ([[ai-speaking-practice-communicative-readiness-2026|Wang & Li (2026)]]).
- **Профілі академічної самоефективності та те, хто тягнеться до ШІ:** [[suria-martinez-academic-self-efficacy-motor-disabilities-2026|Suriá-Martínez et al. (2026)]] провели аналіз латентних профілів академічної самоефективності серед 102 студентів університету з моторичними обмеженнями в Іспанії і виявили три профілі (низький 29.4%, помірний 41.2%, високий 29.4%), чиє заявлене використання ШІ зростало кроково з рівнем профілю (середні 2.41, 3.56, 4.68; F(2, 99) = 27.84, p < .001, ета-квадрат = .36), причому Excellence — вимір планування та постановки цілей — найсильніше пов’язаний із використанням ШІ (beta = .47). Автори читають це як проблему [[equity-in-ai-education|equity]] справедливості: якщо впевненість відстежує засвоєння, студенти з нижчою самоефективністю можуть бути найменш схильні тягнутися до підтримки ШІ, яка могла б зменшити бар’єри [[accessibility|access]] доступу, тому підтримка академічної самоефективності належить усередину рамок [[inclusive-learning|inclusion]] інклюзії.
- **Патерни використання ШІ та самоефективність:** [[stamatoulis-genai-use-patterns-2026|Stamatoulis et al. (2026)]] виявили, що використання [[generative-ai|GenAI]] для *support understanding* підтримки розуміння (оцінювальна інтеграція) було повністю опосередковане академічною самоефективністю в його асоціації з продуктивністю — орієнтоване на розуміння використання ШІ будує впевненість — тоді як використання скорочень (засвоєння з низькою перевіркою) передбачало гірші результати частково незалежно від самоефективності. Самоефективність є таким чином і шляхом, через який продуктивне використання ШІ допомагає, і фактором, який використання скорочень може не побудувати.
- **Атрибуція формує, чи росте еефективність.** Віднесення успіху до ШІ, а не до власних зусиль, обмежує зростання [[self-efficacy]] самоефективності та посилює патерни скорочень, тому розбиття складних занять на кроки, за яких студенти відносять прогрес до власних стратегій, має більше значення, ніж інструмент ([[oby-chatgpt-use-learning-framework-2026|Øby, 2026]]).
- **Робототехніка та [[experiential-learning|hands-on learning]] втілене навчання:** [[remind-robot-mediated-roleplay-antibullying-2026|REMind]] рольова гра, опосередкована роботом, будувала самоефективність дітей у втручанні проти булінгу; робототехніка та [[embodied-learning|embodied learning]] втілене навчання загалом будують впевненість, занурюючи завдання в спостережувані результати.
- **Креативна самоефективність у дітей:** [[niu-genai-children-creative-thinking-cognitive-development-review-2026|Niu et al. (2026)]] повідомляють у систематичному огляді обсягу 22 первинних досліджень генеративного ШІ з дітьми віком від 6 до 15 років, що прирости в креативній самоефективності кластеризуються з дивергентним мисленням та наративною креативністю, здебільшого через інструменти тексту-в-зображення, які знижують бар’єр між ідеєю та артефактом. Вони утримуються від твердження еефективності: проєкти є гетерогенними, огляд не провів критичної оцінки, і корпус майже мовчить про інвалідність, низьку зв’язність і незабезпечених здобувачів, тому креативна впевненість — результат, про який повідомляють, що він зріс, а не такий, який галузь підтвердила.
- **Самоефективність викладача:** дослідження [[teacher-ai-competency|Teacher AI competency]] ШІ-компетентності викладача досліджує, як [[educational-development|professional development]] професійний розвиток будує впевненість викладачів у використанні ШІ, що впливає на впровадження та інтеграцію. [[ai-supported-ementoring-efl-preservice-2026|Ismael, Luo & Li (2026)]] додають квазіекспериментальний доказ, що модель е-менторства з підтримкою ШІ підвищує самоефективність і емоційний інтелект викладачів-стажерів EFL під час практики: експериментальна група набрала суттєво більше, ніж контроль, за обома мірами, з великим міжгруповим ефектом і приростами через усі піддомени самоефективності — і автори віднесовують їх до менторства, опосередкованого ШІ в межах структурованих рефлексивних циклів, а не до самого ШІ.
- **Зворотний зв’язок і впевненість:** [[ai-feedback-quality|AI feedback]] зворотний зв’язок ШІ та [[intelligent-tutoring|tutoring]] тьюторство можуть будувати самоефективність здобувача, надаючи дієвий, підтримуючий зворотний зв’язок.
- **Розширення повноважень у [[problem-solving]] розв’язуванні задач за допомогою ШІ:** [[ai-literacy-course-satisfaction-pbl-scale-2026|Zhu and Kong (2026)]] виявляють, що розширення повноважень студентів у використанні ШІ для розв’язування задач опосередковує взаємини між сприйнятим [[project-based-learning|project-based learning]] навчанням на основі проєктів і задоволеністю курсом ШІ-грамотності. У їхньому аналізі SEM 1 027 студентів PBL сприяло умовам, що розширювали повноваження студентів використовувати ШІ для розв’язування задач, що водночас вело до задоволеності курсом — доказ того, що будівництво впевненості та здібності студентів зі ШІ є ключовим механізмом ефективної освіти ШІ-грамотності.

Самоефективність пов’язується з [[motivation]], [[self-regulated-learning]], [[student-experience]], [[ai-literacy]], [[agency]] та [[educational-robotics]]. Будівництво самоефективності — ключовий механізм, через який ШІ підтримує залученість і навчання. Самоефективність вимірюється майже повністю [[self-report-measures|self-report]] самозвітом, тому її асоціації зі спостережуваною поведінкою заслуговують на звичайну обережність.

- **AIGC самоефективність як шарнір між інструментом і навчанням.** [[aigc-affordance-student-self-regulation-2026|Liang et al. (2026)]] виявляють, що сприйняті можливості контенту, згенерованого ШІ, підвищують самоефективність AIGC (beta = 0.583), яка потім опосередковує шляхи до мотивації навчання (непрямий ефект 0.329) і до саморегульованого навчання (0.145), із суттєвим також серійним шляхом від можливості до самоефективності до мотивації до само-[[regulation]] регулювання (0.173). Контраст, що робить висновок корисним, — якість зворотного зв’язку з оцінювання [[assessment]] ШІ *не* передбачала самоефективності (beta = 0.131, n.s.), хоча сильно передбачала задоволеність — впевненість з інструментом будується керуванням ним, а не одержанням доброго результату від нього.
- **Відсутність ефекту лікування в річному РКВ — впевненість зросла з часом курсу:** у [[thoeni-ai-chatbots-higher-education-expectations-evidence-2026|Thoeni and Fryer's (2026)]] рандомізованому польовому експерименті зі 454 студентами бакалаврату на курсі Principles of Marketing самоефективність зростала протягом семестру для всіх студентів (ефект часу β = 0.099, p = 0.0009, ƒ2 Коена = 0.025), тоді як ні ефект групи (p = 0.1162), ні взаємодія група × час (p = 0.5306, d = 0.023) не були суттєвими, тому чатбот RAG не додав нічого. Прирости впевненості в курсах з підтримкою ШІ можуть відстежувати перебіг курсу, а не інструмент — ризик атрибуції для конструкції, яку галузь вимірює майже повністю [[self-report-measures|self-report]] самозвітом.
- **Впевненість може рухатися протилежно до поведінки.** У конкурентному програмуванні студенти, які припинили змагання, повідомляли про *вищу* теоретичну впевненість, ніж їхні активні однолітки, проте показували суттєво слабші звички до розв’язування після змагань і кола однолітків (p < .001), тому сигнал самоефективності сам по собі введе в оману систему раннього попередження ([[predicting-attrition-competitive-programming|Ruhan et al. (2026)]]).
- **Впевненість може зростати, тоді як здібність за нею знижується.** Серед студентів університету часте використання генеративного ШІ підвищувало сприйняту впевненість і ефективність *і* збільшувало технологічну залежність у тих самих здобувачів, тому оцінка самоефективності, взята під час роботи з допомогою ШІ, може читатися високою в момент, коли базове вміння руйнується ([[genai-performance-vs-learning|Yan et al., 2025]]).
- **Використання ШІ їхало з впевненістю, але впевненість не передбачала відвідування.** В опитуванні PLS-SEM 291 португальських студентів загальне використання ШІ було позитивно пов’язане з самоефективністю незалежного навчання (β = 0.266, f² = 0.106). Конструкція моделювалася як формативний композит другого порядку з чотирьох джерел Бандури — досвіду володіння, непрямого досвіду, вербального переконання та емоційного стану. Самоефективність своєю чергою не передбачала абсентеїзму (β = −0.068, p = 0.276), хоча використання ШІ було окремо пов’язане з вищим абсентеїзмом (β = 0.148, f² = 0.029). Шлях використання ШІ → самоефективність був суттєво сильнішим серед чоловіків, ніж серед жінок (β = 0.449 проти 0.159; Δβ = −0.289, p = 0.013), за частковою інваріантністю вимірювання ([[confident-but-absent-ai-use-absenteeism-2026|Franco et al. (2026)]]).
- **Завдання з відкритого проєктування ШІ сортують студентів за наперед наявною впевненістю.** [[zangari-student-created-ai-agents-codesigned-instruction-2026|Zangari et al. (2026)]] виявили, что самооцінка продуктивності корелювала з екстраверсією (r = 0.262, p < 0.001) в курсі, де 345 студентів побудували кожен розмовного агента, щоб навчати колегу, і что студентки повідомляли про суттєво нижчу самооцінку, ніж колеги-чоловіки (H Краскела-Уолліса H(2) = 9.87, p < .005). Висновок про проєктування, який роблять автори: завдання з відкритого, розмовного творчого характеру дають перевагу вже впевненим, тому «завдання з відкритого проєктування [мають] включати достатній скаффолдинг, щоб справедливо будувати самооцінку продуктивності через усі типи особистості» — застереження, що завдання зі створення артефактів студентами можуть розширювати, а не закривати, прогалини впевненості, якщо скаффолдинг не свідомий.
- **Самоефективність взаємодіє з перевагою формату, а не лише з результатами.** Збалансоване дослідження з одного суб’єкта (97 дев’ятикласників; узгоджена за вмістом практика на основі тьютора проти практики на папері з інтерпретації та побудови графіків) виявило, що практика на основі тьютора перевершила папір загалом (t(62.30) = 2.38, p = .020), і — контринтуїтивно — нижча базова самоефективність передбачала *більші* прирости в обох форматах (t(98.40) = −2.14, p = .035). Цікава структура — суттєва трьохстороння взаємодія самоефективність × сприятливість × формат (t(99.84) = −2.58, p = .011): серед студентів із низькою самоефективністю сприятливість до тьютора передбачає більші прирости *саме в практиці з тьютором*. Пригнічуючий нуль для припущення, що практика з тьютором є мотиваційно самопідсилюваною: практика ITS не покращила суттєво самоефективність після навчання проти паперу — що віднесовується до короткої інтервенції (два сеанси приблизно по 40 хвилин). Практичний сигнал: базова самоефективність і сприятливість до технологій — дешеві, дієві вхідні дані для призначення формату; практика з тьютором капіталізує наявну сприятливість, а не створює її. ([[cen-self-efficacy-favorability-2026]])

## Пов’язані поняття
- [[learners]] — Learners: парасолька для понять на боці здобувача
- [[self-directed-learning]]
- [[motivation]]
- [[self-regulated-learning]]
- [[student-experience]]
- [[ai-literacy]]
- [[agency]]
- [[educational-robotics]]
- [[self-report-measures]]
- [[social-emotional-learning]] — Social-Emotional Learning

## Пов’язані статті
- [[confident-but-absent-ai-use-absenteeism-2026]] — Загальне використання ШІ відстежувало вищу самоефективність і вищий абсентеїзм, проте самоефективність не передбачала відвідування (Franco et al. 2026)
- [[thoeni-ai-chatbots-higher-education-expectations-evidence-2026]] — Чатботи ШІ в вищій освіті: порівняння очікувань із доказами (Thoeni & Fryer 2026)
- [[genai-performance-vs-learning]] — впевненість, що зростає, тоді як технологічна залежність зростає: самоефективність як оманливий результат ери ШІ (Yan et al. 2025)
- [[ai-supported-ementoring-efl-preservice-2026]] — Е-менторство з підтримкою ШІ підвищує самоефективність та емоційний інтелект викладачів-стажерів EFL (квазіекспериментально)
- [[aigc-affordance-student-self-regulation-2026]] — Можливості AIGC та саморегуляція студентів
- [[oby-chatgpt-use-learning-framework-2026]]
- [[ai-literacy-career-adaptability-business-2026]] — ШІ-грамотність, готовність до ШІ та пристосовуваність кар’єри
- [[remind-robot-mediated-roleplay-antibullying-2026]] — REMind
- [[teacher-education-ai-literacy-sdt-2026]] — Підготовка викладачів до ШІ-грамотності (SDT)
- [[social-robot-study-companions]] — Соціальні роботи як супутники навчання
- [[hcap-human-centric-ai-pedagogy-framework-2026]] — Рамка HCAP
- [[student-dependency-on-ai-literacy-self-efficacy-2026]]
- [[stamatoulis-genai-use-patterns-2026]] — Патерни використання GenAI та академічна самоефективність
- [[ai-literacy-course-satisfaction-pbl-scale-2026]] — Шкала AI-PBLS; розширення повноважень та етична обізнаність, опосередковуючі PBL-до-задоволеності в курсах ШІ-грамотності (Zhu & Kong 2026)
- [[predicting-attrition-competitive-programming]] — Прогнозування відтоку студентів у конкурентному програмуванні
- [[genai-xr-architectural-design-education-2026]] — Генеративний ШІ та розширена реальність у спільній освіті архітектурного дизайну: дослідницька студійна робота
- [[hu-psychological-predictors-continued-chatgpt-use-2026]] — ШІ-грамотність, довіра та академічна самоефективність в серійному ланцюгу до тривалого використання ChatGPT
- [[suria-martinez-academic-self-efficacy-motor-disabilities-2026]] — Профілі академічної самоефективності та заявлене використання ШІ серед студентів університету з моторичними обмеженнями
- [[niu-genai-children-creative-thinking-cognitive-development-review-2026]] — Заявлені прирости креативної самоефективності від генеративного ШІ в дітей (огляд обсягу)
- [[ai-speaking-practice-communicative-readiness-2026]] — Самоефективність говоріння обертає шлях тривоги від практики з допомогою ШІ до готовності
- [[faculty-ai-well-being-social-supports-2026]] — SEM викладачів: технологічна самоефективність — слабкий предиктор благополуччя зі ШІ
- [[cen-self-efficacy-favorability-2026]] — Самоефективність і сприятливість формують навчання від систем тьюторства та практики на папері (Cen et al. 2026)

---

## [Самоспрямоване навчання](https://edtechdev.github.io/aied/concepts/self-directed-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Самоспрямоване навчання (SDL)** — процес, за якого здобувачі беруть ініціативу та відповідальність за діагностику власних навчальних потреб, постановку цілей, ідентифікацію ресурсів, вибір і впровадження стратегій і оцінювання результатів, часто з обмеженою зовнішньою структурою. В еру ШІ SDL — і ключовий результат (чи підтримує використання ШІ здатність здобувачів спрямовувати власне навчання, чи її руйнує?), і вразливість (зручність генеративного ШІ може підривати саму автономію і [[self-efficacy]], яких вимагає SDL).

## Питання для роздумів

- Самоспрямоване навчання означає діагностику власних потреб, постановку цілей і оцінювання результатів з обмеженою зовнішньою структурою. Перш ніж читати, наскільки комфортно ви насправді спрямовуєте власне навчання — і чи робив вас інструмент ШІ колись *менш* здатними до цього, без вашого відома?
- Сторінка висвітлює SDL і як бажаний результат, і як вразливість: зручність генеративного ШІ може руйнувати саму автономію і самоефективність, яких вимагає SDL. Чому інструмент, що дає вам миттєві відповіді, міг би зробити *важчим* спрямовування власного навчання згодом?
- Було виявлено, що бездумне використання GenAI — прийняття результатів без [[critical-thinking|critical evaluation]] критичної оцінки — шкодить SDL як безпосередньо, так і через руйнування самоефективності та мотивації. Чи можете ви згадати випадок, коли ви прийняли відповідь ШІ, не оцінивши її? Що, якщо взагалі щось, це вам коштувало?
- SDL і саморегульоване навчання (SRL) тісно пов’язані, але відмінні: SRL стосується регулювання [[regulation]] навчання в моменті, тоді як SDL стосується загальної відповідальності через час. Де ви бачите межу між «керуванням цим завданням» і «спрямовуванням власного навчання» у вашій практиці?
- Шкода від бездумного використання ШІ сильніше вдарила по мотивації в одних студентів і по самоефективності в інших. Якщо руйнування цих психологічних ресурсів нерівномірне між здобувачами, яке занепокоєння щодо [[equity-in-ai-education|equity]] справедливості це породжує про те, хто втрачає найбільше від зручності ШІ?
- Поставте ціль перед читанням: назвіть одну навчальну ціль, якої ви зараз переслідуєте переважно самі, і один спосіб, яким інструмент ШІ допомагає вам до неї, і один спосіб, яким він може тихо забирати спрямовування у вас.

## Вступ

Самоспрямоване навчання тісно пов’язане з — але відмінне від — [[self-regulated-learning|self-regulated learning (SRL)]] саморегульованого навчання (SRL). Тоді як SRL наголошує на когнітивному, мотиваційному та поведінковому регулюванні навчання в моменті (планування, моніторинг, контроль, рефлексія), SDL наголошує на загальній відповідальності здобувача за напрям і керування власним навчанням через час, часто в неформальних або самообраних контекстах. SDL є фундаментальним для [[adult-learning|adult learning]] навчання дорослих і [[lifelong-learning|lifelong learning]] навчання впродовж життя, і є видатною теорією в дистанційній та онлайновій освіті, де здобувачі мають підтримувати автономію без запланованого часу занять. SDL також дедалі більш *доступне* для емпіричного дослідження: аналізуючи потоки кліків 315 онлайнових здобувачів, які побудували 822 моделі в VERA, [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] ідентифікували три поведінкові підписи самоспрямованості — Observation, Construction та Exploration — і виявили, що здобувачі просувалися від практичної побудови до повнішого, керованого гіпотезами Exploration, тоді як Observation зберігається через усі фази, показуючи, що ступінь і вид автономії, яку здобувачі здійснюють у неструктурованому онлайновому завданні, можна розрізнити з самих даних їхнього сліду.

## Як генеративний ШІ переосмислює самоспрямоване навчання

[[research-methods-aied|research]] Дослідження бази знань документують обидві сторони взаємини GenAI–SDL.

- **ШІ може підтримувати SDL.** [[ai-lifelong-learning-policy|AI and lifelong learning]] ШІ і навчання впродовж життя та [[self-directed-growth-generative-ai-learning-analytics|self-directed growth with GenAI + learning analytics]] самоспрямоване зростання з GenAI + аналітика навчання показують, що інструменти ШІ можуть [[scaffolding|scaffold]] забезпечувати скаффолдинг незалежного дослідження, надавати ресурси на вимогу та персоналізувати навчальні шляхи способами, що зміцнюють автономію здобувача. [[genai-educational-outcomes-meta-analysis|Meta-analytic evidence]] Мета-аналітичні докази про освітні результати генеративного ШІ та [[conversational-ai-informal-learning|conversational AI in informal learning]] розмовний ШІ в неформальному навчанні припускають позитивний потенціал, коли ШІ використовується як ресурс, яким керує здобувач.
- **Здобувачі хочуть партнера з мислення, а не оракула.** Опитані дорослі здобувачі хотіли, щоб ШІ спонукав до рефлексії та перевіряв, а не постачав відповіді, і залишав їх контролювати навчальний шлях, а не предписував його ([[kim-ai-andragogy-2026|Kim et al. (2026)]]).
- **Бездумне використання підриває SDL.** [[genai-thoughtless-use-self-directed-learning-2026|Zhao & Gu (2026)]] показують, що **бездумне використання GenAI** — прийняття результатів ШІ без критичної оцінки — суттєво шкодить SDL студентів бакалаврату як безпосередньо, так і через руйнування [[self-efficacy]] самоефективності та [[motivation]] мотивації (модель пояснила 75.3% дисперсії SDL; TUGA β = −0.42). Негативний ефект на мотивацію був сильнішим для студентів чоловічої статі, а на самоефективність — сильнішим для студенток жіночої статі. Це пов’язується з ширшим ризиком [[cognitive-offloading|over-reliance]] надмірної залежності, задокументованим у базі знань.
- **Когнітивне знімання навантаження та делегування.** [[andragogy-cognitive-delegation-genai-2026|Andragogy and cognitive delegation]] Андрагогія та когнітивне делегування та [[learning-by-chatting-genai-impact|learning by chatting with GenAI]] навчання через розмову з GenAI досліджують, як здобувачі можуть делегувати когнітивну роботу ШІ способами, що обходять зусильну обробку, якої вимагає SDL — режим відмовлення інших справжні підтримуючих автономію інструментів. [[critical-thinking-genai-scaffolding|Scaffolding critical thinking with GenAI]] Скаффолдинг критичного мислення за допомогою GenAI та [[test-driven-ai-assisted-learning|test-driven AI-assisted learning]] навчання з допомогою ШІ на основі тестів моделюють більш продуктивні проєкти.

## Розрізнення SDL–SRL на практиці

Оскільки SDL наголошує на ініційованому здобувачем напрямі, інтервенції для його захисту зосереджуються на збереженні [[agency]] і самоефективності, а не лише на регулюванні поведінки від моменту до моменту. Доказ, що бездумне використання ШІ руйнує мотивацію і самоефективність — психологічні ресурси, від яких залежить SDL, — припускає, що просування [[ai-literacy|responsible AI use]] відповідального використання ШІ — не лише питання цілісності, а питання розвитку: захист здатності студентів спрямовувати власне навчання.

## AI Extraction Scaffolding Research-Based Learning

- **Видобування інформації за допомогою ШІ як скаффолд для навчання на основі досліджень.** An та колеги (2026) проєктують систему видобування інформації на основі ШІ, яка перетворює наукові публікації в структуровані, простежувані набори даних для підтримки завершення дипломної роботи в [[stem-education|STEM]], позиціоновану як **епістемічний скаффолд**, що дозволяє інспекцію взаємин доказ–твердження, зменшуючи вимоги до обробки даних низького рівня. У пілотному [[mixed-methods-research|mixed-methods]] змішано-методичному дослідженні з 20 студентів за 80 документів студенти видобули понад 90% цільових параметрів, самозвітний час огляду літератури знизився приблизно на 65%, а їхня здатність ідентифікувати впливові змінні зросла на 50% — підтримуючи ідею, що [[generative-ai|AI]] ШІ може перерозподілити когнітивне навантаження на міркування про дослідження вищого порядку, самоспрямоване, а не на рутинне узагальнення.

## Пов’язані поняття
- [[self-regulated-learning]]
- [[agency]]
- [[self-efficacy]]
- [[motivation]]
- [[metacognition]]
- [[cognitive-offloading]]
- [[ai-misuse-learning-harm]]
- [[ai-literacy]]
- [[adult-learning]]
- [[lifelong-learning]]
- [[higher-ed]]

## Пов’язані статті
- [[genai-thoughtless-use-self-directed-learning-2026]] — Бездумне використання GenAI та самоспрямоване навчання (SEM, гендерні відмінності)
- [[ai-lifelong-learning-policy]] — Політика щодо ШІ і навчання впродовж життя
- [[self-directed-growth-generative-ai-learning-analytics]] — Самоспрямоване зростання з GenAI та аналітикою навчання
- [[genai-educational-outcomes-meta-analysis]] — Мета-аналіз освітніх результатів генеративного ШІ
- [[andragogy-cognitive-delegation-genai-2026]] — Андрагогія та когнітивне делегування з GenAI
- [[kim-ai-andragogy-2026]] — Застосування ШІ для підтримки андрагогії (Kim et al. 2026)
- [[an-goel-self-directed-modeling-2026]]

---

## [Метакогніція](https://edtechdev.github.io/aied/concepts/metacognition/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> Метакогніція — мислення про власне мислення — є водночас і ціллю [[ai-education|AI education]] [[research-methods-aied|research]] у сфері AI (чи можуть AI-інструменти розвивати метакогнітивні вміння здобувачів?), і фактором ризику (виконання завдань за допомогою AI може придушувати метакогнітивну практику). ([[stanford-evidence-base-ai-k12-2026]])([[scheu-mobile-chatbot-journaling-motivation-2026]])

## Питання для роздумів

- «Метакогніція» — це мислення про власне мислення: усвідомлення того, що ви знаєте, самостеже за собою та коригування власних стратегій. Коли ви вчитеся або розв’язуєте задачу, наскільки ви усвідомлюєте в цей момент, чи справді розумієте матеріал, а не лише впізнаєте його?
- Прикметний висновок: здобувачі, які користувалися AI-допомогою в написанні есе, часто не могли згадати цитати з власних есе, бо не взаємодіяли зі змістом під час його створення. Коли інструмент продукує результат, яку практику втрачає здобувач, — і чи важлива ця практика?
- Сторінка трактує метакогніцію водночас як ціль (чи може AI її будувати?) і як ризик (чи може AI її придушувати?). Чи може той самий AI-інструмент або посилювати, або послаблювати метакогніцію здобувача залежно від того, як його проєктовано чи використовують? Що визначає, у який бік це піде?
- Структуровані підказки, які просять здобувачів пояснити самих себе, оцінити стратегії або виявити прогалини, зберігають метакогнітивний запит, тоді як AI, який просто виконує завдання, витісняє його. Якби ви проєктували AI-інструмент для навчання, що б ви збудували, щоб він запрошував до рефлексії, а не заміщав її?
- Сторінка виявляє, що те, чи є використання AI метакогнітивно багатим, залежить від мотивації та позиції здобувача не менше, ніж від технології. Чи траплялося вам користуватися інструментом поверхнево, а потім усвідомлювати, що ви нічого не навчилися, — і чим відрізнялися часи, коли ви користувалися ним глибоко?

## Вступ

Метакогніція в освіті — це усвідомлення здобувачами, стеження та [[regulation]] власних когнітивних процесів:

- **Метакогнітивні знання:** розуміння того, що саме ти знаєш, які стратегії доступні й коли їх застосовувати
- **Метакогнітивне регулювання:** планування, стеження та оцінювання власного навчання в реальному часі

У рамках підходів [[self-regulated-learning]] метакогніція — центральний механізм, який дає здобувачам змогу адаптувати стратегії, впізнавати непорозуміння та доречно звертатися по допомогу. ([[scheu-mobile-chatbot-journaling-motivation-2026]])

То, як здобувачі насправді застосовують метакогніцію навколо AI, формується чимось більшим, ніж сам інструмент: [[cui-motivation-roles-metacognitive-genai-2026|Cui et al.]] виявляють, що мотивація студента та роль взаємодії, яку він бере на себе, формують його метакогнітивне [[student-engagement|engagement]] з [[generative-ai|GenAI]], — тобто те, чи є використання AI метакогнітивно багатим, залежить від позиції здобувача не менше, ніж від технології. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran and Arar (2026)]] додають саму [[student-ai-interaction|AI interaction]] як об’єкт цієї рефлексії: завершальний крок їхнього циклу [[prompt-engineering|Prompt Literacy]] просить здобувачів дослідити, що процес розкрив про те, як функціонують підказки, і які припущення сформували відповідь, і роблять рефлексію та перегляд тією фазою, в якій розвиваються авторство та критичне судження.

Фундаментальніша роль метакогніції з’являється, коли центр координування зміщується від викладача до здобувача. [[dang-human-ai-collaboration-competency-2026|Dang, Hong, Doyle and Nguyen (2026)]] стверджують у своїй рамці [[human-ai-collaboration|Human-AI Collaboration Competency (HACC)]], що інтегративна робота, яку TPACK призначає педагогіці, переходить — коли діючою особою стає здобувач — до власної метакогніції здобувача, тобто до компетентності, яка дає студентам змогу керувати співпрацею, [[trust-calibration|calibrate]] свою залежність від [[generative-ai|AI]] та залишатися авторами свого навчання. Вони трактують метакогнітивну компетентність як механізм, через який утілюється [[agency|learner agency]], свідомо виключаючи автономію як окремий компонент і читаючи її натомість як емерджентну властивість координування компетентностей у галузі, AI та метакогнітивної компетентності. Їхній [[network-analysis|Epistemic Network Analysis]] інтерв’ю з 24 педагогами вищої освіти виявив, що метакогнітивні висловлювання зростають разом із рівнем ролі — викладачі вищого рангу пов’язували їх із галуззю, AI та навчанням із AI, — що автори читають як ознаку того, що педагоги з ширшою відповідальністю за навчальну програму сприймають стійкі труднощі здобувачів як регуляторні, а не технічні.

## Як AI-інструменти впливають на метакогніцію

### Ризик придушення (Stanford SCALE, 2026)

Коли AI виконує завдання на міркування за здобувачів — розв’язує математичні задачі, пише есе, генерує код, — здобувач втрачає практику в стеженні за власним розумінням і виборі стратегій. ([[stanford-evidence-base-ai-k12-2026]])

Залежність — це не поразка: [[du-yuan-epistemic-dependence-2026|Du and Yuan (2026)]] судять AI-опосередковане навчання за шістьма діагностичними критеріями — оспорюваність, відновлюваність, перенесення, простежуваність, розподілена відповідальність та епістемічний плюралізм — і відрізняють інструментальну допомогу, яка сприяє створенню результату, від допомоги, несущої судження, яка постачає стандарти, за якими результат судиться.

**Найменування питання управління.** [[metacognitive-ownership-human-ai-regulation-2026|Lin and Chang (2026)]] пропонують **метакогнітивне володіння** — управління здобувачем стандартами, оцінними судженнями та діями, які вносить AI, — розділяючи привласнення стандартів, управління судженням-стеженням та авторизацію контролю, і вимагаючи реалістичної можливості діяти інакше.

Ключові висновки:
- **Kosmyna et al. (2025):** здобувачі, які користувалися AI-допомогою в написанні есе, були **на 83 % нездатними згадати цитати** з власних есе проти 11 % у тих, хто не користувався, — що вказує, що вони не взаємодіяли зі змістом під час його створення.
- **Stadler et al. (2024):** AI загального призначення знизив когнітивне навантаження, але давав **нижчу якість міркування** проти традиційного пошуку, що вказує на витіснення метакогнітивного залучення.
- **Lehmann et al. (2025):** загальний AI для [[cs-education|programming]] шкодив розумінню в здобувачів із низьким [[prior-knowledge]] — тобто тим, хто найбільше потребував метакогнітивного скаффолдингу, давали відповіді замість нього.
- **Метакогнітивна лінь.** Галузь називає особливий режим невдачі, в якому здобувачі поступаються своїми метакогнітивними обов’язками на користь інструменту, — приймаючи термін *метакогнітивна лінь* для виниклої ілюзії компетентності й попереджаючи, що її когнітивні ризики найважчі для новачків та слабких саморегуляторів ([[lodge-loble-cognitive-offloading-2026|Lodge & Loble (2026)]]).

Вільне володіння — причина, з якої втрата залишається непоміченою. Здобувачі судять про своє навчання частково з того, наскільки легко матеріал обробляється, а Bjork et al. (2013) показують, що сигнали вільного володіння призводять до переоціння власного розуміння, коли зміст здається легким; вільне AI-генероване текст постачає це відчуття незалежно від того, чи відбулося розуміння, створюючи умови для виробленої ілюзії компетентності. [[generativism-learning-theory|Generativism]] трактує це як причину, з якої адаптивну метакогніцію не можна припускати: здобувач мусить запитувати, чи відбиває легкість читання розуміння, замість того щоб читати легкість як відповідь.

**Усвідомлення не гарантує, що завершення зупиниться.** [[metacognitively-discordant-completion-genai-2026|Jia (2026)]] називає *метакогнітивно розбіжне завершення*: здобувач, який вклав реальні зусилля, має сформований від першої особи вердикт, що розуміння не настало, і все одно відпускає роботу, — випадок, який і припущення ілюзії вільного володіння, і припущення відкликаного зусилля обходять.

Здобувачі також погано калібровані щодо витрат AI: учасники точно передбачали час на самостійну роботу, але недооцінювали час із допомогою AI і повідомляли про менші зусилля (0,61 пункта за шкалою NASA-TLX), тоді як AI прискорював лише 3 з 24 завдань, — упередження, відсутнє, коли уявним помічником була інша людина ([[cognitive-offloading-speedup-illusion|Yu et al. (2026)]]).

Витрата виявляється обмеженою, а не глобальною: перекладання погіршує конкретну вправовану навичку, а не базові доменно-загальні здатності, і проявляється при відкликанні: дослідження ендоскопії виявило падіння виявлення аденом з 28,4 % до 22,4 %, коли AI ставав недоступним, залишаючи стеження за джерелом (відрізнення міркування AI від власного) відкритим метакогнітивним ризиком ([[ai-making-us-stupid|Cash et al. (2026)]]).

### Можливість посилення (Scheu et al., 2026)

Коли AI проєктовано підтримувати рефлексію, а не заміщати її, метакогніцію можна посилити:

- **Навчальні щоденники** — класична метакогнітивна практика: рефлектуючи над процесами навчання, здобувачі підвищують усвідомлення власної когніції
- **Структуровані підказки**, які просять здобувачів пояснити самих себе, оцінити стратегії або виявити прогалини в знаннях, зберігають метакогнітивний запит. CoMeT (Hou et al. 2026) дає цій фразі визначення й емпіричне підґрунтя: він трактує метакогнітивний запит як величину, відмінну від [[cognitive-offloading|cognitive load]], — те, що здобувач мусить вирішити, сформулювати або оцінити до прибуття допомоги, а не просто те, що залишається, коли допомогу притримано, — і утримував його статистично еквівалентним тьютору, який за дизайном притримував відповіді (p_TOST = .004), тоді як власна підтримка системи нарощувалася та спадала на одну сходинку за раз. Спадання трималося, коли хід здобувача був націлений на рішення, що отримувало підтримку: націлено іншими об’єктами, отримували пізнішу поступку в 40,3 % випадків проти 28,8 % для націлених ходів — різниця в 11,5 пунктів, — тому те, що тьютор мусить читати, — це де сидить увага здобувача, а не скільки зусилля демонструє хід.

- **Призначайте рівень використання AI на завдання.** HAIML поєднує свої три шари з чотирма рівнями використання AI — від відсутності використання AI через мозковий штурм до співпраці з AI та створення з інтеграцією AI й оцінкою результату, — тому викладач задає рівень для завдання й утримує метакогнітивну рефлексію центральною на кожному рівні ([[haiml-human-centered-ai-metacognitive-model-2026|Reardon, 2026]]).
- **Курс на прикладах** у [[conversational-ai|chatbot]] від Scheu et al. підвищив **сприйняту компетентність** (метакогнітивну [[self-assessment]]), навіть коли сам [[llm]]-помічник цього не робив
- **Нове формулювання ставить у контур не лише індивіда, а й систему.** Бібліометрично-систематичний огляд 135 досліджень STEM-аудиторій (24 ключові дослідження) виявляє постантропоцентричне формулювання, яке позиціонує AI як корегулятора навчання, зсуваючи одиницю аналізу від індивідуальної рефлексії до системної [[regulation]] та [[distributed-cognition|distributed cognition]] ([[ai-metacognition-stem-review|Tsakeni et al. (2025)]]).

- **Виведення на поверхню патернів взаємодії, які здобувачі не бачать.** [[student-ai-interaction-consecutive-interpreting-2026|Kuang, Li and Weng (2026)]] стежили за рухами очей, веденням нотаток та мовленням, коли 22 стажери з усного перекладу працювали з системою розпізнавання мовлення та машинного перекладу, і виявили, що спосіб, у який здобувачі розподіляли [[cognitive-psychology|attention]] між результатом AI та власними нотатками, був невидимий для них самих: 58,3 % змінювали профіль між етапами завдання, а найінтенсивніші читачі результату AI демонстрували найнижчі показники вільного володіння подачею та якості цільової мови. Педагогічний наслідок: рефлексію треба скаффолдити зовнішніми доказами, бо стратегія здобувача не є інтроспективно доступною — автори виступають за те, щоб скеровувати здобувачів описувати й оцінювати, чому вони працювали саме так на кожному етапі.
- **Докази процесу залежать від каналу.** У 79 студентів бакалаврату, які працювали з [[generative-ai|generative AI]], стеження та планування більшої глибини з’являлися частіше в одиницях мислення вголос, тоді як регулювання більшої глибини — частіше в журналах взаємодії, тому один запис сам по собі применшує деякі процеси ([[metacognitive-processes-genai-interaction-logs-2026|Li and Liu (2026)]]).
- **Рефлексивні практики можуть виникати із звичайного предметного використання.** У восьми данських школах вищого рівня середньої освіти здобувачі, які працювали з [[generative-ai]] як із когнітивним партнером, розвинули чотири практики — пояснення, створення, натхнення та покращення, що розгорталися в одинадцять процесів, — у яких рефлексія з’являлася і в предметному, і в процесуальному регістрі, хоча кожна практика могла однаково служити й заміщенню ([[ai-cognitive-partner-reflective-thought-2026|Dalsgaard & Prilop, 2026]])).
- **Рефлексивний скаффолдинг може звикнути і замістити те самостеження, яке він захищає.** [[skill-sustaining-reliance-reflective-ai-engagement-2026|de Jong (2026)]] попереджає, що повторювані заклики до рефлексії можуть зиждуватися через звикання — так само, як повторювані попередження автоматично відкидаються, — тому фахівець, який рефлектує лише тоді, коли просить система, може опинитися ні з інструментом, ні зі звичкою самостеження; у праці стверджується, що рефлексивні підказки слід трактувати як інтервенцію формування навички, що поступово знімається, і перевіряти, чи рефлектують користувачі без них.
- **Вибірковий приріст: метакогнітивні знання без планування та стеження.** [[wang-genai-novice-learner-learning-by-teaching-2026|Wang et al. (2026)]] розділили 68 майбутніх викладачів на групу, яка пояснювала перевернуту аудиторію генеративному AI-новачку (n=33), і групу, яка ставила питання генеративному AI-викладачу (n=35). Група «новачок-здобувач» набрала вище за метакогнітивні знання та стратегії навчання (p < 0,001, *d* Коена = 0,41), але не за планування та стеження (M = 4,01 проти 3,78, p = 0,062), хоча бали за пояснення та застосування в тій самій групі зросли (r = 0,474 і r = 0,642), тоді як фактичне пригадування не розділило груп (p = 0,416). Цей розрив слідує за двома компонентами у Вступі: пояснення тому, хто ставить зустрічні питання, будувало декларативне усвідомлення того, що саме ти знаєш, але ніщо в дизайні не змушувало здобувача прокладати маршрут чи перевіряти прогрес, що автори пояснюють дизайном завдання та когнітивним навантаженням, а не самою роллю. Отже, [[learning-by-teaching]] з AI є важелем на метакогнітивні знання, а не автоматично на [[self-regulated-learning|regulation]], і автори рекомендують додавати явні підказки на планування та зворотний зв’язок щодо прогресу.
- **Мислення вголос підтримує раннє усвідомлення, але не глибоку оцінку.** [[karaki-think-aloud-ethical-genai-2026|Karaki and Baroudi (2026)]] провели дослідження дією зі змішаними методами зі 44 студентами першого курсу підприємництва, які використовували метод Think Aloud під час курсів із підтримкою AI. Think Aloud зробив конструювання підказок здобувачами, практики перевірки та етичного прийняття рішень більш видимими, але критична оцінка результатів AI «часто залишалася на поверхневому рівні, особливо серед здобувачів, які потребують додаткової підтримки», — здобувачі помічали загальні або невідповідні відповіді, проте й далі сильно спиралися на них. Самозвітна метакогнітивна обізнаність була найвищою з трьох досліджених конструктів (M = 3,79), але єдине постинтервенційне опитування не може відокремити сприйняття від зміни. Висновок авторів — Think Aloud не є автономним рішенням і мусить поєднуватися з явною інструкцією в ШІ-грамотності, конструюванні підказок і стратегіях перевірки, — розширює лінію доказів процесу вище від *що фіксують записи* до *що сама вокалізація змінює*.

## Розрізнення залучення та мотивації

Scheu et al. (2026) виявили критичний розрив:

| Вимір | Ефект LLM-помічника | Ефект курсу |
|---|---|---|
| **Внутрішня мотивація** (готовність залучатися) | **Без ефекту** | **Позитивний** |
| **Поведінкове залучення** (обсяг написаного) | **Зростає з часом** ([[feedback|feedback loop]]) | **Постійно позитивний** |

Це вказує, що **метакогнітивна підтримка та [[motivation]] не є тотожними**. Скаффолдинг [[scaffolding]] у щоденниках LLM-помічником збільшував те, скільки здобувачі писали (поведінкове залучення), але не робив так, щоб вони *хотіли* писати більше (внутрішня мотивація). ([[scheu-mobile-chatbot-journaling-motivation-2026]])

## Розрізнення уявлень і досвіду

[[cognitive-offloading-metacognitive-review-2026|Guo & Ye (2026)]] пропонують теоретично точніше уявлення про те, як метакогніція керує вибором стратегії, розрізняючи два компоненти, що діють у різних фазах:

- **Метакогнітивні уявлення** — стійкі, самореферентні уявлення про себе, що зберігаються в довгостроковій пам’яті (наприклад, уявлення про власні можливості пам’яті або про надійність інструменту). Вони закріплюють вибір стратегії *до* початку завдання.
- **Метакогнітивний досвід** — динамічні, специфічні для завдання переживання (сприйнята складність, упевненість, розумове навантаження), які рушать *оновленням* уявлень під час виконання завдання.

Це розрізнення дає принцип **узгодження часу та компонента**: зворотний зв’язок, націлений на уявлення (наприклад, порівняльні рейтинги), найефективніший у фазі підготовки до завдання, тоді як зворотний зв’язок, націлений на досвід (наприклад, негайні індикатори правильності), найефективніший під час виконання завдання. Абстрактний зворотний зв’язок у вигляді рейтингів може відокремитися від — або бути перекритим — специфічним для завдання досвідом, який домінує в негайному прийнятті рішень, пояснюючи, чому деякі інтервенції зі зворотним зв’язком не змінюють поведінку. Це дає [[teacher-role|educators]] фаза-контингентну підставу для проєктування метакогнітивних скаффолдингів навколо AI-інструментів: калібруйте уявлення перед використанням, надавайте негайний специфічний для завдання зворотний зв’язок під час використання.

Зовнішня підтримка може також стати повністю перед судженням. [[iqbal-human-genai-support-essay-revision-2026|Iqbal et al. (2026)]] дали 87 студентам EFL відредагувати есе з ChatGPT 4.0, досвідченим викладачем академічного письма або без підтримки та відтворили стратегії, які застосовували здобувачі, зі слідів кліків, натискань клавіш і рухів миші. Їхній вибір був сильно пов’язаний із наявною підтримкою (*V* Крамера = 0,668), але не з точністю метакогнітивного судження (H(3) = 4,995, p = 0,172), яке показало лише маргінальний зв’язок в умові відсутності підтримки (p = 0,0460). Жодна стратегія редагування не була пов’язана зі зміною бала за есе (p = 0,273), проте група GenAI покращилася суттєво більше за дві інші (H(2) = 16,591, p = 0,00025, η² = 0,174), тому сильніші есе походили не від кращої саморегуляції. Коли спроможний партнер може постачати наступний хід, метакогнітивне судження перестає бути тим, що його обирає, і наведений вище виклад про вибір стратегії описує здобувача без допомоги більше, ніж підтримуваного. Практичне прочитання авторів — націлювати допомогу AI на спонукання до рефлексії про стратегії письма, а не на постачання прямої допомоги.

### Калібрування є тренованим: прогноз + зворотний зв’язок

[[metacognitive-training-optimal-cognitive-offloading-2026|Ngai & Gilbert (2026)]] надають прямі причинні докази, що метакогнітивне калібрування — це *тренована* вмілість. У двох пререєстрованих експериментах (N=164, N=416) **лише п’ять тренувальних спроб, що поєднують прогноз продуктивності з достовірним зворотним зв’язком**, покращили калібрування і зменшили упередженість. Адитивний дизайн із чотирьох груп ізолював причинний компонент: **сам по собі прогноз був неефективним; додавання зворотного зв’язку про продуктивність рушило покращенням; явне позначення над-/недоупередженості не додало нічого далі**. Критично, що покращення діяло на *абсолютне* калібрування — підвищуючи упевненість у недоупереджених і знижуючи її в над-упереджених, — тобто виправляло [[trust-calibration|miscalibration]] в обох напрямах, а не зсувало всіх в один бік (і саме тому знакові/напрямлені ефекти були нульовими). Це посилює наведений вище виклад «досвід, а не уявлення» і показує *мінімальне життєздатне метакогнітивне тренування*: прогноз + негайний, специфічний для завдання зворотний зв’язок.

- **Коротка підказка на рефлексію загострює стеження під час рішень із підтримкою AI.** [[ren-metacognitive-awareness-genai-reliance-2026|Ren (2026)]] додав три підказки на рефлексію перед фіналізацією відповідей у триумовному експерименті зі 342 студентами бакалаврату: прийняття неправильної поради ChatGPT впало з 62,4 % до 39,7 % (*OR* = 0,40), а калібрування обізнаності зросло (0,59 проти 0,41), тоді як точність рекомендацій і узгодженість з правильною порадою залишилися високими. Рефлексія зробила залежність більш розрізняльною, а не рівномірно оборонною, що підтримує трактування залежності як проблеми стеження, а не питання про те, скільки AI використовується.
- **Вкладайте підказування всередину метакогнітивного циклу.** Рамка IDEA послідовно організовує використання GenAI як Intent, Deconstruction, Expression та Adaptation, роблячи підказування одним кроком у плануванні та стеженні, а не автономною вмінням; здобувачі, навчені нею, створювали підказки вищої якості, ніж ровесники, навчені підказуванню Role–Task–Context–Format, в усіх п’яти категоріях завдань ([[idea-framework-metacognitive-genai-2026|Wang et al., 2026]]).

## Наслідки для проєктування інструментів

1. **Зберігайте «тертя» мислення:** якщо AI пише рефлексію, здобувач не будує метакогнітивну вмілість. Помічники для щоденників мусять скаффолдити, а не авторствувати.
2. **Моделюйте метакогнітивну мову:** курс на прикладах спрацював частково тому, що знайомив здобувачів із метакогнітивною самою розмовою вправних моделей.
3. **Розділяйте підтримку мотивації та вміння:** розвиток метакогнітивної вміння (через структуру курсу) і посилення продуктивності (через допомогу AI) можуть потребувати різних стратегій проєктування.

AI може змінювати **метакогнітивний поріг** для рішення, що ти знаєш достатньо, щоб відповідати: [[ai-advice-suppresses-ikt-suspension-2026|Marcoccia et al. (2026)]] виявили, що сам доступ до поради AI придушував готовність людей призупиняти судження за невизначеності, навіть за неправильної поради та інсентивів до точності, — ефект, який витримав ненадіслану з боку AI відповідь і грошові ставки.

Проактивний [[agentic-ai|agentic AI]] може витісняти власний метакогнітивний цикл здобувача: [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] стверджують, що коли агенти заздалегідь доставляють, ініціюють і самовиправляються, планування, стеження та оцінка агента заміщають такі ж операції здобувача, усуваючи [[retrieval-spacing-interleaving|retrieval practice]] і самостеження, від яких залежать [[desirable-difficulties|desirable difficulties]] і метакогнітивне тренування.

- **[[pedagogy]] на помилках як метакогнітивне тренування:** [[pedagogy-ai-mistakes|Hosseini (2026)]] показує, що свідоме знайомлення здобувачів із AI-генерованими помилками на курсі проєктування баз даних активує метакогнітивне стеження — здобувачі перевіряли результати, знаходили помилки та переробляли дизайни, а не приймали результат AI на віру. Самозвітна [[self-report-measures|Self-reported]] корелювала слабко й негативно з об’єктивною [[ai-literacy|AI literacy]]компетентністю (*r* = −0,39) — розрив калібрування, який покликаний звузити цикл «критика–вдосконалення».
- **[[productive-failure|Productive failure]] залучає метакогнітивне стеження.** [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] показують, що навчання на основі продуктивної невдачі активує рефлексію над власними спробами; завдання типу [[lukesova-clue-before-correction-2026|clue-before-correction]] вимагають від здобувачів діагностувати й виправляти власні помилки — метакогнітивна діяльність, в якій AI дає підказки, а не відповіді.
- **Саморегуляція пом’якшує шкоду від перекладання, але не може її скасувати.** [[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] показує, що метакогнітивне регулювання (саморегульоване письмо) послаблює негативний зв’язок між глибинним [[cognitive-offloading|cognitive offloading]] і незалежними результатами без AI в письмі за допомогою GenAI (взаємодія B = 0,22), але не усуває його, — умова обмеженої підтримки, що поєднує обмеження делегування з обов’язковою рефлексією про те, як були прийняті/відкинуті поради AI, дала найсильнішу незалежну продуктивність.
- **Глибина пошуку пояснень передбачає якість завдання, а не пригадування.** [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]] показує, що підказки на пошук пояснень (глибина) в LLM-взаємодії передбачають якість завдання, але не негайне пригадування, інтерпретуючи дисоціацію через елаборацію (засвоєння) проти практики відтворення (консолідація), — і припускаючи, що пошук пояснень корелює з метакогнітивним стеженням, хоча вимоги відтворення треба додати для стійкого утримання в пам’яті.

- **Самозвітна метакогніція — слабкий сурогат регулювання *разом із* LLM.** [[clerc-ai-literacy-workshop-llm-regulation-2026|Clerc et al. (2026)]] дали 116 здобувачам [[k-12|middle-school]] двогодинний семінар із ШІ-грамотності, а потім виміряли їхню LLM-взаємодію під час задач із природничих наук: навчені здобувачі частіше відкидали недостатньо специфіковані підказки (51,5 % проти 66,7 %), набагато частіше ставили уточнювальні питання після слабкої відповіді (59,2 % проти 27,9 %, *d* = 0,80) і чутливіше судили про правильність відповіді залежно від якості підказки (взаємодія OR = 2,52). Ні загальна шкала метакогнітивної обізнаності (Jr. MAI), ні самозвіти GenAI не передбачали ці поведінки чи фінальну продуктивність (*r* = .04 і *r* = .01), — стеження і контроль під час використання [[generative-ai|generative AI]] є специфічними для завдання, і спостережувана поведінка несе більше інформації, ніж самозвітні інструменти, створені, щоб її фіксувати.
- **Автоматизоване оцінювання дійшло до фази продуктивності, а не до планування, яке їй передує.** [[chen-automated-scoring-interpreting-self-regulated-learning-2026|Chen and Liu (2026)]] дали 46 студентам з усного перекладу 14 тижнів щотижневого автоматизованого оцінювання з поверненим балом, позначеними помилками та еталонним виконанням: група з автоматизацією набрала більше загалом (*d* = 1,03), але лише стеження під час практики корелювало з приростами балів (*r* = 0,42), тоді як планування до навчання сиділо біля середини шкали (M = 3,01). Оцінювання та рефлексія несли другий за висотою середній бал (3,87 із 5), проте показували майже нульовий зв’язок із приростами (*r* = 0,10), тому високий бал за рефлексію не слід читати як продуктивну рефлексію.
- **Грамотність перевірки окупається лише через метакогнітивну саморегуляцію.** [[davor-ai-supported-learning-higher-order-outcomes-2026|Davor, Larbi and Boateng (2026)]] опитали 533 студентів університетів і виявили, що грамотність AI-перевірки не мала прямого зв’язку з критичним мисленням або технічним вирішенням проблем; вона мала значення лише опосередковано, через метакогнітивну саморегуляцію (патерн повної медіації). Схильність до [[cognitive-offloading|Cognitive offloading]] працювала в інший бік, передбачаючи нижчу саморегуляцію (−0,294) разом із нижчим критичним мисленням (−0,240) і вирішенням проблем (−0,312).
- **Рефлексія росла разом із доступом до AI, і вона живила міркування, а не бали тестів.** [[melanou-genai-learning-dynamics-longitudinal-2026|Melanou, Beege and Kimmig (2026)]] спостерігали три класи (N = 87) упродовж дев’ятитижневого курсу, вимірюючи в трьох точках. Знання покращилися в усіх умовах без переваги для жодної з умов із AI і без ефекту Матвія (BF01 = 8,70), але рефлексивне використання (перевірка джерел і верифікація результату AI перед його прийняттям) було значно вищим в умові з AI, ніж у контрольній групі (M = 3,72 проти 2,82, F(1, 40) = 20,21, p < 0,001), і передбачало критичне мислення (β = 0,43, p < 0,001, R² = 0,183), не передбачаючи жодного приросту знань. Рефлексія виникала від одного доступу до інструмента, а не від скаффолдингу, і, оскільки її виплата лягає в міркування, тест на знання не зареєструє метакогнітивної користі курсу з підтримкою AI.
- **Усередині самозвітного інструмента метакогніції обізнаність перевершує решту.** [[alatoai-ai-learning-environments-self-regulation-2026|Alatoai and Alshahri (2026)]] валідували 45-пунктову міру навчання STEM із підтримкою AI на 649 саудівських школярах середньої ланки (CFI = 0,983, RMSEA = 0,019; субшкали ω = 0,888–0,905) і використали її для ранжування компонентів. Чотири виміри пояснили 68 % дисперсії в балах саморегульованого навчання, причому AI-заснована метакогнітивна обізнаність була найсильнішою (β = 0,38, p < 0,001), когнітивне перенесення та адаптивність — далі (β = 0,29, p = 0,008), а креативне та критичне STEM-міркування з AI — незначним (β = 0,14, p = 0,135). Обізнаність — той компонент, який несе адаптивну продуктивність, автори радять звітувати субшкали окремо, а не одним глобальним балом, і залишають міркування вищого порядку для завдань на якість міркування; міра тим не менш є самозвітною, тому, як і в дослідженні семінару вище, вона фіксує сприйняту здатність, а не спостережуване використання стратегій.
- **Стеження оцінювача — це теж метакогнітивна робота.** [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026|Hoppe, Loibl and Leuders (2026)]] стверджують, що AI-генерований діагностичний висновок — не сирий доказ, а вже зроблена інтерпретація, тому викладачі мусять інтегрувати його з власними спостереженнями в процесі, який вони називають *метадіагностикою*, свідомо вирішуючи, прийняти, відкинути чи модифікувати його. Це ставить другий метакогнітивний цикл поряд із циклом здобувача: не лише те, як студент регулює мислення з AI, а й те, як викладач оцінює те, що система стверджує про це мислення.

## Пов’язані поняття

- [[pedagogical-patterns]] — кроки рефлексії, які будують ці послідовності
- [[learners]] — Здобувачі: головне поняття для понять на боці здобувача
- [[self-regulated-learning]]
- [[self-assessment]]
- [[cognitive-offloading]]
- [[scaffolding]]
- [[agentic-ai]]
- [[formative-assessment]]
- [[ai-literacy]]
- [[retrieval-spacing-interleaving]] — судження про навчання та ілюзія вільного володіння, яку виправляє практика відтворення
- [[cognitive-surrender]]

## Пов’язані статті
- [[clerc-ai-literacy-workshop-llm-regulation-2026]] — двогодинний семінар із ШІ-грамотності змістив регулювання LLM-взаємодії в учнів середньої школи, на відміну від їхньої самозвітної метакогніції (Clerc et al. 2026)
- [[student-ai-interaction-consecutive-interpreting-2026]] — Student-AI Interaction in Computer-Assisted Consecutive Interpreting
- [[du-yuan-epistemic-dependence-2026]] — Epistemic dependence in AI-mediated learning (Du & Yuan 2026)
- [[llm-interaction-depth-task-quality-recall-2026]] — What students ask matters: LLM interaction depth, task quality, and immediate recall (Tsiligkiris 2026)
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Layer-sensitive cognitive offloading in GenAI-assisted writing (Chen 2026)
- [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026]] — LLM-mediated help-seeking in STEM: layered, instrumental, and verified
- [[cui-motivation-roles-metacognitive-genai-2026]] — Motivation and roles in metacognitive GenAI engagement
- [[metacognitive-training-optimal-cognitive-offloading-2026]] — Metacognitive training facilitates optimal cognitive offloading (Ngai & Gilbert 2026)
- [[cognitive-offloading-metacognitive-review-2026]] — Meta-cognitive insights into cognitive offloading: mechanisms, interventions, and educational implications (Guo & Ye 2026)
- [[idea-framework-metacognitive-genai-2026]] — The IDEA framework for metacognitively regulated GenAI use
- [[haiml-human-centered-ai-metacognitive-model-2026]] — HAIML: a human-centered AI metacognitive learning model (agency & reflective learning)
- [[metacognitively-discordant-completion-genai-2026]] — Metacognitively discordant completion and aware pass-through of non-understanding
- [[ai-metacognition-stem-review]] — AI tools scaffolding metacognition in STEM
- [[ai-making-us-stupid]] — Is AI making us stupid? critique of cognitive offloading
- [[stanford-evidence-base-ai-k12-2026]] — General-purpose AI suppresses metacognition by completing reasoning
- [[ai-advice-suppresses-ikt-suspension-2026]] — AI advice suppresses willingness to say "I don't know", even with wrong advice and accuracy incentives
- [[agentic-ai-pedagogical-best-practice-2026]] — Agentic AI and pedagogical best practice: the tension between automation and learning
- [[cognitive-offloading-speedup-illusion]] — Cognitive offloading and the speedup illusion in human-AI interaction
- [[lodge-loble-cognitive-offloading-2026]] — AI, cognitive offloading and implications for education (Lodge & Loble 2026)
- [[pedagogy-ai-mistakes]] — The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking (Hosseini 2026)
- [[kim-ai-productive-failure-adult-2026]] — Designing AI Systems to Support Productive-Failure-Based Learning
- [[lukesova-clue-before-correction-2026]] — Clue Before Correction: ChatGPT for Autonomous Language Learning
- [[miles-prompt-literacy-human-centered-genai-framework-2026]] — Reflection on the prompting process and authorship development in the Prompt Literacy Cycle (Miles, Haber-Curran & Arar 2026)
- [[ren-metacognitive-awareness-genai-reliance-2026]] — A reflection prompt cut acceptance of incorrect AI advice and improved awareness calibration (Ren 2026)
- [[chen-automated-scoring-interpreting-self-regulated-learning-2026]] — Automated scoring reinforced monitoring but not planning, and self-reported reflection stayed unproductive (Chen & Liu 2026)
- [[davor-ai-supported-learning-higher-order-outcomes-2026]] — Verification literacy acting only through metacognitive self-regulation (Davor, Larbi & Boateng 2026)
- [[iqbal-human-genai-support-essay-revision-2026]] — External support, not metacognitive judgment accuracy, drove revision strategy choice (Iqbal et al. 2026)
- [[wang-genai-novice-learner-learning-by-teaching-2026]] — A selective gain: metacognitive knowledge rose while planning and monitoring did not (Wang et al. 2026)
- [[melanou-genai-learning-dynamics-longitudinal-2026]] — Reflective use rose with AI access and predicted critical thinking, not knowledge gain (Melanou, Beege & Kimmig 2026)
- [[alatoai-ai-learning-environments-self-regulation-2026]] — Metacognitive awareness as the strongest predictor of adaptive STEM learning (Alatoai & Alshahri 2026)
- [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026]] — From diagnosis to meta-diagnosis: teachers judging AI-generated inferences (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]] — Metacognition, not pedagogy, as the mechanism of learner agency in human-AI collaboration (Dang, Hong, Doyle & Nguyen 2026)
- [[metacognitive-ownership-human-ai-regulation-2026]] — Metacognitive ownership: a construct for learner governance of standards, judgments and actions
- [[metacognitive-processes-genai-interaction-logs-2026]] — Logs and think-aloud capture different metacognitive processes in GenAI-assisted learning
- [[ai-cognitive-partner-reflective-thought-2026]] — four practices and eleven processes of reflective thought when students treat AI as a cognitive partner
- [[karaki-think-aloud-ethical-genai-2026]] — Think Aloud made prompt construction, verification and ethical reasoning visible, but critical evaluation stayed surface-level; not a stand-alone solution

---

## [Бажані труднощі](https://edtechdev.github.io/aied/concepts/desirable-difficulties/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Бажані труднощі** — встановлення (Бьорк), що важчі, потребуючі зусиль умови пригадування — розподіл у часі, [[retrieval-spacing-interleaving|retrieval practice]], чергування та генерація — покращують довгострокове навчання більше, ніж легші, згруповані умови; це теоретична противага ШІ, який згладжує [[cognitive-offloading|cognitive work]]. В епоху ШІ цей принцип попереджає, що інструменти, які усувають продуктивну боротьбу, можуть підвищувати негайну успішність, водночас підриваючи стійке навчання. **Бажані труднощі, когнітивне тертя та продуктивне тертя вживаються як частково збіжні синоніми** цього навмисного зусилля: база знань розглядає їх як одну й ту саму основну ідею, поглянуту з боку різних галузей, а відтінки між позначками розкриті в розділі нижче. Тісно споріднені поняття — **замішання** і **продуктивна боротьба** — позначають зону, де ця зусильна обробка очікується (і є бажаною).

## Питання для роздумів

- Чи доводилося вам відчувати, що ви щось зрозуміли, бо це було легким і плавним у цей момент, — а потім провалитися, коли треба було пригадати пізніше? Це ілюзія компетентності. Що її створило у вашому випадку?
- Бажані труднощі стверджують, що умови, потребуючі зусиль — розподіл у часі, практика пригадування, чергування, — будують стійке навчання краще, ніж легкі згруповані. Де у власному навчанні ви опиралися «важчій» стратегії, яка, ймовірно, спрацювала б краще?
- Генеративний ШІ за замовчуванням є машиною, що прибирає тертя: він відповідає миттєво і виготовляє відшліфований результат на замовлення. Якщо усунення боротьби підвищує негайну успішність, але підриває стійке навчання, як ви з’ясуєте, чи ШІ допомагає студентові, чи шкодить йому?
- Ця сторінка відрізняє бажані труднощі (оптимізацію пам’яті з боку [[cognitive-psychology|cognitive psychology]]) від продуктивного/когнітивного тертя ([[student-engagement|engagement]] під [[guardrails]] з боку UX-дизайну). Чи бачите ви, чому та сама освітня ціль потребує обох — і де вони розійдуться?
- Деякі [[intelligent-tutoring|AI tutors]], як виявлено, «надмірно скаффолдять» — прибираючи саму ту зусильну обробку, яку потребують бажані труднощі. Якби ви оцінювали ШІ-тьютора, яка конкретна поведінка сказала б вам, що він зберігає продуктивну боротьбу, а не згортається до видачі відповідей?
- Замішання подане тут як ресурс, а не дефект: розв’язане продуктивно, воно рушить глибинною обробкою, але незвернене — перероджується в розчарування. Де межа між продуктивною боротьбою, яку варто зберігати, і розчаруванням, що просто шкодить?

## Вступ

Бажані труднощі — це такі умови практики, через які навчання в цей момент відчувається важчим — зусильне пригадування, генерація і пояснення, розподіл у часі, чергування, — проте вони дають сильніше утримання і [[transfer-of-learning]], ніж умови, що відчуваються легкими. Той самий феномен постає в літературі як **когнітивне тертя** та **продуктивне тертя** — позначки, запозичені з взаємодії люди з комп’ютером і UX-дизайну, які підкреслюють навмисне розміщення опору між здобувачем і легкою відповіддю; сім’ї перекриваються, але не тотожні, а відмінності викладені нижче. Оскільки генеративний ШІ оптимізовано на безтертявість, це поняття стало першорядною проблемою дизайну, а не вузьким висновком: системи, що відповідають миттєво, усувають труднощі, які могли саме й здійснювати навчання ([[cognitive-offloading]], [[scaffolding]]).

## Компроміс між зусиллям і навчанням

Бажані труднощі спираються на ідею, що умови, через які навчання в цей момент відчувається важчим — що потребують зусильного пригадування, генерації або пояснення, — часто дають сильніше утримання і [[transfer-of-learning|transfer]], ніж умови, які відчуваються легкими. Навпаки, умови, що відчуваються легкими (плавна подача, негайні відповіді), можуть породжувати ілюзію компетентності: [[learners]] відчувають, що знають матеріал, бо впізнавання було плавним, тоді як пізніше вільне пригадування зазнає невдачі. Це теоретичне ядро **розриву між успішністю і навчанням**: те, що виглядає як добра успішність під час практики, не є тим самим, що стійке навчання.

## Замішання, когнітивне тертя та продуктивна боротьба

Три споріднені конструкти описують зону, у якій діють бажані труднощі:

- **Замішання** — навчальна *епістемічна емоція* (див. [[affective-computing]] і [[epistemic-emotions-collaborative-problem-solving]]), яка сигналізує про розрив між ментальною моделлю здобувача і вхідною інформацією. Замішання не є рівномірно поганим: розв’язане через продуктивне дослідження, воно може рушити глибинною обробкою, але незвернене — може переродитися в розчарування або відчуження. Системи ШІ дедалі частіше виявляють замішання (наприклад, кнопки позначення, афективне зондування), щоб закріпити [[personalized-learning|personalized support]] — як у [[knowloop-confusion-to-consolidation-2026]], де позначені точки замішання стають якорями повторення, а підказки [[learning-by-teaching|teach-back]] висувають концептуальні прогалини.
- **Когнітивне тертя** — навмисний опір, який навчальне середовище ставить між здобувачем і легкою відповіддю, змушуючи його думати перед отриманням допомоги. Інструменти ШІ, що відповідають миттєво, прибирають це тертя; дизайни, які утримують, натякають або скаффолдять, його зберігають. [[generative-refusal-ai-tools-for-thought]], [[sequenced-ai-feedback-learning]] і [[critical-thinking-genai-scaffolding]] кожне досліджують, як навмисно збережене тертя підтримує міркування.
- **Продуктивна боротьба** — зусильна фаза [[problem-solving|problem solving]], у якій здобувач бореться з викликом до (або під час) отримання підтримки. База доказів цієї бази знань документує і її цінність, і її ціну: [[generative-ai-reduced-study-time-math]] показує, що усунення боротьби скоротило час навчання, але погіршило його, тоді як [[curiobot-llm-tutoring-exploratory-learning]] і [[rethinking-scaffolding-llm-tutors]] досліджують, як тьютори можуть утримувати здобувачів у зоні продуктивної боротьби, а не згортатися до видачі відповідей.

Продуктивна невдача — структурована, теоретично обґрунтована версія цієї ідеї: [[productive-failure|Kapur's productive failure]] (PF) формалізує продуктивну боротьбу як двофазний дизайн (генерація та дослідження *перед* навчанням, потім консолідація та збирання знань). Література про PF в епоху ШІ дає базі знань конкретний словник дизайну для збереження бажаної труднощі — [[kim-ai-productive-failure-adult-2026|Kim et al. (2026)]] виводять принципи дизайну ШІ ([[human-ai-collaboration|human-AI collaboration]], рефлексивний дизайн, недирективна підтримка), які не дають ШІ стерти боротьбу; [[puech-pedagogical-steering-llm-productive-failure-2025|Puech et al. (2025)]] показують, що тьюторами на основі [[llm]] можна керувати так, щоб вони утримували розв’язки й вимагали кількох спроб; [[wang-safety-gap-productive-struggle-2026|Wang & Shan (2026)]] формалізують «розрив безпеки» — розбіжність між успішністю з допомогою ШІ і спроможністю без допомоги — як ціну усунення боротьби; а [[rhaimi-productivemath-2025|ProductiveMath]] використовує ШІ, щоб зменшити тягар проєктування задач PF. Це показує, що принципи бажаної труднощі перекладаються на конкретні рішення дизайну ШІ.

## Бажані труднощі проти когнітивного тертя проти продуктивного тертя

Оскільки ШІ створено безтертявим — він миттєво генерує підсумки, розв’язує рівняння й пише твори, — він може ненавмисно обійти саму ту боротьбу, яка потрібна студентові для навчання. Щоб це подолати, педагоги і технологи спираються на дві частково збіжні, але різні рамки: **бажані труднощі** і **продуктивне (або когнітивне) тертя**. Обидва виступають за те, щоб ускладнити речі для здобувача, але походять із різних галузей і націлені на різні частини навчального процесу. У цій базі знань вони розглядаються як синоніми однієї ідеї навмисного зусилля; таблиця нижче деталізує відтінки між позначками.

| Ознака | Бажані труднощі | Продуктивне / когнітивне тертя |
|---|---|---|
| Головна ціль | Максимізація довгострокової пам’яті та перенесення знань | Запобігання [[cognitive-offloading]] і підтримка [[active-learning|active engagement]] |
| Наукове коріння | Когнітивна наука та психологія (Бьорк, 1994) | Взаємодія люди з комп’ютером (HCI) та UX-дизайн |
| «Загроза» | Ілюзія компетентності (думаєш, що знаєш, бо зараз відчувається легко) | Упередженість автоматизації (дозволяєш машині думати за тебе) |
| Реалізація в ШІ | Алгоритми, що розкладають і структурують практику в часі (розподіл, чергування, пригадування) | [[conversational-ai|Chatbot]] захисні обмеження й перешкоди в інтерфейсі, які змушують здобувача працювати |

**Бажані труднощі: оптимізатор пам’яті.** Введено Робертом і Елізабет Бьорк (1994); ця рамка походить від [[cognitive-offloading|cognitive psychology]]. Її основна ідея: стратегії навчання, які відчуваються важчими й сповільнюють початкову успішність, насправді дають краще довгострокове утримання і [[transfer-of-learning|transfer]]. Бажані труднощі стосуються *того, як мозок кодує і витягує інформацію*: якщо навчання відчувається надто легким або плавним у цей момент (як повторне читання підкресленого підручника), мозок, ймовірно, не здійснює глибинної обробки, потрібної, щоб пам’ять закріпилася. У ШІ інструмент, що використовує цю рамку, змінює *[[pedagogy]]* сеансу — наприклад, просячи студента пригадати з пам’яті перед тим, як запропонувати підсумок (практика пригадування), плануючи повторення безпосередньо перед забуттям (розподіл у часі) або змішуючи типи задач (чергування) замість їх групування за категоріями. Примітно, що користь цих зусильних стратегій сама залежить від контенту: [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger & Carvalho (2025)]] показують, що практика пригадування здебільшого зміцнює дослівну пам’ять (затримуючи забуття), тоді як опанування узагальнюваної навички потребує поєднання розв’язаних прикладів із практикою, — отже, «труднощі», що допомагають, мають відповідати типу знань, яких набувають, а не застосовуватися однаково всюди.

**Продуктивне (когнітивне) тертя: захисне обмеження залученості.** Ця рамка походить від UX і дизайну взаємодії, де «тертя» зазвичай є ворогом (оформлення замовлення в один клік, миттєвий пошук). В освітніх технологіях нульове тертя означає нульове мислення: продуктивне тертя впроваджує навмисні «лежачі поліцейські» в програмне забезпечення, щоб не дати користувачу перекласти когніцію на машину. Воно стосується *взаємодії між людиною і машиною*, утримуючи користувача активно залученим і запобігаючи упередженості автоматизації — сліпій довірі до результату ШІ без його оцінювання. У ШІ інструмент, що використовує цю рамку, змінює свою *поведінку й дизайн*, щоб запобігти скороченням шляху — наприклад, [[socratic-method|Socratic]] захисне обмеження, яке утримує пряму відповідь і запитує, які символи помітив студент; контрольні точки зусилля, що відмовляються генерувати чернетку, доки не введено тезу і план; або відкладений [[feedback]], який вимагає зобов’язатися до відповіді й пояснити міркування перед тим, як розкрити розв’язок.

**Коротко:** продуктивним тертям ви забезпечуєте, що студент справді взаємодіє з матеріалом, а не дозволяє ШІ робити важку роботу; бажаними труднощами ви структуруєте *як* він взаємодіє з цим матеріалом, щоб пам’ятати це через місяць.

## Бажані труднощі в епоху ШІ

Центральна напруга для підтриманого ШІ навчання в тому, що [[generative-ai|generative AI]] за замовчуванням є технологією, що прибирає тертя: він відповідає, генерує й виготовляє відшліфовані артефакти на замовлення. У цій базі знань це розгортається в двох напрямах:

- **Ціна усунення боротьби.** Коли ШІ стирає розподіл у часі, пригадування й генерацію, здобувачі можуть показувати негайний приріст успішності, але втрачати стійке навчання та перенесення. Це безпосередньо пов’язано з висновками про [[cognitive-offloading|Over-Reliance]] і [[ai-misuse-learning-harm]]: ШІ, що прибирає бажану труднощі, породжує розрив між успішністю і навчанням, задокументований у базі доказів цієї бази знань. [[agentic-ai-pedagogical-best-practice-2026]] прямо закликає до навмисного тертя. [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025|Barcaui's (2025)]] дає цьому принципу пряму відстрочену перевірку в умовах ШІ: 120 студентів бакалаврату, які вивчали теми зі ШІ та машинного навчання з необмеженим ChatGPT, набрали 57,5% на несподіваному тесті утримання через 45 діб проти 68,5% у традиційних здобувачів (t(83) = −3.19, p = .002, d Коена = 0.68), і цей дефіцит зберігався за часу навчання як коваріати (F(1, 82) = 7.89, p = .006). Погіршення було найбільшим на технічних темах (d = 0.92) — матеріалі, де ШІ надавав найбільше допомоги і де боротьба, яку принцип називає продуктивною, потрібна найбільше.
- **Та сама модель, два захисні обмеження, протилежні результати:** студенти, яким дали необмежений GPT-4, використовували його як милицю й показали себе гірше за контрольну групу після його прибирання, тоді як студенти з тьютором під захисними обмеженнями показали себе як контрольна група; вирішувало тертя, а не модель, чи допоміг інструмент ([[young-people-learning-generative-ai-rapid-review-2026|Arthars et al. (2026)]]).
- **Повернення боротьби в дизайн.** Навчальні дизайни можуть навмисно зберігати продуктивну обробку: рутини «спершу чернетка», тьюторінг «підказка, а не відповідь», відкладений зворотний зв’язок і протоколи повторного пояснення. Це конкретні скаффолди, досліджені під рубриками [[reducing-ai-misuse]] і [[structured-llm-feedback-programming]]. Концептуальне розширення 2026 року ([[friction-paradox-generative-ai-education-abroad-2026|Gupta]]) просуває ту саму логіку за межі структурованих академічних задач — до труднощів усередині відношень: в освіті за кордоном воно стверджує, що освітнє питання не в тому, наскільки багато генеративного ШІ присутньо, а в тому, які труднощі він розчиняє, і пропонує *градієнт медіації*, що впорядковує випадки використання за [[agency]], перенесеною на систему, а не за обсягом використання.

**Перевернута U-подібність і парадокс зусилля.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom and Inzlicht (2026)]] дають найгостріше останнє формулювання того, чому усунення тертя ШІ не є автоматично добрим. Вони відрізняють ШІ від попередніх трудозберігаючих [[ai-technologies|technologies]] за двома підставами: він націлений на інтелектуальну й творчу працю, а не на фізичну чи конторську, і його усунення тертя є *крайнім* — попередні технології усували надмірне тертя, «нудні або неподоланні перешкоди, що дають малу користь для навчання або смислу», тоді як чатбот дозволяє здобувачеві пройти від генерації ідей до оцінювання «не докладаючи значущих зусиль, не ставлячи під сумнів результат і не залучаючи когнітивних процесів, які плекають власність, утримання або критичне мислення». Їхнє організівне твердження: відношення між зусиллям і смисом є криволінійним — помірне тертя посилює смисл і мотивацію, тоді як надмірне перевантажує, отже, ризик ШІ — перелетіти в надто мале тертя, а не в надмірне. Два наслідки мають педагогічне значення — зусилля саме є тренованою навичкою (винагорода процесу, а не результату, збільшує схильність прагнути й наполегливо тривати), і мотиваційні користі зусилля зникають саме в тих доменах, де ШІ його заміщає, породжуючи цикл зростаючої залежності ([[cognitive-offloading]], [[motivation]]).

## Наслідки для дизайну

1. **Не оптимізуйте під беззусильну плавність.** ШІ-тьютор, який завжди відповідає негайно, може підвищувати задоволеність, знижуючи стійке навчання; віддавайте перевагу втручанням, які спершу потребують пригадування й генерації.
2. **Розглядайте замішання як ресурс, а не дефект.** Виявляйте точки замішання й націлюйте на них персоналізовані якорі повторення, а не згладжуйте їх — модель KnowLoop Recognize→Resolve→Consolidate є конкретним патерном.
3. **Зберігайте когнітивне тертя навмисно.** Використовуйте [[scaffolding]] «підказка, а не відповідь», послідовний зворотний зв’язок і відмову відповідати там, де ціль — міркування, а не продукція.
4. **Узгоджуйте тертя з готовністю здобувача.** Бажані труднощі корисні здобувачам, які можуть залучити зусильну обробку; надмірний виклик без підтримки ризикує дати розчарування. [[scaffolding]] має утримувати здобувачів у зоні продуктивної боротьби, а не виводити за неї.

TutorMoments опрацьовує принципи бажаної труднощі як критерії оцінювання: [[zhang-tutormoments-2026|Zhang et al. (2026)]] перевіряють, чи зберігають ШІ-тьютори продуктивну боротьбу, скаффолдячи для доступу (коли потрібно) і просуваючи суворість (коли готовість є), і виявляють, що LM-тьютори за замовчуванням надмірно скаффолдять — прибираючи ту зусильну обробку, яку потребують бажані труднощі.

## Пов’язані поняття

- [[pedagogical-patterns]] — Чому зусильний порядок перевершує плавний
- [[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]] — операційні методи, які втілюють цей принцип: ефект тестування, розподіл у часі, чергування
## Пов’язані статті

- [[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

---

## [Перенесення навчання](https://edtechdev.github.io/aied/concepts/transfer-of-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Перенесення навчання** — міра того, в якій знання чи навички, набуті в одному контексті (наприклад, під час практики з інструментом ШІ), зберігаються й застосовуються в іншому контексті (наприклад, при самостійній результативності без інструмента). У [[ai-education|AI in education]] перенесення є центральним відкритим питанням: чи перетворюються здобутки результативності, які студенти демонструють *з* інструментами ШІ, на тривале навчання, яке вони можуть продемонструвати *без* них.

## Питання для роздумів

- Ось вражаючий взірець, який документує сторінка: студенти часто демонструють негайні здобутки на завданнях з підтримкою ШІ, проте ці здобутки можуть зникати — або навіть обертатися навпаки, — коли ШІ прибирають. Перш ніж читати пояснення, як ви думаєте, чому інструмент, який очевидно допомагає в цей момент, може зрештою залишити студентів у гіршому стані без нього?
- Згадайте щось, чого ви навчилися робити з тьютором, калькулятором або помічником, а потім мали зробити самостійно. Чи перенеслася навичка, чи ви відчували залежність від допомоги? Чим відрізнялися ті випадки, які переносилися добре, від тих, які не переносилися?
- Поширена інтуїція стверджує, що «практика є практика» — що виконання завдання з допомогою будує ту саму навичку, що й виконання його самостійно. Де ця інтуїція може вводити в оману, особливо коли допомога — це ШІ, який виконує міркування за вас, а не веде вас крізь нього?
- Сторінка проводить відмінність між «ефектами з» технологією та «ефектами від» неї — кращою результативністю під час використання інструмента проти зростання здатності без нього. Якщо ви викладач, проєктувальник або студент, яка з цих двох є вашою справжньою метою, і звідки ви дізналися б, що її досягли?
- Докази припускають, що важливо, скільки когнітивної роботи ви делегуєте: перекладання на інструмент поверхневих завдань, як-от граматика, шкодить перенесенню менше, ніж перекладання глибоких міркувань і структури. Подумайте про останній випадок, коли ви використали ШІ на завданні. Який «шар» ви делегували, і що ваш вибір передбачає про те, що ви зберегли б?
- Сторінка пропонує умови, які могли б підтримувати позитивне перенесення, — [[pedagogy|pedagogical]] [[guardrails]], поступове знімання підтримки, калібрування під готовність здобувача. Якби ви проєктували (або були користувачем) інструмент навчання зі ШІ, на чому б ви наполягали, щоб здобутки під час його використання стали тривалою здатністю без нього?

## Вступ

Перенесення навчання є фундаментальною проблемою освітніх [[research-methods-aied|research]], і інструменти ШІ зробили його невідкладним. Визначальним емпіричним взірцем, задокументованим у дослідженнях ШІ в освіті, є **парадокс перенесення**: студенти, що використовують ШІ, типово демонструють негайні, вимірні здобутки на завданнях, де ШІ доступний, але ці здобутки часто не зберігаються — або навіть обертаються навпаки, — коли ШІ прибирають і студенти мають продемонструвати розуміння самостійно. Цей взірець залучає [[cognitive-offloading|Over-Reliance]], теорію когнітивного навантаження та [[metacognition]] як механізми, що тут працюють, і безпосередньо пов’язується з дискусіями про проєктування [[intelligent-tutoring|AI Tutoring]].

Готовність — це не перенесення: практика усного мовлення з підтримкою ШІ асоціювалася з меншою тривожністю щодо усного мовлення та більшою готовністю спілкуватися з людьми, проте жодне з досліджень не спостерігало людського усного мовлення, залишаючи шлях від репетиції зі ШІ до людської комунікативної здібності неперевіреною педагогічною пропозицією ([[ai-speaking-practice-communicative-readiness-2026|Wang & Li (2026)]]).

### Парадокс перенесення

Студенти, що використовують ШІ, типово демонструють **негайні, вимірні здобутки** на завданнях, де ШІ доступний. Проте коли ШІ прибирають:

- Ефекти стають **змішаними або негативними**
- Здобутки часто **не переносяться** на неоцінювані ситуації
- Студенти можуть стати **залежними від інструмента** ціною самостійного міркування

База доказів, синтезована в огляді [[stanford-evidence-base-ai-k12-2026|Stanford Evidence Base on AI in K-12]], є узгодженою між доменами:

| Дослідження | Контекст | Негайний ефект | Ефект перенесення | Механізм |
|---|---|---|---|---|
| Bastani et al. (2025) | Математика в старшій школі | Вищі оцінки за практику | **~17% гірше** на письмових іспитах з книжками | Універсальний чатбот виконував роботу |
| Chen et al. (2025) | Домашні завдання з програмування | Вищі оцінки за домашні завдання | **Жодного покращення** на іспитах без допомоги | [[llm]]-Tutor розв’язував проблеми за студентів |
| Lehmann et al. (2025) | Програмування | Більше охоплених тем | **Зашкодило розумінню**; розширило прогалини | Універсальний ШІ для здобувачів із низьким рівнем попередніх знань |
| Stadler et al. (2024) | Академічні дослідження | Швидше виконання завдання | **Якість міркування нижча**, ніж у пошуку | Зменшена когнітивна [[student-engagement|engagement]] |
| Kosmyna et al. (2025) | Написання есе | Вища якість есе | **83% не змогли пригадати** власні цитати | Перекладене на інструмент авторство |

Усі п’ять досліджень демонструють взірець **негативного або нульового перенесення**, коли втручанням є універсальний ШІ.

### Механізми, що підривають перенесення

**Метакогнітивне витіснення.** ШІ, який виконує міркування, зменшує можливості студентів моніторити власне розуміння й обирати стратегії. Студенти, які користувалися ШІ, були менш здатні пояснити свої відповіді, коли їх запитували. Це пов’язується з дослідженнями [[metacognition]] про самомоніторинг та з [[vibe-compiler-metacognition-genai-agency-2026|evidence that structured courses increase metacognitive competence while raw LLM assistants do not]].

**Пригнічення коректного навантаження.** Універсальний ШІ зменшує не лише зайве (відволікаюче) когнітивне навантаження, але й *коректне* — продуктивну розумову зусилля, яка кодує тривалі знання. Легша практика відчувається краще, але зберігає слабкіші сліди. Див. теорію когнітивного навантаження та відмінність між [[stanford-evidence-base-ai-k12-2026|tutoring-specific vs general AI]].

**Надмірна залежність / зворотний ефект експертизи.** Новачки, яким дають відповіді, не будують схем. Універсальний ШІ надає відповіді; ефективний тьюторінг надає структуроване керівництво. Коли новачкам дають ярлики експертного рівня, навчання порушується — принцип [[desirable-difficulties]] у зворотному напрямі.

**Залежна від інструмента результативність.** Студенти можуть оптимізуватися під конкретні можливості інструмента ШІ ([[prompt-engineering|prompt engineering]], покладання на структуру згенерованого коду), а не будувати узагальнення в межах домену, — форма [[cognitive-offloading-speedup-illusion|cognitive offloading]], яка відчувається продуктивною, але витісняє тривале навчання.

Захищена аудиторія може також привчити до неправильної звички: [[shi-genai-experiential-learning-management-education-2026|Shi, Dai & Zhang (2026)]] попереджають, що симуляції з правилами, закріпленими заздалегідь, відфільтровують невизначеність і підсилюють дотримання правил, тому звички прийняття рішень, сформовані в них, можуть стати когнітивним тягарем, щойно студенти зустрінуть конкуруючі інтереси й неповну інформацію в реальних умовах.

**Чутливе до шарів перекладання на інструмент і перенесення.** [[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] безпосередньо перевіряє відмінність Соломона, Перкінса й Глоберсона між «ефектами з» та «ефектами від» технології в письмі з підтримкою [[generative-ai|GenAI]]: восьмитижневий квазіексперимент виявив, що відкрита співпраця зі ШІ максимізувала підтримувану результативність письма, але дала *найнижчі* незалежні результати близького перенесення без ШІ, тоді як обмежена підтримка з рефлексією зберегла незалежну компетентність. Глибші шари перекладання на інструмент (міркування, структура) передбачали гірше перенесення, ніж поверхневі шари (граматика). Це прямий доказ з аудиторії, що здобутки результативності ШІ за *підтримки з* не переносяться на незалежну результативність *від* підтримки, — і що глибина делегування, а не лише сам факт використання ШІ, формує перенесення.

Додатковий, хоч і сплутаний, приклад надходить із [[physics-education|physics]]: перепроєктування вступного курсу ядерної фізики та фізики частинок в Рурському університеті Бохум ([[ai-particle-physics-education-redesign-2026|Mikhasenko et al., 2026]]) дозволило студентам успішно виконувати спільні, багаті на ресурси дослідницькі проблеми з допомогою ШІ, проте ті самі студенти в середньому набрали 20,6/80 на звичайному письмовому іспиті без допомоги, а кілька серйозних спроб не змогли виконати стандартні обчислення. Автори читають це як доказ того, що допоможена результативність не переноситься автоматично на непідказану результативність, і їхній засіб — це свідоме проєктування: зробити письмовий іспит єдиним детермінантом оцінки, випускати задачі для семінарів заздалегідь, щоб час заняття став підготовленою дискусією, і додати передумовну підготовку, розв’язані приклади й консолідацію навколо дослідної роботи, де ШІ дозволено.

## Умови, що підтримують позитивне перенесення

Обмежені докази припускають, що перенесення можливе, коли:

- **Присутні педагогічні «стійки» безпеки** — підказки крок за кроком, націлювання на [[misconceptions|misconception]], [[socratic-method|Socratic questioning]] (тьюторінговий варіант у Bastani et al., 2025)
- **Традиційні стратегії збережені** — конспектування, поєднане з використанням ШІ, покращило утримання (Kreijkes et al., 2026)
- **ШІ використовується для [[formative-assessment|formative]], а не [[summative-assessment|summative]], практики** — скаффолдинг під час навчання, а не під час оцінювання
- **Формат практики відповідає знанням, що переносяться.** [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger & Carvalho (2025)]] знаходять, що здобутки практики відтворення часто не переносяться на незнайомі проблеми — вони зміцнюють пам’ять на процедуру, не уможливлюючи її використання в нових контекстах, — і що тривале узагальнення на нові застосування вимагає поєднання практики з розв’язаними прикладами, які підтримують індукцію навички; тому оптимальне співвідношення прикладів і проблем залежить від того, чи є зміст буквальним фактом, або узагальнюваною навичкою.
- **Експертиза здобувача калібрована** — інструмент адаптує підтримку під готовність, а не типово надає повну допомогу

- **Перенесення як критерій, який відділяє навчання від допомоги.** [[yan-agentivism-learning-theory-ai-2026|Yan and Gašević (2026)]] будують свою теорію навчання людини зі ШІ навколо перенесення за зменшеної підтримки: допоможена результативність зараховується як навчання лише тоді, коли здатність зберігається після зняття підтримки, що робить перенесення випробуванням, а не одним результатом серед інших. Їхня теза є напрямленою: вимога перевірки джерела або обґрунтування під час роботи з підтримкою ШІ має покращувати відстрочену результативність, тоді як повторне делегування з низьким опором без реконструкції має послаблювати калібрування здобувачами власної компетентності.
- **Керівництво розміщене разом із роботою.** Проти взірця негативного перенесення в таблиці вище порівняння 36 учасників виявило, що здобувачі, допомоганим настільним роботом, зберегли свій бал на рівні 7,0/10 після зняття допомоги, тоді як здобувачі з допомогою ChatGPT впали до 4,4/10 — на 60% вищий бал короткострокового перенесення ([[aifred-desk-robotic-ai-guidance-2026|Orlando et al. (2026)]]). Результат є короткостроковим перенесенням, виміряним приблизно через 35 хвилин після завдання, без відстроченого тесту на утримання, у 36 учасників на одному кампусі.

Це узгоджується з дослідженнями [[intelligent-tutoring|AI Tutoring]], які показують, що тьюторінгові інструменти з педагогічними «стійками» безпеки перевершують універсальні [[conversational-ai|chatbots]], а також із принципами [[scaffolding]] про поступове знімання підтримки в міру зростання компетентності.

### Невідповідені питання

1. **Масштаб часу:** чи покращується перенесення за тижні/місяці використання, чи поглиблюється залежність?
2. **Відмінності між доменами:** чи краще перенесення в добре структурованих доменах (математика), ніж у слабко структурованих (письмо)?
3. **Індивідуальні відмінності:** чи менше втрачають перенесення студенти з високим рівнем [[prior-knowledge]], ніж новачки?
4. **Корекція навичок:** чи можуть явні сесії практики «без ШІ» обернути залежність від інструмента?

### Зв’язки з пов’язаними поняттями

Перенесення навчання пов’язується з [[metacognition]] (самомоніторинг розуміння), теорією когнітивного навантаження (коректне проти зайвого навантаження), [[desirable-difficulties]] (продуктивна боротьба), [[scaffolding]] (поступове знімання підтримки), [[cognitive-offloading|Over-Reliance]] (залежність від інструмента) та [[sociocultural-learning]] (універсальний ШІ діє за межами ЗПР, виконуючи роботу за студентів). Це між містом допоможеної результативності та справжнього навчання — відмінність між [[stanford-evidence-base-ai-k12-2026]] та центральним питанням ефективності [[intelligent-tutoring|AI Tutoring]].

## Пов’язані поняття

- [[pedagogical-patterns]] — Результат, за яким зрештою судять більшість із цих послідовностей
- [[metacognition]]
- [[desirable-difficulties]]
- [[cognitive-offloading]]
- [[scaffolding]]
- [[sociocultural-learning]]
- [[intelligent-tutoring]]
- [[k-12]]
- [[self-regulated-learning]]
- [[learning-theories]]
- [[productive-failure]] — Продуктивний провал

## Пов’язані статті

- [[yan-agentivism-learning-theory-ai-2026]] — Теорія навчання середнього рівня для взаємодії людини зі ШІ, із чотирма механізмами та шістьма перевірними тезами (Yan and Gašević 2026)
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Чутливе до шарів когнітивне перекладання на інструмент у письмі з підтримкою 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]] — Відмінність між результативністю та навчанням і тривале перенесення
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Педагогічне керування LLM для продуктивного провалу
- [[rachatasumrit-example-problem-ratio-2026]]
- [[ai-particle-physics-education-redesign-2026]] — ШІ в освіті з фізики частинок: дослідницькі проблеми та фундаментальні навички
- [[shi-genai-experiential-learning-management-education-2026]] — стверджує, що захищені симуляції в аудиторії можуть формувати звички прийняття рішень, які зазнають невдачі за їхніми межами
- [[ai-speaking-practice-communicative-readiness-2026]] — Практика усного мовлення з підтримкою ШІ підвищила готовність спілкуватися з людьми, але жодне дослідження не спостерігало людського усного мовлення
- [[aifred-desk-robotic-ai-guidance-2026]] — AIfred: посилене навчання через функціональне роботизоване втілення на робочому столі

---

## [Попередні знання](https://edtechdev.github.io/aied/concepts/prior-knowledge/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Попередні знання** — наявні знання, навички, переконання й розумові моделі, з якими здобувач приходить до нового навчального завдання. Це найпотужніший передбачник подальшого навчання: нова інформація інтерпретується крізь призму того, що здобувач уже знає, і інтегрується з ним, тому навчання, яке активує й розбудовує попередні знання, дає сильніші та стійкіші результати, ніж навчання, яке розглядає кожного здобувача як чисту дошку. У [[ai-education|ШІ в освіті]] попередні знання є центральними для [[student-modeling]] (адаптації [[personalized-learning|навчання]] до поточного стану здобувача), для [[constructivist]] принципу, що знання активно конструюється поверх наявних розумових моделей, і для ризику того, що інструменти ШІ, які заздалегідь вилучають і виносять контент, обходять [[retrieval-spacing-interleaving|практику відтворення]], що активує попередні знання.

## Питання для роздумів

- Що таке те, що ви вивчили глибоко, і що таке те, чого ви ледве навчилися? Наскільки ця різниця зумовлювалася тим, що ви вже знали на початку?
- Мати попередні знання недостатньо — їх треба активно відтворювати та з’єднувати. Коли пригадування вже відомого (або нездатність це зробити) змінювало, наскільки добре ви навчилися чогось нового?
- Сторінка стверджує, що попередні знання можуть *заважати*, коли вони хибні (хибне уявлення). Чи можете ви згадати переконання, яке ви поділяли і яке ускладнювало засвоєння нової, правильної інформації?
- Генеративний ШІ, який заздалегідь знаходить відповіді, може обходити практику відтворення, що активує попередні знання. Як інструмент, створений, щоб допомагати вам навчатися, може насправді завадити вам пригадати те, що ви знаєте?
- Якщо ШІ має оцінювати ваш стан попередніх знань, щоб персоналізувати навчання, що стається, коли ця оцінка хибна? Наскільки ви впевнені, що система може точно знати, що ви вже знаєте?
- Чим «активація попередніх знань» відрізняється від простого запитання студентам перед [[teacher-role|викладанням]]? Що зробило б цю активацію справді поглиблювальною для подальшого навчання?

## Вступ

Активація попередніх знань є одним із найстійкіших висновків [[learning-sciences|наук про навчання]]: здобувачі не засвоюють новий матеріал у вакуумі, а відображають його на наявні схеми, і якість цього відображення визначає збереження й [[transfer-of-learning|перенесення]]. Це поняття лежить в основі організаторів наперед Аузубеля, активації попередніх знань перед новим навчанням, практики відтворення як форми активації та зміцнення відомого, а також діагностичного [[assessment]] того, що здобувачі вже знають. В епоху ШІ попередні знання набули нової нагальності, оскільки [[generative-ai|генеративний ШІ]] може або *підтримувати* активацію ([[prompt-engineering|підказками]], які спонукають здобувачів пригадати й з’єднати відоме), або *обходити* її повністю (миттєво видаючи відповідь або заздалегідь вилучений контент, який здобувач ніколи не мусив відтворювати чи інтегрувати).

## Роль попередніх знань

- **Це найпотужніший передбачник навчання.** Десятиліття [[research-methods-aied|досліджень]] показують, що те, що здобувач уже знає, корелює з [[learning-gains|навчальними результатами]] сильніше, ніж майже будь-який інший фактор, оскільки нова інформація кодується відносно наявних розумових моделей. Тому системи ШІ, які адаптуються до стану попередніх знань кожного здобувача, несуть особливу обіцянку для ефективності та [[transfer-of-learning|перенесення]].
- **Активація важлива, а не лише наявність.** Мати попередні знання недостатньо — їх треба активно відтворювати та з’єднувати з новим матеріалом. Саме тому «активація попередніх знань» є стандартним [[pedagogy|навчальним]] ходом, і саме тому практика відтворення (пригадування відомого перед його доповненням) покращує навчання понад простий повторний контакт.
- **Вона не завжди передбачає, хто виконує роботу, що рухає навчання.** У п’ятиденному дослідженні навчання через навчання зі 23 репетиторами з середньої школи попередні бали за тестами не передбачали частку відповідей, що будують знання, які дав репетитор, а репетитори зі слабкими попередніми знаннями, які будували знання, закінчили статистично нарівні з однокурсниками з сильними попередніми знаннями ([[knowledge-building-tutor-learning-2026|Ameen et al., 2026]]).
- **Вона формує інтерпретацію.** Здобувачі інтерпретують нову інформацію крізь призму вже наявних переконань. Коли ці переконання хибні ([[misconceptions]]), попередні знання можуть *заважати* навчанню, і саме тому навчання має виявляти та опрацьовувати хибні уявлення, а не припускати нейтральну відправну точку.
- **Вона рухає моделювання студента.** Щоб персоналізувати, система ШІ має оцінювати стан попередніх знань здобувача — основу [[knowledge-tracing]], моделювання студента та адаптивного [[scaffolding]]. Якість цих оцінок визначає, чи є адаптація справді корисною, чи оманливою.
- **Зміст знань визначає, яку практику процесу він залучає.** Те, чи спирається навчання на пам’ять чи на індукцію, задається структурою попередніх знань цілі: [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger & Carvalho (2025)]] дотримуються рамки [[learning-theories|KLI]], розрізняючи компоненти знань із сталими умовами та відгуками (факти, що набуваються через пам’ять і практику відтворення) від тих, що мають змінні умови та відгуки (навички, що набуваються через індукцію та узагальнення на нові входи) — чому оптимальне співвідношення розв’язаних прикладів і практики різниться для змісту-фактів і змісту-навичок.

## Попередні знання в епоху ШІ

Генеративний ШІ зробив попередні знання центральним чинником проєктування, а не фоновою змінною:

- **Ризик обходу.** [[agentic-ai-pedagogical-best-practice-2026|Проактивний агентний ШІ]], який заздалегідь вилучає та виносить контент, може обходити практику відтворення, що активує попередні знання, — здобувач ніколи не мусить пригадати або інтегрувати відоме перед отриманням відповіді. Це один із шести педагогічних ризиків, виявлених у рамці найкращих практик [[agentic-ai|агентної]] освіти, і він безпосередньо пов’язаний із [[cognitive-offloading|надмірною опорою]] та принципом [[desirable-difficulties]], згідно з яким зусилна обробка підтримує стійке навчання.
- **Попередні знання формують структуру розвантаження, а не лише результати.** У дослідженні письма-синтезу кластер із високими знаннями й мінімальним розвантаженням написав 80% свого есе проти 2% у кластера з найсильнішим розвантаженням (у середньому 25,1 підказка), тому обсяг підказок відстежував попередні знання, а не зусилля ([[cognitive-offloading-llm-synthesis-writing|Poquet et al. (2026)]]).
- **Розрив у користі накопичується.** Оскільки продуктивне використання ШІ залежить від того, що здобувач уже знає, студенти з сильнішими попередніми знаннями використовують його краще, тоді як новачки найімовірніше розглядають його як замінник — розподільний ризик, який може розширювати розриви в здобутках навіть за рівного доступу ([[lodge-loble-cognitive-offloading-2026|Lodge & Loble (2026)]]).
- **Праймування та активація як проєктування.** [[genai-mindtool-generative-learning|Підходи до GenAI як розумового інструменту]] свідомо «праймують навчальне завдання», активуючи попередні знання та цікавість через підказки-питання, згенеровані ШІ візуалізації та аналогії (наприклад, «Що ви вже знаєте про екосистеми?») перед введенням нового контенту — моделюючи шлях відтворення-та-інтеграції, а не шлях постачання відповідей.
- **Моделювання студента та пам’ять.** Системи ШІ все частіше моделюють стан попередніх знань здобувача та його довгострокову пам’ять (наприклад, включаючи стан попередніх знань і криві забування в пам’ять репетитора), уможливлюючи інтервальне повторення та адактивне повторення, що розбудовують те, що кожен здобувач уже знає.([[nie-personavlm-long-term-personalization-2026]])
- **Важіль персоналізованої адаптації.** Оскільки здобувачі сильно різняться за попередніми знаннями, адаптація має бути налаштована на індивіда — ключовий аргумент на користь [[personalized-learning]] та адаптивного [[scaffolding]], які зустрічають здобувачів у їхньому фактичному поточному стані, а не в припущенні про класовий середній.

## Наслідки для проєктування ШІ в освіті

1. **Активуйте перед тим, як постачати.** Проєктуйте взаємодії зі ШІ так, щоб вони спонукали здобувачів відтворити й сформулювати вже відоме перед постачанням нового контенту чи відповідей — зберігаючи практику відтворення, а не обходячи її.
2. **Моделюйте стан попередніх знань здобувача.** Базуйте моделювання студента та адаптацію на оцінених попередніх знаннях (і пов’язаних із ними хибних уявленнях), а не на припущенні однорідності, щоб персоналізація була справді відгуковою.
3. **Виявляйте та опрацьовуйте хибні уявлення.** Коли попередні знання хибні, вони заважатимуть; навчання має викликати та виправляти хибні уявлення, а не додавати новий контент поверх хибних підстав.
4. **Зважуйте компроміс із тертям.** Активація попередніх знань додає бажану трудність (відтворення, інтеграцію), яку типові налаштування ШІ, знімаючі тертя, схильні стирати, — це напруження треба керувати свідомо, а не дозволяти автоматизації вирішувати його за замовчуванням.

## Пов’язані поняття

- [[learners]] — Здобувачі: головна категорія для понять на боці здобувача
- [[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]] — Продуктивна невдача
- [[retrieval-spacing-interleaving]] — як те, що здобувач уже знає, визначає, що може зробити практика відтворення

## Пов’язані статті

- [[agentic-ai-pedagogical-best-practice-2026]] — Напруження між автоматизацією та навчанням (ризик активації попередніх знань)
- [[genai-mindtool-generative-learning]] — GenAI як розумовий інструмент: праймування та активація попередніх знань
- [[nie-personavlm-long-term-personalization-2026]] — Моделювання студента та пам’ять на базі LLM
- [[lodge-loble-cognitive-offloading-2026]] — Lodge & Loble про когнітивне розвантаження
- [[cognitive-offloading-llm-synthesis-writing]] — Когнітивне розвантаження в письмі-синтезі за допомогою LLM
- [[bridging-instructional-design-framework-math]] — Рамка навчального проєктування для математики
- [[knowledge-building-tutor-learning-2026]] — будуювання знань, а не попередні знання, передбачає навчання репетитора, і репетитори зі слабкими попередніми знаннями, які будують знання, доганяють однокурсників
- [[rachatasumrit-example-problem-ratio-2026]]

---

## [Рамкова модель ICAP](https://edtechdev.github.io/aied/concepts/icap-framework/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Рамкова модель ICAP** (Interactive–Constructive–Active–Passive — інтерактивний, конструктивний, активний, пасивний) — таксономія когнітивної залученості, розроблена Michelene Chi, яка класифікує поведінку здобувача на чотири режими зміни знань, від найменш когнітивно залученого до найбільш: *пасивний*, *активний*, *конструктивний* та *інтерактивний*. В освіті зі ШІ ICAP слугує і ціллю проєктування (створювати інструменти, що спонукають до конструктивної та інтерактивної залученості, а не до пасивного споживання), і лінзою оцінювання (вимірювати, чи здійснюється залученість здобувачів і систем ШІ справді на вищих режимах).([[hingle-collaborative-ai-literacy-2025]])([[icap-cognitive-engagement-llm-agents]])

## Питання для роздумів

- Згадайте останній раз, коли ви «навчилися» чогось, подивившись відео або почитавши. Рамкова модель ICAP назвала б це пасивним. Що ви насправді утримуєте від пасивного сприйняття порівняно з тим, коли ви пояснюєте це комусь іншому?
- ICAP розташовує залученість від пасивної до активної, конструктивної та інтерактивної. Де інструменти ШІ, якими ви користувалися, зазвичай утримують здобувачів — і чи вважається проходження адаптивної практики натисканням кнопок справжньою залученістю, чи просто активністю?
- Сторінка стверджує, що найважливішим зрушенням є перехід від Active (активного) до Constructive (конструктивного) — створення пояснень або нових артефактів замість простого застосування знань. Чому саме створення чогось нового може бути тим кроком, який справді змінює розуміння?
- Одне дослідження виявило, що експерти-люди значно перевершують моделі ШІ в розмітці рівнів залученості. Якщо автоматизовані системи систематично недооцінюють залученість, як нам слід ставитися до метрик «залученості», згенерованих ШІ?
- ICAP показує, що інструмент, який відповідає за вас, утримує вас у пасивному стані, тоді як той, що підказує і ставить питання, штовхає вас до конструктивної та інтерактивної залученості. Який вибір у проєктуванні ви б зробили для своїх здобувачів?
- Рамкова модель використовується і як ціль проєктування, і як лінза оцінювання. Як би ви могли застосувати ICAP у власному викладанні або проєктуванні, щоб з’ясувати, чи є залученість здобувачів справжньою, а не лише активною?

## Вступ

ICAP ґрунтується на припущенні, що *те, що роблять здобувачі*, визначає, скільки і чого вони навчаються. Модель Чі стверджує, що коли залученість переходить від пасивної до активної, конструктивної та інтерактивної, характер зміни знань поглиблюється — від зберігання до уваги, до інтеграції нових знань з попередніми, до спільного створення знань у діалозі. Це робить ICAP потужним аналітичним інструментом для освіти зі ШІ, де центральне питання проєктування полягає в тому, чи підтримує допомога ШІ когнітивну залученість здобувачів, чи витісняє її.

## Чотири режими

| Режим | Поведінка здобувача | Характер зміни знань |
|------|------------------|---------------------------|
| **Інтерактивний** | Діалог з іншим здобувачем або агентом, співпобудова значення; напр. захист позиції, [[collaborative-learning|collaborative problem-solving]] | Співстворення нових знань через спільну, взаємну діяльність |
| **Конструктивний** | Створення нового результату за межами заданого; напр. самооб’яснення, порівняння, рефлексія, малювання | Інтеграція нової інформації з попередніми знаннями для створення нового розуміння |
| **Активний** | Маніпулювання матеріалом або дія над ним; напр. ведення нотаток, підкреслювання, зупинка для роздумів | Звернення уваги на інформацію та її зберігання, іноді без глибокої інтеграції |
| **Пасивний** | Отримання інформації без відкритої дії; напр. слухання лекції, читання | Зберігання інформації з обмеженою подальшою обробкою |

## ICAP в освіті зі ШІ

### Ціль проєктування для інструментів ШІ

ICAP переформулює центральне питання проєктування для освіти зі ШІ: інструмент ШІ, який *відповідає за* здобувача, утримує його в пасивному/активному режимах, тоді як інструмент, який *підказує, ставить питання та [[scaffolding|scaffolds]]*, може штовхнути здобувачів до конструктивної та інтерактивної залученості. Це узгоджує ICAP з [[constructivist]] педагогікою та дослідженнями [[active-learning]].([[multimodal-learning-genai]])([[hingle-collaborative-ai-literacy-2025]])

### Лінза оцінювання для агентів ШІ

ICAP також слугує рамкою вимірювання. В одному дослідженні вчені розширили ICAP до 7-бальної шкали, щоб описати когнітивну залученість у колаборативному діалозі, а потім порівняли навчених людських анотаторів із розміткою на основі LLM (навчання в контексті, zero-shot підказки та рефлексивні агенти). Надійність між оцінювачами-людьми (каппа = 0,906–0,998) значно перевищувала анотування LLM (каппа = 0,541–0,609), що підкреслює роль ICAP — а також її поточні межі — в автоматизованому вимірюванні залученості для конвеєрів [[learning-analytics]].([[icap-cognitive-engagement-llm-agents]])

### Напрямлення фасилітації колаборативного діалогу

Оскільки інтерактивна залученість є найвищим режимом ICAP, модель допомагає визначити цінність фасилітації ШІ в [[collaborative-learning|online collaborative discussion]]. [[llm-facilitation-timing-online-discussions|Research on LLM facilitation timing]] показує, що *коли* ШІ втручається в обговорення, визначає, чи підтримує воно співпобудову інтерактивних знань, чи перериває її — це попередження на основі ICAP про те, що автономним агентам модерації потрібне калібрування на людську стриманість, а не на надто завзяту фасилітацію.

### ICAP і проєктування аналітики навчання

ICAP становить основу критики поверхневих метрик «залученості»: взаємодія з панеллю керування шляхом натискання фільтрів — це *активна*, а не *інтерактивна* залученість. Ефективні проєкти аналітики навчання спонукають до самооцінки та двобічного діалогу, а не лише відображають дані — висновок, зроблений безпосередньо з моделі Чі.([[interactive-learning-dashboards-engagement]])

### Перехід Active→Constructive як вирішальний крок

Хоча ICAP описує ієрархію, найважливішим для навчання зрушенням є стрибок з режиму *Active* (активного) в режим *Constructive* (конструктивний) (Chi & Boucher, 2023). Активна залученість (застосування знань до схожих, але не ідентичних сценаріїв) готує здобувачів, але саме конструктивна залученість — створення пояснень, узагальнень або нових артефактів — дає їм змогу створювати нові знання. Це суть питання для освіти зі ШІ: інструмент, який утримує здобувачів в активному режимі (напр. проходження адаптивної практики натисканням кнопок), може виглядати продуктивно, але ніколи не штовхає їх у конструктивне створення, що дає стійке розуміння. Колаборативні та орієнтовані на грамотність інтервенції, які свідомо підтримують скаффолдингом стрибок Active→Constructive, як правило, демонструють найсильніші здобутки.([[hingle-collaborative-ai-literacy-2025]])

### ICAP як сигнал адаптивного скаффолдингу в ITS

Режими ICAP можна операціоналізувати як *цільові стани*, серед яких адаптивний репетитор вибирає, щоб підтримувати скаффолдингом когнітивну залученість на основі розвивної моделі студента. В інтелектуальній системі навчання з логіки [[adaptive-scaffolding-cognitive-engagement-its|Dey Tithi et al.]] динамічно вибирали між *активним* режимом «Керованих» розв’язаних прикладів і *конструктивним* режимом «Хибних» прикладів. Порівнюючи Bayesian Knowledge Tracing (BKT) із Deep Reinforcement Learning (DRL) та неадаптивним базовим варіантом на вибірці зі 113 студентів, обидві адаптивні стратегії покращили результати післятестового контролю — але по-різному: BKT дав найбільші здобутки студентам із низьким початковим рівнем знань (допомігши їм наздогнати), тоді як DRL забезпечив найвищі бали після тесту серед студентів із високим початковим рівнем знань. Це конкретна демонстрація того, що ефективна *персоналізація* режиму ICAP інтелектуального репетитора залежить від моделювання поточних знань здобувача — і що жоден окремий режим чи адаптивний метод не підходить усім здобувачам. Це пов’язує ієрархію ICAP безпосередньо з проєктуванням [[adaptive-learning]] та [[knowledge-tracing]].

### ICAP як модель когнітивного стану для генерування людських агентів

Окрім вибору режимів завдань, ICAP було безпосередньо вбудовано в *когнітивну модель* генеративного освітнього агента. [[cogevolution-student-cognitive-evolution-agent-2026|CogEvolution]] будує заснований на ICAP «перцептрон когнітивної глибини», який відображає вхідні дані на розподіл ймовірностей між чотирма рівнями ICAP, поєднуючи це з натхненними еволюцією оновленнями стану та відтворенням пам’яті на основі теорії відгуку на пункти для симуляції когнітивної еволюції студента (включно з такими переходами, як плутанина → прозріння). Абляції показують, що видалення модуля сприйняття ICAP руйнує здатність агента відрізняти поверхневе навчання від глибокого — доказ того, що таксономія ICAP може слугувати детальною внутрішньою мірою когнітивної залученості для [[simulating-students|student simulation]], а не лише зовнішньою лінзою оцінювання.

### ICAP як основа оцінювання рефлексивної взаємодії з GenAI

Акцент ICAP на генеративній, процесуальній залученості було прийнято рамками оцінювання, які аналізують *як* студенти навчаються з генеративним ШІ. [[assessing-student-drive-framework-2025|The DRIVE framework]] явно узгоджує свою основну конструкцію — глибоку рефлексивну взаємодію з результатами GenAI — з типом генеративної залученості, який ICAP визначає як такий, що веде до глибшого навчання, і використовує її, щоб відрізняти поверхневе споживання від напруженої, рефлексивної переробки згенерованого ШІ змісту. Це позиціонує ICAP як теоретичну основу для проєктування та вимірювання значущих навчальних взаємодій із [[generative-ai|GenAI]], а не лише відстеження використання.

## Наслідки для проєктування та досліджень

1. **Проєктуйте для вищих режимів.** Інструменти ШІ мають спонукати здобувачів створювати, пояснювати та вести діалог — конструктивну та інтерактивну діяльність — а не постачати пасивний зміст чи діяти як машини для відповідей.([[multimodal-learning-genai]])
2. **Залучайте здобувачів на всіх режимах.** Ефективна інструкція з [[ai-literacy|AI literacy]] залучає здобувачів на кількох рівнях ICAP — пасивне сприйняття, активна маніпуляція, конструктивне створення та інтерактивний діалог — вибираючи режим, що відповідає навчальній меті.([[hingle-collaborative-ai-literacy-2025]])
3. **Вимірюйте залученість чесно.** ICAP дає дослідникам і проєктувальникам спільний словник для розрізнення справжньої когнітивної залученості та простої активності — коректив до поверхневого поняття [[student-engagement]].([[icap-cognitive-engagement-llm-agents]])
4. **Стежте за розривом у людсько-LLM анотуванні.** Якщо для кодування залученості використовуються автоматизовані системи, їх систематичне відставання від навчених людей має бути враховане.([[icap-cognitive-engagement-llm-agents]])

## Пов’язані поняття

- [[active-learning]]
- [[collaborative-learning]]
- [[student-engagement]]
- [[learning-analytics]]
- [[constructivist]]
- [[learning-design]]
- [[metacognition]]
- [[ai-literacy]]
- [[human-in-the-loop-ai]]
- [[limitations-in-aied-research]]

## Пов’язані статті

- [[icap-cognitive-engagement-llm-agents]] — Розширена рамкова модель ICAP для вимірювання залученості з людським і LLM-анотуванням
- [[hingle-collaborative-ai-literacy-2025]] — Колаборативна ШІ-грамотність у чотирьох режимах ICAP
- [[interactive-learning-dashboards-engagement]] — ICAP як критика поверхневої залученості в аналітиці навчання
- [[multimodal-learning-genai]] — ICAP та когнітивна залученість у проєктуванні мультимодального навчання
- [[llm-facilitation-timing-online-discussions]] — Час фасилітації за допомогою LLM у мережевих колаборативних обговореннях
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивний скаффолдинг ICAP в інтелектуальній системі навчання (BKT проти DRL)
- [[cogevolution-student-cognitive-evolution-agent-2026]] — Модель когнітивної глибини ICAP в генеративному агенті симуляції студента
- [[assessing-student-drive-framework-2025]] — Закріплене на ICAP оцінювання рефлексивної взаємодії з GenAI

---

## [Хибні уявлення про AI](https://edtechdev.github.io/aied/concepts/misconceptions/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Хибні уявлення про AI** — неточні уявлення, які люди мають про те, що таке AI-системи, що вони роблять і що означає їхнє використання для навчання та роботи. Хибні уявлення — не одне неправильне твердження, а родина помилок калібрування, що групуються навколо двох ключових помилок: помилкового судження про те, чим є модель (авторитет проти інструмента, нейтральна проти упередженої, розуміння проти генерації), і помилкового судження про те, чого вимагає навчання (результат проти процесу). Їх поділяють не лише здобувачі, а й викладачі, адміністратори, політики й широка публіка, — і їхнє виправлення є ключовою метою освіти з [[ai-literacy]] та калібрування [[trust-calibration]].

## Питання для роздумів

- Багато людей вірять, що відповідь AI-чат-бота — це перевірений факт, бо вона звучить упевнено й вільно. Сторінка назива це «хибою авторитету». Коли ви читаєте AI-генероване пояснення, як ви вирішуєте, чи прийняти його, — і як часто ви насправді його перевіряєте?
- Хибне уявлення «навчання дорівнює результату» — це віра, що створення роботи за допомогою AI — це те саме, що її засвоєння. Чи траплялося вам відчувати, що ви «навчилися» чогось, дозволивши інструменту зробити чернетку? Чого насправді бракувало потім?
- Люди часто припускають, що AI є об’єктивним і неупередженим. Сторінка назива це «ілюзією нейтральності» — моделі кодують упередження з навчальних даних, що в контекстах письма може гомогенізувати ідеї в межах цілої групи. Де може ховатися упередженість в інструменті, який здається нейтральним?
- Хибні уявлення про академічну доброчесність групуються на двох крайнощах: деякі здобувачі сприймають результат AI як «не копіювання людини» і тому допустимий, тоді як інші вважають, що будь-яке використання — це обман. Де, на вашу думку, має проходити межа, і хто має її визначати?
- Поширена віра: одного запиту достатньо, а результат AI детермінований — те саме питання завжди дає ту саму відповідь. Сторінка описує це як помилку детермінізму. Як це хибне уявлення може призвести до надмірної довіри до єдиного результату?
- Хибні уявлення описуються як стійкі, правдоподібні й опірні до виправлення — подібно до хибних уявлень у будь-якій галузі. Якщо сама розповідь правди рідко змінює думки, як насправді слід викладати ШІ-грамотність?

## Вступ

Хибні уявлення про AI важливі, бо вони є когнітивним передвісником шкідливих поведінок, які база знань документує під занепокоєннями [[cognitive-offloading|Over-Reliance]] та [[academic-integrity]]. Люди рідко свідомо ставлять собі за мету [[ai-misuse-learning-harm|misuse]] AI; вони роблять це, бо неточні розумові моделі ведуть їх до помилкового розміщення довіри, пропуску перевірки та трактування результату як розуміння. В освіті ці помилки формують усе — від того, як здобувачі вчаться, до того, як викладачі та установи проєктують навчальні програми, [[assessment]] й політику.

### Чим є хибні уявлення про AI

Хибне уявлення тут — не просто незнання того, як працює модель, — це активно поділяне, часто самопідсилювальне уявлення, яке продукує систематичні помилки в тому, як здобувачі взаємодіють з AI. Вони прямо аналогічні предметним хибним уявленням, що досліджуються в [[learning-sciences|learning science]]: стійкі, правдоподібні та опірні до виправлення, доки не зіткнуться зі спростуванням. Їхнє виправлення є ключовою метою освіти з [[ai-literacy]] та калібрування [[trust-calibration]].

### Поширені хибні уявлення в академічних контекстах

- **Хиба авторитету** — трактування результату [[llm]] як перевіреного факту, а не ймовірнісного завершення. Породжує некритичне прийняття та патерн «пошук відповіді переважає розуміння», задокументований у дослідженнях [[intelligent-tutoring|AI-tutoring]], де здобувачі приймають відповідь моделі, не перевіряючи її проти [[hallucination-risk]].
- **Ілюзія незалежної перевірки** — трактування зворотного зв’язку AI як зовнішнього виправлення, коли модель дзеркалить ваше власне міркування. Базова точність користувачів була домінантним предиктором фінальної продуктивності, і підказування, специфічне для підлабузництва, скоротило позиційне мімікрування (OR = 0,26), але не торкнулося поширення помилок, тому навчання здобувача не є тим гарантом ([[contextual-sycophancy-ai-literacy|Koyuturk et al. (2026)]]).
- **Навчання дорівнює результату** — віра, що створення роботи *разом із* AI — це те саме, що її засвоєння. Це та сама помилка, що лежить за [[cognitive-offloading|Over-Reliance]]: процеси чернеткування, пригадування та перероблення, які будують стійкі знання, віддаються на аутсорс.
- **Ілюзія нейтральності** — припущення, що AI є об’єктивним і неупередженим. Здобувачі часто не помічають, що моделі кодують упередження навчальних даних і що в контекстах [[writing-education]] це дає гомогенізацію ідей у межах групи.
- **Сіра зона доброчесності** — помилкове судження про те, чи є [[academic-integrity|AI use is acceptable]]. Деякі здобувачі сприймають результат AI як «не копіювання людини» і тому допустимий; інші надвиправляються й вважають, що *будь-яке* використання — це обман. [[governance|Institutional]] непослідовність живить обидві помилки.
- **Антропоморфізація** — віра, що модель має намір, пам’ять і розуміння *вашого* контексту. Ця надмірна довіра особливо ризикована академічно, бо здобувачі можуть спиратися на правдоподібно звучащі пояснення, які модель насправді не може обґрунтувати.
- **Помилка детермінізму** — очікування, що одного запиту достатньо, і неусвідомлення того, що результат є недетермінованим і чутливим до підказки. Недооцінка цього дає «розрив у [[prompt-engineering|prompting]]», де здобувачі помилково сприймають поверхневі результати за стелю інструмента.
- **Некаліброваність [[ai-detection|detection]]** — недооцінка як інституційного виявлення, так і, що важливіше, самопошкодження від здачі роботи, яку вони потім не зможуть пояснити або захистити.
- **Ілюзія ефективності** — трактування зекономленого часу як чистого приросту, при пропуску того, що невправовані фундаментальні навички атрофуються і що новачки ще не можуть відрізняти добрий результат від поганого.
- **Ілюзія дружності–безпеки (в дітей)** — віра, що AI, який здається дружнім, є неявно безпечним і менш імовірно шпигує. [[children-ai-safety-misconceptions-2026|Leisten et al. (2026)]] опитали 71 дитину віком 10–16 (*M*віку = 12,90) і провели шість фокус-груп (n = 36) навколо соціального робота Blossom із [[open-source]], виявивши, що базові AI-знання надійно зростають з віком (*M* = 4,41 із 6; β = 0,17), тоді як ставлення до безпеки залишається амбивалентним (важливість *M* = 2,51, поточна безпека *M* = 2,77 за шкалою 1–4), що фіксується в уявленні 12–13-річної дитини, що «можливо, якщо вони добрі друзі, він не так уже й багато шпигує», — поряд із вірою, що AI-знання можна видалити натиском кнопки, що злом веде до викрадення, і що «вайфай випромінює в мозок».

### Інституційні та публічні міфи про AI

Хибні уявлення не обмежені здобувачами — вони просякнуті інституційним та публічним дискурсом про AI, який здобувачі успадковують. [[rudolph-ai-myths-critical-higher-ed|Rudolph et al. (2025)]] руйнують вісім закоренілих «міфів», які формують політику та викладання у вищій освіті: що AI справді «штучний» (а не побудований із експлуатованої людської праці), що він справді «інтелектуальний» і [[agentic-ai|agentic]], що він безпроблемно «зробить світ кращим», що він «об’єктивний і неупереджений», що США мають монополію єдиної супердержави, що він не порушить ринок праці, що він «революціонізує [[higher-ed|higher education]]», і що викладачі можуть надійно виявляти AI-генеровані роботи. Ці інституційні міфи є джерелом угорі від багатьох хибних уявлень здобувачів, задокументованих вище, — найпряміше [[trust|neutrality illusion]] («AI є об’єктивним») та [[trust-calibration|authority fallacy]] («AI є інтелектуальним»), і некаліброваності виявлення, яка веде здобувачів припускати, що невиявне, неперевірне використання є безпечним. Там, де здобувачі засвоюють і діють за інституційно повторюваними міфами, їхнє виправлення вимагає протистояння не лише уявленню здобувача, а й дискурсу, який його живить.

### Чому хибні уявлення важливі для навчання

Хибні уявлення перекладаються прямо в поведінки, які спричиняють шкоду навчанню. Уявлення, що «AI завжди правий», придушує перевірку; уявлення, що «використання AI — це навчання», придушує зусильну обробку; уявлення, що «це не обман», оминає метакогнітивний огляд, який консолідує розуміння. У цьому сенсі хибні уявлення є угорі від [[ai-misuse-learning-harm]], задокументованої в доказовій базі бази знань.

### Хибні уявлення поза здобувачами: викладачі, установи та публіка

Хибні уявлення про AI не обмежені здобувачами — вони поширені серед дорослих, які формують освіту:

- **Викладачі та факультет** можуть переоцінювати здатність AI надійно оцінювати або виявляти зловживання, чи недооцінювати його упередженість, що веде або до некритичного впровадження, або до рефлекторного заборони. Це припущення надійності частково перевірне й частково хибне: [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] провів ред-тимінг звичайного робочого процесу [[automated-assessment|AI grading]] і виявив, що інструкції, приховані всередині поданого файлу, підвищували бал незадовільного есе без жодного видимого попередження — в 9 із 9 ітерацій для однієї стратегії та 17 із 18 для іншої. Коли викладачі поділяють [[trust|authority fallacy]] про результати AI, вони моделюють ту саму некритичну позицію, яку мусять виправляти в здобувачів. Підготовка [[teacher-role|educators]] із точними розумовими моделями AI — передумова [[teacher-ai-competency|responsible AI integration]] та [[pedagogical-safety|safe pedagogy]].
- **Адміністратори та політики** успадковують і поширюють інституційні міфи — що AI є «об’єктивним», що він «революціонізує» освіту, або що інструментам виявлення можна довіряти, — які потім формують [[educational-policy-ai|policy]], закупівлі та правила оцінювання. [[trust-calibration|trust]], яку розвивають здобувачі, частково є продуктом інституційної рамки, яку вони успадковують.
- **Широка публіка** засвоює медійні та вендорські наративи про можливості та ризики AI. Оскільки здобувачі вчаться в межах цього дискурсу, публічні міфи стають субстратом, з якого виростають хибні уявлення здобувачів. Виправлення хибних уявлень про AI є тому завданням [[ai-literacy]], націленим на всю освітню екосистему, а не лише на здобувачів.

Ця широта — причина, з якої база знань трактує хибні уявлення як міжгалузеву фундаментальну тему, а не як суто здобувацьку: ті самі помилки калібрування повторюються в здобувачів, викладачів, установ і публіки, і їхнє виправлення вимагає протистояння як індивідуальним уявленням, так і дискурсу, який їх живить.

### Виправлення хибних уявлень

Виправлення — не одноразове розкриття, а тривалий процес [[ai-literacy]], який розвиває [[metacognition]] та [[self-regulated-learning]]: допомагаючи здобувачам (і дорослим навколо них) стежити за своєю залежністю, калібрувати, коли довіряти, а коли ставити під сумнів модель, і бачити ціну оминання власної [[cognitive-offloading|cognitive work]]. Оскільки хибні уявлення є опірними, найкраще їх розв’язувати через пряме протистояння доказам — включно з висновком, що здобувачі часто *не сприймають* шкоди навчанню від зловживання AI.

**Текст-спростування — ключова техніка виправлення.** Оскільки хибні уявлення є активно поділяними та опірними, найпряміша заснована на доказах стратегія — [[refutation-text|refutation text]] — навчальний текст, який формулює хибне уявлення, явно його спростовує та подає правильне уявлення. Це та сама родина технік, яку застосовують для виправлення предметних хибних уявлень, досліджених в науці про навчання, тут застосована до уявлень здобувачів про сам AI. Сторінка поняття [[refutation-text]] в цій базі знань синтезує, як це розгортається в [[ai-education|AI in education]] трьома взаємодоповнювальними способами:

- **AI як виправник.** Тьютори на [[conversational-ai|Conversational AI]] можуть подавати *персоналізоване* спростування, адаптуючи його на ходу до конкретного хибного уявлення здобувача. [[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026|Corbett & Tangen (2026)]] виявили, що персоналізований AI-діалог давав більші й швидші зниження вражень, ніж статичне спростування підручникового типу, з вищим [[student-engagement|engagement]] і упевненістю, — хоча ця перевага зиждувалася за два місяці без посилення.
- **AI як генератор змісту спростування.** [[akdogan-heat-temperature-conceptual-change-thesis-2025|Akdoğan (2025)]] виявив, що AI-генерований текст концептуальної зміни/спростування відповідав експертній якості (і обидва перевершували спровокований інтерактивний діалог у тому науковому контексті), показуючи, що AI може продукувати ефективні матеріали виправлення у масштабі.
- **AI-генеровані хибні уявлення як навчальний ресурс.** Замість того щоб трактувати AI-генеровані хибні уявлення лише як шкідливі, [[llms-misconception-collaborative-learning-healthcare-2026|Cheah et al. (2026)]] пропонують генерувати хибні уявлення та розв’язувати їх через структуроване однолітське обговорення — [[collaborative-learning|collaborative]] форму спростування, яка сприяє концептуальній зміні та [[critical-thinking|critical thinking]].

Для хибних уявлень про AI це означає, що виправлення має поєднувати **пряме протистояння** (матеріали типу спростування, які називають і спростовують конкретні міфи) зі **скаффолдингованою практикою** — використовуючи інструкцію [[ai-literacy]] та [[metacognition]], щоб допомогти людям бачити і хибне уявлення, і правильну модель. Докази застерігають, що *форма* має значення: персоналізоване, інтерактивне виправлення є більш залученим і спочатку більш ефективним, але потребує посилення, щоб тривати; і те, який результат вимірюється (знання проти ставлень проти вмінь), формує те, наскільки великим видається ефект виправлення. Оскільки хибні уявлення охоплюють здобувачів і дорослих, які формують навчання, ефективне виправлення має сягати [[teacher-role|teachers]], [[administrator|administrators]] і [[educational-policy-ai|policymakers]] не менше, ніж здобувачів.

Bernstein and Sibia (2026) показують, що [[generative-ai|GenAI]]-генеровані аналогії вносять структурні хибні уявлення, які може впіймати лише знання предметної області джерела ([[student-reception-genai-analogies-computing-2026]]): аналогія кругового маршруту для зв’язаного списку означає цикл назад до початку, а аналогія бадмінтонного ралі для рекурсії не несе гарантованого зменшення вхідних даних. Здобувачі, які знали предметну область джерела, ідентифікували ці хиби та пропонували виправлення, тоді як учасники зазначали, що хибувата аналогія може все ж бути запам’ятовною, — що вказує, що знайоме джерело аналогії може допомогти здобувачам виявити, а не засвоїти, AI-продуковане хибне уявлення, і що рамкування хиб як свідомих артефактів для критики перетворює ризик на можливість оцінювання.

**Модель-генеровані хибні уявлення — це вимірювана здатність, а не випадок.** [[milicevic-socratic-trap-strategic-misconceptions-2026|Miličević et al. (2026)]] побудували SocraticTrap-CS, який закликав сім моделей із відкритими вагами написати «[[socratic-method|Socratic]] пастку» для 35 ключових понять CS — пояснення, яке є вільним і авторитетним, спираючись на тонку, специфічну для галузі помилку. З 241 спровокованого сегмента 221 (91,7 %) був підтверджений як стратегічне хибне уявлення більшістю голосів експертів (κ Флейса = 0,9487), без значущих різниць між CS-галузями; 66,5 % підтверджених помилок були концептуальними, а не фактичними, і жодна не була суто логічною. Вільне володіння — механізм, а не захист: переконливість у середньому становила 3,71 за п’ятибальною шкалою і була сильно залежною від моделі, а частота й серйозність дисоціювали, причому дві моделі, які найчастіше давали пастки, були оцінені як найбільш переконливі. Оскільки погано сформоване питання студента саме може діяти як адверсаріальна підказка, автори трактують цю частоту як здатність за адверсаріального підказування, а не як базову частоту для звичайних сеансів навчання, — і стверджують, що завдання [[ai-literacy]] зсувається від фактоперевірки окремих тверджень до концептуальної верифікації та валідації розумових моделей. Це темніший бік генеративного використання вище: та сама здатність, яка може засіяти продуктивне однолітське обговорення, може також закріпити помилку, яку здобувач уже формував.

### Спростувальні виправлення для поширених хибних уявлень про AI

Оскільки хибні уявлення є активно поділяними та опірними, найпряміший спосіб їх розв’язати — включно на цій сторінці — це структура [[refutation-text]]: **назвіть хибне уявлення, явно його спростуйте та сформулюйте правильне уявлення.** Записи нижче застосовують цю структуру до найбільш значущих хибних уявлень про AI і про навчання, викладання та освіту:

**«AI завжди правий.»** *Це хибне уявлення.* Результат AI — ймовірнісне завершення, а не перевірений факт. *Виправлення:* LLM генерують правдоподібно звучащий текст на основі статистичних патернів; вони можуть [[hallucination-risk|hallucinate]], бути упередженими та упевнено помилковими. Трактуйте результат як чернетку, яку треба перевірити проти джерел, а не як авторитет, який треба прийняти. Це ядро калібрування [[trust-calibration]] і причина, з якої «завжди перевіряй» перевершує «завжди довіряй».

**«Використання AI — це навчання.»** *Це хибне уявлення.* Створення роботи *разом із* AI — не те саме, що засвоєння знань або вміння, яких ця робота має демонструвати. *Виправлення:* стійке навчання відбувається через зусильні процеси чернеткування, пригадування, перероблення та метакогнітивного огляду — саме ті процеси, які [[cognitive-offloading|offloading]] на AI перериває накоротке. Використовуйте AI як інструмент поруч із цим зусиллям, а не як його заміну.

**«AI є нейтральним і об’єктивним.»** *Це хибне уявлення.* Моделі успадковують упередження, прогалини та перспективи своїх навчальних даних. *Виправлення:* AI може відтворювати й посилювати [[bias-mitigation|bias]]; трактуйте його результати з тією ж критикою до джерела, яку ви застосували б до будь-якого іншого тексту. Обізнаність про це — частина [[ai-literacy]], і вона допомагає протидіяти шкоді для [[equity-in-ai-education|equity]] від некритичного впровадження.

**«AI замінить викладачів.»** *Це хибне уявлення.* AI посилює, але не витісняє [[pedagogy|pedagogical]] роботу [[teacher-role|teachers]] — судження, контекстуалізацію та реляційні та [[ethics|ethical]] виміри викладання. *Виправлення:* AI посилює потребу в педагогічній медіації та критичному судженні; викладачі, які розуміють AI, стають ефективнішими, а не застарілими. Це перерамкування важливе, бо воно формує, чи інвестують установи в [[teacher-ai-competency|teacher AI competency]], чи рефлекторно опираються або надмірно впроваджують.

**«AI розуміє як людина.»** *Це хибне уявлення.* Моделі не мають ні наміру, ні пам’яті про вас, ні справжнього розуміння вашого контексту. *Виправлення:* антропоморфізація AI веде до надмірної довіри та спиравання на пояснення, які модель насправді не може обґрунтувати. Тримайте межу чіткою: AI — могутній інструмент, а не розум.

**«AI автоматично перетворить освіту.»** *Це хибне уявлення.* Технологія сама не змінює навчання; це робить педагогіка навколо неї. *Виправлення:* переваги AI залежать від свідомого [[learning-design|instructional design]], підготовки викладачів та інституційної підтримки, — а не просто від розгортання інструмента. Саме тому [[ai-ed-evaluation|evidence]] та [[research-methods-aied|rigorous evaluation]] мають значення, і саме тому база знань рамкує відповідальне використання AI як питання [[governance]] та [[educational-policy-ai|policy]], а не суто технічне.

**«Одна підказка має дати мені відповідь.»** *Це хибне уявлення.* Результат є недетермінованим і чутливим до підказки. *Виправлення:* очікуйте, що треба ітерувати, вдосконалювати й перехресно перевіряти; «розрив у підказуванні» — помилкове сприйняття поверхневих перших результатів за стелю інструмента — є проблемою вміння, а не межею інструмента. Його розвиток — частина [[prompt-engineering]].

**«Це не обман, якщо цього не писала людина.»** *Це хибне уявлення.* Академічна доброчесність стосується чесного, атрибутивного створення роботи, а не просто не копіювання людини. *Виправлення:* не розкрита подання AI-генерованої роботи може порушувати [[academic-integrity]], навіть коли не було скопійовано жодної людини; питання в тому, чи справді ця робота належить здобувачеві. Якщо сумніваєтеся, розкрийте та перевірте політику своєї установи.

Ці спростування свідомо написані у формі [[refutation-text]], щоб їх саміх можна було використовувати (або адаптувати в інтерактивний [[conversational-ai|AI dialogue]]) для протистояння та виправлення хибних уявлень про AI — і про навчання, викладання та освіту ширше.

## Пов’язані поняття

- [[pedagogical-patterns]] — послідовності концептуальної зміни, які протистоять конкретному поділяному уявленню
- [[learners]] — Здобувачі: головне поняття для понять на боці здобувача
- [[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]]

## Пов’язані статті
- [[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: fluent, authoritative explanations that are wrong conceptually rather than factually (Miličević et al. 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Hidden instructions in a submitted file can raise an AI-graded mark with no visible warning (Humble 2026)
- [[children-ai-safety-misconceptions-2026]] — Children's AI-safety misconceptions: friendship with a robot misread as a privacy guarantee (Leisten et al. 2026)

---

## [Текст-спростування](https://edtechdev.github.io/aied/concepts/refutation-text/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Текст-спростування** — метод корекції хибних уявлень, у якому текст явно формулює поширене хибне уявлення, безпосередньо його спростовує, а потім подає науково правильне уявлення. Походячи з літератури про [[misconceptions|концептуальні зміни]] в освіті з природничих наук, тексти-спростування є доведеним, низькотехнологічним втручанням для витіснення стійких, узгоджених з інтуїцією хибних уявлень, які опираються звичайній інструкції. У ШІ в освіті тексти-спростування дедалі частіше використовуються двома способами: як **умова порівняння** для втручань на базі ШІ (персоналізований діалог, контент, породжений LLM) і як **контент, породжений ШІ**, — тексти концептуальних змін і тексти хибних уявлень, створені [[generative-ai|генеративним ШІ]] для корекції переконань або для засівання спільного обговорення.

## Питання для роздумів

- Чи доводилося вам коли-небудь «виправляти» хибну ідею студента, просто подаючи правильну відповідь, і бачити, як хибне уявлення поверталося згодом? Сторінка стверджує, що хибні уявлення — не прогалини, а активно утримувані переконання, що опираються звичайній інструкції. Що це переформулювання говорить про те, чому ваша корекція зазнала невдачі?
- Текст-спростування формулює хибне уявлення явно, спростовує його й пропонує правильне уявлення — на відміну від стандартного викладацького тексту, який просто подає істину. Чому проголошення хибної ідеї вголос мало б допомогти її змінити, коли викладання лише правильної ідеї, явно, не допомагає?
- Дослідження неоднозначні щодо того, чи персоналізований діалог із ШІ перевершує статичний текст-спростування: в одному дослідженні інтерактивний діалог породжував більшу й швидшу зміну переконань; в іншому добре побудовані тексти перевершували підказковий чат зі ШІ. Що могло б пояснити ці суперечливі результати, і що вони говорять вам про те, що «інтерактивність завжди краща»?
- ШІ може нині породжувати ефективні тексти-спростування, що відповідають якості написаних експертами, і навіть породжувати хибні уявлення для засівання структурованого обговорення між однолітками. Чи здається вам ідея свідомо викладати з хибних ідей, породжених ШІ, ризикованою чи продуктивною — і за яких умов ви б спробували?
- Ефекти спростування, здається, зосереджені серед студентів із високими досягненнями та модеровані епістемологією і метапізнанням. Якщо метод допомагає найбільше сильним, які зобов’язання це створює для викладача, який використовує його в змішаному класі?
- Перш ніж читати далі, назвіть одне хибне уявлення, яке ви нині утримуєте щодо предмета, який викладаєте, і уявіть, що самі пишете явне «хибне» твердження та його спростування. Що це вправа виявила про те, наскільки важко написати добре спростування?

## Вступ

### Поняття

Тексти-спростування спираються на ідею, що хибні уявлення — не просто прогалини в знанні, а активно утримувані, правдоподібні, самопідсилювані переконання, що опираються корекції, — твердження, центральне для досліджень концептуальних змін. Текст-спростування працює, роблячи хибне уявлення явним, називаючи його хибним і пояснюючи чому, а потім пропонуючи правильне уявлення у спосіб, який здобувач може інтегрувати. Це відрізняється від стандартного викладацького тексту, який просто подає правильну інформацію й припускає, що хибне уявлення буде витіснено.

У ШІ в освіті ключовий результат є таким: *формат* і *інтерактивність* корекції мають значення. Сходящі докази ([[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026|Corbett & Tangen 2026]]) показують, що статичне спростування в стилі підручника надійно коректує переконання, проте **персоналізований, інтерактивний діалог із ШІ** може породжувати більше й швидше зниження переконань, цілячи в конкретне хибне уявлення здобувача й мотивуючи залучаючи його. Однак ця перевага може залежати від контексту та дизайну: в [[akdogan-heat-temperature-conceptual-change-thesis-2025|освіті з природничих наук (Akdoğan 2025)]] добре структуровані тексти концептуальних змін (написані *експертом* або породжені ШІ) перевершували підказковий інтерактивний діалог із ChatGPT, — що вказує на те, що дизайн діалогу (персоналізований проти узагальненого) і домен формують, який формат перемагає.

### Чому текст-спростування має значення для ШІ в освіті

- **ШІ як коректор.** Розмовні тьютори на базі ШІ можуть подавати *персоналізоване* спростування — підлаштовуючи спростування під конкретне хибне уявлення здобувача на ходу, чого заздалегідь написані тексти не можуть робити. Це породжує сильнішу негайну зміну переконань і вищу залученість/упевненість, ніж статичне спростування ([[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026|Corbett & Tangen 2026]]), хоч ефектам може бути потрібне рознесене підкріплення, щоб зберегтися.
- **ШІ як генератор контенту спростувань.** [[generative-ai|Генеративний ШІ]] може породжувати ефективні тексти концептуальних змін, що відповідають якості написаних експертами ([[akdogan-heat-temperature-conceptual-change-thesis-2025|Akdoğan 2025]]), і може породжувати великі кількості контекстно специфічних текстів хибних уявлень дешево — масштабуючи навчання на основі хибних уявлень, яке інакше залежало б від досвіду освітян ([[llms-misconception-collaborative-learning-healthcare-2026|Cheah et al. 2026]]).
- **Хибні уявлення, породжені ШІ, як навчальний ресурс.** Замість розгляду хибних уявлень, породжених ШІ, як шкідливих, структуроване обговорення їх між однолітками — форма спільного спростування — може сприяти концептуальній зміні та критичному мисленню ([[llms-misconception-collaborative-learning-healthcare-2026|Cheah et al. 2026]]).
- **Доповнення освіти щодо хибних уявлень.** Тексти-спростування є рекомендованою стратегією для корекції концептуальних хибних уявлень, на яких спираються хибні переконання студентів щодо самого ШІ (див. [[misconceptions]] і [[critical-genai-use-predictors]]).

### Текст-спростування проти суміжних методів

Тексти-спростування є одним членом набору інструментів концептуальних змін, поряд з аналогіями, розбіжними подіями та інтерактивним діалогом. Їхня перевага в тому, що вони є **масштабованими, недорогими та доведено ефективними**; їхнє обмеження в тому, що статичні тексти не можуть підлаштовуватися під здобувача. Діалог із ШІ закриває прогалину адаптації, проте вводить залежність від дизайну (персоналізація, якість підказок) і в деяких дослідженнях — відсутність переваги над добре побудованим текстом. Тому зв’язок між текстом-спростуванням і діалогом із ШІ є взаємодоповнювальним: текст надає надійну базову корекцію в масштабі; персоналізований діалог із ШІ надає сильнішу, швидшу, більш мотивуючу корекцію, коли добре спроєктований.

### Ключові теми досліджень

- Чи персоналізований діалог із ШІ перевершує статичний текст-спростування, і за яких умов.
- Чи текст спростування/концептуальних змін, породжений ШІ, відповідає якості написаного експертами.
- Використання ШІ для породження хибних уявлень для спільного навчання на основі хибних уявлень.
- Роль характеристик здобувача (досягнення, епістемологія, метапізнання) у модеруванні ефективності спростування.
- Рознесене підкріплення для підтримання початкових переваг інтерактивного спростування.

### Практичні наслідки

Для освітян тексти-спростування лишаються надійним, низькопороговим способом корекції впертих хибних уявлень. Для тих, хто інтегрує ШІ, докази вказують: (1) використовуйте ШІ, щоб *породжувати* ефективний контент спростувань/концептуальних змін у масштабі; (2) там, де це реально, подавайте спростування через персоналізований діалог із ШІ для сильнішої негайної залученості та зміни переконань; (3) очікуйте, що хибні уявлення, породжені ШІ, будуть педагогічно корисними, коли структуроване обговорення використовується, щоб їх протистояти; і (4) проєктуйте для здобувача — ефекти спростування можуть бути зосереджені в студентів із високими досягненнями та модерованими епістемологією і метапізнанням, тож скаффолдинг і наступні кроки мають значення.

## Пов’язані поняття
- [[pedagogical-patterns]] — Refutation sequences, including two directly conflicting results
- [[misconceptions]]
- [[scaffolding]]
- [[metacognition]]
- [[generative-ai]]
- [[stem-education]]
- [[physics-education]]
- [[medical-education]]
- [[collaborative-learning]]
- [[intelligent-tutoring]]

## Пов’язані статті
- [[ai-tutors-vs-tenacious-myths-personalized-dialogue-2026]] — Personalized AI dialogue vs. textbook refutation for belief correction
- [[akdogan-heat-temperature-conceptual-change-thesis-2025]] — Expert/AI conceptual change text vs. interactive AI dialogue
- [[llms-misconception-collaborative-learning-healthcare-2026]] — LLM-generated misconceptions for collaborative learning
- [[chatgpt-inoculation-training-verification-2026]] — Inoculation training as an adjacent refutation-style intervention
- [[critical-genai-use-predictors]] — Recommends refutation texts to target conceptual misconceptions
- [[ai-learning-companions-framework]] — AI companions and misconception correction

---

## [Теорія діяльності](https://edtechdev.github.io/aied/concepts/activity-theory-aied/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Теорія діяльності** (культурно-історична теорія діяльності, CHAT) — виготськіанська рамка, яка аналізує навчання та працю як *опосередковані інструментами, орієнтовані на об’єкт, колективні системи діяльності*, складені з суб’єкта, об’єкта, інструментів/опосередкувальних артефактів, громади, правил і розподілу праці. В [[ai-education|освіті з ШІ]] теорію діяльності використовують і як **аналітичну лінзу** (щоб зрозуміти, як ШІ переформатовує системи діяльності викладання, навчання та дослідження), і як **інструмент проєктування** (щоб діагностувати системні суперечності та перепроєктувати інтервенції). Вона окреслює системи ШІ — включно з [[generative-ai|генеративним ШІ]] — як *опосередкувальні артефакти*, які переконфігуровують розподіл праці, правила та громаду освітньої діяльності, на краще і на гірше.

## Питання для роздумів

- Теорія діяльності бачить навчання не як індивідуальну когніцію, але як колективну систему суб’єкта, інструментів, правил, громади та розподілу праці. Якщо ви приносите новий інструмент ШІ в аудиторію, що з цього, на ваш погляд, зміниться — і що залишиться вперто тим самим?
- Ключова ідея — суперечності всередині системи діяльності є рушійною силою розвитку, а не помилками, які треба усунути. Чи можете ви подумати про напругу у вашій власній роботі чи навчанні, яка справді змусила вас змінити те, як ви робили речі?
- Теорія діяльності переосмислює запровадження ШІ викладачем як властивість цілої системи — норм, правил, розподілу навантаження — а не лише індивідуальних ставлень. Які системні причини могли б пояснити, чому спроможний викладач чинить опір справді доброму інструментові ШІ?
- Коли ШІ бере на себе завдання, він переконфігуровує, хто що робить, зсуваючи розподіл праці між студентами, викладачами та інструментами. Яка когнітивна робота у вашому власному контексті тихо перемістилася від людей до машин — і хто це помітив?
- Оскільки кожна дисципліна функціонує як власна система діяльності, той самий інструмент ШІ може давати різні результати в різних предметах. Чому інструмент, який перетворює заняття з письма, може ледве змінювати заняття з математики, або навпаки?
- Теорію діяльності використовують і для аналізу того, як ШІ переформатовує викладання, і для проєктування інтервенцій, які виправляють напруги, які він викриває. Як бачення вашої власної практики викладання чи навчання як системи діяльності могло б змінити те, як ви діагностуєте проблему?

## Вступ

### Поняття

Теорія діяльності походить від культурно-історичної психології Виготського та Леонтьєва (з подальшим розвитком від Енгестрьома) і є центральною ниткою ширшої [[sociocultural-learning|соціокультурної]] традиції. Її основне твердження — людська діяльність не є зводимою до індивідуальної когніції або ізольованого використання інструментів; вона є **колективною, орієнтованою на об’єкт, опосередкованою інструментами системою**. Канонічна модель Енгестрьома системи діяльності складається з шести взаємодіючих елементів:

- **Суб’єкт** — індивід або група, чия спроможність є точкою зору аналізу (наприклад, студент, викладач, факультет).
- **Об’єкт** — мотив або ціль, до якої спрямована діяльність; «сировинний матеріал», який діяльність перетворює.
- **Інструменти / опосередкувальні артефакти** — засоби, технології, знаки та мова, через які суб’єкт діє на об’єкт.
- **Громада** — група, яка ділиться об’єктом і становить соціальний контекст діяльності.
- **Правила** — явні та неявні норми, конвенції та регуляції, які керують діяльністю.
- **Розподіл праці** — як завдання, влада та відповідальність розподіляються по громаді.

Визначальною рисою є **суперечність**: системи діяльності містять історично накопичувані структурні напруги (всередині елемента, між елементами або між старим і нововведеним елементом/інструментом). Суперечності не є помилками, які треба усунути, але *рушійною силою розвитку* — коли їх загострюють, вони спонукають учасників сумніватися в усталених нормах і відхилятися від них, відкриваючи шлях до експансивної трансформації (Engeström, 2001).

### Чому теорія діяльності має значення для освіти з ШІ

ШІ вводить нові **інструменти/опосередкувальні артефакти** в наявні освітні системи діяльності, що створює і можливості, і суперечності. Теорія діяльності дає дослідженням AIED словниковий запас і метод для аналізу цих змін:

- **ШІ як опосередкувальний артефакт, який переконфігуровує розподіл праці.** Системи ШІ не просто передають інформацію; вони беруть на себе завдання, змінюють, хто що робить, і перерозподіляють когнітивну роботу між людьми та машинами. Дослідження використовують теорію діяльності, щоб вивчати, як ШІ зсуває розподіл праці між студентами, викладачами та інструментами — наприклад, у спільному письмі або тьюторингу — і що це означає для [[agency|людської спроможності]].
- **Аналіз запровадження ШІ викладачами та [[educational-development|професійного розвитку]].** Теорія діяльності переосмислює засвоєння ШІ викладачами як властивість цілої системи діяльності (норми громади, правила, розподіл праці, [[governance|інституційні]] очікування), а не лише індивідуальних ставлень. [[quantitative-research|Кількісна]] робота [[activity-theory-teachers-adoption-ai-sem-2026|моделює шість компонентів AT як виміряні конструкти]], що передбачають намір викладачів запровадити ШІ; [[qualitative-research|якісна]] робота [[lee-anson-k12-teachers-ai-activity-theory|документує шестиразові настрої викладачів]] (непридатний, безособистий, недосконалий, невизначений, допомагаючий, неминучий); і інтервенційна робота [[activity-theory-teacher-pd-ai-agent-design-2026|використовує CHAT для діагностики та перепроєктування]] професійного розвитку викладачів, розглядаючи відчуження як раціональну відповідь на системи, що перешкоджають потребам.
- **Зміна норм та системний розрив.** Оскільки ШІ вводить новий інструмент у систему діяльності, він генерує суперечності з наявними правилами та нормами. Дослідження використання GenAI студентами [[ai-disruption-engineering-education-chat-2026|показують, як виникають нові неявні правила]], коли студенти пристосовуються — перетворюючи норми навколо самоспрямованості, цілей навчання, ролі викладача та [[ethics]].
- **Закріплення [[learning-analytics|аналітики навчання]] та вимірювання.** Теорія діяльності може засновувати *проєктування* аналітики, відображаючи грані вимірювання на елементи системи діяльності. Конвеєр аналітики, закріплений на CHAT, [[chat-anchored-learning-analytics-ai-literacy-2026|відображає тимчасову участь, якість дискурсу та складність понять на елементи CHAT]], щоб виявити ранню участь із ризиком у малих класах на основі обговорення.
- **Дисциплінарність та міжконтекстуальна варіація.** Оскільки системи діяльності є історично та культурно ситуативними, теорія діяльності пояснює, чому той самий інструмент ШІ дає різні результати в різних дисциплінах і контекстах — кожна дисципліна функціонує як система діяльності зі своїми власними правилами, громадою та розподілом праці [[jiang-genai-activity-theory-disciplines-2026|(наприклад, відмінності у використанні GenAI студентами бакалаврату та розкритті в різних академічних доменах)]].
- **Один інструмент, дві системи діяльності, нерівне проникнення.** Серед десяти науковців з математики, проаналізованих через CHAT, GenAI залишався периферійним інструментом у системі дослідницької діяльності, тоді як переформатовував роль викладача до посередника критичного міркування у викладанні, причому запровадження поширювалося через використання студентів та мережі ровесників, а не через [[governance|інституційну]] політику ([[genai-runaway-object-math-higher-ed|Bakogianni et al., 2026]]).

### Теорія діяльності та споріднені рамки

Теорія діяльності сидить у [[sociocultural-learning|соціокультурній]] родині і часто поєднується з іншими рамками або протиставляється їм: **[[distributed-cognition|розподілена когніція]]** та **[[situated-learning|ситуативне навчання]]** діляться з нею акцентом на контексті та опосередкуванні; **[[community-of-inquiry|громада дослідження]]** та громади практики діляться її колективною орієнтацією; і моделі **technology-acceptance** (наприклад, [[technology-acceptance-model|TAM]]) надають контрастний, більш індивідуально-вірувальний рахунок запровадження, який теорія діяльності критикує за сплощення колективних і структурних вимірів. У дослідженнях AIED теорія діяльності часто поєднується з іншими теоріями — наприклад, поєднана з [[self-determination-theory|теорією само-детермінації]] у проєктуванні інтервенції професійного розвитку викладачів або з теорією екологічних систем у рамках ситуативної етики ШІ [[raffaghelli-situated-ai-ethics-2026|(Raffaghelli et al., 2026)]].

### Основні дослідницькі теми

- **Як ШІ перерозподіляє розподіл праці** у системах діяльності викладання, навчання та дослідження.
- **Системні суперечності** як драйвери зміни норм та експансивної трансформації в освіті, доповненій ШІ.
- **Запровадження ШІ викладачами та професійний розвиток** як явища системи діяльності (а не лише індивідуальні явища).
- **Дисциплінарна та міжкультурна варіація** у використанні ШІ, пояснена відмінностями в системах діяльності.
- **Теоретично закріплена аналітика навчання**, яка засновує вимірювання на елементах системи діяльності.
- **Об’єкт опосередкованої ШІ діяльності** — чи зсувається об’єкт навчання від оволодіння до результату, і що це означає для [[learning-gains|результатів навчання]].

### Практичні наслідки

Для проєктувальників і освітян теорія діяльності радить дивитися за межі самого інструмента ШІ на цілу систему діяльності, у яку він входить: правила, які керують прийнятним використанням, громаду та її норми, розподіл праці між людиною та машиною, і об’єкт/мотив діяльності. Стійка інтеграція ШІ вимагає *перепроєктування системи* — враховування суперечностей, оновлення норм та перебалансування ролей — а не лише постачання кращих інструментів або індивідуального навчання. Для дослідників теорія діяльності надає сувору одиницю аналізу (система діяльності, а не індивід) і метод ([[formative-assessment|формативна]] інтервенція, аналіз суперечностей) для вивчення та формування ролі ШІ в освіті.

## Пов’язані поняття
- [[sociocultural-learning]] — теоретична родина, до якої належить теорія діяльності (виготськіанська, культурно-історична)
- [[learning-theories]] — вузол, який розташовує теорію діяльності серед теорій навчання
- [[distributed-cognition]] — спільний акцент на опосередкованій інструментами, контекстуально розподіленій когніції
- [[situated-learning]] — спільний акцент на контексті та участі в діяльності
- [[agency]] — як ШІ перерозподіляє людську спроможність по системі діяльності
- [[teacher-role]] — теорія діяльності часто аналізує запровадження та практику викладачів
- [[learning-analytics]] — CHAT закріплює проєктування аналітики
- [[generative-ai]] — артефакт ШІ, який входить у системи освітньої діяльності та перериває їх
- [[technology-acceptance-model]] — контрастний рахунок запровадження на основі індивідуальних вірувань

## Пов’язані статті
- [[jiang-genai-activity-theory-disciplines-2026]] — Дисциплінарні відмінності у використанні GenAI та розкритті через лінзу теорії діяльності
- [[genai-runaway-object-math-higher-ed]] — Аналіз CHAT переформатування GenAI систем діяльності викладання та дослідження
- [[raffaghelli-situated-ai-ethics-2026]] — Ситуативна етика ШІ, що зливає теорію екологічних систем із CHAT
- [[activity-theory-teachers-adoption-ai-sem-2026]] — Теорія діяльності як лінза на запровадження ШІ викладачами (SEM)
- [[lee-anson-k12-teachers-ai-activity-theory]] — Перспективи викладачів K-12 на використання ШІ через теорію діяльності
- [[ai-disruption-engineering-education-chat-2026]] — Зміна студентських норм в інженерній освіті через CHAT
- [[activity-theory-teacher-pd-ai-agent-design-2026]] — Перепроєктування CHAT-SDT професійного розвитку викладачів
- [[chat-anchored-learning-analytics-ai-literacy-2026]] — Конвеєр аналітики навчання, закріплений на CHAT, для ШІ-грамотності

---

## [Ретривал, інтервалювання та чергування](https://edtechdev.github.io/aied/concepts/retrieval-spacing-interleaving/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Ретривал, інтервалювання та чергування** — три конкретні техніки навчання, які роблять практику зусильною і внаслідок цього роблять засвоєне довговічним. Ретривал-практика (retrieval practice) просить здобувача відтворити відповідь з пам’яті, а не розпізнати її; інтервалювання розподіляє цю практику в часі, замість щоб масово зібрати її в одну сесію; чергування змішує типи задач, замість щоб блокувати їх. Те, що їх поєднує, — спільна сигнатура: кожна знижує результативність *під час* практики, підвищуючи збереження *після* неї — [[transfer-of-learning|розрив між результативністю та навчанням]] в операційній формі. Вони є робочими коняшками [[cognitive-psychology]], і в [[ai-education|навчанні з підтримкою ШІ]] вони є тими конкретними поведінками, які [[generative-ai|генеративний ШІ]] найлегше зітре, бо [[llm|LLM]], який відповідає на вимогу, прибирає ретривал, вирівнює розклад і згладжує змішування. Ця сторінка — сторінка *технік*. Принцип за ними — компроміс Бйорка між зусиллям і навчанням, чому важча практика породжує довговічніше навчання, — розглянуто на сторінці [[desirable-difficulties]]; ця сторінка охоплює, що є кожна техніка, що вимірювали дослідження корпусу і як ШІ їх впроваджує або підриває.

## Питання для роздумів

- Чи траплялося вам перечитувати розділ, доки він не ставав знайомим, а потім бути неспроможним пояснити його через тиждень? Що саме дало вам це перечитування?
- Ретривал-практика означає відповідь з пам’яті *перед* перевіркою. Коли асистент ШІ — на відстані одного натискання клавіші, яким має бути ваше навчальне правило, щоб цей ретривал усе ще відбувався?
- Системи інтервального повторення планують повторення в інтервалах, яких здобувач не обрав би. Чи є розклад, який відчувається хибним, особливістю чи помилкою?
- Чергування змішує типи задач і відчувається бруднішим за блокування. Якщо корпус пропонує майже жодних прямих доказів ШІ щодо чергування, наскільки впевнено вам варто його засвоювати — і на якій підставі ви б вирішували?
- [[adaptive-pretesting-retention|Akgun і Toker (2026)]] виявили, що студенти, які вільно спілкувалися зі ШІ, показали найгірші результати, навіть за найкращого претестування. Чого не вистачало умові вільного спілкування, а що було в структурній?
- [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]] виявив, що глибше опитування LLM покращувало якість завдання, але не згадування. Що це говорить вам про використання плинності як доказу навчання?

## Вступ

Ретривал-практика, інтервалювання та чергування зазвичай викладаються й цитуються разом, бо були відкриті окремо, але поводяться схоже: кожна жертвує тим, наскільки добре практика *виглядає*, в обмін на те, скільки з неї виживає. В цій базі знань вони з’являються як приклади принципу [[desirable-difficulties]], але вони також самостійно придатні до дії — рецензент може планувати інтервали, репетитор може утримати відповідь, [[curriculum-design|навчальний план]] може змішувати типи завдань, без звертання до базової теорії. Їхній операційний характер — причина, чому вони є природним мостом між [[cognitive-psychology]] та дизайном ШІ, і чому дослідження нижчі тендують повідомляти про дві міри результатів, а не про одну: результативність під час практики та збереження після затримки.

## Ефект тестування: ретривал-практика перевершує перечитування

Ретривал-практика — спроба згадати матеріал, а не перечитати його — зміцнює пам’ять сильніше, ніж додаткове навчання, і корпус трактує цю знахідку достатньо всталеною, щоб будувати на ній, а не переоцінювати її. [[meta-analysis-systematic-review|Огляд меж навчання навчатися]] розміщує ретривал-практику в шарі **Tools** своєї тришарової рамки (виміри когнітивної та [[metacognition|метакогнітивної]] вмілості, процеси [[self-regulated-learning|саморегуляції]], інструменти, такі як ретривал-практика), позиціонуючи її як конкретну, викладану складову навчання навчатися, яка має протистояти [[cognitive-offloading|надмірному покладанню на GenAI]] та захищати [[agency|агенцію здобувача]].

Найінформативнішим тестом у корпусі є дисоціація. [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]] запротоколював взаємодії 22 аспірантів із [[llm]] підказка за підказкою під час кейс-завдання з нейроекономіки і відокремив *глибину* (частку підказок «why/how/explain», що шукають пояснення) від обсягу та темпу. Глибина незалежно передбачала незалежно оцінену якість завдання (β = 6.27, p = .006), але мала нульову асоціацію з негайним згадуванням на поствоєвому тесті (β = −0.014, p = .728), причому здобутки згадування керувалися базовим знанням. Читання, яке дає автор: елаборація керує розумінням, тоді як ретривал керує консолідацією — і в навчанні з підтримкою LLM без явних вимог ретривалу здобувачі можуть переживати високу плинність, майже не потребуючи відтворювати що-небудь неасистовано. Це знахідка ретривал-практики, сформульована як відсутність: механізм не був увімкнений, тож результат збереження не зрушив.

Ретривал-практика не є універсальним важелем, і корпус це стверджує. [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger та Carvalho (2025)]] провели експеримент 2×2 з 95 учасниками, перетинаючи зміст знання (дослівні факти проти узагальнюваних умінь, матеріали з площі фігур) з розкладом тренування. Вони виявили взаємодію зміст–лікування (β = 0.41, p = .038, d = 0.38): чисте тренувальне тестування давало вищі навчальні здобутки для **фактів**, тоді як інтегрована з прикладами практика давала вищі здобутки для **умінь**. Автори також зазначають, що здобутки ретривал-практики часто не поширюються на незнайомі задачі. Отже, ретривал-практика найсильніша там, де мета — пам’ять на конкретний зміст, і її треба поєднувати з розробленими прикладами там, де мета — узагальнювана вмілість, — чому і їхня імплікація для дизайну ШІ полягає в тому, що [[intelligent-tutoring]] має адаптувати співвідношення прикладів до практики залежно від компоненту знання, що засвоюється.

Та сама логіка проходить через дослідження шпаргалок: [[student-cheat-sheets-make-or-take|Chen, Sakhnini та Istead]] трактують *конструювання* шпаргалки як активну, генеративну стратегію навчання (вибір, конденсація, організація), а не як логістику, і формують ризик ери ШІ як розвантаження конструювання артефакту та втрату метакогнітивної репетиції, яку давало його побудування.

## Інтервалювання та розподілена практика

Ефект інтервалювання — те, що та сама сукупна практика дає довговічніше навчання, коли розподілена між сесіями, ніж зібрана масово в одну, — є найбільш алгоритмічно використаним із трьох технік, і прикладені системи корпусу побудовані навколо нього.

[[memdora-ai-spaced-repetition|Memdora]] — найчіткіший приклад інтервалювання, розглянутого як інженерна проблема. Вона ґрунтує планування на кривій забування Еббінггауза, цитує цифру, що приблизно **70% новозасвоєного матеріалу забувається протягом 24 годин** без повторення, і інтегрує **FSRS-6**, описаний як сучасний найкращий алгоритм інтервального повторення. Її аргумент: самого планування недостатньо: наявні інструменти зводять взаємодію з флешкартками до єдиного бінарного жесту, «перевернути та самооцінити», який автори називають збідненою моделлю, що не використовує докази когнітивної науки про ретривал-практику. Внесок Memdora тому — це **таксономія 17 когнітивно обґрунтованих типів взаємодії** в категоріях Language, By Heart та Exam, кожен відображений на рецензовані докази, показані на картці, плюс система винагород, заснована на зусиллях, яка компенсує фактичне когнітивне залучення, а не присутність у застосунку, уніфікований конвеєр генерації, який створює картки в момент читання, та навчальний шар, який звітує [[learning-gains|результати навчання]] на рівні окремої картки.

[[adaptive-pretesting-retention|Akgun і Toker (2026)]] дають найсильніші експериментальні докази корпусу щодо того, як інтервалювання *структурне*. В трьохрукавому рандомізованому дослідженні 89 студентів бакалаврату на курсі прикладної статистики всі три групи практикували в інтервальних сесіях з ідентичною кількістю та часуванням протягом семи тижнів; відрізнялася лише структура взаємодії. Адаптивний інтервальний ретривал (G1) досяг найвищого результату на поствоєвому тесті (M = 78.19) та найвищих спостережуваних зусиль практики (M = 0.85); фіксований інтервальний ретривал (G2) йшов далі (M = 74.55, зусилля 0.74); навчання зі ШІ під керівництвом здобувача без примусового ретривалу зайняло останнє місце за обома показниками (M = 67.28, зусилля 0.49). Мультивіаріатний ефект був значущим (Wilks' Λ = .664, часткове η² = .185), причому G1 випереджав G3 за збереженням на d = 0.92 (p = .003). Деталь, яка має педагогічне значення: агент G1 було сконфігуровано так, щоб *утримувати*: зонди, контингентні реакції, для [[misconceptions]], запити на елаборацію після поверхових відповідей, просування лише за адекватного концептуального залучення, а прямі рішення явно виключено з його дозволених виходів. Власне читання авторів: претестування — це фронт-завантажений каталізатор, а не самостійна інтервенція, чия вигода виживає за відкритого доступу до ШІ.

Рандомізований польовий експеримент повідомляє про розподіл замість масового часу як операційну дозу: щотижневе оволодіння відстежувало завершені тижні репетиторства, а не задіяні хвилини, кожен додатковий завершений тиждень додаючи 2,00 бали з 55 (p = .018) ([[ai-tutor-modality-randomized-field-experiment-2026|Yang, Van Alstyne та Dellarocas (2026)]]).

Ще дві знахідки корпусу загострюють те, що інтервалювання робить і чого ще не робить правильно. [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan та Carvalho (2025)]] підігнали моделі [[knowledge-tracing]] до набору даних шостисеансового послідовного перезасвоєння і виявили, що BKT, BKT-з-забуванням і Адитивна факторна модель відтворюють тренди навчання за ретроспективного підігнання (AUC 0.74–0.79), але за часової крос-валідації типу, якого потребував би розгорнутий репетитор, переоцінюють майбутню результативність приблизно на 58%, 51% і 47% відповідно і **не вловлюють ефекту інтервалювання** — іноді передбачаючи протилежне порядкове розташування за умов інтервалювання. Іншими словами, рішення з планування, які приймають [[adaptive-learning|адаптивні системи]], можуть спиратися на моделі, які не репрезентують того самого ефекту, від якого залежить інтервалювання. А [[nie-personavlm-long-term-personalization-2026|моделювання студентів на LLM та довгострокова пам’ять]] називає прогалину дизайну прямо: більшість репетиторських систем не мають лонгітюдної пам’яті, і питання, як така пам’ять має взаємодіяти з інтервальним повторенням і кривими забування, залишається відкритим.

### Чого корпус ще не показує

Жодна з прикладених систем не дала доказів збереження від себе: стаття Memdora повідомляє про поліпшене збереження порівняно з традиційними інструментами інтервального повторення, але не описує жодного дослідження результату з відкладеним інтервалом за цим твердженням, а білінгвальний лекційний супутник — який генерує флешкартки автоматично, щоб прибрати ціну авторства, що блокує доказові ретривал- та інтервальну практику, спрощуючи планування до бінарної оцінки «знаю / ще вчуся», а не до градаційних алгоритмів SM-2 і FSRS, — прямо стверджує, що **жодного дослідження навчальних результатів не проводилося**, лише пререєстрований протокол. Машинопис планування краще обґрунтований доказами, ніж те навчання, яке він має породжувати.

## Чергування

Чергування — змішування типів задач чи завдань в межах однієї сесії практики, а не блокування їх за типом, — є найслабше обґрунтованим із трьох в цьому корпусі, і це треба заявити, а не підбивати. Чергування з’являється на сторінці [[desirable-difficulties]] лише як один приклад у переліку зусильних умов, і жодне дослідження в цій базі знань не тестує маніпуляцію чергуванням проти блокованого контролю.

Те, що корпус містить, є суміжним і вартим ретельного розрізнення. [[simulating-learner-task-selection|Симулювання вибору завдань здобувачем]] моделює **Interleaving** і **Blocking** як дві з восьми кандидатних стратегій здобувача в [[mastery-learning]] [[simulation]], поряд з таргетуванням сильних сторін, таргетуванням слабких сторін і правилами, інформованими результатами. Знахідка там — про архітектуру вибору, а не про пам’ять: деякі стратегії здобувачів систематично затримують просування через надмірну практику, і обмеження вибору завдань полагодили дезадаптивні стратегії, залишивши Interleaving, Blocking, Strength Targeting і Weakness Targeting на стабільних рівнях надмірної практики. Це доказ, що чергування — це *вибиральна поведінка*, яку система може розмістити або обмежити, — а не доказ, що чергування покращує збереження. Решта згадувань у корпусі — непов’язані смисли слова (черговані стадії агентів у [[knowloop-confusion-to-consolidation-2026]]; черговані візуально-текстові траєкторії рішень у геометричному [[benchmark]]), і їх не слід зараховувати як докази чергування.

Включення чергування сюди тому спирається на те саме теоретичне сімейство, що й дві інші техніки, і на його статус у літературі [[cognitive-psychology]], а не на дослідження в цій базі знань. Трактуйте його як відкритий слот.

## Як ШІ впроваджує та підриває ці техніки

**Впровадження.** Найдопустиміший внесок ШІ — це планування та генерація, ті частини цих технік, які є втомливими, а не педагогічно цікавими. Адаптивне планування впроваджено в Memdora через FSRS-6 і в архітектурах трасування знання, які оцінюють оволодіння в часі; адаптивне *претестування* впроваджено агентом Akgun і Toker, контингентним реакції, який читає сигнали результативності попередніх сесій, щоб підвищити концептуальну глибину в слабших областях, зберігаючи виклик у сильніших; автоматична генерація флешкарток і претестів впроваджена в білінгвальному лекційному супутнику, де авторство карток є тією ціною, яка блокує інтервальну практику насамперед. [[nie-personavlm-long-term-personalization-2026|Лонгітюдна пам’ять студента]] — це архітектура, яка дала б змогу будь-чому з цього зберегтися між семестрами, а [[agentic-ai-pedagogical-best-practice-2026|Woollaston і колеги (2026)]] дають словник дизайну для свідомого цього: навмисне тертя, динамічний [[scaffolding]], [[human-in-the-loop-ai|нагляд людина-в-циклі]] та зважене, а не максимальне використання ШІ.

**Підрив.** Режим відмови конкретний і документований неодноразово. [[agentic-ai-pedagogical-best-practice-2026|Woollaston et al. (2026)]] називають першим із шести своїх [[pedagogy|педагогічних]] ризиків активацію попереднього знання: [[agentic-ai|агенти]], які заздалегідь дістають і висувають зміст, **обходять ретривал-практику, яка активує попереднє знання**, тож здобувач ніколи не згадує та не інтегрує того, що знає, перед отриманням відповіді. [[prior-knowledge]] стверджує той самий ризик обходу як загальну властивість [[generative-ai|генеративного ШІ]] і додає проектну контрміру — активуйте перед тим, як постачати. Ілюзія плинності — це механізм на боці здобувача: LLM постачає повні, когерентні пояснення на вимогу, тож здобувач виділяє менше зусиль на внутрішнє відтворення та реконструкцію, тоді як сесія *відчувається* продуктивною, що є точно тією дисоціацією, яку [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]] виміряв. Трьохрукаве дослідження претестування робить той самий пункт експериментально: рука з вільним доступом до ШІ та без примусового ретривалу показала найгірше збереження на кінець семестру, і обсяг взаємодії не відрізнявся значуще між руками, тож прогалину породжувала структура, а не те, скільки студенти задіяли.

**Збереження вимоги ретривалу.** Корпус сходиться на малій множині рис дизайну. Політика агента претестування найконкретніша: утримувати прямі рішення через конфігурацію, зондити хибні уявлення, запитувати елаборацію після поверхових спроб і просуватися лише за адекватного концептуального залучення. Tsiligkiris рекомендує вбудовувати вимоги ретривалу *після* використання LLM через виходи закритого інструменту — питання з короткою відповіддю, концептуальні карти, намальовані з пам’яті, пояснення-[[learning-by-teaching|вчи-назад]] без моделі, — і відокремлюючи скаффолдинг від перевірки, щоб модель була доступною для прояснення та [[feedback]], але чіткі контрольні точки вимагали незалежного згадування. [[knowloop-confusion-to-consolidation-2026|KnowLoop]] показує форму вчи-назад у розгорнутій системі: агент Peer скаффолдить рефлексивне вчення-назад, яке виявило прогалини, яких здобувачі не могли артикулювати, і його учасники просили рухатися вільно між проясненням і консолідацією, а не трактувати їх як суворі фази. [[student-cheat-sheets-make-or-take|Chen, Sakhnini та Istead]] додають версію з боку оцінювання — цінувати процес конструювання, а не артефакт, — тоді як [[learning-to-learn-in-the-age-of-generative-ai-a-scoping-review-and-conceptual-fr|Schorr і колеги (2026)]] позиціонують ці інструменти як уміння, які можна засвоїти, що зменшують надмірну сподвищництво та підтримують [[agency|агенцію здобувача]]. Під усіма ними — одна непохитна умова: щось має вимагати від здобувача дати відповідь, якої модель ще не дала.

## Межі доказів

- **Малі вибірки та єдині контексти.** Аналітична вибірка дослідження претестування — 89 студентів бакалаврату на одному курсі прикладної статистики, з 27–34 студентами на руку; дослідження взаємодії з LLM має n = 22 з дизайном єдиної групи, який не підтримує жодного причинного твердження; дослідження вчення-назад має 22 учасників. Автори дослідження претестування стверджують, що для узагальнюваності потрібна реплікація між доменами та типами задач.
- **Короткі або відсутні інтервали збереження.** Дослідження глибини взаємодії тестувало лише негайне згадування, без відкладеної міри, тож його нуль — це нуль конкретно для короткострокового збереження. Перевага Memdora у збереженні та [[llm-interaction-depth-task-quality-recall-2026|дисоціація глибини LLM]] однаково не відстежуються протягом тижнів, яких потребувала б література з інтервалювання; семитижневе вікно дослідження претестування — найдовше в корпусі.
- **[[self-report-measures|Самоописні]] та проксові міри.** Зусилля практики в дослідженні претестування — це поведінковий індикатор, оцінений двома оцінювачами проти рубрики з логів розмов, про що автори явно зазначають, що це не міра внутрішнього [[motivation|мотиваційного]] стану; міра глибини LLM — це ключ-словесна прокса, що фіксує поверхневу форму пошуку пояснень, а не її якість.
- **Межі інструментування та моделювання.** Моделі [[knowledge-tracing]] в корпусі відмовляють саме там, де їх потребують рішення з інтервалювання, і автори приписують минулі успіхи ретроактивному підігнанню на повному наборі даних, а не валідації, реалістичній для розгортання. Якість флешкарток білінгвального супутника неперевірена проти ґрунтової правди, без автоматизованого шару фактоперевірки, і в нього взагалі не проводилося жодного дослідження результатів.
- **Чергування має тут суттє не жодних прямих доказів.** Як заявлено вище, корпус не містить жодного порівняння блокованого проти чергованого, лише симуляцію, в якій Interleaving — одна вибиральна стратегія серед кількох.
- **Популяції суб’єктів та зміст.** Доказова база концентрується на [[higher-ed|вищій освіті]], на матеріалі STEM і статистики, та на розрізненнях фактів і умінь із геометрії та вмісту множинної регресії; узагальнення на [[k-12|K-12]], на [[humanities-education|гуманітарні науки]] та письмо і на незахідні навчальні аудиторії цими дослідженнями не встановлено.

## Пов’язані поняття

- [[pedagogical-patterns]] — Послідовності інтервального ретривалу та ціна збереження за асистування під час кодування
- [[desirable-difficulties]] — принцип, який ці три техніки операціоналізують
- [[cognitive-psychology]] — пам’ять, кодування та ретривал як теоретичний дім усіх трьох
- [[prior-knowledge]] — ретривал-практика як активація того, що здобувач уже тримає
- [[metacognition]] — судження про те, чи відбиває плинність навчання
- [[self-regulated-learning]] — стале навчання того, що ШІ може запланувати або відповісти за вас
- [[mastery-learning]] — збереження після порогу оволодіння та інтервалювання, яке його підтримує
- [[knowledge-tracing]] — моделі, які приймають або пропускають рішення з планування
- [[cognitive-offloading]] — режим відмови, коли ретривал делеговано інструменту
- [[transfer-of-learning]] — розрив між результативністю та навчанням, який техніки адресують
- [[formative-assessment]] — контрольні точки закритого інструменту як події ретривалу
- [[productive-failure]] — спроба перед отриманням допомоги
- [[learners]] — ставки довговічного, а не плинного навчання

## Пов’язані статті

- [[adaptive-pretesting-retention]] — Akgun & Toker: адаптивний інтервальний ретривал проти фіксованого ретривалу проти навчання зі ШІ під керівництвом здобувача протягом семи тижнів
- [[memdora-ai-spaced-repetition]] — Memdora: планування на FSRS-6 і таксономія обґрунтованих взаємодій з флешкартками
- [[llm-interaction-depth-task-quality-recall-2026]] — Tsiligkiris: глибина пояснення передбачає якість завдання, але не негайне згадування
- [[rachatasumrit-example-problem-ratio-2026]] — Ретривал-практика для фактів, розроблені приклади для умінь; взаємодія зміст–лікування
- [[schuetze-knowledge-tracing-forgetting-2026]] — Моделі трасування знання не вловлюють ефекту інтервалювання за часової валідації
- [[bilingual-llm-lecture-companion-srl-2026]] — Автоматична генерація флешкарток, що прибирає ціну авторства інтервальної практики
- [[student-cheat-sheets-make-or-take]] — Конструювання шпаргалки як генеративне навчання; розвантаження конструювання за допомогою ШІ
- [[knowloop-confusion-to-consolidation-2026]] — Консолідація через вчення-назад, що виявляє прогалини, яких не виявило прояснення
- [[simulating-learner-task-selection]] — Interleaving і Blocking як модельовані стратегії здобувачів за обмежень вибору завдань
- [[nie-personavlm-long-term-personalization-2026]] — Лонгітюдна пам’ять студента та її відкрите ставлення до інтервального повторення та кривих забування
- [[learning-to-learn-in-the-age-of-generative-ai-a-scoping-review-and-conceptual-fr]] — Ретривал-практика в шарі Tools рамки навчання навчатися
- [[agentic-ai-pedagogical-best-practice-2026]] — Агенти з попереднім дістанням обходять ретривал-практику; аргумент за навмисне тертя
- [[ai-tutor-modality-randomized-field-experiment-2026]] — When AI Tutors Speak: Evidence from a Randomized Field Experiment

---

## [Залученість здобувачів](https://edtechdev.github.io/aied/concepts/student-engagement/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Залученість здобувачів** — ступінь і якість активної залученості здобувача в навчальний процес, найчастіше розкладається на поведінковий, когнітивний та [[affective-computing|афективний]] виміри. У дослідженнях [[ai-education]] залученість здобувачів є і ключовим результатом (чи утримує інструмент ШІ здобувачів залученими?), і механізмом (чи опосередковує залученість зв’язок між дизайном ШІ та навчанням?). Вона концептуально відмінна від самого навчання — залученість є участю в навчанні, а не доказом когнітивного здобутку — і від конкретних метрик, які використовуються для її вимірювання.

## Питання для роздумів

- Сторінка наполягає, що залученість не є тим самим, що навчання — здобувач може бути поведінково активним (клацати, витрачати час), залишаючись когнітивно поверховий. Де ви бачили високу «залученість», що давала мало навчання, і як ви це помітили?
- Згадайте момент, коли ви були глибоко когнітивно залучені в щось — справді боролися з ідеєю. Чим він відрізнявся від часів, коли ви лише були зайняті або розважені, і чи міг би інструмент ШІ надійно створити цей стан?
- Залученість розбивається на поведінковий, когнітивний та афективний виміри, які можуть розходитися. Як ви думаєте, чому дослідники наполягають на тому, щоб трактувати їх окремо, а не як одне ціле, і що б ви вимірювали, щоб розрізнити їх?
- Дослідження припускають, що глибока когнітивна залученість зі ШІ передбачає навчання, тоді як поверхова залученість передбачає надмірну залежність. Якщо інструмент «залучуючий», але поверховий, хто винен — дизайн, завдання чи здобувач?
- Як інструмент ШІ міг би задовольнити [[agency|автономію]], компетентність і пов’язаність (потреби за залученістю), не перетворюючи ці риси на поверхове розважання, що витісняє справжнє навчання?

## Вступ

Залученість — це багатовимірний конструкт, що бере початок у педагогічній психології. **Поведінкова залученість** стосується участі, зусиль, наполегливості та активності в межах завдання. **Когнітивна залученість** стосується глибини ментальної обробки — elaborації, [[critical-thinking|критичного аналізу]], самов[[regulation]] та вкладення ментальних зусиль. **Афективна залученість** стосується емоційних реакцій, таких як інтерес, задоволення, [[anxiety-and-stress|тривожність]] та ідентифікація з навчанням. Ці виміри можуть розходитися: здобувач може бути поведінково активним (клацати, витрачати час), залишаючись когнітивно поверховий (пасивно приймаючи результат), або афективно зацікавленим, залишаючись поведінково відволоченим. Ця багатовимірність є причиною, чому залученість не можна прирівнювати до будь-якої окремої спостережуваної поведінки.

### Як залученість здобувачів проявляється в дослідженнях

- **Залученість як результат дизайну ШІ:** [[genai-motivation-engagement-2026|дослідження мотивації GenAI]] показує, що залученість у навчанні з підтримкою [[generative-ai]] слідує за задоволенням базових психологічних потреб ([[self-determination-theory|автономія, компетентність, пов’язаність]]) — залученість є похідним результатом мотиваційної підтримки, а не лише доступності технологій. Залученість часто вимірюється через [[self-report-measures|самозвіт]], тоді як поведінкова залученість походить з логів взаємодій, і ці два способи не є взаємозамінними.

- **Здобуток залученості без здобутку в навчанні в кластер-рандомізованому класному дослідженні:** [[domain-specific-chatbot-stem-enthusiasm-2025|Рюкер та Беккер-Геншов (2025)]] рандомізували 195 класів дев’ятого класу (експериментальна група — 102 студента) на предметний чатбот із математики або на звичайні диференційовані матеріали для одного уроку з методу Герона оцінювання квадратних коренів. Ситуативний інтерес істотно зріс в умові чатбота (M = 2,63 проти 2,43, p = 0,00005, d Коена = 0,63), а прийняття за всіма чотирма вимірами [[technology-acceptance-model|моделі сприйняття технологій]] було високим, проте порівняння продуктивності до й після не виявило значущої взаємодії групи на час (F(1194) = 2,84, p = 0,094), а зовнішнє когнітивне навантаження було дещо вищим. Це дослідження — одне з небагатьох кластер-рандомізованих тестів настроєного чатбота в [[k-12|середній]] [[math-education|математиці]], і саме розділений результат є його змістом: інтерес та [[learning-gains|досягнення]] рухалися за різними розкладами, тому знахідка про залученість не є свідченням навчання.

- **Якість важливіша за кількість:** [[critical-engagement-code-completion|критична залученість у доповненні коду зі ШІ]], [[icap-cognitive-engagement-llm-agents|аналіз дискурсу когнітивної залученості]] та [[scaffolding-critical-engagement-genai-minority-students|скаффолдинг критичної залученості]] показують, що *глибока* (когнітивна) залученість зі ШІ передбачає навчання, тоді як *поверхова* (поведінкова) залученість передбачає [[cognitive-offloading|надмірну залежність]] та витіснення навчання, що домінують у літературі ризиків бази знань.

- **Крихка та залежна від контексту:** [[polished-artifacts-fragile-engagement-2026|вишукані артефакти, крихка залученість]] та [[genai-tutor-engagement-patterns|закономірності залученості в кількох установах]] виявляють, що залученість змінюється за завданням, контекстом та здобувачем — інструмент ШІ, що глибоко залучає одного здобувача, може породжувати поверхову, спрямовану на результат поведінку в іншого.

- **Мотиваційні передумови:** [[ai-availability-student-motivation|доступність ШІ та мотивація]] показує, що знання про доступність ШІ може знижувати сприйняту цінність зусильної залученості, особливо для здобувачів-початківців, — залученість формується очікуванням, цінністю та сприйнятою компетентністю не менше, ніж рисами інструменту. **[[wang-goal-setting-ai-engagement-2026|Ван і Ван (2026)]]** розширюють це оповіддю з теорії постановки цілей про **758 студентів-[[multilingual-learning|вивчальників англійської]]** у навчанні з підтримкою ШІ, показуючи, що **підтримка викладача** безпосередньо посилює залученість і діє через **цілі, орієнтовані на майстерність, та цілі, орієнтовані на продуктивність** студентів (а не через цілі уникнення). Отже, залученість у контекстах ШІ є не лише індивідуальним або дизайновим результатом — вона також **соціально скаффолдиться** викладачем та орієнтаціями на цілі, до яких заохочують здобувачів.

Цей [[scaffolding]] має інституційний відповідник із подвійним шляхом. Двослідний дизайн [[gai-advocacy-practice-art-education-2026|Чена (2026)]] (160 студентів мистецьких спеціальностей у сценарному експерименті, 425 опитаних) виявив, що сприйнята неузгодженість між адвокацією університету щодо GAI та його фактичною практикою викладання й оцінювання передбачала залученість у творчий процес через дві протилежні оцінки — негативну через перешкоду (β = −0,060, p = 0,004) і позитивну через виклик (β = 0,217, p < 0,001) — причому мислення шляхами посилювало лише позитивний маршрут, тож та сама інституційна умова залучала одних здобувачів і розлучала інших.

- **Компетентність і емоція як драйвери залученості:** [[chatbot-engagement-genai-competency-emotion-2026|Чжао і співавтори (2026)]] моделюють **871 студента університету**, які взаємодіяли із чатботом [[llm]], виявляючи, що **компетентність у GenAI** передбачає залученість у чатботі як безпосередньо, так і опосередковано через **позитивні емоції** (афективний шлях), і що як компетентність, так і позитивна емоція передбачають залученість та позитивні навчальні емоції. Отже, залученість є спільно *навичкою* та *афективним* результатом — здобувачі, яким бракує [[teacher-ai-competency|компетентності в ШІ]] і які відчувають тривожність або розчарування, розлучаються, що має наслідки для навчання [[ai-literacy]] як втручання в залученість, а не лише як мети формування навички.

- **Пов’язана з дисципліною когнітивна залученість у чаті здобувача зі ШІ.** [[student-ai-conversations-cognitive-engagement-2026|Чан і Лі (2026)]] показують, що підказки здобувачів до ШІ кодують ~62% когнітивного запиту вищого рівня в середньому, але профілі залученості за рівнями Блума різко відрізняються за дисциплінами ([[stem-education|STEM]] з перевагою «Застосування» 20,8%, мовні дисципліни з перевагою «Розуміння» 31,7%, соціальні науки з перевагою «Створення» 33,8%). Використовуючи дизайн «всередині особи», вони виявили, що ті самі здобувачі створювали значно більше підказок вищого рівня на курсах соціальних наук, ніж на курсах STEM (p < .001), причому варіація на рівні курсів перевищувала варіацію на рівні здобувачів — свідчення, що когнітивна залученість зі ШІ формується дисциплінарним контекстом, а не лише індивідуальним стилем.

- **[[ai-feedback-quality|Зворотний зв’язок ШІ]] підтримує поведінкову активацію.** [[gpt4-feedback-student-activation-2026|Гешвінд і співавтори (2026)]] у семестровому експерименті «лабораторія в полі» виявили, що студенти, які отримували індивідуальний зворотний зв’язок GPT-4 на завданнях із відкритою відповіддю, підтримували найвищу участь протягом восьми щотижневих завдань (~50% до останнього проти ~30% у групах із зворотним зв’язком викладача або однокурсників) і писали ~29 символів більше на відповідь — індивідуальний зворотний зв’язок ШІ активував залученість і на екстенсивній межі (участь), і на інтенсивній межі (зусилля на відповідь), хоча студенти оцінили [[peer-assessment|зворотний зв’язок однокурсників]] дещо вище.

- **Прогнозування академічного використання ШІ з навчальних конструктів.** Дослідницька рамка [[reinforcement-learning|машинного навчання]] проаналізувала дані опитування 166 студентів університету, щоб визначити навчальні конструкти, пов’язані з передбачуваним академічним використанням ChatGPT, використовуючи аналіз SHAP для підтримки [[explainable-ai|інтерпретованості]]. Результати інформують про те, як залученість, підтримка навчання та інші конструкти формують включення здобувачами інструментів ШІ в академічну роботу.

- **Доступ до інструменту ШІ може *знижувати* вимірювану залученість, і показники завершення цього не покажуть.** [[liu-course-integrated-ai-tutoring-rct-2026|Лю і співавтори (2026)]] рандомізували доступ до тьютора в 13 групах у великому державному університеті США і виявили, що зареєстрована участь на платформі впала на 0,90 SD, перегляди сторінок на 0,37–0,38 SD, а активні дні на 0,51–0,61 SD — тоді як подання домашніх завдань і подання вчасно не постраждали. Ця дисоціація є уроком вимірювання: курс, який моніторив би лише завершення завдань, не побачив би нічого, бо скорочення сиділо в активності обговорень, вікторин і взаємодії з викладачем, яку логувала платформа. Студенти в експериментальних групах також повідомляли, що ставили викладачу менше запитань змісту (близько 57% проти 44%), тож спад збігся із заміщенням людського контакту, а не з розлученням від курсу.

- **Затримка відповіді є важелем залученості.** У 1 137 сеансах кількісного тьюторінгу зі ШІ швидші відповіді відстежувалися з більшою кількістю повідомлень здобувачів і більшою правильністю практики (медіанний час відповіді від 1,9 с до 31,0 с між моделями; нижча затримка корелювала із залученістю за Спірменом ρ = −0,81, p = .0056) — ланцюжок, який автори прочитали як пояснення того, як моделі, що отримують непримітні результати за якістю викладання, усе ж досягають здобутків на людському рівні ([[studentbench-ai-human-tutoring-gre-2026|Норткатт і співавтори (2026)]]).

- **Використання ШІ може мандрувати разом із більшою пропущеністю занять, тоді як упевненість її не передбачає.** Опитування PLS-SEM 291 португальських студентів університету виявило, що загальне використання ШІ позитивно пов’язане з пропущеністю (β = 0,148, f² = 0,029) і зі самоефективністю в незалежному навчанні, проте сама самоефективність не передбачала пропущеності (β = −0,068, p = 0,276) — закономірність «уповнований, але відсутній» із цієї роботи. Асоціація з відвідуванням була помірною і вторинною до впливу однокурсників (β = 0,510, f² = 0,326) і управління часом (β = −0,163), а оскільки конструкт використання ШІ був одновимірним і змішував елементи, орієнтовані на підтримку, з елементами, орієнтованими на заміщення, дослідження не може відокремити доповнювальне використання від замісного або встановити напрямок ([[confident-but-absent-ai-use-absenteeism-2026|Франко і співавтори (2026)]]).

### Вимірювання залученості: проблема вибору метрики

Залученість операціоналізується через низку спостережуваних сигналів. **Поведінкові метрики** вимірюють, що здобувачі *роблять* (час на завданні, підрахунки активності, частота взаємодій, наполегливість); **когнітивні метрики** вимірюють, як здобувачі *мислять* (глибина обробки, критична залученість, аналіз дискурсу); **афективні метрики** вимірюють, як здобувачі *відчувають* (емоція, мотивація, інтерес); а **контекстуальні метрики** фіксують мультитаскінг та увагу. Дослідження в області ШІ в освіті дедалі частіше поєднують їх і трактують залученість як опосередковуючий механізм між дизайном інструменту ШІ та [[learning-gains|результатами навчання]], а не як результат сам по собі.

- **Шість родин застосувань ШІ + багатометодне вимірювання:** [[ai-student-engagement-online-learning-review-2025|систематичний огляд Чжоу (2025)]] 24 досліджень WoS відображає шість застосувань ШІ для залученості — [[conversational-ai|чатботи]] в проєктуванні курсів, розпізнавання емоцій/облич/голосу та відстеження погляду, машинне навчання для аналізу даних, підтримку взаємодії викладача зі студентом, персоналізований зворотний зв’язок/рекомендації та ботів на основі ШІ в розумних навчальних середовищах. Він виявляє, що інтеграція численних модальностей ШІ та джерел даних дає точніше, реальночасова уявлення про когнітивну, емоційну та поведінкову залученість, ніж підходи з одним джерелом, — підсилюючи проблему вибору метрики вище.

Вибір метрики є дефініційним: дослідження, яке вимірює залученість як *час на завданні*, може дійти висновку, що інструмент ШІ посилює залученість, коли здобувачі витрачають більше часу на взаємодію з ним, тоді як дослідження, яке вимірює залученість як *критичну обробку*, може дійти протилежного висновку щодо того самого інструменту. Ось чому дослідження бази знань розрізняє залученість (участь) і навчання (фактичний когнітивний здобуток) — див. [[genai-performance-vs-learning|продуктивність проти навчання]] — і чому метрики залученості повинні бути валідовані проти того, що вони претендують вимірювати.

- **Залученість як крихкий, ситуаційно залежний сигнал:** [[polished-artifacts-fragile-engagement-2026|вишукані артефакти, крихка залученість]] та [[genai-tutor-engagement-patterns|закономірності залученості в кількох установах]] виявляють, що залученість змінюється за контекстом, завданням та здобувачем — той самий інструмент породжує сильну залученість в одних здобувачів і поверхову, спрямовану на результат поведінку в інших.

- **Поведінкова телеметрія з навчальних [[edtech-platform|платформ]]:** [[engagement-forecasting-its|прогнозування зусиль і прогресу]], [[learning-engagement-assistant-lea|асистент навчальної залученості]], [[engagement-assessment-video|оцінювання залученості у відеонавчанні]] та [[interactive-learning-dashboards-engagement|навчальні панелі]] перетворюють поведінкові та фізіологічні сигнали (увагу, активність, наполегливість) на метрики залученості, які використовуються для адаптивного зворотного зв’язку та втручання викладача.

- **Фізіологічне сенсорування додає модальність — і проблему базової лінії.** [[e3sense-multimodal-learner-engagement-sensing-2026|E3Sense]] розміщує ЕЕГ із сухими електродами, окуляри відстеження погляду та чолоскладові електроди електродермальної активності на голові і передбачає 450 оцінок залученості на рівні сегмента від 30 студентів університету за п’ятирівневою порядковою шкалою: AdaBoost над злитим [[multimodal]] поданням досягнув 75,0% збалансованої точності «в межах одного рівня» проти 63,0% для завжди прогнозування найпоширенішої оцінки. Вузькість цієї прогалини і є суттю — кредит «в межах одного рівня» віддає більшість свого рахунку базовій лінії без сенсора на перекошених оцінках — і запитання здобувачів, що залученість означає для них, зрушило ту саму міру з 64,6% до 71,5%, свідчення, що мітка [[self-report-measures|самозвіту]], а не лише сенсор, вирішує, на що така аналітика може претендувати.

- **Обмеження справедливості потребують відкладених суб’єктів, щоб триматися.** Гендерно-орієнтований регуляризатор багатомодального оцінювача уваги скоротив прогалину MAE на валідації з 0,02 до 0,005, але збільшив і прогалину, і помилку найгіршої групи на відкладених суб’єктах, тож уважна до підгруп, повторювана валідація на рівні суб’єкта належить до будь-якої заяви про сенсорування залученості ([[student-attention-estimation-fairness-2026|Фрагіадакіс і співавтори (2026)]]).

- **Залученість як сигнал моделювання здобувача:** [[engagement-intensity-learner-modeling|інтенсивність залученості як сигнал моделювання здобувача]] використовує силу залученості для інформування адаптивних систем ШІ, позиціонуючи метрики залученості як входи до [[student-modeling]] та [[adaptive-learning]], а не лише як результати оцінювання.

### Залученість проти навчання

Центральна тема досліджень бази знань — залученість і навчання повинні бути розрізнені. Інструменти ШІ, що генерують високу залученість (час на завданні, обсяг взаємодій), можуть не давати навчання, якщо ця залученість є пасивною або заміщує [[cognitive-offloading|когнітивну роботу]] розуміння — див. [[genai-performance-vs-learning|продуктивність проти навчання]]. Навпаки, продуктивна боротьба та [[desirable-difficulties|бажана складність]] можуть давати навчання, навіть коли поверхова залученість відчувається нижчою. Тому залученість найкраще трактувати як *механізм* — цінний настільки, наскільки він відображає або уможливлює значущу [[cognitive-psychology|когнітивну обробку]], — а не як термінальний результат.

Це розрізнення не є академічним. [[pramod-agentic-ai-motivational-pathways-2026|Прамод та Патіл (2026)]] розміщують залученість у центрі своєї моделі PLS-SEM, між мотивацією та [[community-of-inquiry|соціальною присутністю]] з одного боку і *сприйнятою* продуктивністю з іншого — найбільший коефіцієнт у їхній моделі, який усе ж є сприйняттям, а не мірою навчання.

### Педагогіка опосередковує вплив ШІ на залученість

Систематичний синтез [[higher-ed|ШІ у вищій освіті]] ([[long-ai-higher-ed-engagement-teaching-methods-2026|Лонг і співавтори, 2026]]) підкреслює, що **[[teacher-role|метод викладання]], у який вбудований інструмент ШІ, є вирішальним посередником** того, чи залучає він здобувачів. Чатботи, адаптивні системи та предиктивна аналітика посилюють залученість найбільше, коли розгортаються в межах інтерактивних педагогік — перевернених класів, [[project-based-learning|проєктного навчання]] та скаффолджованих [[feedback|циклів зворотного зв’язку]], — а не як автономні інструменти. Огляд формалізує це як **модель PMAISE** ([[pedagogy|педагогічне]] опосередкування ШІ заради залученості студентів), відображаючи узгодженість між [[ai-technologies|технологіями]] ШІ, педагогічними стратегіями та афективним, поведінковим і когнітивним вимірами залученості. Наслідок полягає в тому, що результати залученості ко-продукуються інструментом *і* оточуючим [[learning-design|інструкційним дизайном]]: той самий ШІ може посилювати залученість в одній педагогіці і гальмувати її в іншій.

### Зв’язки зі спорідненими поняттями

Залученість здобувачів пов’язана з [[motivation]] та [[self-determination-theory]] як своїми психологічними драйверами і з [[student-experience]] як із пережитим контекстом. Її вимірювання спирається на [[learning-analytics]] та [[educational-measurement]], які постачають [[quantitative-research|кількісні]] інструменти для операціоналізації вимірів вище. Розрізнення між глибокою та поверховою залученістю безпосередньо пов’язане з [[self-regulated-learning]] (саморегульовані здобувачі залучаються стратегічно), [[cognitive-offloading]] та [[cognitive-offloading|надмірною залежністю]] (поверхова покладаність як режим відмови) і [[metacognition]]. У проєктуванні систем сигнали залученості живлять [[student-modeling]] та [[adaptive-learning]], а результати залученості фігурують в оцінюваннях [[research-methods-aied]] втручань ШІ в освіті.

- **Характеристики здобувачя пом’якшують уроки на основі TTS-діалогу (2026):** у уроках діалогу «викладач–студент», «студент–студент» і «викладач–викладач», згенерованих LLM+TTS, стиль [[experiential-learning]] та диспозиція критичного мислення значущо взаємодіяли з форматом діалогу для мотивації на основі ARCS, вказуючи, що згенерований ШІ зміст діалогу є диференційно мотивуючим залежно від профілю здобувача ([[tts-dialogue-lessons-learner-characteristics-2026]]).

- **Вимірно-специфічні здобутки на початковому рівні (2026):** дев’ятитижнева програма письма [[writing-education|L2]] з підтримкою GenAI зі 301 студентом 5-го та 6-го класів підвищила поведінкову та емоційну залученість, але залишила когнітивну та метакогнітивну залученість незмінною, а її автори називають знижене самоконтролювання під час письма постійним ризиком ([[genai-writing-program-primary-l2-motivation-engagement|Лу і співавтори, 2026]]). Ця закономірність є конкретним випадком розрізнення залученості та навчання вище: більше активності та більше задоволення не перейшли в глибшу обробку.

- **Дисоціація може йти в інший бік (2026):** у 12-тижневому курсі внутрішнього дизайну для професійної освіти імерсивна VR-студія із вбудованим асистентом викладача на основі LLM підвищила когнітивну (d = 0,90) та поведінкову (d = 0,75) залученість проти традиційного [[project-based-learning|проєктного]] навчання, тоді як афективна залученість не відрізнялася значущо (d = 0,38) — обернене до випадку письма L2 вище ([[ai-ive-pbl-vocational-design-creativity-2026|Джин і співавтори, 2026)]]). Когнітивні та поведінкові здобутки тут прийшли з *нижчим* повідомленим когнітивним навантаженням, що автори приписують асистенту, який поглинав зусилля пошуку та міждисциплінарної інтеграції. Прочитане проти випадку письма, два дослідження припускають, що те, який вимір залученості рухає втручання з підтримкою ШІ, є властивістю дизайну — дискурсивно насичена імерсивна [[collaborative-learning|співпраця]] проти підтримки соло-письма, — а не ШІ-допомоги взагалі, і що афективної переваги не можна припускати від високоточного або інтелектуального зворотного зв’язку.

- **Грамотність у ШІ діє на залученість через психологічні ресурси (2026):** дослідження пом’якшеного опосередкування 1 198 студентів у Чженчжоу, Китай ([[ai-literacy-learning-engagement-psych-capital-2026|Ван, 2026]]) моделювало залученість як результат [[ai-literacy]], а не побічний продукт використання інструменту. Грамотність у ШІ передбачала навчальну залученість безпосередньо, а також опосередковано через будівництво психологічного капіталу, причому опосередкований маршрут ніс приблизно половину загального ефекту — часткове опосередкування, тож технологічна компетентність перетворюється на залученість лише частково через психологічні ресурси, які вона генерує. Професійна відданість, змінна, заснована на ідентичності, пом’якшувала зв’язок психологічного капіталу із залученістю, не маючи власного прямого ефекту, а переведення психологічного капіталу в залученість було значно сильнішим для студентів, які бачили себе такими, що прямують у професію. Ця закономірність є найяснішим доступним випадком згаданого вище пункту, що характеристики здобувача обумовлюють, як ШІ впливає на залученість.

- **Передкласна практика зі ШІ може підвищити живу участь (2026):** передзареєстрований польовий експеримент із 759 студентами MBA виявив, що підготовка з голосовим партнером для обговорення на основі ШІ підвищила добровільні внески приблизно на 31% у наступних сеансах, але лише після другого використання; перше використання передувало нижчій участі ([[assigned-ai-preclass-student-engagement-2026|Ван і співавтори (2026)]]).

- **Розлучення як хід на рівні ходу, а не сталий стан:** [[rho-disengaged-conversational-behaviors-2026|Ро і співавтори (2026)]] закодували 5 522 висловлювань здобувачів до навчального агента ШІ в Math Nation у шість категорій розмовного розлучення (хибні відповіді, глузування, «привид», дзеркалення, утримання, випадковий/шумний) і виявили, що частка залученості домінувала на 75,7% висловлювань. Асоціації за поширеністю хибних відповідей та глузування з результатами тесту не витримали перевірки на чутливість з людською анотацією. Послідовний аналіз є релевантним для залученості результатом: найпродуктивніший кластер поєднав помірне розлучення з сильними переходами відновлення до залученості (утримання → залученість p = 0,83), тоді як найнижчий показував стійкі цикли самопереходу без відновлення (цикл самопереходу залученості p = 0,96). Утримання було єдиним типом розлучення, який схилявся зберігатися, а не розв’язуватися, — збереження проти відновлення, а не присутність проти відсутності, є розрізненням, що відокремлює траєкторії залученості.

## Пов’язані поняття
- [[learners]] — Здобувачі: узагальнення для понять на боці здобувача
- [[pedagogical-partnerships]] — Педагогічні партнерства
- [[community-of-inquiry]] — Спільнота дослідження (агентна залученість як вимір CoI)
- [[eportfolio]]
- [[online-teaching-and-learning]] — Онлайн-викладання та навчання
- [[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]] — Узагальнення: люди та аудиторії в освіті зі ШІ (здобувачі, викладачі, дизайнери, адміністратори, політики)
- [[self-report-measures]]
- [[productive-failure]]

## Пов’язані статті

- [[rho-disengaged-conversational-behaviors-2026]] — Розлучені розмовні поведінки та навчання в діалогах здобувача зі ШІ (Ро і співавтори, 2026)

- [[assigned-ai-preclass-student-engagement-2026]] — Передкласна практика з голосовим ШІ підвищила добровільні внески на заняттях на ~31%, але лише після другого використання (Ван і співавтори, 2026)
- [[confident-but-absent-ai-use-absenteeism-2026]] — Використання ШІ відстежувалося з більшою пропущеністю занять, тоді як самоефективність її не передбачала, причому вплив однокурсників є домінантним корелятом (Франко і співавтори, 2026)
- [[gai-advocacy-practice-art-education-2026]] — Коли університети адвокують GAI, але практика відстає: оцінки здобувачів і залученість у творчий процес у мистецькій освіті

- [[e3sense-multimodal-learner-engagement-sensing-2026]] — ЕЕГ на голові, відстеження погляду та EDA передбачають п’ятирівневі оцінки залученості, тоді як власні дефініції здобувачів зрушують відображення (Анупкрішнан і співавтори, 2026)
- [[student-attention-estimation-fairness-2026]] — Багатомодальне трансформерне моделювання, чуйне до справедливості, для оцінювання уваги студента в реальному часі
- [[ai-student-engagement-online-learning-review-2025]]
- [[long-ai-higher-ed-engagement-teaching-methods-2026]] — ШІ у вищій освіті: систематичний огляд залученості + опосередковуюча роль методів викладання
- [[genai-motivation-engagement-2026]] — Вплив генеративного ШІ на мотивацію та залученість здобувачів
- [[critical-engagement-code-completion]] — Натискати Tab чи не натискати: вимірювання критичної залученості в доповненні коду зі ШІ
- [[icap-cognitive-engagement-llm-agents]] — Вимірювання когнітивної залученості в колаборативному дискурсі
- [[genai-tutor-engagement-patterns]] — Не всі здобувачі залучаються однаково: закономірності в кількох установах
- [[polished-artifacts-fragile-engagement-2026]] — Вишукані артефакти, крихка залученість
- [[ai-availability-student-motivation]] — «Навіщо вкладати стільки зусиль?»: як доступність ШІ формує мотивацію
- [[genai-performance-vs-learning]] — Розрізнення здобутків у продуктивності та навчанні
- [[scaffolding-critical-engagement-genai-minority-students]] — Скаффолдинг критичної залученості з GenAI
- [[engagement-intensity-learner-modeling]] — Інтенсивність залученості як сигнал моделювання здобувача
- [[learning-engagement-assistant-lea]] — Асистент навчальної залученості
- [[engagement-assessment-video]] — Оцінювання залученості у відеонавчанні
- [[engagement-forecasting-its]] — Від евристик до аналітики: прогнозування зусиль і прогресу
- [[interactive-learning-dashboards-engagement]] — Інтерактивні навчальні панелі та залученість
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Характеристики здобувача × взаємодії формату TTS-діалогу
- [[wang-goal-setting-ai-engagement-2026]] — Теорія постановки цілей: підтримка викладача, цілі досягнення та залученість у навчанні англійської з підтримкою ШІ (758 китайських студентів)
- [[chatbot-engagement-genai-competency-emotion-2026]] — Компетентність у GenAI та емоція як драйвери залученості в чатботі (Чжао і співавтори, 2026)
- [[student-ai-conversations-cognitive-engagement-2026]] — Пов’язана з дисципліною когнітивна залученість за рівнями Блума в розмовах здобувача зі ШІ (Чан і Лі, 2026)
- [[gpt4-feedback-student-activation-2026]]
- [[genai-writing-program-primary-l2-motivation-engagement]] — Вимірно-специфічні здобутки залученості на початковому рівні (Лу і співавтори, 2026)
- [[ai-ive-pbl-vocational-design-creativity-2026]] — Когнітивна та поведінкова залученість зростають, афективна залученість пласка, в імерсивній VR-студії PBL (Джин і співавтори, 2026)
- [[domain-specific-chatbot-stem-enthusiasm-2025]] — Кластер-рандомізоване дослідження середньої математики: ситуативний інтерес зріс із настроєним чатботом, тоді як продуктивність в тесті — ні (Рюкер і Беккер-Геншов, 2025)
- [[ai-literacy-learning-engagement-psych-capital-2026]] — Грамотність у ШІ рухає залученість безпосередньо та через психологічний капітал, посилену професійною відданістю (Ван, 2026)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: тьюторінг ШІ та людський дають еквівалентні навчальні здобутки за GRE
- [[liu-course-integrated-ai-tutoring-rct-2026]] — Доступ до ШІ-тьютора знизив зареєстровану участь на платформі на 0,90 SD, тоді як подання домашніх завдань залишилося стійким (Лю і співавтори, 2026)

---

## [Пошук допомоги](https://edtechdev.github.io/aied/concepts/help-seeking/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Пошук допомоги** — процес усвідомлення здобувачем потреби в допомозі та стратегічного її запиту, а також те, як цей процес розгортається в навчальних середовищах із підтримкою ШІ. У [[ai-education|освіті зі ШІ]] пошук допомоги є вирішальним для того, чи інструменти ШІ підтримують чи підривають навчання: *якість* пошуку допомоги (коли, як і чого здобувачі просять) сильно формує результати, і репетитори на основі ШІ, підказки та [[pedagogy|педагогічні]] агенти сконструйовані саме для того, щоб викликати продуктивний пошук допомоги, а не пошук відповідей.([[lak2026-hint-button-unproductive-use]])([[ai-fallibility-warning-help-seeking]])

Проактивне звернення може підвищити пошук допомоги без жодної зміни в навчальних матеріалах. Попередньо зареєстрований експеримент у великих магістерських курсах, де студентам надсилали повідомлення через академічний чат-бот, виявив ширше залучення до репетиторства та додаткового навчання; аналіз медіації відніс 17,8 % ефекту на оцінку до цього посиленого пошуку допомоги (p = 0,041) ([[chatbot-outreach-course-performance-2026]]).

## Питання для роздумів

- Коли ви застряєте, ви зазвичай просите пряму відповідь чи пораду, яка допомагає вам розібратися самому? Як, на вашу думку, кожен із цих виборів впливає на те, що ви справді зберігаєте в пам’яті?
- Дослідження показують, що студенти часто мають намір вчитися зі ШІ, але за замовчуванням просять відповідь — «розрив між наміром і поведінкою», пов’язаний із гіршою успішністю. Чому добрі наміри так легко перетворюються на пошук відповідей?
- Постійна «кнопка підказки» може перетворити навчальне завдання на вправу в копіюванні, сигналізуючи, що допомога завжди є. Чи можете ви згадати випадок, коли надто легкодоступна допомога змусила вас пропустити мислення, яке вам було потрібне зробити?
- Одне дослідження виявило, що просте попередження студентів, що ШІ може помилятися, фактично підвищило їхній пошук допомоги. Як здоровий скептицизм може змінити те, як студенти взаємодіють із репетитором, у порівнянні зі сліпою довірою?
- Студенти, які мають труднощі, часто найменш схильні шукати допомогу без підказки. Якщо студенти, які найбільше потребують підтримки, не звертаються по неї, як мають реагувати інструменти ШІ та викладачі?
- Сторінка пропонує відстрочувати підказки та переводити проєктне питання з «чи» на «як» надавати допомогу. Як би виглядав добре спроєктований досвід отримання допомоги для ваших здобувачів — і що змусило б їх справді ним скористатися?

## Вступ

Пошук допомоги — добре усталений конструкт у дослідженнях навчання, тісно пов’язаний із [[self-regulated-learning]] та [[metacognition]]: він вимагає від здобувачів відстежувати власне розуміння, усвідомлювати прогалину, вирішувати, що допомога потрібна, і формулювати ефективний запит. Зі зростанням репетиторів на основі [[generative-ai|генеративного ШІ]] пошук допомоги набув нового значення — і нових режимів відмов. Здобувачі часто *мають намір* використовувати ШІ для навчання, але за замовчуванням просять прямих відповідей, і ця прогалина задокументована в дослідженнях цієї бази знань у різних галузях і вікових групах. Класична модель припускає, що запит стосується знання, якого прохач не має. Попит на операційну підтримку ускладнює це припущення: серед 4 093 запитів принаймні 20,4 % стосувалися стану очікуваного подання роботи, а не знання, і цей клас асистент, обмежений пошуком, обслуговував лише 1,3 % часу [[student-query-demand-hybrid-ai-support-2026|Gupta et al. (2026)]].([[regulating-ai-tutor-adolescent-srl]])([[guided-llm-scaffolding-independent-learning]])

## Продуктивний і непродуктивний пошук допомоги

Центральне розрізнення в літературі — між пошуком допомоги, що підтримує навчання, і пошуком допомоги, що його обходить.

### Непродуктивні моделі пошуку допомоги

Дослідження в цій базі знань виокремлюють конкретні, спостережувані патерни непродуктивного пошуку допомоги, особливо в [[intelligent-tutoring|інтелектуальних системах репетиторства]]:

- **Передчасні запити підказок** — прохання про допомогу до будь-якої спроби розв’язання. Навіть невпевнені студенти вчаться більше, спробувавши спочатку.([[lak2026-hint-button-unproductive-use]])
- **Поверхневе читання підказок** — просування через підказки надто швидко, щоб їх прочитати (позначається на позначці ~4 слова на секунду), часто із переходом прямо до підказки, що розкриває відповідь.([[lak2026-hint-button-unproductive-use]])
- **Пошук відповіді замість пошуку навчання** — прохання до ШІ дати відповідь, а не пояснити чи наставити. У дослідженні 98 студентів 9-го класу, що користувалися репетитором GenAI, взаємодії домінували інструментальними запитами майже без відстеження чи оцінювання власного навчання — незважаючи на те, що студенти заздалегідь обрали підтриману форму. Цей **розрив між наміром і поведінкою** асоціювався з *нижчою* успішністю на післятесті та вищим стороннім когнітивним навантаженням.([[regulating-ai-tutor-adolescent-srl]])
- **Звертання до ШІ до будь-якої самостійної спроби або людського джерела.** [[uneven-impact-generative-ai-student-learning-2026|Manikonda et al. (2026)]] вимірюють це впорядкування прямо як **ранню залежність** — звертання до GenAI до незалежного мислення, традиційного пошуку чи звернення до викладача — і виявляють її асоціацію з більшим негативним впливом (β = .402, p = .004), а також з академічною користю (β = .301, p < .001) серед 118 студентів на курсах, пов’язаних зі ШІ. Асоціація зі шкодою була відсутня за низької [[ai-literacy|грамотності оцінювання]] і найсильнішою за високої грамотності оцінювання (b = .688 при +1 SD, p < .001), тому студенти, найздатніші судити про результат ШІ, повідомляли про найбільші витрати від його першочергового використання: вибір *у кого питати першим** несе збиток, який не компенсується вміністю оцінювати відповідь. Дослідження також показує, що використання ШІ для організації, оцінювання та декомпозиції задач — **когнітивне**, а не рання залежність — є патерном, асоційованим із позитивним впливом, тому режим відмов в пошуку допомоги — це питання послідовності, а не самого факту запитання.
- **Тривале прохання без одужання** — прохання є продуктивним спочатку, але не нескінченно: запити про допомогу є найвідновлюванішим типом тупику на початку (47,0 %), але падають найнижче, коли допомога не спрацьовує (12,5 % на глибині шести й більше), тому наполегливість, а не сам запит, є сигналом, вартим відстеження [[guided-ai-tutor-impasse-resolution-2026|Ahtisham et al. (2026)]].
- **Студенти з труднощами найменш схильні шукати допомогу без підказки** — сторона залучення в пошуку допомоги. У [[one-click-away-khanmigo-two-year-school-experiment-2026|двохрічному РКД Khanmigo (Oreopoulos & Low 2026)]], навіть за вільного доступу та обов’язкового часу практики, медіанний студент із труднощами писав репетитору на основі ШІ лише в ~17 % сеансів із помилками, переважно з простими відповідями чи клацанням — що узгоджується зі знахідкою економіки освіти, що залежні від ініціативи інтервенції сягають найменше тих студентів, які найбільше виграли б. [[virtual-tutoring-computer-assisted-learning-takeup-2026|TWiK (Oreopoulos et al. 2026)]] показує, що залучення сильно реагує на зменшення тертя (залучення на першому сеансі виросло з 45 %→83 % після спрощення запису), але вхід ≠ стійка участь (відвідування залишалося нерегулярним).

### Чому непродуктивний пошук допомоги шкодить навчанню

**Перспектива аффордансу** пояснює ключовий механізм: коли інтерфейс робить допомогу постійно й помітно доступною (наприклад, постійна «кнопка підказки»), він сигналізує здобувачам, що допомога завжди є, створючи ненавмисний аффорданс, який може перетворити завдання на вправу в копіюванні. Швидкий доступ до підказок, що розкривають відповідь, оминає активне конструювання схем, якого вимагає навчання.([[lak2026-hint-button-unproductive-use]])

### Якість пошуку допомоги є вимірюваною

Два прості, інтерпретовні індикатори — передчасні запити підказок і поверхневе читання підказок — обчислювані зі стандартних журналів репетиторства і послідовно асоційовані зі зменшеними [[learning-gains|навчальними здобутками]] упродовж семестрів, навіть після контролю за [[prior-knowledge|попередніми знаннями]]. Це робить їх практичними для панелей [[learning-analytics]] [[visualization|візуалізації]] та втручання в реальному часі, на відміну від складних машинних детекторів «гри в систему».([[lak2026-hint-button-unproductive-use]])

## Проєктування систем ШІ для сприяння продуктивному пошуку допомоги

### Скаффолдинг того, як студенти просять

Явне навчання **пошуку допомоги, зосередженому на міркуванні** — запит покрокових підказок і перевірки, а не фінальних відповідей — дає кращі результати, ніж некритична залежність. У квазіекспериментальному магістерському дослідженні зі статистики керований доступ до LLM (з навчанням пошуку допомоги, орієнтованому на міркування) привів до сильнішої самостійної успішності та кращої калібровки самооцінки, ніж необмежений доступ до LLM. Урок: **сам по собі доступ до LLM є неповною інтервенцією**; проєктне завдання — забезпечити скаффолдинг *того, як* студенти використовують ШІ, щоб він функціонував як партнер із міркування, а не як інструмент отримання відповідей.([[guided-llm-scaffolding-independent-learning]])

Витрати на взаємодію — частина того самого питання. [[penquiry-pen-based-llm-qa-2026|Rhee et al. (2026)]] виокремлюють **Референційний бар’єр** і **Експресивний бар’єр**, які не дають здобувачам, що працюють з пером, запитати в [[llm|LLM]] взагалі: показування на область діаграми чи термін рівняння не можна висловити друкованою прозою, і зусилля формулювання припадає саме на той момент, коли запитання найкрихкіше. Їхня система Penquiry розв’язує референцію, прив’язуючи ручні позначки до елементів документа, і розширює розріджені ключові слова до повних запитів через автозаповнення; два ітеративні дослідження по 16 учасників виявили, що когнітивні та фізичні накладні витрати запитування значно впали. Чи нижча вартість запитання дає *кращий* пошук допомоги, чи лише більший — залишається відкритим, і автори пропонують тимчасово адаптивне автозаповнення — базову перевірку на початку сеансу, підказки вищого рівня пізніше — як шлях від зменшеного тертя до [[scaffolding|зникаючої підтримки]], а не до постійної милиці.

Скаффолдинг може постачатися також усередині завдання, а не перед ним. [[helpcoach-ai-help-seeking-scaffolding-2026|Jin et al. (2026)]] побудували HelpCoach — додаток до чат-інтерфейсів, який оцінює, наскільки конкретно студент просить про допомогу, і пропонує переробити запитання, коли воно надто розпливчасте, роблячи компонент знання і тип скаффолдингу явними. У міжгруповому дослідженні з 40 студентів коледжу, що вчаться вебпрограмування, учасники HelpCoach написали значно вищу частку конкретних запитанням у своїх перших начерках, ніж базова лінія з навчанням до завдання (57,3 % проти 40,5 %), і зберегли значно більше знань тиждень потому (d = 1,100), тоді як відмінність у специфічності третього завдання вже не була значущою (43,7 % проти 32,1 %). Автори застережують, що здобуток утримання ще не можна віднести на рахунок більш цілеспрямованих відповідей чат-бота.

Третій важіль вартості запитання — *звідки* приходить допомога. [[course-specific-rag-help-seeking-higher-ed-2026|Gray and Hobbs (2026)]] побудували Beacon — асистента з [[rag|пошуковим посиленням]], специфічним для курсу, заземленого в затверджених матеріалах одного модулю програмування, і оцінили його з 15 студентами обчислювальних наук і чотирма науковцями. 89 % учасників оцінили його відповіді як високо узгоджені з матеріалами курсу, і 66,7 % сказали, що він підтримав, а не замінив їхнє навчання, хоча лише близько від половини до 60 % повідомили про здобутки в розумінні чи впевненості. Мотивація — бар’єр, задокументований у цьому розділі: 62,5 % тих студентів сказали, що іноді уникали просити допомогу, коли вона була потрібна, і 75 % повідомили про тривогу, коли тема не складалася, тому приватний, заземлений у модулі канал пропонується як перша сходинка перед звертанням до лектора. Інтерв’юйовані науковці підтримували контраргумент — вони цінували, що Beacon не видає повних розв’язків, і хвилювалися, що необмежені інструменти дозволяють студентам пропустити стадію розвитку — і саме тому проєкт заробляє своє місце, відмовляючись завершувати роботу.

### Калібрування довіри через прозорість

Експеримент в аудиторії зі 252 студентами виявив, що **попередження студентів про похибність ШІ підвищило пошук допомоги** в системі математичного репетиторства. Прозорість щодо потенційних помилок системи покращила залучення здобувачів із системою — пов’язуючи пошук допомоги з [[trust-calibration]] та [[hallucination-risk]].([[ai-fallibility-warning-help-seeking]])

### Переосмислення постачання підказок і скаффолдингу

Замість того, щоб прибирати допомогу, дослідження рекомендують переінженірити те, як вона постачається:

- **Відстрочена доступність підказок** — вимога мінімального часу залучення чи спроб розв’язання, перш ніж підказки (особливо ті, що розкривають відповідь) стануть доступними.([[lak2026-hint-button-unproductive-use]])
- **Перехід від *чи* до *як*** — ключове проєктне питання — як структурувати постачання підказок, узгоджене з принципами продуктивної боротьби, а не чи надавати підказки взагалі.([[lak2026-hint-button-unproductive-use]])

### Проблема залучення в репетиторах на основі LLM

Реальні студенти часто **оминають [[conversational-ai|чат-ботів]] [[scaffolding]]** — не обов’язково шкідливо, але часто через розбіжність між педагогічною рамкою чат-бота і власними навчальними цілями студента. Тому конвеєри оцінювання мають вимірювати не лише те, чи репетитор забезпечує скаффолдинг, а й чи студенти *залучають* цей скаффолдинг, а не припускати, що вони це зроблять.([[rethinking-scaffolding-llm-tutors]])

## Пошук допомоги та саморегульоване навчання

Пошук допомоги є невід’ємною частиною [[self-regulated-learning]]: продуктивний пошук допомоги вимагає від здобувачів відстежувати розуміння, судити, коли допомога потрібна, і обирати відповідні джерела. У контекстах GenAI це стає ще вимогливішим, бо студенти мають також здійснювати [[agency]] над ШІ та підтримувати епістемічну пильність, а не підкорятися йому. Дослідження в цій базі знань підтримують потребу в [[scaffolding|скаффолдингах]], що сприяють більш [[agentic-ai|аґентному]] та епістемічно проактивному використанню ШІ, і вказують на небезпеку [[cognitive-offloading|надмірної залежності]] та [[cognitive-offloading]], коли пошук допомоги деградує до безумовного пошуку відповідей.([[regulating-ai-tutor-adolescent-srl]])([[guided-llm-scaffolding-independent-learning]])

### Опосередкований LLM пошук допомоги як чотириетапний процес

[[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg et al. (2026)]] показують, що в щоденному STEM-навчанні пошук допомоги в LLM є не єдиним актом, а багатошаровим, залежним від контексту процесом із чотирма етапами: (1) *вирішення, чи потрібна допомога* — студенти спочатку спробують завдання самостійно, щоб зберегти навчальну цінність; (2) *вибір, у кого питати* — ChatGPT як поріг із низьким бар’єром, потім однокурсники для концептуального узгодження, потім викладачі для складних або високоставочних питань; (3) *визначення типу допомоги* — від підказок і пояснень до скаффолдингу [[problem-solving]], впорядкування рутинної роботи та розширення навчання; і (4) *судження про отриману допомогу* — здійснення вибіркової довіри та перевірка результатів ШІ проти матеріалів курсу або з людьми. Вирішально, що студенти віддавали перевагу **інструментальному пошуку допомоги** (посилення розуміння) над **виконавчим пошуком допомоги** (отримання розв’язків) — розрізнення, яке автори пропонують адаптувати в нові пункти вимірювання SRL для LLM.

У повністю онлайн-навчанні [[english-education|композиції]] доступність інструмента не є вузьким місцем. [[reed-resource-literacy-genai-composition-2026|Reed (2026)]] спостерігав, що студенти, які мали труднощі, були не тими, у кого не було підтримки, а тими, хто не усвідомлював, коли допомога була потрібна, який ресурс відповідав завданню, чи як судити про зворотний зв’язок, коли він приходив — і плавний результат [[generative-ai]] легко помилково приймають за авторитетну підтримку. Її відповіддю було зробити пошук допомоги *структурованим*, а не просто доступним: обов’язкові точки дотику, що декодують вимоги завдання, відображають ресурси з обґрунтуванням, порівнюють джерела зворотного зв’язку та завершують цикл рефлексією.

### Роблення поведінкового контексту видимим: TutorTrace

[[tutortrace-learner-behavioral-states-2026|Barron et al. (2026)]] працюють над поведінковим попередником пошуку допомоги в [[cs-education|освіті з програмування за підтримки ШІ]]: людські репетитори адаптуються до спостережуваної поведінки здобувачів, а не лише до їхніх явних запитів, але репетиторам на основі ШІ бракує цього контексту. **TutorTrace** — це набір даних і конвеєр, що робить поведінковий контекст здобувачів обчислюваним у реальному часі з телеметрії IDE низького рівня (чотири розгортання, N=480; ~180K подій, 13 633 поведінкових сегментів, 27 метрик), виводячи таксономію активності здобувача *до* першого запиту до ШІ, *між* послідовними запитами та *упродовж* сеансу. Це дає змогу системам класифікувати, чи запит відображає **керований** пошук допомоги (передуваний незалежною роботою) чи **залежний** пошук допомоги (без незалежної роботи) — AUROC=.717 на відкладеному передбаченні — і передбачати неминучі запити (AUROC=.726). Попереднє оцінювання в аудиторії виявило, що обізнані з поведінкою підказки зменшили інтервали між запитами без незалежної роботи з 50,0 % до 20,7 %. Це пов’язує телеметрію [[learning-analytics]] з [[intelligent-tutoring|адаптивним репетиторством]], показуючи, що поведінковий контекст можна операціоналізувати в масштабі, щоб забезпечити скаффолдинг *того, як* студенти шукають допомоги, а не лише реагувати на їхні явні запитання.

## Наслідки для проєктування та досліджень

1. **Проєктуйте аффорданси пошуку допомоги свідомо.** Постійні, помітні кнопки допомоги можуть уможливити стратегії обходу; відстрочуйте доступ і структуруйте постачання, щоб підтримати [[desirable-difficulties|продуктивну боротьбу]].([[lak2026-hint-button-unproductive-use]])
2. **Забезпечуйте скаффолдинг самого пошуку допомоги.** Навчайте здобувачів запитам, зосередженим на міркуванні (покрокові підказки, перевірка), а не припускайте, що доступ дорівнює доброму використанню.([[guided-llm-scaffolding-independent-learning]])
3. **Використовуйте прозорість для калібрування довіри.** Попередження про похибність ШІ може підвищити доречний пошук допомоги та залучення.([[ai-fallibility-warning-help-seeking]])
4. **Вимірюйте залучення, а не лише скаффолдинг.** Оцінюйте, чи студенти справді взаємодіють із педагогічною рамкою, а не лише те, чи репетитор її забезпечує.([[rethinking-scaffolding-llm-tutors]])
5. **Підтримуйте відстеження та аґенційність.** Скаффолдинги пошуку допомоги мають зміцнювати [[metacognition]] та [[self-regulated-learning]], оберігаючи від [[cognitive-offloading|надмірної залежності]].

## Пов’язані поняття

- [[learners]] — Здобувачі: зонтичне поняття для понять на боці здобувача
- [[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]] — інституційне звернення та розподіл підтримки, за межами внутрішньокурсового пошуку допомоги

## Пов’язані статті

- [[penquiry-pen-based-llm-qa-2026]] — Penquiry: A Pen-based Interactive In-situ Q&A System Leveraging LLMs
- [[tutortrace-learner-behavioral-states-2026]]
- [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026]] — Опосередкований LLM пошук допомоги в STEM: багатошаровий, інструментальний і перевірений
- [[one-click-away-khanmigo-two-year-school-experiment-2026]] — One Click Away: Khanmigo in a two-year school experiment
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Virtual tutoring with CAL: an experiment in take-up and learning
- [[studychat-student-dialogues-chatgpt-ai-course-2026]] — The StudyChat dataset of student–LLM dialogues in an AI course
- [[lak2026-hint-button-unproductive-use]] — Premature hint requests and superficial hint reading predict lower learning gains in an ITS
- [[ai-fallibility-warning-help-seeking]] — Warning about AI fallibility increases help-seeking in a math tutoring system
- [[regulating-ai-tutor-adolescent-srl]] — The intention-behavior gap in adolescent GenAI help-seeking and self-regulated learning
- [[guided-llm-scaffolding-independent-learning]] — Guided LLM scaffolding improves reasoning-focused help-seeking and independent learning
- [[rethinking-scaffolding-llm-tutors]] — The scaffolding/student-uptake mismatch in real-world LLM tutor deployments
- [[uneven-impact-generative-ai-student-learning-2026]] — Early reliance: consulting GenAI before independent thought, search, or an instructor predicts both benefit and harm (Manikonda et al. 2026)
- [[reed-resource-literacy-genai-composition-2026]] — Resource literacy in online composition: the bottleneck is recognizing when help is needed (Reed 2026)
- [[course-specific-rag-help-seeking-higher-ed-2026]] — Reducing Barriers to Academic Support: Evaluating a Course-Specific RAG System for Addressing Help-Seeking Disparities in Higher Education
- [[adaptive-scaffolding-contingency-comet-tutor-2026]] — Adaptive Scaffolding Needs Contingency: An AI Tutor That Escalates and Fades on What the Learner Does
- [[helpcoach-ai-help-seeking-scaffolding-2026]] — HelpCoach: Scaffolding Targeted AI Help-Seeking During Problem-Solving
- [[guided-ai-tutor-impasse-resolution-2026]] — Examining Variation in How Guided AI Tutors Resolve Student Impasses
- [[student-query-demand-hybrid-ai-support-2026]] — What Students Actually Ask: Demand Structure and Automation Potential in a Hybrid Support System

---

## [Соціально-емоційне навчання](https://edtechdev.github.io/aied/concepts/social-emotional-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Соціально-емоційне навчання (SEL)** — процес розвитку компетентностей, які вміють індивідів синхронізувати думки, емоції та дії для сприяння позитивним взаємодіям із собою та іншими: самоусвідомленість, самокерування, соціальна обізнаність, навички відносин і відповідальне прийняття рішень (рамка CASEL). В освіті зі ШІ SEL дедалі частіше визнається критичним, оскільки стрімка інтеграція [[generative-ai|генеративного ШІ]] в навчання породжує запитання щодо [[well-being]] студентів, їхньої соціальності, емпатії та довіри — і оскільки однієї технічної ШІ-грамотності недостатньо для орієнтування в опосередкованих ШІ навчальних середовищах.

## Питання для роздумів

- Рамка CASEL перелічує п’ять компетентностей — самоусвідомленість, самокерування, соціальна обізнаність, навички відносин і відповідальне прийняття рішень. Які з них, на вашу думку, міг би підтримувати [[intelligent-tutoring|тьютор ШІ]], а які, підозрюєте, він не може?
- Сторінка розрізняє соціально-емоційне навчання та емоційний інтелект. Перш ніж читати далі, як би ви описали цю різницю, і чому розрізнення може мати значення для того, як школи підходять до них?
- Якщо однієї технічної ШІ-грамотності «недостатньо» для орієнтування в опосередкованому ШІ навчанні, що, на вашу думку, відсутнє — і що це означає для того, як ви готуєте студентів (або себе)?
- Як сильна залежність від ШІ могла б переформувати соціальність студента, емпатію або почуття довіри — і чи є ці зміни тим, для чого освіта має активно проєктувати?
- [[research-methods-aied|Дослідження]] натякає, що SEL підтримує реляційні виміри навчання, які ШІ має «доповнювати, а не заміщати». Де ви бачили, як технологія посилювала людські відносини, а де тихо заступила їх?

## Вступ

Соціально-емоційне навчання тісно пов’язане з емоційним інтелектом (EI), але відмінне від нього: SEL/SEC (соціально-емоційні компетентності) охоплює здатність синхронізувати думки, емоції та дії для позитивних взаємодій, тоді як EI є здатністю індивіда обробляти емоційну інформацію (концептуалізовану через моделі здатностей — мислення та [[problem-solving]] — або моделі рис — емоційні диспозиції та поведінки). В епоху ШІ SEL має значення, оскільки ШІ може переформовувати навчання способами, які впливають на реляційний та емоційний розвиток студентів, і оскільки викладачам потрібні і технологічна навичка, і емоційний інтелект, щоб ефективно підтримувати здобувачів.

### Як SEL з’являється в дослідженнях

- **Інтеграція SEC у ШІ-грамотність:** [[sec-ai-literacy-narrative-review-2026|Наративний огляд Palmquist et al.]] пропонує інтегровану рамку, яка поєднує ШІ-грамотність із соціально-емоційними компетентностями, стверджуючи, що однієї технічної майстерності недостатньо — викладачам та студентам потрібні і технологічний, і емоційний інтелект, щоб орієнтуватися в опосередкованих ШІ навчальних середовищах, сприяючи [[personalized-learning|персоналізованому навчанню]], колаборації та етичній [[student-engagement|залученості]].
- **Викладачі та реляційна практика:** Дослідження [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|рамок ШІ-грамотності]] та [[mind-the-trust-gap-teacher-student-views-control-agency-k12-classroom-ai|довіри викладач–студент]] підкреслює, що SEL підтримує реляційні виміри навчання (відносини викладач–студент і студент–студент), які ШІ має доповнювати, а не заміщати.
- **Що педагогічний агент може і не може нести в SEL.** На 108 сліпо оцінених спостереженнях педагогічний агент на генеративному ШІ був узгодженіший за викладачів у підтриманні шанобливого тону та рутинного процедурного скаффолдингу, тоді як викладачі перевершували його в скеровуванні рефлексії та сприянні соціально-емоційним знанням — що підтримує розподіл праці, а не заміщення ([[human-ai-complementarity-social-emotional-learning-2026|Raave et al., 2026)]]).
- **Благополуччя та афективний вплив ШІ:** Дослідження розглядають, як зростаюче використання генеративного ШІ впливає на соціально-емоційні навички студентів, благополуччя, соціальність і почуття довіри та емпатії — занепокоєння, які спонукали заклик ОЕСР до ШІ-грамотності, заземленої в гуманістичних, соціальних та емоційних цінностях.
- **Афективні виміри ШІ:** SEL пов’язується з [[affective-computing]] та дослідженнями [[well-being]], досліджуючи, як системи ШІ можуть підтримувати або підривати емоційне та реляційне навчання.
- **Політичний дефіцит у ШІ × SEL:** [[meta-analysis-systematic-review|Систематичний огляд]] 65 статей на перетині ШІ–SEL ([[policy-deficit-ai-sel-2026|Tran, Liu & Nguyen 2026]]) виявляє суттєвий «політичний дефіцит»: майже три чверті досліджень не заявляють жодних політичних наслідків, і ті нечисленні, що заявляють, часто не мають керівництва, специфічного для актора. Огляд пов’язує політичну залученість із виданням та застерігає від пастки «техно-солюціонізму», в якій технічний потенціал виводиться на передній план, тоді як інституційні умови відповідальної реалізації залишаються недостатньо специфікованими. Він пропонує рамку «WH-питань» (Who, What, Why, When/Where, How), щоб перейти від «наслідку як післядумки» до «наслідку як методології», пов’язуючи інновацію [[ai-education|ШІ-для-SEL]] з [[educational-policy-ai|освітньою політикою]] та [[governance]].

## Потенційні підтеми SEL у дослідженнях епохи ШІ

Дослідження бази знань групують SEL у кілька відмінних підтем, кожна з власною базою доказів:

### Самоефективність і впевненість
Основна компетентність SEL (самоусвідомленість/самокерування), яка сильно умовлює те, як студенти взаємодіють зі ШІ. [[student-dependency-on-ai-literacy-self-efficacy-2026|Залежність студентів від ШІ]] (478 ізраїльських студентів вищої освіти) виявила, що тоді як виміри ШІ-грамотності, засновані на навичках, були *позитивно* пов’язані із залежністю від ШІ, і академічна, і специфічна для ШІ **самоефективність** та [[regulation]] були *негативно* пов’язані — тобто одна ШІ-грамотність не захищає від залежності; [[self-efficacy]] захищає. [[self-efficacy-tutoring-learning|Cen et al. (EC-TEL 2026)]] виявили, що студенти з нижчою базовою самоефективністю досягли більших навчальних здобутків незалежно від формату практики, і що вподобання тьютора мало більше значення для практики на основі тьютора — що підкреслює цінність підлаштування практики під мотиваційні профілі. Пов’язані поняття: [[self-efficacy]], [[motivation]], [[agency]].

### Мотивація та ефект «наявності ШІ»

Мотивація перетинається з відповідальним прийняттям рішень та самокеруванням SEL. Дослідження [[ai-availability-student-motivation|наявності ШІ та мотивації студентів]] та [[ai-perceptions-students-teachers-motivation-2026|мотивації та самоефективності студентів і викладачів]] показує, що сама наявність ШІ може переформувати мотиваційну орієнтацію студентів і відчутне зусилля — релевантно до того, як ШІ може підривати або підтримувати внутрішню мотивацію. [[student-dependency-on-ai-literacy-self-efficacy-2026|Дослідження самоефективності]] обрамовлює регуляцію зусиль як противагу залежності від ШІ.

### Регуляція емоцій та афективна підтримка

Емоційна регуляція є ключовою компетентністю SEL із прямими наслідками для навчання, утворюючи прямий зв’язок SEL→[[learning-gains|досягнення]]. Інструменти [[affective-computing]], такі як [[kar-mathbuddy-affective-math-tutoring-2025|MathBuddy]], моделюють емоції студентів, щоб формувати [[pedagogy|педагогічні]] відповіді, а [[ai-campus-wellbeing-tools|інструменти благополуччя на основі ШІ в університетах]] (наприклад, PsychoGPT, AURA) охоплюють превенцію та інтервенцію.

### Сором, провина та емоційні відповіді на використання ШІ

Емоції регулюють *те, як* студенти роблять використання ШІ видимим. [[shame-guilt-ai-regulation-computing-education|«Stuck in a Spiral»]] (19 студентів інформатики) виявив, що сором і провина діють як соціальні регулятори використання ШІ, породжуючи поведінку приховування та вибіркове розкриття і створюючи цикли зменшеної агенційності. [[ai-anxiety-strategic-regulation-writing-2026|Тривожність щодо ШІ]] може бути перетворена на стратегічну регуляцію ШІ як навчального ресурсу. Це пов’язує соціальну обізнаність і самокерування SEL з [[academic-integrity]] та відповідальним використанням ШІ.

### Довіра і належність

SEL підтримує реляційне навчання та соціальну когезію. [[finkelstein-principled-ai-education-2025|Принципова освіта зі ШІ]] та [[ai-chatbot-collective-efficacy-collaborative-learning|чат-боти ШІ для колаборативного навчання]] пов’язуються з **належністю** та колективною ефективністю — спільним віруванням у здатність команди виконувати завдання. Премортем Brookings підкреслює, що надмірна залежність від ШІ загрожує соціально-емоційному благополуччю, відносинам викладач–ровесник та [[privacy]]/безпеці студентів — вимірам належності та зв’язаності. [[mind-the-trust-gap-teacher-student-views-control-agency-k12-classroom-ai|Довіра викладач–студент]] є центральною для того, чи сприймається ШІ як підтримувальний.

### Наполегливість, mindset і продуктивна боротьба

SEL перекривається з зусильним виміром навчання. [[framing-5-percent-problem-teachers-persistence|Обрамування проблеми 5%]] визначає низьку наполегливість студентів як повторюваний виклик в освітніх технологіях, формуваний мотивацією/залученістю, когнітивними перешкодами, стійкістю під викликом та зв’язком. [[substitution-to-scaffolding-ai-harm-cycle-2026|Favero et al.]] застерігають, що ШІ, який заміщує зусилля, руйнує самі здатності, які будує освіта — узгоджуючись із [[metacognition]] та цінністю продуктивної боротьби понад [[cognitive-offloading|надмірну залежність]].

## Наслідки для викладачів та інструкційного дизайну

- **Розглядайте SEL як ціль проєктування першого класу, а не як додаток.** Інтегруйте соціально-емоційні компетентності в навчальні плани [[ai-literacy]] (згідно з [[sec-ai-literacy-narrative-review-2026|Palmquist et al.]]), щоб студенти навчалися не лише *як* використовувати ШІ, а *коли* і *чому* — з увагою до власних емоцій, зусиль і відносин.
- **Проєктуйте для самоефективності та агенційності.** Оскільки ШІ-грамотність, заснована на навичках, може *збільшувати* залежність, тоді як [[self-efficacy]] і регуляція зусиль захищають від неї, викладання має свідомо будувати впевненість і самокерування студентів поряд із технічною навичкою — наприклад, скаффолдингована практика, незначні успіхи та підказки, які вимагають від студентів перевіряти й привласнювати результати ШІ.
- **Використовуйте ШІ для підтримки, а не витіснення, реляційного навчання.** Інструменти ШІ мають доповнювати [[collaborative-learning|відносини викладач–студент і студент–студент]], а [[teacher-role|викладачі]] мають зберігати реляційну роль — моніторячи афект і належність — а не делегувати її цілком.
- **[[affective-tutoring|Емоційно-усвідомлений]] та чутливий до афекту дизайн.** [[affective-computing|Афектно-усвідомлені системи]] можуть виявляти емоційні стани (тривожність, фрустрацію, плутанину) і відповідати на них, але дані показують, що вигоди **не є універсальними** — пом’якшуючись вмілістю та профілем здобувача — тому емоційний дизайн має бути підлаштованим, а не припущеним.
- **Вирішуйте емоційний бік використання ШІ.** Проєктуйте проти спіралей сорому/провини та тривожності щодо ШІ, нормалізуючи обговорення використання ШІ, сприяючи прозорості та зменшуючи відповіді, засновані на нагляді, які руйнують довіру та агенційність.
- **Підтримуйте наполегливість і продуктивну боротьбу.** [[scaffolding|Забезпечуйте скаффолдинг]], а не заміщуйте (згідно з [[substitution-to-scaffolding-ai-harm-cycle-2026|Favero et al.]]), щоб ШІ поглиблював, а не обходив зусильне навчання — узгоджуючись із [[metacognition]] та [[desirable-difficulties|бажаною складністю]].
- **Тренуйте вербальний хід тут і тепер.** Підтримка SEL зазвичай обрамовлюється як дизайн або як виявлення афекту ШІ, але викладачам також потрібно знати, що *казати*, коли емоційний стан студента загрожує завершити залученість — розглядаючи той стан як те, з чим треба працювати в реальному часі, а не як передумову для навчання. [[parlant-emotional-micro-interventions-2026|Практичний посібник Parlant]] називає це емоційними мікроінтервенціями: короткі вербальні акти, які валідують почуття, переобрамовлюють оцінку за ним і знову з’єднують боротьбу з професійною ідентичністю, готуються через передзаняттєвий ритуал розвідки та багаторазову збірку фраз, які [[generative-ai]] може допомогти скласти викладачеві для персоналізації.
- **Готуйте компетентність викладачів у SEL.** Викладачам потрібні і технологічна навичка, і емоційний інтелект ([[teacher-ai-competency]]); [[educational-development|професійний розвиток]] викладача має будувати здатність підтримувати SEL студентів в опосередкованих ШІ середовищах.

## Зв’язки з навчальними здобутками та іншими мірами

- **Самоефективність пом’якшує здобутки.** [[self-efficacy-tutoring-learning|Cen et al.]] виявили, що студенти з нижчою базовою самоефективністю досягли *найбільших* навчальних здобутків, і що вподобаність тьютора прогнозувала здобутки в практиці на основі тьютора — що показує, як мотиваційні профілі формують те, хто виграє від якого формату.
- **Благополуччя та залученість як проміжні результати.** Пов’язані з SEL результати (мотивація, [[well-being]], належність, залученість, самоефективність) часто функціонують як посередники наступних досягнень, і дослідження ШІ дедалі частіше вимірюють їх поряд — або в деяких випадках замість — сирих тестових балів.
- **Ефекти умовні, а не універсальні.** Дослідження застерігає, що орієнтовані на SEL інтервенції можуть допомагати одним здобувачам (за профілем/вмілістю) і не допомагати іншим, тому твердження про навчальні здобутки на основі SEL мають перевірятися на ефекти пом’якшення.
- **Шкідливий бік відомства.** Премортем Brookings застерігає, що зумовлена ШІ [[cognitive-offloading|надмірна залежність]] загрожує соціально-емоційному благополуччю, відносинам і належності — результатам, які, будучи зруйнованими, можуть підрити самі підвалини тривалого навчання та досягнень.

### Зв’язки з пов’язаними поняттями

SEL пов’язується з [[ai-literacy]] (як доповнення, що робить ШІ-грамотність реляційною та етичною), [[affective-computing]] та [[well-being]] (афективні виміри ШІ), [[self-regulated-learning]] (самокерування та регуляція зусиль), [[self-efficacy]] та [[motivation]] (вірування здобувачів, які пом’якшують [[student-ai-interaction|взаємодію зі ШІ]]), [[agency]] (захист контролю здобувача від залежності), [[ethics]] (відповідальне прийняття рішень), [[teacher-ai-competency]] (здатність викладачів підтримувати SEL), [[student-experience]] (благополуччя та належність) і [[learning-gains]] (доказ, що SEL підтримує досягнення). Воно відноситься до [[higher-ed]] та [[k-12]] як середовищ, де культивується просочена SEL ШІ-грамотність.

## Пов’язані поняття
- [[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]]

## Пов’язані статті

- [[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

---

## [Благополуччя](https://edtechdev.github.io/aied/concepts/well-being/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Благополуччя** — позитивний стан психічного, фізичного та соціального здоров’я, що охоплює емоційний, психологічний і соціальний виміри. В освітніх дослідженнях ШІ благополуччя стало центральною проблемою, оскільки швидка інтеграція [[generative-ai|генеративного ШІ]] в навчальні середовища може впливати на психічне здоров’я студентів і викладачів, мотивацію, почуття приналежності, тривожність і відчуття здійснення — породжуючи питання про те, чи підтримує ШІ благополуччя здобувачів, чи підриває його.

## Питання для роздумів

- Благополуччя в освіті часто розглядають як «м’яку» або другорядну проблему поруч із результатами навчання. Але ця сторінка подає його як центральний, проєктований вимір інтеграції ШІ. Чи вважаєте ви благополуччя здобувачів і викладачів тим, для чого варто проєктувати, чи побічним ефектом, який можна перевірити згодом? Що галузь може втратити, ставлячись до нього як до афтертоту?
- Подумайте про те, як використання ШІ вплинуло на вашу власну або ваших студентів упевненість, тривожність, почуття приналежності чи здійснення — і на краще, і на гірше. Який конкретний спосіб змінив ШІ ваш емоційний досвід навчання чи викладання, окрім зручності?
- Сторінка зазначає, що використання ШІ переплетене з тривожністю — щодо академічної доброчесності, щодо того, чи свідчить сподівання на ШІ про слабкість, щодо надмірної залежності. Де ви бачили, що ШІ викликав тривожність, а не знімав її, і кого в цій ситуації це стосувалося найбільше?
- Одне поширене інтуїтивне уявлення — ШІ зменшує стрес, взявши на себе складні завдання. Де може бути навпаки — ШІ, що знижує короткострокові зусилля, але підвищує тривожність щодо компетентності, доброчесності чи «насправді не вмію цього робити»? Як взагалі виміряти зрушення в благополуччі, а не лише у результатах?
- Благополуччя охоплює емоційний, психологічний (смисл, [[agency|автономія]], компетентність) і соціальний (приналежність, стосунки) виміри. Виберіть один із них. Як інструмент ШІ може тихо покращити чи підірвати його в навчальному середовищі — і які докази ви шукали б?
- Благополуччя викладачів — навантаження, тривожність щодо руйнівної технології, здатність надавати емоційну підтримку — стоїть на карті не менше, ніж студентське. Якщо ви викладач чи керівник, що знадобилося б для того, щоб інтеграція ШІ підтримувала благополуччя викладачів, а не збільшувала тиск, і хто має за це відповідати?

## Вступ

Благополуччя в освіті є багатогранним: воно включає емоційне благополуччя (позитивний афект, низький дистрес), психологічне благополуччя (смисл, автономія, компетентність) і соціальне благополуччя (приналежність, позитивні стосунки). В еру ШІ благополуччя має значення, оскільки ШІ може перебудувати навчання способами, що впливають на ці виміри — від зниження впевненості студентів і підвищення тривожності щодо [[academic-integrity|академічної доброчесності]] до розвитку чи підриву [[student-engagement|залучення]] і приналежності. Занепокоєння щодо впливу ШІ на соціально-емоційні вміння студентів, благополуччя, соціальність і почуття довіри та емпатії (висловлені ОЕСР та іншими) поставили благополуччя як ключове міркування в відповідальній інтеграції ШІ.

### Як благополуччя проявляється в дослідженнях

- **[[ai-literacy|ШІ-грамотність]] і соціально-емоційне навчання:** [[sec-ai-literacy-narrative-review-2026|дослідження, що інтегрує SEC у ШІ-грамотність]], стверджує, що розвиток емоційного інтелекту та благополуччя викладачів і студентів є суттєвим для орієнтування в навчальних середовищах, [[sociocultural-learning|опосередкованих ШІ]], поєднуючись із [[social-emotional-learning]] та афективними вимірами ШІ.
- **Тривожність щодо ШІ та студентський досвід:** дослідження залученості студентів до ШІ (наприклад, [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination|дослідження на основі СТВ]]) виявляють, що використання ШІ переплетене з тривожністю, довірою та впевненістю, а на благополуччя студентів впливають занепокоєння щодо академічної доброчесності, [[creativity]] та [[cognitive-offloading|надмірної залежності]].
- **Зниження тривожності не завжди корисне.** В збалансованому внутрішньосуб’єктному дослідженні 35 студентів передуніверситетської підготовки діалоговий агент із ВММ знизив самооцінену тривожність під час усного оцінювання (спокій 6.50 проти 5.86, p = .028), але автори застерігають, що помірна тривожність може бути сприяльною, і не фіксували показників досягнення ([[aivaluate-anxiety-assessment-2026|Yusuf, Money and Daylamani-Zad (2026)]]).

- **Високе схвалення може співіснувати з напругою, а тиск завдань ШІ послаблює користь.** Серед 551 студентів першого року 82.76% схвалили інтеграцію цифрового та інтелектуального контенту, тоді як 69.51% повідомили про [[anxiety-and-stress|тривожність]] або напругу, а нахил від ШІ-компетентності до адаптації впав із 0.42 до 0.20 зі зростанням тиску завдань ШІ ([[ai-enabled-course-development-first-year-adjustment-2026|Zhang & Yin (2026)]]).

- **Сприйнята здатність ШІ може покращувати психічне здоров’я через просування до цілей.** [[perceived-ai-intelligence-medical-students-mental-health-2026|Chen et al. (2026)]] виявили, що серійний шлях від сприйнятої інтелектуальності помічника до психічного здоров’я є значущим (B = 0.098) і сильнішим за високої [[ai-literacy]] (0.124), ніж за низької (0.072), хоча всі результати вимірювалися одразу після короткого завдання.
- **Тьюторство з емоційною підтримкою не автоматично краще для благополуччя.** Шар уважності на базі ВММ, доданий до алгебраїчного тьютора, знизив ситуативну математичну тривожність в обох групах, але не більше, ніж лише когнітивні підказки та зворотний зв’язок, хоча студенти оцінили уважного агента як більш підтримувального — застереження проти того, щоб читати сприйняту турботу як результат благополуччя ([[mindful-llm-math-tutoring-2026|Rief et al., 2026]]).
- **Тривожність щодо ШІ, адаптація та залежність як сигнали благополуччя:** [[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang et al. (2026)]] виявляють, що тривожність щодо ШІ негативно пов’язана з академічною мотивацією частково через знижену [[metacognition|регуляцію емоцій]] (модеровану статтю) у великій китайській вибірці; [[wu-psychological-adaptation-ai-japanese-learning-2026|Wu (2026)]] показує, що здобувачі [[language-learning|японської мови]] розподіляються на маладаптивні, помірні та позитивні профілі психологічної адаптації, керовані техностресом і стійкістю, які з часом переходять до кращої адаптації; а [[yan-conversational-ai-engagement-dependence-synthesis-2026|Yan (2026)]] застерігає, що поперечні кореляти залученості в [[conversational-ai]] (самотність, тривожність, низьке благополуччя) не слід читати як наслідки, і що підтримувальний і шкідливий досвід співіснують.

- **Чи захищає чи шкодить зв’язок із ШІ, залежить від офлайн-стосунків.** [[ai-connectedness-adolescent-mental-health-2026|Fu and Zhao (2026)]] припускають, що вплив на психічне здоров’я відповідає зв’язності зі ШІ відносно традиційної офлайн-зв’язності, а не лише її інтенсивності — доповнювальній, коли реальні зв’язки задовольняють потреби підтвердження ідентичності, компенсаторній, коли [[parents-and-families|опікуни]] цього не роблять — і передбачають перевернуте U-відношення між ними.
- **Культурно [[situated-learning|зв’язане]] підтримання благополуччя та його межі:** [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]] описують Sukoon — гібридну систему благополуччя для студентів пакистанських університетів, що поєднує класифікатор стресу на Random Forest (89.09% точність на трьох рівнях тяжкості; 20 ознак опитування) зі [[llm]] шаром діалогу, який підвищує тон і інтенсивність підтримки на трьох рівнях відповідно до Stepped Care Model. Її побудовано, оскільки створені на Заході інструменти психічного здоров’я є англомовними та культурно невідповідними для студентів, які виражають дистрес урду або римсько-урду та які водночас стикаються з академічним, фінансовим, родинним та стосунковим стресом; автори прямо кажуть, що це не [[medical-education|клінічний]] діагностичний або терапевтичний інструмент, що відповіді при високому дистресі спрямовують до професійного консультування, і що шар чатбота ще не оцінений із студентами на культурну відповідність чи емоційну безпеку.
- **Благополуччя викладачів і роль:** вплив ШІ на [[teacher-role|викладачів]] — включаючи навантаження, тривожність щодо викладання з руйнівною технологією та здатність надавати емоційну підтримку — є повторюваним занепокоєнням, пов’язаним із [[teacher-ai-competency]] та [[educational-development|професійним розвитком]].

Модель структурними рівняннями для 502 викладачів університетів виявила, що ШІ-грамотність передбачала ШІ-благополуччя набагато сильніше (β = 0.713), ніж технологічна самоефективність (β = 0.082), а соціальна та організаційна підтримка досягали благополуччя лише побічно — компетентність, а не підтримка, несла ефект ([[faculty-ai-well-being-social-supports-2026|Liu et al. (2026)]]).
- **Реляційне згущення як оцінний критерій для підтриманого ШІ розвитку викладачів:** [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] стверджують, що ШІ підтримує соціально-емоційний розвиток викладачів лише тоді, коли функціонує як реляційна інфраструктура, а не символічний замінник людського супроводу. Вони пропонують **реляційне згущення** як критерій оцінювання ініціатив професійного розвитку з підтримкою ШІ — чи посилюють вони довіру, наставництво, підтримку однолітків, співпрацю, психологічну безпеку та знижену ізоляцію — і зазначають, що ці стосунки мають наступні ефекти для студентів через клімат аудиторії, [[pedagogy|педагогічну]] відгуку та соціально-емоційну підтримку. Синтез також застерігає, що управління афективними даними [[governance]] і політична економія освітнього ШІ несуть відмінні етичні ризики, висуваючи [[ai-literacy|критичну ШІ-грамотність]] як соціально-емоційну компетентність.
- **Етика та відповідальний ШІ:** благополуччя є основним етичним міркуванням у [[ai-education]], пов’язаним із [[ethics]] та імперативом проєктувати ШІ, який підтримує, а не шкодить психічному здоров’ю та приналежності здобувачів.
- **Тривожність через детектори як ризик для благополуччя.** [[sovereign-hive-titl-further-education-2026|Herron (2026)]] називає «flagxiety» — тривожність, викликану страхом ненадійних звинувачень [[ai-detection|детекторів ШІ]] — і стверджує, що маргіналізованим здобувачам подальшої освіти, чия когнітивна унікальність може читатися як порушення, потрібна реляційна регуляція, а не нерегульований інтерфейс, що може викликати когнітивне відключення.

### Благополуччя як міркування дизайну

Повторюваною темою є те, що благополуччя має бути свідомим міркуванням дизайну в освітньому ШІ, а не афтертхот. Це означає: проєктувати ШІ для підтримки, а не заміни людських стосунків; забезпечувати, щоб студенти могли зберігати здійснення і впевненість, а не переживати [[anxiety-and-stress|ШІ-індуковану тривожність]] чи надмірну залежність; підтримувати спроможність і благополуччя викладачів при інтеграції ШІ; і [[ai-ed-evaluation|оцінювати системи ШІ]] не лише за [[learning-gains|результатами навчання]], але й за їхнім впливом на благополуччя студентів і викладачів. [[research-methods-aied|Дослідження]] пов’язує благополуччя з [[motivation]], [[self-regulated-learning]] і [[student-experience]] (приналежність і залученість). [[daoism-ai-education-philosophy-2026|Xie (2026)]] стверджує на користь освітньої телі, що відповідає: даоський контр-ідеал «Zhenren» (真人) замінює безтертя оптимізацію на «культивовану повноту», уявляючи навчання як гармонійну інтеграцію себе, суспільства й космосу, і наполягаючи, що «жоден студент не є лише набором даних, яким керують, а цілісною істотою, здатною досягти незворушності».

Переосмислення на концептуальному рівні ґрунтує підтримку [[self-regulated-learning|регуляції емоцій]] на фізичній активності та екології кампусу, а не лише на виявленні афекту: жоден окремий експресивний канал не ідентифікує дистрес без контексту, тому ШІ має підтримувати регуляцію через рух, поки викладачі та консультанти зберігають інтерпретацію, а моніторинг афекту стає примусовим, щойно його пов’язують з відвідуванням чи оцінюванням ([[ai-emotion-regulation-sport-exercise-2026|Zhang et al. (2026)]]).

### Зв’язки з відповідними поняттями

Благополуччя пов’язується з [[student-experience]] (як вимір загального досвіду здобувачів), [[social-emotional-learning]] і [[affective-computing]] (емоційними компетентностями, з якими ШІ перетинається), [[ethics]] (як основним етичним міркуванням), [[motivation]] і [[self-regulated-learning]] (благополуччя підтримує їх і підтримується ними), [[teacher-ai-competency]] (спроможність і благополуччя викладачів), а також [[higher-ed]] і [[k-12]] як середовищами, де ШІ формує благополуччя.

**Тертя, смисл і самотність як сигнал.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom and Inzlicht (2026)]] дають цьому аргументу про благополуччя механізм: зусилля сигналізують, що наші дії мають значення, тому люди, які працюють над завданням, почуваються компетентнішими, цінують продукт більше й бачать його смисленішим — і навіть на об’єктивно беззмістовних завданнях додавання тертя підвищує сприйнятий смисл. Щодо стосунків вони розглядають самотність не лише як недугу (пов’язану з серцево-судинними захворюваннями, деменцією, інсультом і передчасною смертю), але й як **[[biology-education|біологічний]] сигнал**, подібний до голоду чи болю: дискомфорт, який мотивує звертатися до інших, приймати запрошення, інвестувати в наявні стосунки й терпіти складні розмови. Компаньйони ШІ можуть заспокоїти цей дискомфорт, що автори вважають справжнім поступком у деяких випадках, водночас заглушуючи сигнал, що рухає зв’язок, — і вони пом’якшують аргумент за стадіями, стверджуючи, що для людей, ізольованих обставинами, а не вибором, відмова в доступі до такої технології «була б жорстокою» ([[motivation]], [[social-emotional-learning]]).

## Пов’язані поняття
- [[learners]] — Здобувачі: головна категорія для понять зі сторони здобувачів
- [[anxiety-and-stress]]
- [[student-experience]]
- [[social-emotional-learning]]
- [[affective-computing]]
- [[ethics]]
- [[motivation]]
- [[self-regulated-learning]]
- [[teacher-ai-competency]]
- [[higher-ed]]
- [[student-support-and-success]] — служби підтримки в кампусі, що охоплюють консультування, роботу зі студентами та перенаправлення

## Пов’язані статті
- [[zohar-bloom-inzlicht-against-frictionless-ai-2026]] — Тертя, смисл і самотність як біологічний сигнал
- [[zhang-ai-anxiety-academic-motivation-emotion-2026]] — Зв’язок між тривожністю щодо ШІ та академічною мотивацією
- [[wu-psychological-adaptation-ai-japanese-learning-2026]] — Профілі та переходи психологічної адаптації в навчанні японської мови з підтримкою ШІ
- [[yan-conversational-ai-engagement-dependence-synthesis-2026]] — Критичний наративний синтез залученості в діалоговий ШІ та залежності
- [[mindful-llm-math-tutoring-2026]] — За межами розв’язання задач: великі мовні моделі для емоційної та рефлексивної підтримки в навчанні математиці
- [[sec-ai-literacy-narrative-review-2026]] — Інтеграція соціально-емоційних компетентностей у ШІ-грамотність
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]] — Залученість студентів із GenAI (СТВ)
- [[teacher-education-ai-literacy-sdt-2026]] — Освіта викладачів для ШІ-грамотності (СТВ)
- [[genai-motivation-engagement-2026]] — Генеративний ШІ, мотивація та залученість
- [[ai-chatbot-collective-efficacy-collaborative-learning]] — Чатботи ШІ, колективна ефективність та співпраця
- [[sovereign-hive-titl-further-education-2026]]
- [[aivaluate-anxiety-assessment-2026]] — AIvaluate: оцінювання студентської тривожності з ВММ (2026)
- [[policy-deficit-ai-sel-2026]] — Дефіцит політики в дослідженнях ШІ × СОЕ
- [[culturally-aware-student-stress-chatbot-2026]] — Культурно свідомий чатбот із підтримкою ШІ для виявлення стресу та підтримки благополуччя серед студентів пакистанських університетів із використанням NLP і машинного навчання
- [[daoism-ai-education-philosophy-2026]] — Альтернативна філософія ШІ: даосизм як метод для ШІ в освіті
- [[ai-emotional-intelligence-teacher-development-2026]] — Реляційне згущення як критерій підтриманого ШІ розвитку викладачів

- [[ai-enabled-course-development-first-year-adjustment-2026]] — Високе схвалення ШІ-курсів, що співіснує з самооціненою напругою, та тиск завдань, який послаблює адаптацію
- [[ai-connectedness-adolescent-mental-health-2026]] — Зв’язність із ШІ та психічне здоров’я підлітків: доповнювальний проти компенсаторного зв’язку, з передбаченням перевернутого U
- [[perceived-ai-intelligence-medical-students-mental-health-2026]] — Сприйнята інтелектуальність помічника ШІ, просування до цілей та психічне здоров’я, із ШІ-грамотністю як модератором
- [[ai-emotion-regulation-sport-exercise-2026]] — Концептуальне переосмислення регуляції емоцій із підтримкою ШІ через спорт, фізичні вправи та екологію кампусу
- [[faculty-ai-well-being-social-supports-2026]] — Модель структурними рівняннями для ШІ-благополуччя викладачів: ШІ-грамотність домінує над самоефективністю

---

## [Креативність](https://edtechdev.github.io/aied/concepts/creativity/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Креативність** — здатність генерувати нові та цінні ідеї, рішення чи артефакти. В епоху ШІ креативність є центральним освітнім інтересом: [[generative-ai|генеративний ШІ]] може водночас посилювати креативну роботу (як партнер у дивергентному мисленні) і підривати її (гомогенізуючи результати та заміщаючи генеративний процес).

## Питання для роздумів

- Креативність часто описують як дивергентне мислення — генерування багатьох можливостей — на противагу конвергентному мисленню, що звужує вибір до однієї правильної відповіді. Де ваша власна робота чи навчання лежить на цьому спектрі, і з чим ШІ допомагає найлегше?
- Генеративний ШІ — це статистичний двигун: він може пропонувати багато варіантів, але схильний тяжіти до середнього. Якщо багато студентів покладаються на одну й ту саму модель, що стається з різноманітністю ідей у групі?
- Дослідження «спершу подумай, потім ChatGPT» встановило, що студенти, які генерували власні ідеї до звернення до ШІ, не показали негайного приросту, — проте перевершили всіх у пізнішому завданні на креативність без допомоги. Чому захист фази самостійного мислення може породжувати навчання, якого не дає вільне використання ШІ?
- Якщо ШІ може миттєво створити відполірований артефакт, чого насправді варта креативна робота здобувача — і як би ви спроєктували завдання, щоб генеративний процес залишився за студентом?
- Чи є ідея, створена за допомогою ШІ, «вашою»? Ваша відповідь може змінити те, чи розглядаєте ви ШІ як партнера в дивергентному мисленні, чи як щось, що заміщує ваш креативний процес.

## Вступ

Креативність охоплює дивергентний кінець когнітивного спектру — генерування багатьох можливостей, — на противагу конвергентному мисленню, яке приходить до єдиного правильного рішення. Системи ШІ особливо релевантні для креативності, бо вони є статистичними генераторами: вони можуть пропонувати багато варіантів (підтримуючи ідеогенерацію), але також схильні тяжіти до середнього, породжуючи гомогенізацію на рівні ідей, задокументовану тоді, коли багато студентів покладаються на одну й ту саму модель.

### Креативність і генеративний ШІ

- **Посилення:** ШІ може діяти як партнер у дивергентному мисленні — мозковий штурм альтернатив, генерування контраргументів і запропонування перспектив, яких здобувач міг би не розглянути. Ролево спеціалізовані конфігурації [[agentic-ai|багатьох агентів]] можуть відновити різноманіття ідей.
- **Ризик гомогенізації:** допомога однієї моделі може зменшити різноманіття ідей між студентами, тобто одна й та сама модель породжує конвергентні результати. Це пряма загроза креативності в [[writing-education]] та [[design-education|освіті з дизайну]].
- **Захист креативної дієздатності:** утримання генеративного процесу здобувача в циклі — рутини «спершу чернетка», вимога оригінального синтезу та використання ШІ для кидання виклику, а не для заміщення — зберігає креативну роботу, що породжує тривале навчання.
- **Тертя — не креативний здобуток.** Контраргуючі персони ШІ породили дискурс виклику та рефлексії в 38,2% груп, проте не дали жодного вимірюваного покращення креативної продуктивності, тож багатші патерни взаємодії не є свідченням креативності ([[jin-emergent-learner-agency-implicit-hai-2026|Jin et al. (2026)]]).
- **Галузева карта K–12: GenAI переважно *посилює* креативність і рідко її *вимірює*.** [[meta-analysis-systematic-review|Огляд-мапування]], керований PRISMA, з 45 досліджень (2017–2025) сортує літературу K–12 на чотири застосування — [[assessment]] креативності (4 дослідження), ко-креативність людини та ШІ (3), сприйняття [[stakeholders]] (14) та посилення креативності (34), — і показує, наскільки вузькою галузь лишається: оповіді на основі мови та письмо витісняють майже все інше, тоді як музика, [[embodied-learning|втілена]] та просторова робота та дослідження, зосереджені на [[equity-in-ai-education|справедливості]], майже відсутні. Спеціально побудовані [[scaffolding|скаффолди]], що зберігали авторство (голосове введення, сторіборди, дивергентні підказки «багато варіантів»), перевершили готові платформи, а моделі [[llm]] оцінювали дивергентне мислення близько до людських експертів; проте власне занепокоєння авторів — та сама гомогенізація, яку відстежує ця сторінка, — скорочення мовної різноманітності, конвергенція стилів, навчальні дані, забруднені ШІ, та [[metacognition|метакогнітивна]] лінь у співавторстві, — яку вони позначають терміном Рунка «штучна креативність»: результат, який виглядає креативним, без людського досвіду за ним. Надмірна залежність знову з’являлася як ризик у дослідженнях сприйняття, ко-креативності та [[curriculum-design|навчальної програми]] однаково ([[genai-creativity-k12-scoping-review-2026]]).
- **Ко-креативність — це мережевий ефект, а не індивідуальна риса:** [[trikonet-trivalence-co-creativity-2026|Ruhland (2026)]] спирається на Actor-Network Theory, щоб моделювати креативність як емерджентну властивість соціотехнічних мереж — тріадичну взаємогру стабілізації, дестабілізації та рестабілізації між людськими та нелюдськими акторами, причому агенти [[generative-ai|генеративного ШІ]] розглядаються як рівноправні, конститутивні учасники мережі. В дослідженні, де [[pedagogy|педагогічні]] аватари співпроєктувалися в креативній мережі, дизайни аватарів не були індивідуальними креативними актами, а виникали через процеси трансляції між студентами, [[research-methods-aied|дослідниками]] та інструментами проєктування. TriKoNet кадрує ризик того, що готові аватари ШІ зсувають креативну [[agency]] на боці машинної зручності («пастка зручності»), і стверджує, що співконституювання структур дії ШІ разом із [[learners]] зберігає ко-креативність.

- **Співпраця «спершу подумай» підтримує самостійну креативність:** Wong та Qiu (2026) встановили, що студенти, які генерували власні ідеї *до* використання ChatGPT (протокол «спершу подумай, потім ChatGPT»), не показали негайного приросту в завданні з допомогою, проте перевершили і групу з вільним ШІ, і групу лише з людьми в пізнішому завданні на креативність без допомоги. Вільне використання ChatGPT давало лише тимчасову продуктивність, що зазнала краху, коли допомогу прибрали, — форму [[cognitive-offloading|надмірної залежності]], а не навчання, — тоді як колаборативне [[human-ai-collaboration|співтворення]], спрямоване на покращення власних *ідей*, давало тривалі здобутки в самостійній креативності. Це дає пряме експериментальне свідчення, що захист креативної дієздатності є не просто бажаним, а є тим, що перетворює роботу з допомогою ШІ на навчання.
- **Не здатність, а розвиткове втілення відрізняє дитячу креативність із підтримкою ШІ.** У першому нейровізуалізаційному порівнянні дітей і дорослих, які співтворюють разом із ChatGPT, дітей 6–7 років і дорослих вели ту саму п’ятихвилинну усну розмову всередині МРТ-сканера. Креативність, виміряна поза сканером, не відрізнялася між групами. Проте дорослі показали суттєво сильнішу внутрішньомережеву зв’язність у мережах фронтопарієтального контролю, салієнтності та дорсальної уваги, а вища креативність передбачала сильніше зв’язування фронтопарієтальної та салієнтної мереж у дорослих, але не в дітей. Автори читають це як відмінність у тому, як креативне пізнання *втілюється* під час діалогу зі ШІ, а не в базовій здатності. Це також породжує питання, на яке порадам щодо скаффолдингу на цій сторінці досі не доводилося відповідати: коли справді дозріває машинерія контролю, яку вербує креативна робота з підтримкою ШІ? ([[horowitz-kraus-children-chatgpt-cognitive-control-2026|Horowitz-Kraus et al. (2026)]])

Противага з досліджень магістратури: серед 1 157 китайських студентів магістратури залежність від [[generative-ai|GenAI]] позитивно асоціювалася із самооціненою дослідницькою креативністю, набагато сильніше для функціональної, завданнєвої залежності (β = 0,457), ніж для екзистенційної опори (β = 0,147), причому [[critical-thinking|критичне мислення]] несло приблизно 85,0% функціонального шляху ([[genai-dependence-research-creativity-2026|Yin et al. (2026)]]).

Національне опитування ускладнює цю картину: серед 5 764 китайських студентів університетів залежність від ШІ негативно корелювала з самооціненою креативністю (r = −0,17), причому мотивації втечі та соціальні несли негативні непрямі шляхи, а інструментальні та розважальні — позитивні ([[ai-dependence-creativity-motivation-literacy-2026|Hou et al. (2026)]]).

- **Втілення окупається нерівномірно.** Фізичний робот у парі з моделлю високої креативності суттєво підвищив оригінальність порівняно з колаборацією людини з людиною та текстовою колаборацією, тоді як людські та текстові умови зберегли перевагу в образотворчості та голосі — парадокс втілення, в якому робот посилював результат ШІ, не покращуючи стилю ([[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen|Liu & Song (2026)]]).
- **Підтвердження людської креативності в епоху ШІ.** Сходження генеративного ШІ кидає виклик освітнім галузям підтвердити цінність людської креативності. Рамкова модель цифрового [[project-based-learning|проєктного]] [[storytelling-in-education|сторітелінгу]] для освіти з мистецтва та дизайну була спроєктована явно для культивування емоційних, культурних та наративних здатностей, яких бракує ШІ, причому студенти створювали [[multimodal]] наративи з місцевої культурної спадщини, — позиціонуючи креативність як явно людський внесок у навчання, інтегроване зі ШІ.

### Креативність у різних галузях

Креативність — не єдина монолітна здатність: вона втілюється по-різному в письмі, візуальному мистецтві, [[math-education|математиці]] та обчислюванні, і генеративний ШІ взаємодіє з креативним процесом кожної галузі своєрідно. Розуміння цих відмінностей має значення для проєктування навчання з підтримкою ШІ, що захищає, а не обходить, основний креативний акт кожної галузі.

- **Візуальне мистецтво та дизайн — парадокс компетентності.** Інструменти «текст-у-зображення» (T2I) стискають відстань від ідеї до артефакту, але легкість не просто звільняє креативність. У дослідженні студентів мистецтва та дизайну (417 опитаних) креативна компетентність сильно передбачала *намір* користуватися інструментами T2I — проте також передбачала більш *стримане, вибіркове фактичне використання*, коли студенти узгоджували авторство, оригінальність і збереження вміння проти ефективності ([[t2i-competence-paradox-2026]]). Легкість і готова доступність уможливлюють швидке генерування результатів, а не стійке [[student-engagement|залучення]], тож інструмент може тихо стати скороченням шляху, що розмиває ітеративний студійний робочий процес, який він мав прискорювати.
- **Математика — креативність без перенесення.** Втручання навчання на основі [[inquiry-based-learning|дослідження]] з підтримкою ШІ в [[k-12|середній]] математиці (студенти в середньому 12,79 року) суттєво підвищило *креативну математичну продуктивність* і ставлення до математики — але **не** покращило значуще критичного [[problem-solving]] ([[mujib-ai-ibl-creative-math-2026]]). Креативність і конвергентне розв’язування задач є відокремлюваними результатами; дослідницьке навчання з підтримкою ШІ може зростати в креативній продукції, тоді як переносим аналітичні вміння відстають, посилюючи ширший [[cognitive-offloading|розрив між продуктивністю та навчанням]].
- **Математика — креативність викладача рухається разом із знанням контенту та педагогічним знанням.** У вбудованому кейс-дослідженні восьми діючих викладачів із сільських та недостатньо забезпечених ресурсами районів програма з десяти інтерактивних модулів під керівництвом генеративного ШІ, побудована на рамковій моделі 4P Роудса, залучила викладачів до математичної креативності (MC), знання контенту (CK) та педагогічного знання контенту (PCK) як взаємопов’язаних форм міркування, а не як відокремлених галузей ([[bicer-genai-pd-math-creativity-2026]]). Внесок, потрібний обговоренню вимірювання на цій сторінці, — це твердження авторів, що MC не розвивається незалежно від математичних знань викладачів та їхнього знання того, як зробити ідеї доступними, — і що саме неосудливий, неоцінювальний тон ШІ зробив продуктивну боротьбу достатньо безпечною, щоб до неї взятися.
- **Креативні обчислення — тертя, що захищає ітерацію.** Початківці-креативні кодери навчаються, розуміючи та поширюючи «знайдені приклади», які ШІ може корисне скаффолдити або спокусливо обійти. Flowcode — середовище креативних обчислень на базі ШІ, яке поєднує блок-схему [[visualization|візуалізації]] структури коду з орієнтованим на навчання чатом та свідомо спроєктованим тертям — показане в двох дослідженнях, що спрямовує використання ШІ до розуміння та поширення коду, а не до [[vibe-coding]] навколо нього ([[flowcode-ai-creative-coding]]). Продуктивна важкість тут є особливістю, що зберігає генеративний цикл здобувача.
- **Літературне творення — одиниця між темою та текстом.** [[incipit-axiom-grounded-scaffolding-literary-creation-2026|Incipit]] стверджує, що твір організований *висловими передумовами*, а не темами, і будує проміжний рівень — 1 455 записів аксіом, що охоплюють 149 творів, з’єднаних 472 типізованими відношеннями, — на якому письменник, який переглядає конфігурацію, може змінити організуюче зобов’язання, читач може обґрунтувати реконструкцію, а критик може порівняти два твори. Його власний аудит загострює вищезазначений пункт щодо вимірювання: артефакт фіксує єдину курацію, 1 448 із 1 455 аксіом відображаються рівно на один твір, а запропонована валідація (п’ять експертів на вибірці з 35 записів) не була проведена, тож рамкова модель є дослідницькою програмою, а не свідченням про креативне навчання.

- **Робочий процес проєктування на GenAI може знизити креативну впевненість, поки продуктивність тримається.** У порівнянні архітектурного проєктування зі 36 студентами генерація зображень на GenAI відповіла пошуку прецедентів за продуктивністю проєктування, когнітивним навантаженням та завданнєвою креативною самоефективністю, проте *загальна* креативна само-фективність впала (DiD = −0,543, 95% CI [−1,068, −0,017]) — підтримка завдання і впевненість у власній креативності можуть рухатися нарізно ([[caeai-genai-architectural-design-creative-self-efficacy-2026|Xiao et al. (2026)]]).

### Впровадження креативності в практику

Повторюваний проєктувальний принцип серед цих результатів — **утримувати власний генеративний акт здобувача в циклі** — незалежно від того, чи є цей акт породженням ідеї, ітеруванням артефакту чи поширенням знайденого прикладу, — і використовувати ШІ як партнера в дивергентному мисленні, який кидає виклик і розширює, а не заміщує.

- **Для [[teacher-role|викладачів]]:** упорядковуйте завдання так, щоб студенти генерували власні початкові ідеї *до* звернення до ШІ (протокол «спершу подумай, потім ChatGPT»), а потім використовуйте ШІ, щоб допитувати, поширювати чи грати адвоката диявола проти тих ідей. Оцінюйте процес і оригінальний синтез поряд з відполірованістю, щоб скорочення шляху для тих, хто уникає зусиль (результат T2I одним клацанням, зневаджені на вайб-кодингу рішення), не давали нічого. У мистецтві та дизайні робіть авторство та розвиток вміння об’єктом оцінювання, а не лише артефакт.
- **Для розробників і проєктувальників:** будуйте інструменти, що розкривають і винагороджують цикл ітерації — показуйте структуру (як це робить блок-схема Flowcode), додавайте [[desirable-difficulties|продуктивне тертя]] в момент «відправ перший результат», і пропонуйте альтернативи та критику, а не єдину відполіровану відповідь. Коли інструмент робить наступну найкращу версію беззусильною, рішеннями, які мають значення, усе одно мають бути креативні рішення здобувача.
- **Для дослідників:** розглядайте креативність як [[discipline-specific-aied|галузево специфічну]] та специфічну для результату — вимірюйте, чи [[transfer-of-learning|переносяться]] здобутки на конвергентні або неасистовані завдання, а не лише чи виглядає асистований результат більш креативним. Прогалина у вимірюванні — найгостріша проблема галузі: у корпусі з 45 досліджень K–12 лише чотири дослідження оцінювання використовували формальну міру креативності, більшість досліджень узагалі не визначали конструкт, а креативний *процес* — підготовка, інкубація, просвітлення, перевірка — лишився суттємо невиміряним. Тому припис огляду — спершу вимірювання: оцінюйте креативність ненав’язливо всередині завдань із відкритим кінцем через evidence-centered design та скрите [[assessment]], і розглядайте креативну [[self-efficacy]] як частину результату, а не як імплікований побічний ефект ([[genai-creativity-k12-scoping-review-2026]]).

### Зв’язки

Креативність пов’язана з [[critical-thinking]] та з [[constructivist]] навчанням. Її захищають ті самі [[reducing-ai-misuse]] [[scaffolding|скаффолди]], що зберігають навчання, і проєктування [[authentic-assessment]], які винагороджують оригінальне міркування над відполірованими продуктами.

## Пов’язані поняття

- [[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]]

## Пов’язані статті
- [[caeai-genai-architectural-design-creative-self-efficacy-2026]] — Генерація зображень на GenAI залишила продуктивність проєктування незмінною, але знизила загальну креативну само-фективність
- [[bicer-genai-pd-math-creativity-2026]] — Як професійний розвиток під керівництвом генеративного ШІ підтримує залученість викладачів із математичною креативністю, знанням контенту та педагогічним знанням контенту
- [[incipit-axiom-grounded-scaffolding-literary-creation-2026]] — Аксіомно обґрунтований скаффолдинг літературного творення: передумови як одиниця між темою та текстом, валідовано лише за планом (Liu & Zhao 2026)
- [[jin-emergent-learner-agency-implicit-hai-2026]] — Емерджентна дієздатність здобувача в імпліцитній колаборації людини та ШІ: підтримувальні та контраргуючі персони
- [[chatgpt-critical-creative-thinking-review]] — ChatGPT і критичне та креативне мислення: систематичний огляд
- [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen]] — Інтеграція робота з ВММ і креативне письмо
- [[t2i-competence-paradox-2026]] — Парадокс компетентності в ШІ «текст-у-зображення» серед студентів мистецтва та дизайну
- [[mujib-ai-ibl-creative-math-2026]] — Навчання на основі дослідження з підтримкою ШІ та креативна математична продуктивність
- [[flowcode-ai-creative-coding]] — Flowcode: середовище на базі ШІ, що скаффолдить ітерацію в креативних обчисленнях
- [[trikonet-trivalence-co-creativity-2026]] — TriKoNet: модель тривалентності потенційної ко-креативності в соціотехнічних мережах
- [[genai-creativity-k12-scoping-review-2026]] — Огляд-мапування за PRISMA 45 досліджень K–12: чотири застосування GenAI для креативності, гомогенізація та прогалина у вимірюванні

- [[genai-dependence-research-creativity-2026]] — Функціональна проти екзистенційної залежності від GenAI та дослідницька креативність у 1 157 студентів магістратури
- [[horowitz-kraus-children-chatgpt-cognitive-control-2026]] — Відповідна креативність, дивергентна нейрона залученість: діти проти дорослих, які розмовляють зі ChatGPT у сканері фМРТ
- [[ai-dependence-creativity-motivation-literacy-2026]] — Залежність від ШІ та чотири мотивації використання по-різному відносяться до самооціненої креативності (Hou et al. 2026)

---

## [Взаємодія здобувача зі ШІ](https://edtechdev.github.io/aied/concepts/student-ai-interaction/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Взаємодія здобувача зі ШІ** — закономірності, процеси та когнітивна робота в тому, як здобувачі взаємодіють із системами [[generative-ai|генеративного ШІ]] під час навчання та [[problem-solving|вирішення проблем]]. [[research-methods-aied|Дослідження]] тут характеризує, чого здобувачі просять у ШІ, як розвиваються підказки та діалоги, і як якість взаємодії пов’язана з [[learning-gains|навчальними результатами]], [[cognitive-offloading]] та [[agency]].

## Питання для роздумів

- Згадайте кілька останніх підказок, які написали ви (або здобувач) ШІ. Чи описали б ви більшість із них як прохання дати відповідь, чи як прохання пояснити, дослідити або оцінити? Як ви підозрюєте, що ця закономірність робить із навчанням?
- Дослідження виявляє, що невелика підмножина типів запитань становить більшість звернень здобувачів і що запитання змінюються в міру просування завдання. Як ви думаєте, чому запитання здобувачів звужуються, і що це говорить про те, як вони використовують інструмент?
- Сторінка стверджує, що поверхові підказки, спрямовані на отримання відповіді, пов’язані зі зниженням навчання та надмірною залежністю, тоді як рефлексивна, орієнтована на верифікацію взаємодія підтримує розуміння. Що, на вашу думку, відрізняє «хорошу» підказку від «поганої» — і чи це відповідальність здобувача, чи дизайн інструменту?
- Якщо якість взаємодії формується контекстом завдання та скаффолдингом, а не є сталою рисою здобувача, як можна було б перепроєктувати курс або інструмент, щоб запросити ширший, продуктивніший діапазон досліджень?
- Як ви дізналися б, чи відображає вільний діалог здобувача зі ШІ справжнє навчання, чи лише вміле делегування — і що б ви перевіряли, щоб це з’ясувати?

## Вступ

Взаємодія здобувача зі ШІ — це спостережувана поверхня [[student-engagement|залученості]] здобувачів із генеративним ШІ — запитання, які вони ставлять, підказки, які пишуть, спосіб, у який вони узгоджують і перевіряють результати ШІ, і як ці закономірності змінюються між етапами завдання та з часом. Вона лежить на перетині [[student-experience]], [[prompt-engineering]] та [[learning-analytics]] і є центральною для дебатів про те, чи являє собою використання ШІ в освіті справжнє навчання, чи [[cognitive-offloading|надмірну залежність]]. Там, де [[human-ai-collaboration]] окреслює високорівневий поділ когнітивної праці між людьми та моделями, взаємодія здобувача зі ШІ є конкретним, вимірюваним втіленням цих стосунків — специфічними зверненнями, підказками та ходами узгодження, які здобувачі роблять від моменту до моменту.

### Про що здобувачі запитують ШІ

Ключовий напрям досліджень вимірює **типи та якість звернень здобувачів**. Дослідження застосовують таксономії типів запитань — наприклад таксономію 18 типів Ґрессер і співавторів — для класифікації взаємодій здобувача зі ШІ, часто використовуючи few-shot класифікатори для масштабування аналізу на сотні чи тисячі взаємодій. Результати вказують, що невелика підмножина типів запитань становить більшість звернень здобувачів і що запитання, які ставлять здобувачі, **суттєво змінюються в міру просування завдання** (наприклад, [[student-ai-inquiry-types-cs2-2026]]). Ця залежність від завдання важлива: якість взаємодії не є сталою рисою здобувача, а формується контекстом проблеми, [[scaffolding]] та можливостями інструменту ШІ. У наймолодшому віці [[vahedian-children-attitudes-ai-chatbot-2026|Вахедіан Мовахед та Мартін (2025)]] виявили, що діти (віком 6–14) активно перевіряли довірливість до [[conversational-ai|чатбота]], ставлячи запитання з відомими відповідями (наприклад, «наскільки великий тиранозавр») — вияв епістемічної самостійності, — тоді як типова дитина ставила лише 1–3 запитання, а видатна першокласниця поставила 21, підкреслюючи, як розвиткові та індивідуальні відмінності формують запитання, які ставлять здобувачі.

Самі таксономії ще не узгоджені: серед 46 категоризацій із 33 досліджень подібні позначення називають різні явища, тому огляд пропонує *епізод взаємодії* — цілеспрямований, часово обмежений обмін — як одиницю, що охоплює набуття знань, оцінний зворотний зв’язок, стратегічне керівництво, діалогічне дослідження, удосконалення артефактів та співрегулювання ([[student-llm-interaction-taxonomy-review-2026|Борхерс, Янсен та Вайдліх (2026)]]).

Доповнюючи ці дослідження таксономій, [[yan-cognitive-outsourcing-genai-assessments-2026|Ян і співавтори (2026)]] характеризують *діалогову форму* звернень здобувачів. Серед 38 [[higher-ed|студентів]], які писали непідконтрольні аргументативні есе, 76,32% використовували одноходовий патерн «запитати–отримати відповідь–зупинитися» — зазвичай вставляючи назву завдання на оцінювання без уточнення своїх потреб і повторно надсилаючи ідентичні підказки, коли були незадоволені, — і 78,94% торкалися [[generative-ai|GenAI]] лише на початку (ідеї, тло) або в кінці (полірування, обсяг) завдання, тримаючи його окремо від читання та незалежного [[writing-education|письма]]; лише 23,68% підтримували ітеративний діалог із запитаннями-уточненнями та власними міркуваннями. Автори розміщують ці закономірності на спектрі від **когнітивного аутсорсингу** до **когнітивного перерозподілу** — аналога в епоху GenAI поверхневих підходів до навчання проти [[metacognition|глибоких]] — зазначаючи, що більшість студентів сприймала інструмент як модернізовану пошукову систему, що примушувало їх залишатися на кінці аутсорсингу.

Переосмислюючи ці закономірності як епістемічну роботу, аналіз 200 спільних сеансів програмування з чатом виявив, що 78,8% взаємодій здобувача з GenAI трималися на цілях і стратегіях, не спрямованих на майстерність, таких як аутсорсинг або пошук перевірки, і лише 11,1% поєднували цілі, орієнтовані на майстерність, з епістемічним обґрунтуванням ([[constructing-epistemic-ai-literacy-student-ai-co-programming|Ву (2026)]]).

Кодування 50 відібраних обмінів дає триполюсну типологію тієї самої поведінки: [[three-pathways-student-ai-interaction-2026|Захра (2026)]] класифікував 46% як Пасивний перегляд, де модель діє як оракул, а результат приймається з невеликою перевіркою, 18% як Пряме запитання і 36% як Стратегічний діалог, поєднавши цей розподіл із дизайн-аргументом «спочатку обмеження» (каппа = .48 між кодувальниками). Огляд із семи завдань 211 студентів обчислювальних спеціальностей доходить того самого висновку з іншого боку: [[student-llm-use-cs-subfields-2026|Нізамані і співавтори (2026)]] виміряли впровадження LLM від 89,6% в алгоритмах до 15,2% в програмній інженерії та віднесли цей розкид до складності завдань, можливості перевірки та скаффолдингу, а не до підгалузі.

### Якість взаємодії та навчання

Доповнюючий напрям пов’язує *форму* взаємодії з навчанням. Поверхові або звично вузькі підказки (прохання до ШІ створити відповідь, а не пояснити, дослідити або оцінити) пов’язані зі зниженням навчання та збільшенням надмірної залежності, тоді як рефлексивна, орієнтована на верифікацію взаємодія підтримує [[metacognition]] та тривке розуміння. Це пов’язує взаємодію здобувача зі ШІ безпосередньо з проєктуванням [[intelligent-tutoring]]: системи можна будувати так, щоб запрошувати ширший, продуктивніший діапазон досліджень і скаффолдити ставлення запитань, а не лише відповідати. Взаємодія взагалі не мусить проходити через підказки, спрямовані на отримання відповіді, — коли ШІ критикує власну роботу здобувачів, обмін стає рефлексивним, орієнтованим на верифікацію діалогом: у [[oppenheimer-llms-collaborative-learning-partners-2026|Оппенгеймера, Кеша та Коннелл Пенскі (2025)]] реакції здобувачів на есейний [[feedback]] від [[llm]] показували рефлексію в 92,7% випадків, прийняття в 93,6% і активне спростування тверджень LLM у 87,8% випадків (міжоцінювацькі κ = 0,81–0,89), а їхня реакція на [[ai-feedback-quality|якість зворотного зв’язку]] покращувалася між ітераціями як навчальна навичка. Рефлексивний бік взаємодії не мусить проходити через пряме формулювання підказок — у [[breideband-community-builder-cobi-2026|CoBi]] здобувачі взаємодіяли з візуалізаціями свого [[collaborative-learning|спільного]] мовлення на рівні класу та обговорювали, коли класифікації ШІ здавалися хибними, перетворюючи очевидні хибні класифікації на можливості для калібрування свого розуміння можливостей і меж ШІ ([[trust-calibration]]), а не просто приймаючи його результат. Однак зв’язок між формою взаємодії та навчанням має межу: [[page-cognitive-partnership-cycle-human-ai-2026|Пейдж (2026)]] відокремлює *розмовну ітерацію* від *когнітивної ітерації* на тій підставі, що здобувач може удосконалювати результат через багато ходів, тоді як ментальна модель за ним залишається незмінною, тому свідченням навчання є зміна когнітивної позиції здобувача, а не довжина чи вільність обміну — кількість ходів не є показником глибини залученості.

Взаємодія, а не інструмент, визначає шлях: у польовому експерименті з майже 1 000 здобувачів математики старшої школи необмежений GPT-4 підвищив результати практики на 48%, але знизив результати іспиту без допомоги на 17%, тоді як та сама модель, обмежена підказками, розробленими викладачем, підвищила практику на 127% і значною мірою звела цей дефіцит ([[naim-bypass-offload-scaffold-llm-learning-2026|Лі, 2026]]).

Те, чи ефективно здобувачі формулювали підказки, а не скільки, відстежувало успіх: Ефективність запитів до ШІ та вирішення проблем, кероване ШІ, були найсильнішими предикторами академічної успішності серед 128 студентів інженерії і залишалися значущими після контролю на середній бал ([[isaza-chatgpt-engineering-prompting-2026|Ісаса Домінгес і співавтори (2026)]]).

Поведінковий контекст — це сигнал, відмінний від самого запитання: у чотирьох розгортаннях TutorTrace (480 здобувачів, ~180 000 подій IDE) умовлення допомоги на нещодавньому поведінковому стані здобувача скоротило інтервали між запитами без незалежної роботи з 50,0% до 20,7%, а найближчі запити були передбачувані лише з поведінки (AUROC = .726) ([[tutortrace-learner-behavioral-states-2026|Баррон і співавтори (2026)]]).

Щільність не є механізмом: чергування здобувачів між голосом і текстом майже подвоїло кількість ходів діалогу за хвилину (1,34 проти 0,75), не змінивши щотижневого майстерства, а автори прочитали медіанне 26-секундне обмірковування перед першим натисканням клавіші в наборі як сам акт кодування ([[ai-tutor-modality-randomized-field-experiment-2026|Ян, Ван Альстін і Делларокас (2026)]]).

Цикл верифікації може залишатися поверховим: аналіз послідовностей із запізненням чотиритижневого розгортання LLM-агента на курсі баз даних для студентів виявив значущий цикл «запит–оцінювання–запит», проте сильні цикли самопереходів у межах нижчих станів і лише 3,92% взаємодій, що досягали вищого рівня пізнання ([[li-dbagent-llm-educational-agent-cs-2026|Лі і співавтори (2026)]]).

Бернштейн і Сібія (2026) документують ітеративно-фільтрувальний патерн у тому, як студенти CS2 поводяться з поясненнями GenAI ([[student-reception-genai-analogies-computing-2026]]): вони звіряють їх із конспектами лекцій, вимагають походження («я був би набагато більше сумнівним... без нього») і перевіряють запитаннями-уточненнями на узгодженість, замість того щоб видавати єдине приймальне чи відкидальне судження. Студенти також читають пояснення з погляду тих знань і тла, які припускали, — припущені [[prior-knowledge|попередні знання]] за межами програми, типові спортивні та ігрові посилання («біль чоловіко-домінована сторона обчислювань») і надмірні повторення всі функціонували як сигнали про уявного читача, причому надмірний скаффолдинг читався як поблажливість, а не просто неефективність.

Консультування зі ШІ у правильній *точці* завдання важить не менше, ніж формулювання окремої підказки: у тому самому дослідженні [[yan-cognitive-outsourcing-genai-assessments-2026|Ян і співавтори (2026)]] виявили, що орієнтована на перерозподіл меншість чергувала незалежну роботу з консультуванням GenAI і повідомляла про незмінні загальні зусилля, але зміщений фокус — перерозподіляючи ресурси з пошуку на перевірку аргументативної якості та збалансованості та пишучи нотатки з рефлексії після сеансів, щоб протидіяти поверховому утриманню, — тоді як здобувачі з цілями майстерності, але слабкою [[ai-literacy|грамотністю в ШІ]] потрапляли в «парадокс ефективності», розвантажуючи себе «не наміром, а типово».

### Від взаємодії до педагогіки

Характеризація взаємодії здобувача зі ШІ інформує [[learning-design]]: викладачі можуть помічати, коли закономірності запитань здобувачів є вузькими або поверховими, і проєктувати втручання, що розширюють дослідження; [[teacher-role]] зміщується до коучингу здобувачів у продуктивній взаємодії зі ШІ. Це також обґрунтовує навчальні програми [[ai-literacy]], що трактують ефективне формулювання підказок і верифікацію як навчальні навички, а не вроджені здібності.

Дизайн-важелі можуть змістити цю типову поведінку: на асинхронному курсі фізики приблизно зі 70 студентів оцінюваним артефактом була стенограма діалогу, а не відповідь, проте багато студентів усе що ставили довгі списки запитань, не відповідаючи на сократичні уточнення моделі — режим відмови, який мали виявити критерії ([[context-prompts-physics-assignments-2026|Родрігес та Вульф (2026)]]).

Підказки, створені викладачами, — один із таких важелів, проте реалізована суворість відстає від цілі: серед 1 479 розмов 38% не дотягували до передбачуваного викладачем рівня глибини знань, наближаючись до 50% на DOK 3, тоді як явні лінії фінішу звузили цю прогалину на 0,22 рівнів, а захисна межа «без прямих відповідей» скоротила частку фінальних відповідей ШІ на 8,5 процентних пунктів ([[teacher-authored-prompts-student-ai-dialogue|Лю і співавтори (2026)]]).

Невикористання саме по собі є закономірністю взаємодії, яку [[pedagogy]] мусить планувати. [[zou-is-this-a-trap-student-teachers-genai-2026|Зоу і співавтори (2026)]], досліджуючи 85 [[teacher-education|студентів-викладачів]] у трьох курсах, де використання GenAI в [[assessment]] було явно дозволене, виявили, що 62,4% (53 із 85) відмовилися використовувати його взагалі, що набагато нижче впровадження 79–83%, якого спостерігалося в порівнянних опитуваннях Великобританії та Австралії, і що використання тими, хто впровадив, було поверховим і виправним, а не генеративним (редагування 43,8%, перевірки чіткості 34,4%, генерація тексту лише 18,8%). Їхній вибір відстежував проєктування оцінювання та інституційну культуру, а не технічну складність: 41,5% тих, хто не впровадив, побоювалися несправедливого звинувачення в [[academic-integrity|плагіаті]], а дев’ятеро з одинадцяти опитаних прочитали саму дозвільну політику як можливу «пастку». Прогалина між 32 користувачами, які повідомили в опитуванні, і 28 самозаявами показує, що *повідомлена* здобувачами взаємодія зі ШІ формується оцінюваними наслідками — застереження щодо вимірювання для аналітики навчання стосовно взаємодії здобувача зі ШІ.

## Дисципліна та когнітивна залученість у чаті здобувача зі ШІ

- **Пов’язана з дисципліною когнітивна залученість у чаті здобувача зі ШІ.** Чан і Лі (2026) аналізують підказки здобувачів до ШІ на 116 курсах із дизайном «всередині особи, між дисциплінами», показуючи, що розмови здобувача зі ШІ відображають **пов’язану з дисципліною** когнітивну залученість, а не сталі індивідуальні стилі взаємодії. Приблизно 62% підказок кодували вищий рівень когнітивного запиту загалом, але профілі за рівнями Блума різко відрізнялися за дисциплінами: курси [[stem-education|STEM]] породжували підказки з перевагою «Застосування» (20,8%), мовні курси — з перевагою «Розуміння» (31,7%), а курси соціальних наук — з перевагою «Створення» (33,8%). Парні внутрішньоособові порівняння підтвердили, що ті самі здобувачі створювали значно більше підказок вищого рівня на курсах соціальних наук, ніж на курсах STEM (об’єднане n = 16, p < .001), а варіація на рівні курсів перевищувала варіацію на рівні здобувачів — сильний аргумент, що ШІ-асистентів викладача слід проєктувати та оцінювати з урахуванням дисциплінарного контексту.

## Пов’язані поняття
- [[learners]] — Здобувачі: узагальнення для понять на боці здобувача
- [[human-ai-collaboration]]
- [[student-experience]]
- [[prompt-engineering]]
- [[learning-analytics]]
- [[cognitive-offloading]]
- [[intelligent-tutoring]]
- [[metacognition]]
- [[agency]]
- [[generative-ai]]
- [[llm]]
- [[ai-literacy]]

## Пов’язані статті
- [[yan-cognitive-outsourcing-genai-assessments-2026]] — Когнітивний аутсорсинг проти перерозподілу в непідконтрольних оцінюваннях здобувачів із GenAI (Ян і співавтори, 2026)
- [[zou-is-this-a-trap-student-teachers-genai-2026]] — «Це пастка?»: невпровадження GenAI студентами-викладачами в оцінюванні (Зоу і співавтори, 2026)
- [[tutortrace-learner-behavioral-states-2026]]
- [[student-ai-inquiry-types-cs2-2026]] — Аналіз типів звернень у взаємодії здобувача зі ШІ
- [[student-llm-interaction-taxonomy-review-2026]] — Огляд таксономії взаємодії здобувача з LLM
- [[teacher-authored-prompts-student-ai-dialogue]] — Підказки, створені викладачами, в діалозі здобувача зі ШІ
- [[constructing-epistemic-ai-literacy-student-ai-co-programming]] — Конструювання епістемічної грамотності в ШІ
- [[dura-llm-cs2]] — Демістифікуй, використовуй, рефлексуй, оцінюй (DURA): інтеграція LLM в CS2
- [[li-dbagent-llm-educational-agent-cs-2026]] — Освітній агент на основі LLM (DBagent) в освіті з інформатики
- [[isaza-chatgpt-engineering-prompting-2026]] — Зареєстровані підказки та поведінка інтеграції
- [[breideband-community-builder-cobi-2026]]
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[vahedian-children-attitudes-ai-chatbot-2026]]
- [[student-reception-genai-analogies-computing-2026]] — Хибні, але запам’ятовувані: критичне сприйняття здобувачами персоналізованих за інтересами аналогій GenAI в освіті з обчислювань
- [[naim-bypass-offload-scaffold-llm-learning-2026]] — Обхід, розвантаження чи скаффолдинг: концептуальна модель того, як великі мовні моделі формують навчання
- [[ai-tutor-modality-randomized-field-experiment-2026]] — Коли ШІ-тьютори говорять: дані з рандомізованого польового експерименту
- [[context-prompts-physics-assignments-2026]] — Завдання з фізики на основі ШІ з використанням контекстних підказок
- [[three-pathways-student-ai-interaction-2026]] — Типологія трьох шляхів взаємодії здобувача зі ШІ: 46% пасивний перегляд, 18% пряме запитання, 36% стратегічний діалог

---

## [Вирішення задач](https://edtechdev.github.io/aied/concepts/problem-solving/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Вирішення задач** — процес формулювання, аналізу та розв’язування нових або складних викликів — є ключовою компетентністю XXI століття, яку інструменти ШІ водночас і посилюють, і загрожують їй. У статтях бази знань генеративний ШІ функціонує як скаффолдинг, діалогічний партнер і двигун відповідей, і його освітня цінність залежить від того, чи залишаються здобувачі головними приймальниками рішень, чи передають своє міркування машині. Це напруження між ефективністю та глибшим когнітивним і регулятивним [[student-engagement|залученням]] визначає поточні [[research-methods-aied|дослідження]] ШІ та вирішення задач.

## Питання для роздумів

- Згадайте справді складну задачу, яку ви добре розв’язали. Що робило боротьбу продуктивною, і що було б втрачено, якби хтось просто дав вам відповідь?
- Сторінка описує «когнітивний борг»: делегування міркування ШІ дає правильний продукт ціною розуміння. Чи доводилося вам отримати правильну відповідь, не розуміючи її по-справжньому? Якою була ціна потім?
- Інструменти ШІ допомагають студентам досліджувати кілька перспектив і генерувати власні задачі — але можуть також заохочувати «метакогнітивну лінь». Як відрізнити ШІ як партнера в мисленні від ШІ як замінника мислення?
- Один експеримент виявив, що рефлексивний і гібридний зворотний зв’язок перевершили прямий зворотний зв’язок ШІ в відстроченому, вільно від ШІ перенесенні. Чому зворотний зв’язок, який змушує вас працювати більше, може вести до довготривалішого навчання?
- Як [[teacher-role|навчання]] студентів *постановці* власних задач (а не лише розв’язуванню заданих) підтримує перенесення та самостійне навчання? Коли генерація питання навчила вас більше, ніж відповідь на нього?
- Якщо помилки ШІ розглядаються як провокації до запитання й перевірки, обмеження стає навчальною можливістю. Чи доводилося вам навчитися більше з помилки ШІ, ніж з його правильної відповіді?

## Вступ

Генеративний ШІ пропонує явну підтримку вирішенню задач. Інструменти [[generative-ai|LLM]] допомагають студентам досліджувати альтернативні розв’язки, вплітати міждисциплінарні перспективи та симулювати автентичні сценарії реального світу — наприклад, [[medical-education|клінічні]] та [[ethics|етичні]] дилеми або тестування прототипів у [[stem-education|STEM]] — водночас надаючи масштабований, своєчасний зворотний зв’язок і зсуваючи оцінювання до сценарійного, компетентнісно-зорієнтованого оцінювання. У [[ai-assisted-collaborative-learning-model-dbr|дослідженні на основі проєктування]] ШІ, позиційований як «інтелектуальний [[pedagogical-agent|партнер у навчанні]]» в межах структурованих колаборативних завдань, давав суттєві [[learning-gains|прирости]] в результативності вирішення задач, причому студенти все частіше використовували ШІ для генерації кількох перспектив, а не для пошуку єдиної відповіді.

Проте ті самі інструменти можуть роз’їдати саму ту вміння, яке вони нібито підтримують. Дослідження [[hao-human-ai-collaborative-problem-solving-cognition|колаборативного вирішення задач людиною та ШІ]] показує разючий компроміс: профіль взаємодії, який досягає найвищої результативності завдань, демонструє також і найнижчу само-[[regulation]], оскільки студенти делегують міркування ШІ і жнуть те, що автори називають «когнітивним боргом» — отримання правильного продукту ціною самоконструктивного процесу розуміння. Дослідження [[ai-collaborative-learning-skills-impacts|колаборативного навчання]] так само попереджають про «метакогнітивну лінь», коли передавання когнітивного зусилля назовні підриває незалежний аналіз і саморегульоване навчання.

### Вирішення задач у дослідженнях ШІ в освіті

Статті бази знань підходять до вирішення задач через різні, але сходящі лінзи. [[llm-critical-thinking-teamwork-review|Систематичний огляд PRISMA]] виявляє, що LLM часто дають неповні або неправильні відповіді, спонукаючи студентів ставити питання, перевіряти та поліпшувати інформацію — перетворюючи недосконалості моделей на цикли валідації та коригування, які зміцнюють [[critical-thinking|критичне мислення]] та розумову незалежність. Замість того щоб розглядати задачі як задані, інші роботи виводять на передній план *проблемопостановку*: [[genai-assisted-problem-posing-physics-2026|навчання студентів генерувати власні задачі з фізики]] підтримує [[transfer-of-learning|перенесення]] та самостійне навчання, а [[dai-chatbots-problem-posing-primary-2026|чатботи на базі GenAI]] покращили якість проблемопостановки учнів початкової школи та зменшили когнітивне навантаження в [[inquiry-based-learning|навчанні на основі дослідження]].

Скаффолдинг та оцінювання також є центральними. [[adaptive-ai-scaffold-collaborative-problem-solving-2026|Адаптивні скаффолди ШІ]], виведені з майнування послідовностей у патернах процесу окремих студентів, підвищують результативність на завданні в колаборативному вирішенні [[math-education|математичних]] задач — хоча максимальний скаффолдинг також збільшив поведінку за сценарієм. На боці вимірювання, [[llm-computational-thinking-physics-2026|LLM можуть віддзеркалювати людських оцінювачів]] у виявленні зростання [[computational-thinking|обчислювального мислення]] у масштабних курсах [[physics-education|фізики]], тоді як [[computational-thinking-educational-robotics-secondary-2026|обчислювальне мислення]] пропонується як явний концептуальний клей, який змушує [[educational-robotics|освітню робототехніку]] сприяти справжньому вирішенню задач, а не ізольованим технічним вправам.

### Як ШІ водночас допомагає і заважає

Подвійний характер ШІ для вирішення задач є послідовним між дослідженнями. На боці допомоги [[conversational-ai|чатботи]] перевершують пошукові системи в проблемопостановці, покращуючи якість питань і інтегруючи когнітивні мережі; адаптивні скаффолди покращують результативність; а колаборативні конструкції зі ШІ підвищують і [[critical-thinking|критичне мислення]], і бали за вирішення задач, поки студенти залишаються головними приймальниками рішень. На боці перешкод — надмірне делегування зменшує регулятивне залучення, прямий зворотний зв’язок без рефлексії заохочує пасивне засвоєння, а важка опора на ШІ для побудови консенсусу загрожує розвитку міжособистісних умінь і [[motivation|внутрішній мотивації]]. Примітно, що [[genai-feedback-design-multisite-experiment|багатосайтовий рандомізований експеримент]] виявив, що конструкції з рефлексивним і гібридним зворотним зв’язком перевершили прямий [[ai-feedback-quality|зворотний зв’язок ШІ]] у відстроченому, вільно від ШІ перенесенні — доказ того, що освітня цінність ШІ залежить менше від доступу, ніж від збереження [[agency|студентської агенційності]], оцінного судження та володіння під час доопрацювання. Принципи проєктування, що виникають з літератури, включають пріоритезацію діалогічного напруження над безшовною ефективністю, уможливлення проактивної корегуляції та збереження метакогнітивного скаффолдингу й нагляду «розуму в контурі».

### Наслідки

Для викладачів баланс доказів указує на структуровану, процесно-зорієнтовану інтеграцію: тренінг з [[prompt-engineering|інженерії підказок]] переводить студентів від несконцентрованої до продуктивної взаємодії зі [[student-ai-interaction|ШІ]], вбудовування ШІ в колаборативні дослідницькі завдання дає стійкі [[learning-gains|прирости]], а свідоме використання помилок ШІ як провокацій перетворює обмеження на навчальну можливість. Для проєктувальників послідовний висновок, що ефективність не дорівнює глибокому навчанню, аргументує на користь ШІ, який ставить питання, кидає виклик і скаффолдить, а не відповідає. Для установ відповідальна інтеграція вимагає поєднання [[generative-ai|GenAI]] із явним тренінгом з [[ai-literacy|ШІ-грамотності]] та рубриками оцінювання, які винагороджують міркування та обґрунтування понад правильні продукти. Повторюваною темою в роботах, обґрунтованих на [[cognitive-psychology]], є те, що вирішенню задач навчаються через зусилне залучення — і роль ШІ має бути в тому, щоб зберегти це зусилля, а не стерти його.

### Зв’язки з іншими поняттями

Вирішення задач є прикладним результатом [[critical-thinking|критичного мислення]] та [[computational-thinking|обчислювального мислення]] і культивується через рамки [[problem-based-learning|навчання на основі задач]] та [[inquiry-based-learning|навчання на основі дослідження]]. Воно залежить від [[scaffolding]], який підтримує когнітивну вимогу, від [[self-regulated-learning|саморегуляції]] та [[metacognition|метакогнітивного]] нагляду, щоб уникнути [[cognitive-offloading|когнітивного розвантаження]], і від [[collaborative-learning|колаборативних]] структур, у яких людина та ШІ працюють разом. [[cognitive-psychology|Когнітивна психологія]] та література про [[transfer-of-learning|перенесення навчання]] дають теоретичне обґрунтування того, чому задачі, згенеровані здобувачем, і рефлексивний зворотний зв’язок породжують стійкіші [[learning-gains|прирости у вирішенні задач]]. Баланс розв’язаних прикладів і практики для набуття таких умінь сам залежить від змісту: [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger & Carvalho (2025)]] показують, що узагальнюваним умінням вирішення задач найкраще навчатися через практику, інтегровану з прикладами (чергування розв’язаних прикладів із задачами), оскільки розв’язані приклади постачають індуктивну інформацію, потрібну для набуття й узагальнення правильної правила, тоді як чиста практика ризикує зміцнити хибно скорельовані риси, а не загальну процедуру.

## Симуляція колаборативного вирішення задач із агентами LLM

- **Симуляція колаборативного вирішення задач із агентами [[llm]], специфічними для учасників.** Fang (2026) навчає індивідуальних агентів LLM на діалогах реальних учасників, щоб відтворити колаборативне вирішення задач, і валідує [[simulation|симуляції]] через [[network-analysis|аналіз епістемічних мереж]], показуючи, що змодельовані та реальні діалоги є статистично нерозрізнюваними (відстань ENA 0,17; p за перестановками = 0,65). Це дає масштабований спосіб вивчати й генерувати автентичний дискурс колаборативного вирішення задач — з наслідками і для досліджень, і для проєктування середовищ практики для цієї уміння XXI століття.

### Автоматизоване кодування умінь КВР

- Вимірювання [[collaborative-learning|колаборативного вирішення задач (КВР)]] компетентності, як правило, вимагає кодування поведінки з даних процесу змодельованих завдань у конкретні уміння КВР. [[prompt-engineering|Контекстно-чутливе формулювання підказок]] для попередньо навчених мовних моделей може автоматизувати це кодування, моделюючи контекстні залежності й зливаючи когнітивні та соціальні здібності, щоб досягти переважної результативности над сильними базовими рівнями на наборах даних завдань КВР — вирішуючи проблему трудомісткості ручного кодування й уможливлюючи масштабне, реальночасне оцінювання.

## Пов’язані поняття

- [[critical-thinking]]
- [[computational-thinking]]
- [[collaborative-learning]]
- [[problem-based-learning]]
- [[inquiry-based-learning]]
- [[creativity]]
- [[scaffolding]]
- [[self-regulated-learning]]
- [[cognitive-psychology]]

## Пов’язані статті

- [[hao-human-ai-collaborative-problem-solving-cognition]] — Профілі взаємодії (делеговане міркування vs. узгодена інтерпретація) і компроміс між ефективністю та регуляцією
- [[ai-assisted-collaborative-learning-model-dbr]] — Модель ДОП, що позиціонує генеративний ШІ як інтелектуального партнера в навчанні
- [[llm-critical-thinking-teamwork-review]] — Огляд PRISMA: LLM, які сприяють критичному мисленню, командній роботі та вирішенню задач
- [[adaptive-ai-scaffold-collaborative-problem-solving-2026]] — Адаптивні скаффолди, намайнені з послідовностей, для колаборативного вирішення задач
- [[genai-assisted-problem-posing-physics-2026]] — Проблемопостановка як стратегія саморегульованого навчання з GenAI
- [[genai-feedback-design-multisite-experiment]] — Рефлексивний/гібридний зворотний зв’язок перевершує прямий ШІ у відстроченому перенесенні
- [[dai-chatbots-problem-posing-primary-2026]] — Чатботи покращують проблемопостановку учнів початкової школи в навчанні на основі дослідження
- [[llm-computational-thinking-physics-2026]] — LLM як масштабовані оцінювачі обчислювального вирішення задач у фізиці
- [[rule-integrated-llm-tutoring-primary-math-2026]] — Керований правилами vs. ситуативний скаффолдинг у системі репетиторства на базі LLM для математики початкової школи (Looi et al. 2026)
- [[rachatasumrit-example-problem-ratio-2026]]

---

## [Освоєння навчального матеріалу](https://edtechdev.github.io/aied/concepts/mastery-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освоєння матеріалу** — це [[pedagogy|pedagogical]] рамкова модель, формалізована Бенджаміном Блумом, у якій [[learners]] переходять далі лише після того, як продемонструють визначений поріг компетентності в кожній одиниці навчального матеріалу, а не рухаються за фіксованим розкладом групи. Вона спирається на передумову, що більшість здобувачів може досягти освоєння за наявності достатньо часу, зворотного зв’язку та навчання, адаптованого до їхнього поточного стану. AI-тьюторство та адаптивні системи все активніше впроваджують цю модель у практику, постійно моделюючи знання здобувача, відбираючи завдання та підтримуючи практику доти, доки компетентність не буде продемонстрована.

## Питання для роздумів

- Більшість шкільного навчання фіксує час і дозволяє успішності варіюватися — усі переходять далі після певної кількості тижнів. Освоєння матеріалу інвертує це: досягнення утримується постійним, а час, зворотний зв’язок і практика варіюються. Яка модель краще відповідає тому, як ви насправді навчилися чомусь складному?
- Важливе застереження на сторінці: «правильність — це не освоєння». Здобувач може давати правильні відповіді, пропускаючи ключове обмеження, і змусити систему передчасно оголосити освоєння. Чи можете ви назвати вміння, де можливість виконувати його правильно все ж не означала, що ви справді розуміли, коли його *не* варто виконувати?
- Системи освоєння на основі AI дають здобувачам можливість обирати власні завдання, але симуляції показують, що наївний самовибір може спричинити масове надмірне тренування. Де правильний баланс між тим, щоб дозволити здобувачу обирати, і тим, щоб запровадити обмеження, які зберігають ефективність прогресу?
- Сторінка наголошує на стійкому утриманні в пам’яті, а не лише на одній правильній демонстрації — саме тому за освоєнням має слідувати розподілена в часі практика. Як здобувач може сьогодні здаватися таким, що «освоїв» щось, а втратити це за лічені години?
- Якщо AI оголошує, що ви «освоїли» тему, що б ви хотіли, щоб він перевірив, перш ніж ви повірите цьому — окрім кількох правильних відповідей?

## Вступ

Освоєння матеріалу стверджує, що досягнення має бути постійним, а час і підтримка — варіюватися: здобувачі проходять малі, добре послідовні одиниці та отримують корегуючий зворотний зв’язок, доки не досягнуть критерію освоєння, замість того щоб переводитися далі незалежно від того, чого вони навчилися. Переосмислення Блума робить часте [[formative-assessment]] та явне визначення компетентності центральними для навчання, і саме цю комбінацію — діагностику, зворотний зв’язок, адаптивний темп — автоматизують [[adaptive-learning]] та [[intelligent-tutoring]]. Тому AI розширює можливість реалізації підходів освоєння та загострює питання про те, чи добре відкалібрований згенерований зворотний зв’язок, щоб ним можна було сертифікувати освоєння.

## Походження та основна ідея

Освоєння матеріалу за Блумом переосмислило мету навчання від «сортування здобувачів за здібностями» до «забезпечення компетентності перед переходом далі». Там, де традиційне навчання трактує час як фіксований, а досягнення — як змінну, освоєння матеріалу інвертує це: досягнення утримується постійним, а час, зворотний зв’язок і практиці дозволяється варіюватися. Здобувачі проходять малі, добре послідовні одиниці та, що критично важливо, отримують корегуючий зворотний зв’язок, коли не дотягують до критерію освоєння, замість того щоб їх переводили далі незалежно від результатів. Це ставить [[formative-assessment]] в центр моделі — часті, низькоставочні перевірки, які діагностують, чи готовий здобувач перейти далі — і має передумовою чітке уявлення про [[assessment]], пов’язане зі спостережуваною поведінкою, а не з часом, проведеним на місці.

## Як AI впроваджує освоєння в практику

Вузьким місцем класичного освоєння матеріалу були витрати на боці викладача, пов’язані з діагностикою стану кожного здобувача та персоналізацією подальшого навчання. Сучасні AI-системи вирішують це за допомогою [[student-modeling]] та [[knowledge-tracing]]: замість єдиного агрегованого балу система підтримує динамічне уявлення про те, які компоненти знань здобувач освоїв (або не освоїв). Робота з Responsible-DKT над [[neural-symbolic-knowledge-tracing]] вбудовує явні правила освоєння в глибоку модель здобувача — повторювані правильні відповіді підвищують передбачуване освоєння, тоді як повторювані неправильні відповіді служать сильнішим сигналом неосвоєння — що дає інтерпретовані й часово надійні оцінки стану, на які можуть спиратися [[intelligent-tutoring]].

Маючи поточну модель освоєння, завдання системи стає вирішенням *що подавати далі*. [[simulation|Simulations]] стратегій відбору завдань здобувачами показують, що наївна автономія (наприклад, самовибрані завдання, уникання ризику при роботі над слабкими місцями) може спричинити суттєве надмірне тренування на складних багатокрокових задачах, тоді як цілеспрямовані системні обмеження можуть виправляти дезадаптивні стратегії з невеликими втратами для ефективних здобувачів. Саме цим компромісом мусять керувати системи [[adaptive-learning]] та [[personalized-learning]]: надавати [[agency|learner agency]] там, де вона допомагає, і водночас запроваджувати обмеження, які зберігають ефективність просування до освоєння. Такі рішення також взаємодіють із власною здатністю здобувачів регулювати свої зусилля, пов’язуючи освоєння матеріалу з [[self-regulated-learning]].

**Критичне застереження щодо виведення освоєння: правильність — це не освоєння.** [[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren, and Stamper (2026)]] показують, що здобувачі, які надмірно узагальнюють навичку — виконуючи правильні дії, пропускаючи критичне обмеження застосування, — можуть виглядати такими, що її освоїли, змушуючи правила зупинки практики на основі [[knowledge-tracing]] завершувати її до того, як вони зіткнуться з випадком, коли дію варто *утримати*. Полегшенням є оцінювати *коли утримати* дію, а не лише як її виконати: включати завдання-детектори «не діяти» перед спрацьовуванням порогу освоєння в парі з [[feedback]], який називає відсутнє обмеження. Освоєння краще розуміти як розрізнення обмежень застосування плюс виконання дії, а не лише як правильність.

**Друге застереження стосується правила доказовості за порогом.** [[crediting-assisted-work-inflates-mastery-2026|Srivastava (2026)]] прогнав чотири правила оновлення на ідентичних послідовностях подій із журналів математики ASSISTments 2012–13 — підтверджувальної половини з 12 716 здобувачів і 985 813 оцінених подій — і виявив, що оголошена кількість освоєнь рухалася за правилом, а не за здобувачами: зарахування будь-якого завершення пропускало 93,9 % із 113 428 пар «здобувач–навичка» за значення 0,95 постериора, проти 72,8 %, коли рядки з підказками чи повторними спробами спершу читалися як невдалі спроби. Пари, які поблажливе правило оголошуло освоєними раніше за суворе, далі демонстрували 70,9 % точності без допомоги проти 85,7 % там, де правила погоджувалися, що нижче базової частки 0,744. Отже, ворота прогресу, які зараховують завершення з допомогою, сертифікують здобувачів, чия подальша самостійна робота нижче середньої, що робить поводження з [[help-seeking|help]] всередині правила оновлення — а не сам числовий поріг — тим рішенням, яке визначає, що саме сертифікує знак освоєння.

## Практика, утримання в пам’яті та межі підтримки з боку AI

Освоєння залежить також від стійкого утримання в пам’яті, а не лише від однієї правильної демонстрації. Когнітивна наука про [[retrieval-spacing-interleaving|retrieval practice]] та криву забування мотивує розподіляти практику в часі після досягнення порогу освоєння. AI-системи розподіленого повторення, такі як Memdora, генерують матеріали для практики в моменті читання й пропонують таксономію когнітивно обґрунтованих форм відтворення, запланованих сучасними алгоритмами, так що досягнуте освоєння з часом підсилюється, а не втрачається за лічені години. Ці підходи спираються на [[cognitive-psychology]] та принцип [[desirable-difficulties]], щоб зробити саме зусилля відтворення частиною процесу навчання.

Нарешті, докази застерігають від припущення, що згенерована AI підтримка є рівно корисною. У дослідженні на [[governance|institutional]] AI-генерованих анімованих трасувань для програмістів-початківців користь була залежною від контексту й короткостроковою, а здобувачі з середнім рівнем [[student-engagement|engagement]] зазнали падіння продуктивності, що пояснювалося витратами на координацію — ефектом типу «реверс експертизи», який підкреслює потребу персоналізувати підтримку відповідно до поточного стану здобувача, а не застосовувати інструмент однаково до всіх. Так само континуум розвитку [[ai-literacy|AI literacy]] в [[higher-ed|higher education]] позиціонує освоєння не просто як вільно володіння AI-інструментами, але й як просування через стадії поінформованого та критичного використання, кожна зі своїми стратегіями [[formative-assessment]]. Разом ці висновки окреслюють освоєння матеріалу з підтримкою AI як систему, яку треба калібрувати під окремих здобувачів, стійко розподіляти в часі та оцінювати на справжню компетентність, а не на вільне продукування результатів.

- **Спільнокероване освоєння матеріалу є настільки ж ефективним, наскільки ефективною є стратегія відбору завдань здобувачем.** Симуляційне дослідження (1000 змодельованих здобувачів на запуск, параметри AFM і BKT, підігнані за реальними журналами MathTutor і DataShop) порівняло дев’ять стратегій відбору завдань. Ефективність варіюється на порядок: стратегія, уникаюча ризику, «Мінімізувати найгірші втрати» — вибір навички з найменшими найгіршими втратами освоєння — дає надмірне тренування 30,28x у розв’язуванні рівнянь (28,93x в інтерпретації графіків), проти 1,73 +/- 0,38 в середньому для інших стратегій. Цілеспрямовані системні обмеження виправляють це хірургічно: обмеження на відбір завдань знижують надмірне тренування до 12,88/14,46x, а упередження «Надавати перевагу складнішим» при відборі задач — до 1,98x (d Коена = 1,86) — тоді як уже ефективні стратегії залишаються незмінними. Висновок для проєктування: обмеження мають бути чутливими до стратегії, захищаючи патологічних саморегуляторів, не обтяжуючи добросовісних, а перепроєктування «спершу симуляція» уникає піддавати здобувачів 30-кратному надмірному тренуванню, щоб потім знайти виправлення. ([[noh-simulating-task-selection-2026]])

Базоване на стандартах оцінювання є оцінювальним відповідником освоєння матеріалу, і [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] називають його серед п’яти інноваційних практик, узгоджених з «оцінюванням для навчання», які могли б запроваджувати педагоги вищої освіти — проте вони виявляють його практично відсутнім у дискурсі освіти з менеджменту. Вони пояснюють це нормативними бар’єрамими: нормоорієнтоване «оцінювання за кривою», зовнішня сигналізація (рейтинги, стажування, акредитація) та інструментальне мислення здобувачів — усі вони опираються орієнтованим на освоєння, безбальним підходам. Їхня рекомендація — поступові експерименти — наприклад, уведення базованих на стандартах рубрик для окремого завдання перед масштабуванням — за підтримки координації на рівні програми та задокументованих доказів із Scholarship of [[teacher-role|Teaching]] and Learning.

## Пов’язані поняття

- [[adaptive-learning]]
- [[personalized-learning]]
- [[intelligent-tutoring]]
- [[knowledge-tracing]]
- [[student-modeling]]
- [[self-regulated-learning]]
- [[formative-assessment]]
- [[desirable-difficulties]]
- [[retrieval-spacing-interleaving]] — відтворення та розподіл у часі як рушій практики всередині циклів освоєння

## Пов’язані статті
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Деceptive overgeneralization: адаптивне освоєння може зупинити практику раніше, ніж здобувачі зрозуміють, коли варто утримати дію (An, McLaren та Stamper 2026)
- [[neural-symbolic-knowledge-tracing]] — Вбудовування правил освоєння/неосвоєння в глибоке навчання для відповідального, інтерпретованого моделювання здобувача
- [[mesny-innovative-assessment-grading-management-2026]]
- [[crediting-assisted-work-inflates-mastery-2026]] — Crediting assisted work inflates mastery: яке правило доказовості вирішує, кого оголосити таким, що освоїв (Srivastava 2026)
- [[noh-simulating-task-selection-2026]] — Симуляція стратегій відбору завдань здобувачами та системних обмежень у освоєнні матеріалу (Noh et al. 2026)

---

## [Тривожність і стрес](https://edtechdev.github.io/aied/concepts/anxiety-and-stress/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Тривожність і стрес** — негативні емоційні стани, які інтеграція ШІ може спричиняти в здобувачів і викладачів (страх бути [[legal-issues-and-risks|звинуваченим безпідставно]], стрес від спостереження, побоювання щодо власної компетентності або [[academic-integrity|доброчесності]]), разом із позитивним використанням ШІ для виявлення, моніторингу та зменшення стресу й тривожності. Це поняття лежить у ширшому сімействі [[well-being]] і перетинається з [[social-emotional-learning]] та [[affective-computing]], але називає конкретний емоційний конструкт — і його продуктивну, так само як і шкідливу, сторону, — який [[research-methods-aied|дослідження]] ШІ в освіті тепер вивчає напряму.

## Питання для роздумів

- Тривожність через ШІ — це не одне ціле: вона охоплює стрес від прокторингу, тривожність здобувача через емоції, кар’єрні страхи та ШІ, що використовується для зменшення стресу. Які з них ви відчували чи спостерігали, і чи вплинуло це на ваше навчання або викладання?
- Поширене припущення — нібито тривожність завжди погана. Але дослідження показують, що тривожність через ШІ може бути продуктивною: тривожні здобувачі перевіряють і переглядають уважніше. Чи можете ви пригадати випадок, коли ваша власна тривожність змусила вас працювати ретельніше?
- Безперервне спостереження і страх бути хибно позначеним підвищують тривожність під час тестування й можуть погіршувати результати — при цьому стрес найсильніше давиться на студентів, які не вправні в інструментах, і на тих, хто вже є вразливим. Це проблема справедливості чи просто питання комфорту?
- Кар’єрна тривожність — страх, що ШІ витіснить або знецінить ваше професійне майбутнє, — спрямована в майбутнє та лежить на рівні ідентичності. Наскільки цей страх рухає тим, як ви — або відомі вам студенти — взаємодієте зі ШІ?
- Дослідження пов’язують вищу кар’єрну адаптивність із нижчою тривожністю через ШІ й показують, що самоефективність дає лише обмежений буфер. Якщо загальної упевненості недостатньо, який саме вид підтримки справді зменшував би кар’єрну тривожність через ШІ?
- Тривожність викладацького складу щодо генеративного ШІ може віддзеркалювати раніші моральні паніки довкола калькуляторів і пошукових систем. Коли занепокоєння новою технологією є легітимним, а коли — повторюваною моделлю опору змінам?

## Вступ

Тривожність через ШІ — це не одне ціле. Вона охоплює щонайменше чотири різні напрями, кожен із власною доказовою базою: (1) **стрес, спричинений прокторингом і спостереженням за доброчесністю**, (2) **тривожність через ШІ як емоція здобувача**, яка може бути або бар’єром, або продуктивним сигналом, (3) **кар’єрна тривожність через ШІ** — страх, що ШІ витіснить або знецінить чиєсь професійне майбутнє, і (4) **ШІ як інструмент для виявлення та зменшення стресу й тривожності**. Визнання всіх цих напрямів — включно з висновком про продуктивну тривожність, що кидає виклик суто негативному фреймуванню, — є тим, що відрізняє це поняття від широкої парасольки [[well-being]].

## Прокторинг, безпідставні звинувачення та стрес від спостереження

Найяснішим і найбільш вивченим джерелом спричиненого ШІ стресу є [[remote-proctoring]]. Безперервне спостереження, страх бути хибно позначеним і тиск відчуття, що за тобою спостерігають, підвищують тривожність під час тестування й можуть погіршувати результати. Ключові дані:
- [[academic-dishonesty-automated-proctoring-ai-2026|Огляд автоматичного прокторингу]] документує **тривожність тих, хто складає тест** (особливо в тих, хто не вправний в онлайн-інструментах) і **розриви в навичках між прокторами та тими, хто складає тести, що спричиняють безпідставні звинувачення в порушеннях** — гострий стрес від несправедливого звинувачення в списуванні зі ШІ.
- Сторінка поняття [[remote-proctoring]] детально описує, як **безперервне спостереження і страх хибних позначень** підвищують тривожність під час тестування і як застресовані студенти працюють гірше — це проблема справедливості та [[ethics|чесності]], а не лише комфорту.
- Установи, що запроваджують віддалений прокторинг, мусять поєднувати моніторинг ШІ з **доступними альтернативами, чіткою комунікацією та підтримкою тривожності тих, хто складає тести**, і зважувати його проти альтернатив [[authentic-assessment|автентичного оцінювання]], що зменшують спостереження.

Цей кластер пов’язує тривожність через ШІ з [[privacy]], [[academic-integrity]] та [[equity-in-ai-education]]: стрес найсильніше давиться на студентів, які не вправні в інструментах, і на тих, хто вже є вразливим.

**Тиск, що походить від безперервного оцінювання, а не лише від спостереження.** Концептуальна рукопис 2026 року, що переосмислює рамку тривожності під час тестування з багатьма зацікавленими сторонами за Малвіноном ([[mulvenon-test-anxiety-ai-accountability-2026|Mulvenon 2026]]), стверджує, що сам стрессор змінив форму: коли оцінювання переходить від епізодичного [[summative-assessment|тестування з високими ставками]] до безперервної, багатої на дані взаємодії в [[adaptive-learning|адаптивних]] і [[learning-analytics|аналітичних]]-середовищах, гостра тривожність під час тестування може спадати, тоді як розпливчаста, тривала пильність щодо власних результатів — те, що автор називає «невидимою тривожністю», — зростає на її місці. Він називає «алгоритмічну підзвітність», що несе в собі негайність, видимість і постійність даних, механізмом, який перерозподіляє тиск, а не прибирає його, і пропонує AI-Mediated Multi-Stakeholder Anxiety Model, яка не вимірює жодного зі своїх конструктів, тому твердження про перерозподіл виводиться з літератури, а не демонструється.

## Тривожність через ШІ як емоція здобувача (бар’єр і сигнал)

Поза прокторингом саме використання ШІ генерує тривожність — через бути заміненим, через те, «чи справді твоя робота — твоя», через компетентність. Що принципово, ця тривожність **не суто негативна**:
- [[ai-anxiety-strategic-regulation-writing-2026|Kim (2026)]] виявляє, що **тривожність через ШІ може бути продуктивною**: вища тривожність через ШІ позитивно асоціювалася з поведінкою перевірки та перегляду (β = .24, p < .01), а оцінна спроможність передбачала активну [[student-engagement|взаємодію]] (β = .46, p < .001). Чотири регуляторні типи Кім (Некритична залежність 18,7%, Вибіркова інтеграція 34,6%, Оцінна трансформація 31,8%, Стратегічне відкидання 14,9%) показують, що зумовлена тривожністю уважність може перетворити студентів на більш обдуманих, саморегульованих користувачів [[generative-ai|генеративного ШІ]], а не на пасивних прихильників. Це перерамковує тривожність через ШІ з бар’єра на потенційно корисний сигнал, що спонукає до ретельнішої уважності.

Це перерамкування має межу в мовленні: серед 708 вивчаючив англійську зв’язок між тривожністю в мовленні та готовністю мовити становив −0,371 за низької самоефективності в мовленні, але +0,137 за високої, причому лише 55 учасників (7,8%) перебували вище верхнього порогу Джонсона–Неймана ([[ai-speaking-practice-communicative-readiness-2026|Wang & Li (2026)]]).
- [[acceptance-ai-english-tools-2026|Дослідження прийняття]] показують, що тривожність формує, чи засвоюють здобувачі інструменти ШІ, а [[teacher-education-ai-literacy-sdt-2026|дослідження підготовки викладачів]] пов’язує тривожність через ШІ з мотивацією та [[self-regulated-learning|саморегуляцією]].
- **Дилема розкриття.** В опитуванні 409 студентів бакалаврату комфорт із викладачами й сприймате розкриття з боку однолітків — а не моральне відчуження — були найсильнішими предикторами розкриття використання генеративного ШІ, а нерозкриття читалося як стратегічна адаптація до норм однолітків і низької інтерпретаційної довіри, а не як недбалість ([[qu-wang-disclose-or-not-genai-2026|Qu & Wang (2026)]]).
- [[aivaluate-anxiety-assessment-2026|AIvaluate]] вивчає тривожність студентів під час опосередкованого ШІ [[assessment|оцінювання на основі виконання]], показуючи, що тривожність під час оцінювання зберігається й потребує проєктування з оглядкою на неї.
- **Моральна паніка та тривожність викладачів:** [[moral-panic-genai-classroom|рамка моральної паніки]] показує, що тривожність викладацького складу щодо генеративного ШІ віддзеркалює раніші паніки (калькулятори, пошукові системи) — реакція стресу на боці [[teacher-role|викладача]], що формує політику в аудиторії.
- **«Стан уразливості» викладачів і відчуття, що «застрягли».** [[farazouli-navigating-uncertainty-teachers-genai-2026|Farazouli et al. (2026)]] фіксують сторону *викладача* в тривожності через ШІ напряму: 24 викладачі шведських університетів описували появу GAI як лякаючу й приголомшливу й повідомляли про **стан уразливості** — низьку впевненість, невпевненість і дискомфорт, зумовлені обмеженим знанням можливостей GAI, обмеженим досвідом і страхом «не випереджати студентів». Викладачі почувалися «застрягли» між утопічним і дистопічним дискурсами, обтяжені посиленою відповідальністю за [[bias-mitigation|справедливість]] і якість, і непокоїлися відчувати свою некомпетентність, оцінюючи роботи студентів, потенційно (спільно) створені зі ШІ. Це рамкує тривожність викладачів через ШІ як справжню емоційну та професійну реакцію на реконфігурацію ролі — а не як простий опір — і засвідчує потребу в підтримці впевненості та добробуту викладачів, а не лише в навчанні інструментам.
- **Версія розробника: відчуття самозванця та етичний дискомфорт.** Від академічних розробників у двої південноафриканських установах очікували, що вони втілюватимуть інституційну впевненість в інструментах, наслідки яких вони ще дошуковували («Я почуваюся самозванцем...»), одночасно фасилітуючи технології, у доречності яких сумнівалися, — афективну працю, яку авторка трактує як конститутивну, а не побічну ([[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole, 2026]]).
- **Антиципаційне почуття провини: страждання, що випереджує досвід.** [[vassallo-ai-guilt-complex-faculty-2026|Vassallo (2026)]] опитав академічний персонал університету на Мальті (109 респондентів) і виявив, що почуття провини щодо ШІ прив’язується до страху порушення, а не до його переживання: Індекс провини щодо ШІ (AI Guilt Index, α = 0,88) черпав найсильніше схвалення з побоювання, що використання ШІ підриває чиюсь довірливість (34,9%), і з почуття, ніби [[academic-integrity|списуєш]] (25,7%), тоді як розкаяння *після* використання було останнім (9,2%). Парадокс у тому, що невелика група тих, хто не користувався, повідомляла про вищу провину (M = 3,25), ніж будь-яка група користувачів (M = 2,32) — бо ті, хто уникає, ніколи не перевіряють своїх страхів, уникання може зберігати те страждання, якому мало запобігти. Провина була найвищою серед академіків на початку кар’єри (M = 2,71) і найнижчою серед старших (M = 2,03), і вона відстежувала приховування, а не чесність, корелюючи з обмеженням використання ШІ через дискомфорт (r = .62) і з униканням розкриття колегам (r = .50), але не з формальним [[ai-use-disclosure|розкриттям]] (r = .08).
- **Страх втрати професійної цінності — і шлях із нього.** [[chick-faculty-development-ethical-ai-2026|Chick, Morello & Staffey (2026)]] документують тривожність викладача, яка є екзистенційною, а не технічною. Десять викладачів і співробітників розпочали шеститижневий інститут із академічною доброчесністю як головним занепокоєнням (80%) і [[cognitive-offloading|надмірною залежністю]] другим (70%), описуючи генеративний ШІ на початку як «машину для списування», «загрозу» або «дегуманізуючу силу»; професор математики сформулював загрозу ідентичності просто — «Я роки розвивав експертизу в своїй галузі. Тепер машина може розв’язувати задачі швидше й пояснювати розв’язки краще, ніж я. Яка моя цінність тепер?» Структуроване, безпечне експериментування зрушило словник у бік «допитливого помічника» та «креативного партнера» і залишило 90%, які повідомляли про позитивні сприйняття, і автори явно стверджують, що спостережений ними опір «походить не від технофобії чи впертого традиціоналізму, а від легітимних занепокоєнь щодо освітньої якості, справедливості та людської агентності» — прямий контрвага прочитанню тривожності викладачів як простої моральної паніки.

**Інституційна підтримка діє на тривожність через оцінювання, а не через запевнення.** Двохвимірне опитування 547 студентів бакалаврату в Китаї ([[school-support-ai-learning-anxiety-control-value-2026|Jiang, Chen & Chen, 2026]]) простежувало, як сприймана підтримка школи пов’язана з тривожністю навчання через оцінки «контроль–цінність» — відчуття здобувачем власної спроможності (контроль) і корисності інструмента (цінність). Підтримка передбачала нижчу тривожність напряму, але більшість її асоціації проходила через оцінки, а не в обхід них: через самоефективність у навчанні зі ШІ, через [[technology-acceptance-model|сприйману корисність]] і через послідовний маршрут, у якому самоефективність живила корисність, яка своєю чергою знижувала тривожність. Модель першого порядку показала, що *виміри* підтримки не працювали незалежно — лише інформаційна підтримка зберегла значимий шлях до самоефективності, — а перехресна перевірка штучною нейронною мережею поставила самоефективність і сприйману корисність найстійкішими предикторами тривожності. Наслідок такий: інституційне заохочення, спрямоване на тривожність, спрацьовує лише тоді, коли воно змінює те, що студенти вірять про власну спроможність і корисність інструмента; загальні запевнення не змінюють оцінок, які генерують тривожність.

ШІ може також зменшувати академічну тривожність, просуваючи навчальні цілі, а не через запевнення: в опитуванні 721 студента медицини та експерименті з 398 учасниками вища сприймана спроможність помічника передбачала більший прогрес у навчальних цілях, який передбачав нижчу академічну тривожність і краще психічне здоров’я ([[perceived-ai-intelligence-medical-students-mental-health-2026|Chen et al. (2026)]]).

Компетентність, однак, не є повним буфером: серед 551 студентів першого курсу в Китаї заявлений студентами тиск використання ШІ послаблював зв’язок між навичками ШІ та психологічною адаптацією, причому нахил від навичок ШІ до адаптації спадав із 0,42 за низького тиску до 0,20 за високого ([[ai-enabled-course-development-first-year-adjustment-2026|Zhang & Yin (2026)]]).

**Шлях від компетентності до тривожності проходить через етику, і він може посилюватися.** Серед 584 студентів бакалаврату університету в Китаї з перевагою юридичних програм і без навчальної програми з ШІ-грамотності компетентність у ШІ не зменшувала тривожність через ШІ напряму (β = 0,056, p = .362). Вона підвищувала етичну свідомість щодо ШІ (β = 0,644, p < .001), яка своєю чергою підвищувала тривожність (β = 0,439, p < .001) — опосередкування лише непряме, через шлях, який автори гіпотетизували як захисний ([[mu-ai-competence-ethical-awareness-anxiety-2026|Mu et al. (2026)]]). Лише 22,8% варіації тривожності було пояснено. Штучна нейронна мережа на тих самих конструктах поставила прозорість першою серед предикторів і для тривожності навчання, і для тривожності заміщення роботою.

**Прогнози викладачів як розподілена форма тривожності через ШІ.** Опитування [[watson-rainie-ai-challenge-faculty-survey-2026|Watson & Rainie (2026)]] серед 1 057 викладачів коледжів і університетів США фіксує тривожність викладачів як очікування, а не як симптоми: 95% очікували, що генеративний ШІ підвищить надмірну залежність студентів від інструментів, 94% — зростання занепокоєнь щодо академічної доброчесності, 90% — зменшення [[critical-thinking|критичного мислення]], 83% — коротших проміжків уваги і 81% — ширшої [[equity-in-ai-education|цифрової нерівності]], тоді як 39% вважали, що інструменти зменшать роль викладацького складу, і 47% побоювалися, що довгостроковий вплив на зайнятість у їхніх дисциплінах буде негативним. Ті самі респонденти не були однаково песимістичними — 61% усе ще очікували покращеного та кастомізованого навчання, — але 73% особисто мали справу з випадком академічної доброчесності, пов’язаним із використанням студентами генеративного ШІ, і саме тут прогноз перетворюється на навантаження. Звіт явно є ненауковою вибіркою, що не генералізується, тому він документує висловлені страхи сектора, а не виміряні ефекти.

Цей напрям пов’язує тривожність через ШІ з [[motivation]], [[ai-literacy]], [[student-experience]] та [[self-regulated-learning]].

## Кар’єрна тривожність через ШІ

Окремий і дедалі більш вивчений вимір — **кар’єрна тривожність**, страх, що ШІ витіснить робочі місця, підірве працездатність або знецінить чиєсь професійне майбутнє. Там, де тривожність через прокторинг ситуативна, а тривожність через емоцію здобувача стосується компетентності в межах завдання, кар’єрна тривожність спрямована в майбутнє та лежить на рівні ідентичності, і вона тісно пов’язана з [[career-development-and-readiness]]. [[kim-ai-anxiety-comprehensive-analysis|Комплексний аналіз тривожності через ШІ]] визначає **страх заміщення ШІ** як головний спільник тривожності через ШІ, поряд із неконтрольованим зростанням ШІ, приватністю, дезінформацією та упередженістю. Література, що зростає, тепер кількісно вимірює, як цей страх впливає на студентів:
- **Кар’єрна адаптивність — захисний фактор.** [[wang-career-adapt-abilities-ai-anxiety-english-2026|Wang (2026)]] показує, що кар’єрні адаптаційні здібності значимо й негативно передбачають тривожність через ШІ серед студентів англійської мови, причому базові самооцінки частково опосередковують цей зв’язок; група з низькою адаптивністю мала найвищу тривожність через ШІ.

- **Загроза й сприятлива оцінка, коактивовані в одному профілі.** [[ai-attitude-latent-profiles-career-development-2026|Song et al. (2026)]] виявили групу, яка перебувала вище середнього по вибірці за всіма шістьма показниками водночас — тривожність використання ШІ 1,521 і обізнаність про STARA 0,951 поряд зі сприйнятою якістю 1,753, — тобто висока тривожність не сигналізувала про негативну оцінку технології.
- **Тривожність через ШІ погіршує кар’єрні рішення.** [[duan-ai-anxiety-career-decisions-college-2026|Duan et al.]] використовують структурне моделювання рівнянь, щоб показати, що тривожність через ШІ напряму й негативно передбачає кар’єрні рішення, і робить це значною мірою через підрив **кар’єрної адаптивності** (що дає 63,35% загального ефекту); [[self-efficacy]] давала лише обмежений буфер.

- **Мислення зростання обмежує шлях від загрози до працездатності.** Серед 526 студентів бакалаврату в Китаї сприйняття загрози заміщення ШІ передбачало вищу тривожність кар’єрного вибору частково через зниження сприйманої працездатності, і зв’язок від загрози до працездатності тримався лише за низького мислення зростання (b = −0,229) і не тримався за високого (b = −0,013) ([[ai-employment-threat-career-anxiety-2026|Chen (2026)]]).
- **Тривожність через ШІ передбачає тривожність пошуку роботи в маштабі.** [[ustun-ai-anxiety-job-finding-anxiety-2026|Üstün & Danacıoğlu]] (1 057 студентів) і [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al.]] (821 студент охороноздоровчих наук) виявляють, що тривожність через ШІ і негативні ставлення до ШІ передбачають тривожність пошуку роботи, причому найбільше зачеплені жінки, студенти соціальних наук і студенти з нижчими доходами.

**Практичний наслідок:** побудова [[career-development-and-readiness|кар’єрної готовності]] — адаптивності, базових самооцінок і цінних для роботодавців навичок ШІ — є валідованою інтервенцією для зменшення кар’єрної тривожності через ШІ, більшою, ніж сама лише загальна самоефективність. Установи мають універсалізувати [[ai-literacy]] і підтримку кар’єрного планування, а також звертати увагу на модель [[equity-in-ai-education|справедливості]] в кар’єрній тривожності.

## ШІ для виявлення та зменшення стресу й тривожності

Позитивний бік: системи ШІ дедалі частіше виявляють і допомагають зменшувати стрес і тривожність.
- [[ai-campus-wellbeing-tools|Інструменти ШІ для добробуту в кампусі]] охоплюють профілактику (покращений збір зворотного зв’язку) та інтервенцію (просування виявлення проблем психічного здоров’я).
- [[affective-text-wearable-student-health|Афективний текст + датчики на тілі]] (річне дослідження 458 студентів із кільцями Oura) показує, що надзвичайно короткий натуралістичний текст може доповнювати фізіологічне відчуття через датчики для поздовжнього моніторингу здоров’я студентів — конкретний шлях виявлення стресу за підтримки ШІ.
- Це пов’язується з [[affective-computing]] та [[affective-tutoring]], де ШІ читає емоційний стан і реагує на нього.
- **Які стрессори зважує модель — і чому контекст має значення.** [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]] пропонують вікно [[machine-learning]] на те, які стрессори справді рухають страждання студентів у [[global-south|незахідному контексті]]. Аналіз важливості ознак за 1 100 відповідями опитування ставить кров’яний тиск першим (15,6%) і **відносини між викладачем і студентом — другими (10,0%)** — попереду якості сну (9,3%), депресії (8,3%) і соціальної підтримки (7,6%), — тоді як рівень тривожності посідав дев’яте місце з 4,8%, що автори читають як доказ, що стрес студентів є багатовимірним, а не зумовленим єдиним психологічним показником. Вони приписують наочність відносин між викладачем і студентом порівняно ієрархічному освітньому середовищу в Пакистані й подають це як гіпотезу для локально зібраних даних, підкреслюючи, що моделі стресу та ваги їхніх ознак залежать від контексту й не можуть вважатися такими, що переносяться між популяціями студентів.
- **Інтервенція в реальному часі на боці викладача.** [[parlant-emotional-micro-interventions-2026|Практичний посібник Parlant]] додає людський аналог до цих інструментів ШІ: *емоційні мікроінтервенції* — короткі, навмисні вербальні чи жестові акти, які підтверджують емерджентну емоцію студента, перерамковують оцінку за нею й пов’язують боротьбу з професійною ідентичністю (Підтвердити, Перерамкувати, Зв’язати). Закріплений у теорії когнітивної оцінки, підхід націлюється на первинну оцінку («чи це загроза?») і вторинну оцінку («чи я впораюся?») у момент, коли страждання інакше припинило б залученість, поєднуючи вузькі місця, як-от фрустрація, ізоляція й синдром самозванця, із цільовими станами. Його автор прямо стверджує, що рамка не потребує ШІ; [[generative-ai|генеративний ШІ]] служить лише опційним способом підготувати кандидатні формулювання, які викладач відбирає.

## Чим це відрізняється від добробуту

[[well-being]] — це широкий позитивний стан (емоційне, психологічне, соціальне здоров’я), який ШІ може підтримувати або підривати. **Тривожність і стрес через ШІ** — це конкретний, вимірюваний емоційний конструкт у цьому просторі; він називає дискретний негативний афект і його продуктивні застосування, і він має власну спеціалізовану доказову базу (стрес від прокторингу, продуктивна тривожність через ШІ, зумовлене ШІ виявлення стресу). Замість того щоб суперничати з добробутом, ця сторінка розвиває вимір тривожності/стресу глибоко й широко перехресно пов’язується з [[well-being]], [[social-emotional-learning]], [[affective-computing]] та [[remote-proctoring]].

## Практичні рекомендації
- **Проєктуйте з оглядкою на тривожність, а не лише на доброчесність.** Системи прокторингу та моніторингу ШІ мають мінімізувати безпідставні звинувачення й стрес від спостереження, особливо для студентів-початківців і вразливих студентів; поєднуйте моніторинг із доступними альтернативами та чіткою комунікацією.
- **Використовуйте продуктивну тривожність.** Замість того щоб лише зменшувати тривожність через ШІ, підтримуйте перевірку, перегляд і само-[[regulation]], які тривожні, але залучені студенти вже демонструють.
- **Використовуйте ШІ для виявлення та зменшення стресу** — через афективні обчислення, датчики на тілі й інструменти кампусного добробуту, — водночас бережучи приватність.
- **Беріть до уваги тривожність викладачів** у впровадженні ШІ та в політиці, а не лише досвід студентів.

## Пов’язані поняття
- [[career-development-and-readiness]] — кар’єрна готовність як захисний фактор проти тривожності через ШІ
- [[well-being]] — широка парасолька, яку це поняття розвиває глибоко
- [[remote-proctoring]] — головне джерело стресу від спостереження й безпідставних звинувачень
- [[social-emotional-learning]] — емоційні компетентності, що залучені
- [[affective-computing]] — ШІ читає емоційний стан
- [[affective-tutoring]] — ШІ реагує на афект
- [[academic-integrity]] — вимір доброчесності та звинувачень у списуванні
- [[privacy]] — занепокоєння спостереженням, що лежить під стресом від прокторингу
- [[student-experience]] — тривожність як частина досвіду здобувача
- [[motivation]] — вплив тривожності на засвоєння та залученість
- [[self-regulated-learning]] — зв’язок із продуктивною тривожністю
- [[ai-literacy]] — побудова спроможності, що зменшує необґрунтовану тривожність
- [[equity-in-ai-education]] — непропорційний стрес у вразливих студентів
- [[ethics]] — справедливість спостереження й безпідставних звинувачень
- [[teacher-role]] — тривожність на боці викладача
- [[assessment]] — тривожність оцінювання, опосередкованого ШІ
- [[social-norms-ai-use]] — афективна ціна видимості

## Пов’язані статті
- [[mu-ai-competence-ethical-awareness-anxiety-2026]] - Компетентність підвищує етичну свідомість, етична свідомість підвищує тривожність через ШІ: опосередкування лише непряме серед 584 студентів
- [[ai-anxiety-strategic-regulation-writing-2026]] — Тривожність через ШІ як продуктивний сигнал стратегічної регуляції
- [[aivaluate-anxiety-assessment-2026]] — Тривожність студентів в оцінюванні на основі виконання, опосередкованому ШІ
- [[ai-campus-wellbeing-tools]] — Інструменти на основі ШІ для кампусного добробуту
- [[affective-text-wearable-student-health]] — Афективний текст і датчики на тілі для здоров’я студентів
- [[academic-dishonesty-automated-proctoring-ai-2026]] — Автоматичний прокторинг, тривожність тих, хто складає тести, безпідставні звинувачення
- [[automated-online-exam-proctoring-decade-review-2026]] — Декількадесятілітній огляд автоматичного прокторингу іспитів
- [[moral-panic-genai-classroom]] — Тривожність викладацького складу та моральна паніка щодо генеративного ШІ
- [[acceptance-ai-english-tools-2026]] — Тривожність формує прийняття інструментів ШІ
- [[teacher-education-ai-literacy-sdt-2026]] — Підготовка викладачів, ШІ-грамотність і тривожність
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]] — Використання ШІ, переплетене з тривожністю, довірою, упевненістю
- [[qu-wang-disclose-or-not-genai-2026]] — Дилема розкриття як джерело стресу студентів
- [[kim-ai-anxiety-comprehensive-analysis]] — Комплексний аналіз тривожності через ШІ та інтервенцій
- [[wang-career-adapt-abilities-ai-anxiety-english-2026]] — Кар’єрні адаптаційні здібності зменшують тривожність через ШІ
- [[duan-ai-anxiety-career-decisions-college-2026]] — Тривожність через ШІ погіршує кар’єрні рішення через кар’єрну адаптивність
- [[ustun-ai-anxiety-job-finding-anxiety-2026]] — Тривожність через ШІ і ставлення передбачають тривожність пошуку роботи
- [[dag-ai-perceptions-career-anxiety-health-2026]] — Тривожність через ШІ передбачає тривожність пошуку роботи в охороноздоровчих науках
- [[farazouli-navigating-uncertainty-teachers-genai-2026]] — Досвід і сприйняття викладачів університетів щодо GAI: уразливість, переосмислення оцінювання, навчання студентів під ризиком (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]] — Сприймана підтримка школи знижує тривожність навчання зі ШІ здебільшого через оцінки «контроль–цінність» (69,5% опосередковано); перехресна перевірка ШНМ (Jiang, Chen & Chen 2026)
- [[vassallo-ai-guilt-complex-faculty-2026]] — Комплекс провини щодо ШІ: антиципаційна провина перевершує постфактумне розкаяння серед академічного персоналу (Vassallo 2026)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — Опитування AAC&U/Elon серед 1 057 викладачів США: прогнози надмірної залежності, занепокоєння доброчесністю та зменшеної ролі викладацького складу (Watson & Rainie 2026)
- [[chick-faculty-development-ethical-ai-2026]] — Від страху до допитливості: шеститижневий інститут для викладачів, що проводить їх через загрозу ідентичності (Chick, Morello & Staffey 2026)
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Відчуття самозванця й етичний дискомфорт академічних розробників як афективна праця в опосередкованій ШІ роботі
- [[parlant-emotional-micro-interventions-2026]] — Емоційні мікроінтервенції в реальному часі на боці викладача, закріплені в теорії когнітивної оцінки

- [[ai-employment-threat-career-anxiety-2026]] — Загроза заміщення ШІ та тривожність кар’єрного рішення: сприймана працездатність опосередковує, мислення зростання модерує
- [[ai-enabled-course-development-first-year-adjustment-2026]] — Тиск використання ШІ послаблює зв’язок між навичками ШІ та адаптацією студентів першого курсу
- [[ai-attitude-latent-profiles-career-development-2026]] — Профіль, високий і за тривожністю через ШІ, і за сприйнятою якістю ШІ, а не за чимось одним
- [[ai-speaking-practice-communicative-readiness-2026]] — Зв’язок тривожності в мовленні з готовністю спілкуватися змінює напрямок за високої самоефективності в мовленні
- [[perceived-ai-intelligence-medical-students-mental-health-2026]] — Сприйманий інтелект помічника ШІ знижує академічну тривожність через прогрес у навчальних цілях (студенти медицини)

---

## [Досвід здобувача](https://edtechdev.github.io/aied/concepts/student-experience/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Досвід здобувача** — як здобувачі сприймають, взаємодіють з інструментами ШІ в навчальних середовищах і як ті їх зачіпають. З понад 85 статтями в базі знань досвід здобувача є одним із найбільш досліджених вимірів [[ai-education|ШІ в освіті]]. ШІ впливає на здобувачів як у позитивному, так і в негативному напрямі, і той самий інструмент може і допомагати, і шкодити залежно від того, як його проєктовано і використовують.

## Питання для роздумів

- Сторінка стверджує, що ШІ впливає на здобувачів як у позитивному, так і в негативному напрямі, часто одночасно — той самий інструмент може і допомагати, і шкодити залежно від дизайну та використання. Чи можете ви навести приклад із власного досвіду, де ШІ одночасно допоміг і нашкодив?
- Вона описує «прогалину між продуктивністю та навчанням»: здобувачі справляються краще зі ШІ, але гірше з пізнішими завданнями без допомоги. Як ви думаєте, звідки береться ця прогалина, і що потрібно, щоб її закрити?
- Якщо надмірна залежність від ШІ означає делегування міркування, яке вам насправді потрібно відпрацьовувати, де б ви провели межу між закономою допомогою і розвантаженням, що роз’їдає навчання?
- [[research-methods-aied|Дослідження]] запитують, чи просто знання про доступність ШІ змінює зусилля здобувача. Як ви думаєте, обізнаність про ШІ змушує здобувачів працювати напруженіше, менш напружено чи інакше — і як би ви перевірили свою думку?
- Беручи до уваги, що доступ до ШІ та його ефективність змінюються між популяціями здобувачів, які занепокоєння щодо справедливості, на вашу думку, є найважливішими, коли курс упроваджує інструмент ШІ, і хто відповідає за їх вирішення?

## Вступ

### Як досліджується досвід здобувача

- **Масштабні опитування:** [[ai-in-the-wild-college|ШІ в природі]] аналізує автентичні взаємодії тисяч студентів коледжів, тоді як [[genai-availability-grades-satisfaction|дослідження доступності та задоволеності]] корелюють доступ до ШІ з результатами здобувачів. Це [[self-report-measures|міри самозвіту]]: вони добре фіксують сприйняття та наміри, а поведінку лише приблизно.
- **Невикористання — це обдумана позиція, а не прогалина, яку треба закрити.** Міжустановче опитування Великобританії з 7 087 студентів виявило, що 32% не використовували GenAI для навчання взагалі, причому ті, хто не використовує, посилалися на бажання робити роботу самому (86%), неточність (81%) та етичні або екологічні занепокоєння ([[genai-student-experiences-uk-he-survey-2026|Гоу і співавтори, 2026]]).
- **Закономірності взаємодії:** [[tracing-genai-literacy-interaction-patterns|відстеження грамотності в GenAI]] відображає, як здобувачі залучаються зі ШІ в межах завдань. [[misiejuk-cognitive-offloading-prompting-2026|Аналіз підказок]] розкриває рівні когнітивної залученості через структуру підказок.
- **Мотивація та агентність:** [[ai-availability-student-motivation|доступність ШІ та мотивація]] досліджує, чи змінює знання про доступність ШІ зусилля здобувача. [[aied-unfinished-mission-bypass|Незавершена місія AIED]] обрамлює [[agency]] та [[motivation]] як центральні виклики.
- **Сприйняття та ставлення:** [[genai-usage-design-students-survey|опитування щодо використання GenAI]] та [[student-mental-models-genai|дослідження ментальних моделей]] досліджують, як здобувачі розуміють і довіряють ШІ.
- **Виміри справедливості:** досвід здобувача перетинається з [[equity-in-ai-education]] — доступ до ШІ та його ефективність змінюються між популяціями здобувачів.

## Як ШІ впливає на здобувачів

ШІ впливає на здобувачів у когнітивних, мотиваційних, [[affective-computing|афективних]], ідентичнісних, соціальних вимірах та вимірах справедливості. Дослідження вказують на **позитивні та негативні впливи в кожному вимірі**, часто одночасно — напрямок залежить від дизайну та використання.

### Когнітивні впливи

- **Позитивний:** ШІ може [[scaffolding|скаффолдити]] навчання через [[feedback]], підказки та пояснення, підтримуючи розуміння, практику та [[help-seeking]]. Здобувачі можуть використовувати ШІ, щоб [[ai-literacy|навчитися добре використовувати ШІ]], а добре проєктовані інструментри змушують здобувача виконувати когнітивну роботу (див. [[does-ai-help-students-learn|Does AI help students learn?]]).
- **Негативний:** ШІ може підганяти [[cognitive-offloading|надмірну залежність та когнітивне розвантаження]], де здобувачі делегують міркування, яке їм потрібно відпрацьовувати. Це **прогалина між продуктивністю та навчанням**: здобувачі справляються краще *зі* ШІ, але гірше з пізнішими завданнями без допомоги (див. [[ai-misuse-learning-harm|AI Misuse and Learning Harm]]). Надмірне використання може також роз’їдати [[metacognition]] та [[self-regulated-learning]].

### Мотиваційні впливи

- **Позитивний:** ШІ може підвищувати [[motivation]] та [[student-engagement|залученість]], надаючи персоналізовану, негайну та неризиковану підтримку — допомагаючи здобувачам бути наполегливими і почуватися компетентними (див. [[self-determination-theory|перспективи самодетермінації]] щодо автономії, компетентності та пов’язаності).
- **Негативний:** Знання про доступність ШІ може знижувати зусилля здобувача та мотивацію продуктивно боротися ([[ai-availability-student-motivation|доступність ШІ та мотивація]], [[wang-safety-gap-productive-struggle-2026|прогалина безпеки]]). Надмірна залежність може роз’їдати [[agency]] та почуття досягнення, що походить від виконання роботи самому.

### Афективні впливи та впливи на благополуччя

- **Позитивний:** ШІ може пропонувати допомогу без тиску, на вимогу, і знижувати тривожність від постановки запитань, підтримуючи [[well-being]] та упевненість.
- **Негативний:** Використання ШІ пов’язане з [[anxiety-and-stress|тривожністю та стресом]], включно зі страхами бути заміненим, невизначеним оцінюванням і тиском не відставати. Дослідження, такі як [[kim-ai-anxiety-comprehensive-analysis|всеосяжний аналіз тривожності щодо ШІ]] та [[aivaluate-anxiety-assessment-2026|AIvaluate]], документують ці афективні витрати. [[shame-guilt-ai-regulation-computing-education|Сором і почуття провини]] навколо використання ШІ можуть підганяти приховування та вибіркове розкриття, шкодячи чесній залученості та [[social-emotional-learning|соціально-емоційному]] благополуччю. Ці тиски є локальними та соціальними, а не записаними: див. [[social-norms-ai-use|соціальні норми використання ШІ]]. Умови оцінювання додають власного тиску: [[harerimana-remote-proctoring-nursing-scoping-2026|огляд дистанційного прокторингу в оцінюванні медсестринства]] виявляє, що здобувачі тривожаться через зв’язок і через несправедливе звинувачення в обмані, а користувачі застосунку нагляду, які використовують його вперше, описують його як такий, що викликає тривожність, і повідомляють про труднощі з концентрацією, коли за ними спостерігають, і приблизно кожен п’ятий стикається з відмовами розширення браузера або збоями зв’язку, незважаючи на підготовчі ресурси.

### Впливи на ідентичність

- **Позитивний:** ШІ може підтримувати [[learner-identity|формування ідентичності]], скаффолдячи дисциплінарну належність, упевненість та професійні прагнення — наприклад, допомагаючи здобувачам бачити себе здатними практиками.
- **Негативний:** ШІ може загрожувати [[learner-identity|ідентичності здобувача]] через втрату авторства та сумнів у компетентності — коли ШІ створює роботу, здобувачі можуть перестати відчувати її «своєю». [[t2i-competence-paradox-2026|Парадокс компетентності]] в творчих галузях показує, як легкість використання підриває засновану на ремеслі ідентичність, яку здобувачі черпають із авторства.

### Впливи на академічну доброчесність і справедливість

- **Негативний:** ШІ уможливлює нові форми [[academic-integrity|академічної нечесності]] (згенеровані ШІ есе, несанкціоноване виконання), підганяючи дебати про [[reduce-ai-cheating|виявлення та зниження]]. Це взаємодіє з [[equity-in-ai-education|справедливістю]]: нерівний доступ до інструментів ШІ та розуміння їх можуть розширювати прогалини між здобувачами.
- **Позитивний/конструктивний:** ШІ може підтримувати [[authentic-assessment|автентичне]], [[process-oriented-assessment|процесно-орієнтоване]] оцінювання та рефлексивну практику (наприклад, [[pedlow-genai-selfassessment-2026|кероване самооцінювання]]), перетворюючи занепокоєння щодо доброчесності на можливості для [[ai-literacy]] та відповідальності.

Розповіді здобувачів про доброчесність є менш встановними, ніж припускає обрамлення нечесності. [[mulisa-students-genai-integrity-perspectives-2026|Муліса та Мезгебу (2026)]] інтерв’ювали 27 студентів ефіопського університету і виявили студентське середовище, розділене проти себе: майже всі використовували GenAI або бачили, як його використовують однокурсники, і більшість приписували йому підвищення їхнього досягнення, меншість називала використання в курсових роботах просто порушенням, а найгострішою і найширше поширеною скаргою була справедливість — користувачі ШІ набирають більше, ніж здобувачі, які працюють чесно, що деякі описували як вбивання їхнього почуття старанності, і залишило одного учасника невпевненим, «чи ми отримуємо вигоду, чи страждаємо від використання ШІ». Процедуальна сторона також має значення: [[munoz-misconduct-allegation-evidence-2026|Муньйос і співавтори (2026)]] закодували 1 162 справи GenAI-порушень і виявили, що найчастіше цитовані докази — вихід детектора, звіти про схожість, типові для ШІ закономірності змісту — несли найслабшу доказову цінність, і що за відсутності мінімального порогу доказовості в конвеєрі здобувачів із тонкими справами підганяли до апеляцій. Надмірно широкі дефініції розширюють цю експозицію: [[wright-transcription-not-generation-2026|Райт (2026)]] показує, що заборони, спрямовані на «[[generative-ai|генеративний ШІ]]», можуть ловити інструменти, які лише перетворюють формат роботи, яку здобувач уже створив, — надмірне включення, яке найтяжче падає на здобувачів з інвалідністю та тих, хто піддається впливу [[equity-in-ai-education|нерівності]]. [[sharma-judgment-visible-genai-assessment-2026|Шарма (2026)]] вказує конструктивний вихід, трактуючи доброчесність як [[pedagogy|педагогічну]] практику, втілену через [[evaluative-judgment|судження]] — анотовані стежки рішень, верифікацію, усний захист, історію версій, — а не відповідність, забезпечену через нагляд.

Верифікація може змінити те, як здобувачі переживають це запитання: прохання спочатку пояснити свою роботу читалося як звинувачення, але коли програма курсу обрамила його заздалегідь як педагогіку, а не нагляд, вони розкривали використання ШІ відкритіше і трактували завдання як навчальні завдання, у розмовах по п’ять-десять хвилин ([[best-response-student-ai-dialog-2026|Мандернах, 2026]]).

### Соціальні та реляційні впливи

- **Позитивний:** ШІ може опосередковувати [[collaborative-learning|співпрацю]] та [[student-ai-interaction|взаємодію люди зі ШІ]], підтримуючи командна робота, взаємодію однокурсників та доступ до різноманітних перспектив.
- **Негативний:** ШІ може знижувати справжню взаємодію з однокурсниками та викладачем, створювати [[ai-sycophancy|підлабузницькі]] динаміки і — коли діє як нерозкритий учасник команди — переформовувати груповий дискурс та [[agency]] способами, які здобувачі не можуть побачити або оскаржити (див. [[jin-emergent-learner-agency-implicit-hai-2026|емерджентна агентність здобувача в імпліцитному HAI]]).

### Довгострокові впливи на здібності

- **Позитивний:** ШІ може допомогти здобувачам будувати переносні навички для робочого місця з інтегрованим ШІ — [[lodge-adaptive-capabilities-genai-future-2026|адаптивні здібності]], такі як [[ai-literacy]], [[distributed-cognition]] та [[metacognition]] — і підвищувати очікування щодо готовності навичок ШІ ([[ithaka-sr-ai-skills-college-graduates-2026|очікування навичок ШІ для випускників]]).
- **Негативний:** Надмірно залежний або нерефлексивний досвід ШІ може залишити здобувачів менш здатними виконувати роботу без ШІ, менш практикованими в незалежному міркуванні та невпевненими у власних здібностях (див. [[ai-misuse-learning-harm|зловживання ШІ та шкода навчанню]]).

**Загалом:** той самий інструмент ШІ може підтримувати або підривати здобувачів залежно від дизайну та використання. Захисною мірою упродовж усієї сторінки є збереження когнітивно важливої роботи за здобувачем, використовуючи ШІ для підтримки ([[scaffolding|скаффолдити, а не заміщати]]), і звернення уваги на повний діапазон впливів — не лише на продуктивність. Одна конфігурація зрушує те, де починається досвід: коли ШІ генерує самі читання для курсу, а не допомагає з домашніми завданнями, здобувачі стають аудиторами власної [[curriculum-design|навчальної програми]]. У курсі для аспірантів [[sidorkin-ai-generated-course-readings-2026|Сидоркіна (2026)]] здобувачі цінували контекстну специфічність і регульованість згенерованих текстів, і 75 відсотків погодилися, що навчилися більше, ніж на порівнянному курсі без ШІ-супутника, проте їм доводилося виводити якість джерела з контексту, бо посилання на Вікіпедію та рецензовані цитати з’являлися в тих самих списках без позначок, а четверо з 24 опитаних використовували мову залежності, включно з одним, який описав себе як «дещо співзалежного від ШІ заради впевненості та структури».

Найдовгостроковіші результати, яких зазнає здобувач, — чи повернеться він наступного семестру, накопичить кредити і закінчить навчання, — є інституційними, а не інструкційними, і [[student-support-and-success]] відстежує, як на них впливає підтримка зі ШІ: завершення завдань рухається легко, збереження та закінчення — набагато менше.

## Зв’язки

Досвід здобувача пов’язаний з [[cognitive-offloading|надмірною залежністю]] (надмірна залежність від ШІ), [[ai-literacy]] (навички для ефективного використання), [[cognitive-offloading]] (як ШІ змінює когнітивну роботу) та [[student-engagement|залученістю]] (як системи ШІ вимірюють і реагують на поведінку здобувача). Він є зверненим до здобувача членом узагальнення [[stakeholders]] і домівкою для узагальнення всіх способів, якими ШІ впливає на здобувачів.

## Пов’язані поняття
- [[learners]] — Здобувачі: узагальнення для понять на боці здобувача
- [[pedagogical-partnerships]] — Педагогічні партнерства
- [[learner-identity]] — еволюційні дисциплінарні, професійні, творчі та академічні ідентичності здобувача
- [[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]] — Узагальнення: люди та аудиторії в освіті зі ШІ (здобувачі, викладачі, дизайнери, адміністратори, політики)
- [[self-report-measures]]
- [[student-engagement]] — як системи ШІ вимірюють і реагують на поведінку здобувача
- [[social-norms-ai-use]] — як використання ШІ стає видимим для однокурсників
- [[student-support-and-success]] — інституційна сторона підтримки: що університет робить для здобувачів, а не що відбувається в курсі

## Пов’язані статті
- [[shame-guilt-ai-regulation-computing-education]] — Сором і почуття провини як соціальні регулятори використання ШІ
- [[t2i-competence-paradox-2026]] — Парадокс компетентності: творча ідентичність у використанні генеративного ШІ «текст-в-зображення»
- [[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]] — Раціоналізація здобувачами використання ШІ в академічному письмі (Кім і співавтори, 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]] — Очікування навичок ШІ для випускників коледжів проти інституційної готовності
- [[student-ai-inquiry-types-cs2-2026]] — Аналіз типів звернень у взаємодії здобувача зі ШІ
- [[lnenicka-secondary-students-genai-stem-2026]] — Що здобувачі середньої школи роблять із інструментами GenAI у STEM
- [[dai-chatbots-problem-posing-primary-2026]] — Чатботи GenAI та формулювання проблем у природничій науці початкової школи
- [[bassett-ai-detectors-education-2026]] — Герб — ми виграли, решка — ви програли: детектори ШІ в освіті (Бассет і співавтори, 2026)
- [[wang-safety-gap-productive-struggle-2026]] — Прогалина безпеки: відновлення продуктивної боротьби
- [[aivaluate-anxiety-assessment-2026]] — AIvaluate: оцінювання тривожності здобувачів з доповненням LLM (2026)
- [[kim-ai-anxiety-comprehensive-analysis]] — Всеосяжний аналіз тривожності щодо ШІ
- [[student-perceptions-ai-study-productivity-2026]] — Сприйняття здобувачами інструментів штучного інтелекту для продуктивності навчання та навчання: дослідницьке опитувальне дослідження
- [[teo-ai-adoption-tertiary-meta-analysis-2026]] — Перспектива впровадження в постакадемічній освіті
- [[pedlow-genai-selfassessment-2026]] — Підвищення етичної обізнаності про використання GenAI через самооцінювання здобувача
- [[dollinger-equitable-assessment-ai-2026]] — Справедливе оцінювання в епоху ШІ
- [[longitudinal-ai-usage-ethics-policy-teacher-education-2026]] — Поздовжнє використання GenAI, етика та політика в освіті викладачів (Паркер і співавтори, 2026)
- [[genai-use-usefulness-student-experience-australia-2026]] — Досвід здобувача корисності GenAI в австралійській вищій освіті (Чун і співавтори, 2026)
- [[genai-decision-capability-cognitive-load-2026]] — GenAI і сприйнята здібність до рішень у здобувачів (оповідь про когнітивне навантаження)
- [[genai-professionalization-metaphors-2026]] — Концептуалізації GenAI та професіоналізація здобувачів
- [[sidorkin-ai-generated-course-readings-2026]] — Здобувачі як аудитори власної згенерованої ШІ навчальної програми (Сидоркін, 2026)
- [[mulisa-students-genai-integrity-perspectives-2026]] — Здобувачі про те, чи є GenAI інструментом обману чи партнером із навчання
- [[munoz-misconduct-allegation-evidence-2026]] — Що файли звинувачень у порушеннях насправді містять як докази
- [[wright-transcription-not-generation-2026]] — Надмірно широкі правила ШІ та здобувачі, яких вони ловлять
- [[sharma-judgment-visible-genai-assessment-2026]] — Доброчесність як оцінювальне судження, а не відповідність
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Емоційні витрати та витрати на справедливість дистанційного прокторингу для здобувачів

---

## [Підтримка та успішність здобувачів](https://edtechdev.github.io/aied/concepts/student-support-and-success/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Підтримка та успішність здобувачів** — інституційна робота з допомоги здобувачам залишатися, просуватися та закінчувати навчання: **консультування, адміністративна допомога, комунікаційний охоплення, направлення та розподіл дефіцитної підтримки**. Це сторінка про те, що установи *роблять для* здобувачів, а не про те, що відбувається *всередині* курсу. [[higher-ed|Вища освіта]] є ширшим узагальненням для сектору, а [[student-experience]] охоплює, як ШІ впливає на власний досвід здобувача; [[learning-gains]] вимірює, чи відбулося навчання. Характерна знахідка цієї бази знань полягає в тому, що підтримка зі ШІ надійно рухає **завершення завдань** — датовану, бінарну дію, якою здобувач керує і яку установа може спостерігати, — залишаючи **збереження, кредити та закінчення навчання** значною мірою недоторканими. Розділення цих результатів є суттю цієї сторінки.

## Питання для роздумів

- Який результат ви намагаєтетеся рухати? Нагадування про реєстрацію та програма збереження — це різні втручання з різними доказами, і дослідження тут припускають, що одне не купує інше.
- Якщо модель позначає здобувача як такого, що під ризиком, що відбувається далі? Хто діє, з якою потужністю, і що зробило б рекомендацію здійсненною, а не лише точною?
- Потужність підтримки є обмеженою. Коли ШІ її ранжує або розподіляє, що це робить із здобувачами, яких людський консультант помітив би однаково?
- Хто несе відповідальність, коли автоматизоване повідомлення, направлення або оцінка ризику є хибними? Здобувач бачить наслідок; установа володіє системою.
- Чи мандрують ваші дані підтримки? Обмін між офісами — це те, що робить націлювання можливим, і водночас найпоширеніша причина, чому націлювання тихо припиняється.

## Вступ

Підтримка здобувачів сидить на інституційному боці стосунків. Її робота — консультування, комунікаційний охоплення, направлення та розподіл обмеженої людської та фінансової потужності; її база доказів — адміністративні записи, події реєстрації, набранні кредити та те, чи повертається здобувач. Генеративний ШІ увійшов на цю територію пізніше, ніж у викладання, і багато літератури тут стосується **негенеративних** систем — текстових чатботів, моделей раннього попередження, федеративного прогнозування ризику, — тоді як генеративні інструменти приходять як консультанти, асистенти та відповідачі бази знань.

Розрізнення, що організовує цю сторінку, — між **те, що може зробити підштовхування** і **те, що потребує траєкторія**. Технології підтримки вирізняються в датованому, бінарному рішенні: зареєструватися до цієї дати, заповнити цю форму, розпочати Early Start. Вони значно важче справляються з накопичувальними результатами — збереженням, кредитами, закінченням навчання, — які формують викладання, фінанси, зайнятість, сімейні обставини та попередня підготовка. Найсильніші докази бази знань про це походять із чотирирічної рандомізованої оцінки, яка різко рушила реєстрацію і взагалі не рушила закінчення навчання.

## Функції підтримки

Дослідження групується в п’ять функцій, і межі цих груп мають значення, бо вони несуть різні докази.

**Комунікаційний охоплення та комунікація.** Установи надсилають повідомлення здобувачам у масштабі, і найсильніші оцінки перевіряють, чи це що-небудь змінює. Чотирирічне рандомізоване дослідження CSUNny, негенеративного текстового чатбота в California State University, Northridge, стежило за двома когортами студентів (N = 8 708) через вісім семестрів ([[mata-sustaining-ai-enabled-student-support-2026|Мата, Расселл і Пейдж, 2026]]). Нагадування про реєстрацію, надіслане 31 липня 2018 року, зробило оброблених здобувачів на 34 процентних пункти більш схильними зарахуватися до 16 серпня і лише на 2 пункти більш схильними до 15 вересня; нагадування Early Start дали на 11 пунктів більше реєстрацій до 7 червня і на 20 пунктів до 22 червня. Сприйнятливість трималася: річні частки відмов від підписки ніколи не перевищували 4%. Заздалегідь зареєстрований багатосеместровий випробування в Georgia State University підштовхувало здобувачів у двох великих асинхронних курсах (N = 1 568 і N = 915) двома-трьома настроєними повідомленнями на тиждень, підвищуючи шанси отримати оцінку A або B на чотири процентні пункти проти 61% контрольної групи та зміщуючи частки DFW приблизно на три пункти в кожному курсі ([[chatbot-outreach-course-performance-2026|Мейєр і співавтори, 2026]]).

**Консультування та академічне планування.** Прогнозування курсів і оцінок постачає вхідні дані для планування — одна модель спільно передбачає, які курси здобувач обиратиме, і які оцінки він отримає ([[trace-course-grade-prediction-2026|Савала, 2026]]), а інша передбачає прогрес на рівні модулів у великих онлайн-курсах програмування за допомогою власне інтерпретованого дерева рішень ([[zhang-ml-student-progress-programming-2026|Чжан, Джеффріс і Коприньска, 2026]]). Переведення кредитів є проблемою консультування сама по собі: CourseGraph моделює зміст курсів як графи знань, щоб оцінювати еквівалентності зовнішніх курсів для мобільних здобувачів ([[coursegraph-cs-course-comparison-2026|Ніждам і співавтори, 2026]]). На інституційному рівні огляд 155 досліджень ШІ та надання послуг у вищій освіті виявив аналітику навчання найпоширенішим застосуванням — 46 досліджень (29,7%), попереду чатботів і віртуальних асистентів — 31 (20,0%) та предиктивної аналітики — 29 (18,7%) ([[ai-higher-ed-service-delivery-systematic-review-2026|Ньямбога, 2026]]).

**Направлення та розподіл підтримки.** Прогнозування — це не план, і прогалина між ними є місцем найгострішої критики поля. SC2R формалізує її як **прогалину здійсненості**: оцінка ризику стає підтримкою рішень лише тоді, коли її рекомендації є семантично здійсненними та машинно перевірюваними — обмеженими часанням, бюджетом, незмінністю та доступністю, а не просто валідними за моделлю ([[sc2r-counterfactual-recourse-educational-2026|Ле, Абель і Лафорж, 2026]]). Чи можуть моделі розподіляти підтримку добре, є емпірично оспорюваним: коли попросили рекомендувати плани підтримки для 4 500 синтетичних віньєток здобувачів, три LLM показали обмежену чутливість до потреб здобувача та різку неузгодженість між моделями ([[lopez-pernas-llm-appropriate-student-support-2026|Лопес-Пернас і співавтори, 2026]]).

**Доступ до академічної підтримки.** Системи вилучення, специфічні для курсу, націлені на здобувачів, які найменш схильні запитати людину. Beacon, побудований із затверджених матеріалів одного модуля програмування, набрав високих оцінок релевантності (89%) і був розглянутий більшістю здобувачів як такий, що підтримує, а не заміщає їхнє навчання (66,7%), в невеликій оцінці зі 15 здобувачів і 4 академіків ([[course-specific-rag-help-seeking-higher-ed-2026|Чжоу і співавтори, 2026]]). Відгук на тьюторінг є власною проблемою: дворічне рандомізоване випробування шару віртуального тьюторінгу для здобувачів, які мають труднощі, мусило перевіряти відгук окремо від навчання, бо досягти здобувачів, які потребують підтримки, не є тим самим, що надати її ([[virtual-tutoring-computer-assisted-learning-takeup-2026|Фраєр і співавтори, 2026]]).

**Адміністративна допомога.** Лідерство та адміністрування досліджуються як власна галузь застосування, із таксономією з десяти доменів, що відображає, куди ШІ потрапляє в освітнє лідерство ([[sposato-ai-educational-leadership-taxonomy-2025|Спосато, 2025]]). Послуги, що їх надає установа, виходять за межі консультування в охорону здоров’я: інтегрована рамка кампусного благополуччя поєднує превенцію — поліпшення того, як збирається зворотний зв’язок — із втручанням через виявлення психічного здоров’я ([[ai-campus-wellbeing-tools|Тан, 2026]]). Сертифікація сидить поруч: коли агент може завершити курс від імені здобувача, сертифікат, який каже «набуто», втрачає своє значення, що перетворює записи про завершення на проблему дизайну ([[credentials-carry-evidence-ai-agents-2026|Шрівастава, 2026]]).

## Від прогнозування до підтримки

Прогнозування ризику — системи раннього попередження, моделі відпливу, класифікатори ризику — є територією **[[learning-analytics]]** в цій базі знань, і ця сторінка трактує *предиктивну аналітику* як те саме. Робота з моделювання є суттєвою: навчані класифікатори ідентифікують здобувачів до відпливу з записів академічної продуктивності, демографічних даних і записів про зарахування ([[at-risk-students-ml-prediction|Ґейсарі і Саларян, 2026]]); двокомпонентна рамка поєднує поведінкові логи Codeforces (n = 1 816) з даними психографічного опитування з десяти університетів, щоб прогнозувати відплив у конкурентному програмуванні ([[predicting-attrition-competitive-programming|Алам і співавтори, 2026]]); і федеративна архітектура прогнозує продуктивність та відплив між установами без обміну сирими даними здобувачів, досягаючи AUC = 0,918 на OULAD проти 0,925 у централізованого ([[villegas-ch-federated-explainable-learning-analytics-2026|Вілєгас-Ч і співавтори, 2026]])). Бачення точної освіти розширює цю логіку на цифрових близнюків здобувачів та «превентивну успішність здобувачів» ([[precision-education-student-digital-twins-2026|Хан і співавтори, 2026]]).

Те, що належить *сюди*, — це крок після оцінки: **розподіл підтримки**. Дві знахідки задають його межі. По-перше, розділення ранжування та калібрування — федеративні моделі ризику зберігали свій AUC за розподільчим зрушенням, тоді як їхня калібровка суттєво деградувала, тож модель, яка все ще ранжує здобувачів правильно, може помилятися щодо того, наскільки кожен із них ймовірно потребує допомоги. По-друге, дослідження енейблерів: міжнародний аналіз Delphi і AHP/SNAP переходу від аналітики навчання до втручання ідентифікував сім енейблерів і ранжував **інституційну стратегічну орієнтацію** найвищою (пріоритет 0,2072) і найбільш впливовою на інші (PageRank 0,2430), розміщуючи вузьке місце в інституційному плануванні, а не в моделях ([[learning-analytics-to-educational-interventions-2026|Светец, Дивяк і Кадоїч, 2026]])). Поведінкове кластеризування 14 003 записів здобувачів у шість профілів, відображених на рекомендовані об’єкти навчання, є шаром рекомендацій, на який це вказує ([[najem-behavioral-clustering-adaptive-learning-recommendation-2026|Найєм і співавтори, 2026)]]).

Результат доброчесності приєднується до того самого конвеєра. [[akcapinar-ai-cheating-risk-lms-prediction-2026|Акчапінар (2026)]] прогнозує ризик обману з допомогою ШІ зі слідів LMS початку семестру (AUC 0,763) і рекомендує діяти за ним лише через комунікаційний охоплення із низькими ставками, з порогом рішення, обраним заради охоплення, а не звинувачення: знизивши його до 0,30, ідентифікувалося 21 із 23 здобувачів високого ризику за точності 60%.

## Драбина результатів: що кожна міра насправді означає

Слово «успішність» ховає принаймні п’ять різних вимірювань, і підтримка зі ШІ не рухає їх однаково. Розрізнення їх є найкориснішою річчю, яку може зробити ця сторінка.

- **Завершення завдання** — це єдина, датована, бінарна дія, якою здобувач керує і яку установа спостерігає протягом днів, — реєстрація до кінцевого терміну, подання форми, зарахування в Early Start. Саме тут підштовхування працює, і ефекти можуть бути великими та негайними (34 процентних пункти, потім 2, у нагадуванні про реєстрацію CSUN).
- **Кредити (набранні та здобуті одиниці)** є накопичувальними і залежать від доступності курсів, упорядкування та того, скільки семестрів здобувач може собі дозволити. В оцінці CSUN жодного значущого ефекту оброблення не з’явилося на набранних, здобутих або сукупно здобутих одиницях.
- **Збереження** — це продовження між семестрами — зарахування за послідовністю семестрів, — і воно також не рушило, при N = 8 708 з потужністю виявляти ефекти 0,05 стандартних відхилень або більше.
- **Утримання** — це інституційна частка, яку дає збереження, і вона зазвичай повідомляється на рівні програми або когорти. Частки DFW на рівні курсу є найближчим до провідного показника в цій літературі, і вони рушили помірно (−3 процентних пункти в кожному курсі випробування Georgia State).
- **Закінчення навчання** — це термінальний, багаторічний результат. Середнє закінчення навчання контрольної групи до четвертого року було 0,190 в дослідженні CSUN, і ефект оброблення на нього не був статистично значущим.

Пояснення авторів цієї закономірності є центральним твердженням сторінки: нагадування діє на рішення, яке є дискретним та близькостроковим, тоді як збереження та GPA є накопичувальними і формуються викладанням, фінансами, зайнятістю, сімейними обставинами та попередньою підготовкою. Вони діходять висновку, що комунікація через інструмент на кшталт цього, **сама по собі**, може бути недостатньою, щоб їх змінити, — і що ці нулі є точними, а не недопотужними. Рання реєстрація все ще несе інституційну цінність для планування персоналу та простору навіть там, де результати навчання не рухаються.

## Справедливість і ризики дій за оцінкою

Системи підтримки діють на здобувачів, що робить їхні режими відмови відмінними від режимів тьютора. Стрес-тест шести постфактум втручань у справедливість на реплікованій контрольованій постачальником системі раннього попередження, побудованій із 168 550 записів здобувачів, виявив, що втручання не доставляють ту справедливість, яку обіцяють ([[fairness-theatre-early-warning-systems-2026|МакКонвей і співавтори, 2026]])). Огляд на захист інтересів здобувачів організовує поверхню ризику навколо прийому, набору та фінансової допомоги та **послуг для успішності здобувачів** — областей, де інституційний ШІ найпряміше впливає на здобувачів ([[students-at-stake-ai-deployment-risks-2026|Student Defense, 2026]])). Приватність і справедливість є тут структурними, а не випадковими: федеративне навчання існує, бо обмін записами здобувачів між установами є неприйнятним, і саме компонент «людина в петлі» в програмі CSUN — адміністратори, які відповідають на те, на що чатбот не міг, а потім вплітають відповідь назад у його базу знань, — є тим, що, як стверджують автори, досягає здобувачів, які ігнорують електронну пошту та телефон.

## Інституційні умови

Довговічність у цій літературі є організаційною властивістю, а не технічною. Програма CSUN пережила чотири роки, бо канал був центрально володіним, спільно наглядався Офісом студій бакалаврату та Офісом реєстратора та писався єдиним спеціалістом із комунікацій для послідовного голосу. Її націлювання деградувало з однаково організаційної причини: бо дані здобувачів не були централізовані, нагадування про фінансову допомогу потребувало, щоб один офіс ідентифікував тих, хто не подав заяви, а інший передав цю підмножину далі, і це тертя було досить обтяжливим, щоб цільові кампанії впали з 36% усіх кампаній в AY2018-19 до 6% до AY2022-23. Те, де сидить робота, хто володіє даними і чи є міжпідрозділова координація стійкою, вирішує, що система підтримки насправді може робити, — і саме тому ця сторінка несе [[change-management]], [[governance]] та [[educational-policy-ai]] як фасе, а не трактує розгортання як ІТ-рішення.

## Зв’язки зі спорідненими поняттями

Підтримка здобувачів пов’язана з [[student-experience]] як зі зверненим до здобувача відповідником — тими самими технологіями, побаченими з боку здобувача, а не установи, — і з [[help-seeking]] як із механізмом, яким здобувачі, які потребують підтримки, насправді її отримують; комунікаційний охоплення та асистенти, специфічні для курсу, є обидва спробами знизити вартість запитання. [[learning-analytics]] володіє прогнозуванням, яке живить розподіл, [[student-modeling]] і [[knowledge-tracing]] — моделями під ним, а [[recommender-systems-and-learning-paths]] — шаром рекомендацій. Вона пов’язана з [[well-being]] через системи психічного здоров’я та превенції кампусу, з [[career-development-and-readiness]] як із результатом, що слідує за завершенням, з [[equity-in-ai-education]] та [[privacy]] через ризики дій за оцінками, і з [[administrator]], [[stakeholders]] та [[change-management]] як із ролями та процесами, що вирішують, чи будь-що з цього є стійким. [[learning-gains]] є суміжним вузлом вимірювання: результати цієї сторінки є адміністративними, а не інструкційними, і вони не рухаються разом.

## Пов’язані поняття

- [[higher-ed]] — секторальне узагальнення, під яким сидить ця сторінка
- [[student-experience]] — як ШІ впливає на власний досвід здобувача
- [[learning-gains]] — чи відбулося навчання, інструкційний результат, який ця сторінка не вимірює
- [[learning-analytics]] — прогнозування, раннє попередження та предиктивна аналітика
- [[student-modeling]] — шар моделювання під прогнозуванням ризику
- [[knowledge-tracing]] — дрібнозернисте оцінювання навичок та майстерства
- [[recommender-systems-and-learning-paths]] — рекомендації курсів, ресурсів і шляхів
- [[help-seeking]] — як здобувачі приходять до запитання про підтримку
- [[well-being]] — психічне здоров’я кампусу, превенція та втручання
- [[career-development-and-readiness]] — результат після завершення
- [[administrator]] — роль, яка володіє і веде системи підтримки
- [[stakeholders]] — хто має претензії на інституційні рішення щодо ШІ
- [[change-management]] — підтримання програми після пілота
- [[governance]] — політика та нагляд для інституційного ШІ
- [[educational-policy-ai]] — політичний контекст для інституційного розгортання
- [[equity-in-ai-education]] — кого система охоплює і кого вона пропускає
- [[privacy]] — записи здобувачів, обмін даними та федеративні підходи
- [[human-in-the-loop-ai]] — людське судження всередині автоматизованого потоку підтримки
- [[rct]] — дизайн за найсильнішими доказами тут

## Пов’язані статті

- [[mata-sustaining-ai-enabled-student-support-2026]] — чотирирічна рандомізована оцінка університетського чатбота підтримки: завершення завдань рушило, закінчення навчання і GPA — ні
- [[chatbot-outreach-course-performance-2026]] — заздалегідь зареєстроване багатосеместрове випробування комунікаційного охоплення: вищі частки A/B, помірні зрушення DFW, один демографічний виняток
- [[lopez-pernas-llm-appropriate-student-support-2026]] — 4 500 синтетичних віньєток: обмежена чутливість до потреб здобувача та неузгодженість між моделями в рекомендаціях підтримки
- [[sc2r-counterfactual-recourse-educational-2026]] — прогалина здійсненості: рекурс повинен бути здійсненним і перевірюваним, а не просто валідним за моделлю
- [[fairness-theatre-early-warning-systems-2026]] — шість постфактум втручань у справедливість на системі раннього попередження від постачальника, побудованій із 168 550 записів
- [[at-risk-students-ml-prediction]] — навчані класифікатори, що ідентифікують здобувачів до відпливу
- [[predicting-attrition-competitive-programming]] — поведінкові логи плюс психографічне опитування, що прогнозують відплив
- [[villegas-ch-federated-explainable-learning-analytics-2026]] — федеративне моделювання ризику між установами без обміну сирими даними здобувачів
- [[precision-education-student-digital-twins-2026]] — цифрові близнюки та «превентивна успішність здобувачів» як бачення
- [[learning-analytics-to-educational-interventions-2026]] — сім енейблерів для замикання петлі від аналітики до втручання
- [[course-specific-rag-help-seeking-higher-ed-2026]] — асистент, специфічний для курсу, націлений на зниження вартості запитання про допомогу
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — відгук на тьюторінг, перевірений окремо від навчання
- [[najem-behavioral-clustering-adaptive-learning-recommendation-2026]] — шість поведінкових профілів, відображених на рекомендовані об’єкти навчання
- [[trace-course-grade-prediction-2026]] — спільне прогнозування курсів і оцінок для планування
- [[zhang-ml-student-progress-programming-2026]] — інтерпретоване прогнозування прогресу на рівні модулів
- [[ai-higher-ed-service-delivery-systematic-review-2026]] — 155 досліджень ШІ, лідерства та надання послуг у вищій освіті
- [[sposato-ai-educational-leadership-taxonomy-2025]] — таксономія з десяти доменів ШІ в освітньому лідерстві
- [[students-at-stake-ai-deployment-risks-2026]] — поверхня ризику на боці здобувача: прийом і допомога, послуги для успішності здобувачів та викладання
- [[ai-campus-wellbeing-tools]] — підтримка кампусного благополуччя, що охоплює превенцію та втручання
- [[coursegraph-cs-course-comparison-2026]] — еквівалентність курсів для переведення кредитів та мобільності
- [[credentials-carry-evidence-ai-agents-2026]] — що означає запис про завершення, коли агент може зробити роботу
- [[akcapinar-ai-cheating-risk-lms-prediction-2026]] — Акчапінар (2026) — раннє прогнозування ризику обману з допомогою ШІ та компроміс порогу для комунікаційного охоплення з низькими ставками

---

## [Соціальні норми використання ШІ](https://edtechdev.github.io/aied/concepts/social-norms-ai-use/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Соціальні норми використання ШІ** — неформальні, локально підтримувані правила, що визначають, коли здобувачі й викладачі можуть застосовувати генеративний ШІ, наскільки відкрито вони можуть визнавати це та що на практиці, а не в політиці, вважається [[academic-integrity|cheating]]. Корпус джерел мізерний саме щодо норм як теми і водночас рясніє матеріалом про механізми, які їх формують. Здобувачі не можуть достовірно визначити, наскільки активно ШІ користується кожен із них: медіанна кореляція між оцінками спостерігача та його власним профілем заявленого використання становила r = .73 на обох хвилях, а точність ранжування щодо *виду* використання ШІ — r = .34 на другій хвилі. [[shame-guilt-ai-regulation-computing-education|Shame and guilt regulate visibility rather than use]], породжуючи приховування й вибіркове розкриття замість зміни поведінки. Дисциплінарні норми розходяться різко: завдання з інтеграцією ШІ зустрічалися в 27% навчальних програм з бізнесу і в 5% програм із гуманітарних дисциплін серед 31 000 курсів. А формальна література з [[ethics]] доводить найменшу й найменш дієву кількість норм до кінцевих користувачів, тобто люди, на яких поширюються аудиторні норми, переважно відсутні в документах, де про них дискутують.

## Питання для роздумів

- Якщо студенти не можуть сказати, хто користується ШІ, на чому тоді ґрунтуються неформальні правила?
- Звідки беруться норми використання ШІ, коли в закладу немає політики або коли політика суперечить тому, що викладачі говорять на занятті?
- Чому студент, який ніколи не користувався ШІ, повідомляє більше провини через це, ніж студент, який застосовує ШІ щотижня?
- Що дає сором такого, чого не може дати політика, і якою ціною для [[help-seeking|asking for help]]?
- Чи спостереження змінює поведінку, чи лише видимість цієї поведінки?
- Чиї норми домінують під час групового завдання й хто несе витрати від спільних ШІ-звичок групи?
- Чи мають студенти брати участь у написанні норм, до яких їх зобов’язують?

## Вступ

Формальна [[regulation]] ШІ в освіті приходить як політика: заяви про допустимість використання, пункти навчальних програм, [[ai-detection|detection]], системи [[remote-proctoring|proctoring]], кодекси честі. Проте все, що студенти переживають насправді, лежить під цим шаром. Однокурсник, який ніколи не згадує про використання ChatGPT; викладач, який каже «мені байдуже, як ви це напишете», а потім забороняє це в програмі курсу; навчальна група, яка тихо домовилася про те, що є справедливим; кафедра, де всі вважають, що крива оцінювання вже змістилася. Це норми: спільні очікування щодо прийнятної поведінки, що підтримуються схваленням, несхваленням і ризиком бути поміченим.

Ця сторінка збирає те, що свідчить про цей шар база доказів. Це варто чітко розмежувати, адже «прихований навчальний план» часто вживають невиразно для позначення будь-чого неофіційного. Тут предмет ужещий: дієві правила щодо використання ШІ, як вони формуються, як підтримуються і наскільки слабкий зв’язок із письмовими правилами. Корпус практично не містить досліджень, які б вимірювали норми безпосередньо, і це саме по собі є висновком. Зате він містить неодноразові докази щодо механізмів: ухвалення висновків про інших, розкриття, емоцій і дисциплінарних відмінностей, що формують те, якою може стати будь-яка локальна норма.

## Що студенти думають одні про одних

Нормам потрібна інформація про поведінку інших людей, і ця інформація гірша, ніж припускає більшість викладачів. [[student-perception-ai-use-collaboration|A study of student pairs]] відстежувало, наскільки точно здобувачі оцінювали використання ШІ партнером протягом сесій парного програмування. У порівнянні з власним профілем заявленого використання кожного партнера медіанна кореляція становила r = .73 на обох хвилях — достатньо висока, щоб здаватися знанням, і досить низька, щоб багато індивідуальних оцінок були хибними. Точність ранжування за типом використання ШІ становила r = .34 на другій хвилі, а 25% команд з часом гірше оцінювали своїх однокомандників.

Для норм важливі дві деталі. По-перше, розбіжності не зменшувалися за умов неодноразової роботи віч-на-віч. Знайомість не давала точності, що підриває припущення, ніби норми стабілізуються, коли групи краще пізнають одні одних. По-друге, запропоноване авторами виправлення було структурним, а не світоглядним: спільні історії підказок, анотації використання ШІ або видимі для однокурсників записи про роботу за підтримки ШІ. Зробити використання ШІ видимим — це інший проєкт, ніж зробити студентів чеснішими чи спостережливішими щодо нього, і лише перший має під собою докази.

## Видимість, сором і вибіркове розкриття

Якщо однокурсники не можуть точно бачити використання ШІ, то правила, що навколо нього формуються, підтримуються значною мірою через соціальний ризик. [[shame-guilt-ai-regulation-computing-education|An interview study with 19 computing students]] розглядало сором і провину як соціальні регулятори та виявило, що вони керують розкриттям, а не використанням. Студенти описували поведінку приховування й вибіркове розкриття, а також повідомляли про докори самі собі, однокурсникам і своїм викладачам. Важливий негативний результат полягає в тому, що ці емоції співіснували з продовженням використання ШІ, породжуючи цикли зниження [[agency]] й моральної напруги, а не спонукаючи когось припинити.

Ця картина переносить норму з «використовуй чи не використовуй» на «визнавай чи не визнавай». В аудиторії може існувати сильна анти-ШІ норма на папері, широке використання на практиці та тиша-рівновага між ними, при цьому ніхто не буде заплутаний щодо того, що саме говорить правило. Це також передбачає, куди лягають витрати: на здобувачів, які найменше здатні керувати соціальним ризиком, і на [[equity-in-ai-education|learners whose visible use carries different consequences]].

Викладацький бік тієї ж емоції є вимірним. [[vassallo-ai-guilt-complex-faculty-2026|A survey of faculty]] з використанням чотирипунктового індексу провини щодо ШІ (альфа Кронбаха = 0.88) виявило, що антиципаційна провина перевищує пережите каяття: середній показник індексу становив 2.39 (SD = 1.01), а 22.9% учасників були вище середини шкали. Ті, хто не користується ШІ, повідомляли *вищу* провину (M = 3.25, SD = 1.04, n = 8), ніж користувачі (n = 101, M = 2.32, SD = 0.97), t(8.39) = 2.00, p = .078, а пункт про каяття розрізняв групи ще різкіше, t(7.79) = 2.44, p = .041. Кластерний аналіз виявив чотири профілі: Comfortable Adopters (26.6%), Guilty Non-Users (29.4%), Cautious Users (28.4%) і Morally Distressed Avoiders (15.6%), причому відмінності підтвердилися за провиною, F(3, 105) = 22.13, p < .001, ета-квадрат = 0.39.

Норма, через яку люди, що не діяли, почуваються винними, працює через антиципацію. Це реальний регуляторний механізм, і він невидимий для будь-якого аудиту політики, який дивиться лише на те, що роблять викладачі та студенти.

## Місцевий правильник: дисципліни й аудиторії

Норми є локальними, а докази про те, наскільки локальними, незвично конкретні. [[chirikov-regulate-ai-syllabi-2026|An analysis of 31,000 course syllabi]] виявив, що завдання з інтеграцією ШІ варіювалися від 27% у бізнесі до 5% у гуманітарних дисциплінах. Цей розкид — не розрив у відповідності політиці; він відображає різні дисциплінарні судження про те, в чому полягає робота, яка практика варта уваги й які навички має сертифікувати кваліфікація. Рекомендація авторів випливає звідси: надавати викладачам автономію в межах [[governance|disciplinary norms]], а не видавати універсальні розпорядження, бо таке розпорядження довелося б писати для середнього показника, якого не існує.

Шар аудиторії також може суперечити шарові документів у межах одного курсу. [[sobo-cheating-competing-ai-marketing-literacy-2025|Interviews with marketing students]] виявили, що прийняття зумовлюють норми однокурсників і прагнення «не відставати», причому усна порада описана як найбільше просування, яке коли-небудь мав ШІ, і підтримувалася страхом відстати. Той самий дослідження зафіксувало протиріччя, яке викладачі впізнають: у деяких групах ШІ вимагали, хоча програма курсу його забороняла, а заохочення викладача на занятті не завжди доходило до письмової політики. Коли ці два шари розходяться, студенти сприймають усну норму як дієву, а програму курсу — як ризик, яким треба керувати.

[[group-work|Group work]] — це місце, де неформальні норми працюють найбільше, бо одиницею оцінювання є колектив. [[chen-zou-genai-group-assessment-agency-2026|A study of 52 pre-service teachers]] у 15 фокус-групах виявило відмінні закономірності, а не єдиний напрямок «від ентузіазму до уникнення», причому групи домовлялися про те, що вважати легітимною допомогою за відсутності спільного правила. Будь-який студент, який спостерігав, як група тихо погоджується на використання ШІ одним із учасників, бачив, як норма пишеться в режимі реального часу — без процесу політики й зазвичай без жодного запису.

## Формальна етика, живі норми

Професійна література з етики ШІ та аудиторна норма, якої вона має досягти, розходяться, і цей розрив задокументований. [[agarwal-ethical-values-norms-aied-2026|A systematic review of ethical values and norms]] видобув норми з 15 статей і розмістив їх за чотирма наборами зацікавлених сторін за Smuha (2022). Розробники отримали найбільше норм, далі йшли навчальні заклади та регулятори. Кінцеві користувачі отримали найменше норм і найменш дієвих, причому жодна норма не зверталася безпосередньо до студентів щодо недискримінації, відповідального поводження з даними чи освітньої доцільності, а голоси студентів були фактично відсутні в матеріалі.

Результат — література, яка визначає обов’язки людей, що будують і закуповують ШІ, і залишає людей, які живуть з ним у аудиторії, виробляти власні правила. Це правдоподібне пояснення того, чому норми, які описують студенти, як у дослідженні сорому й провини, так часто стосуються видимості та репутації, а не цінностей, названих в документах з етики. Ці дві системи регулюють різне.

## Чому спостереження не врегульовує норми

Коли заклади намагаються замінити неформальні норми формальним моніторингом, докази є послідовними й непереконливими. [[conijn-fear-big-brother-proctored-exams-2022|A four-wave study of 1,760 students across 105 courses]] виявило, що онлайн-контроль істотно підвищив тривожність перед іспитом і не мав жодного впливу на спокусу списувати. Він також не змінював уявну складність чи результати іспиту. Витрати на тривожність зосереджувалися серед уже вразливих студентів, зокрема тих, у кого гірші домашні умови та менш надійні технології.

Два подальші дослідження пояснюють, чому спостереження — поганий інструмент для встановлення норм. [[harerimana-remote-proctoring-nursing-scoping-2026|A scoping review of remote proctoring]] виявив, що моніторинг переважно сприймався як стримування протиправних дій, водночас викладачі в Південній Африці повідомляли про продовження нечесності попри активний моніторинг — ситуацію, яку Khalil et al. (2022) називають «підземною етикою» ("subterranean ethics"), — а часті незначні сповіщення породжували хибні спрацьовування й роботу з перевірки для викладацького складу. Спостереження купує відповідність через страх виявлення, а не через відданість спільній нормі. [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|A model of assessment under imperfect information]] загострює механізм: стримування залежить від здатності виявника розрізняти приховане використання та легітимну роботу, а не від його частки виявлень, і коли хибні спрацьовування зростають швидше за вірні, студенти відключаються від системи замість того, щоб їй підкорятися. Його подальший результат — саме той, що безпосередньо стосується норм: моніторинг знижує привабливість прихованого використання, але не підвищує [[ai-use-disclosure|disclosure]]. Студенти рухаються до відкритості лише тоді, коли повідомлення про використання є безпечнішим або ціннішим за приховування, а заборона може зробити приховування привабливішим за відповідність.

[[teichmann-detecting-undetectable-misconduct-2026|The procedural-justice argument]] робить висновок: оскільки вміле або легко відредаговане використання ШІ в загальному випадку неможливо виявити, процедура щодо протиправних дій, побудована на виявленні, породжує несправедливість без ефективності, і відповідь — краще [[assessment]], а не краще спостереження.

Витрати цієї заміни проявляються там, де викладачі й студенти справді розмовляють. Серед 253 222 записів, пов’язаних із ШІ, з 26 освітніх сабреддітів третина всіх гілок «викладач–студент» була суперечками про виявлення або правозастосування, студенти відкривали 68.4% із них, а негатив передбачав залученість (ρ = −0.72) — то саме протиборство, а не обговорення, є найоб’ємнішою формою міжрольового контакту щодо [[generative-ai|GenAI]] ([[reddit-genai-education-discourse-analysis-2026|Yüce et al. (2026)]]).

## Що це означає для практики

- **Зробіть використання видимим, а не вгадуваним.** Студенти не можуть точно оцінювати одні одних, і неодноразова співпраця цього не виправляє. Легкі спільні записи роботи за підтримки ШІ, анотації або історії підказок дають групі фактичну основу для міркувань.
- **Очікуйте, що усна норма переможе письмову.** Якщо те, що говорять на занятті, суперечить програмі курсу, студенти підуть за аудиторією. Узгодженість цих двоєї має більшу цінність, ніж суворіший пункт.
- **Розглядайте розкриття як задачу проєктування, а не як задачу чеснот.** Розкриття стає ймовірним, коли повідомлення безпечніше або цінніше за приховування. Це означає зробити розкрите використання читабельним у самому оцінюванні, а не вимагати чесності як риси характеру.
- **Поважайте дисциплінарні відмінності.** Розкид від 27% до 5% між кафедрами — це не непослідовність, яку треба згладжувати, а різні судження про те, що сертифікує кваліфікація. Розпорядження на рівні закладу зазвичай пишуться для дисципліни, якої не існує.
- **Не тягніться до моніторингу, щоб встановлювати норми.** У найсильнішому доступному дослідженні контроль підвищив тривожність, не змінивши спокуси списувати, і зосередив ці витрати на найменш забезпечених студентах.
- **Запитуйте, кого бракує в нормі.** Література з етики майже не покладає на студентів обов’язків і мало враховує їхнє судження, тоді як аудиторія покладає на них багато й підтримує це соціально. Закриття цього розриву — питання навчального плану, а не відповідності.

## Пов’язані поняття

- [[academic-integrity]] — формальний правильник, поруч із яким виростають ці норми
- [[ai-use-disclosure]] — практика, яку норми регулюють найбезпосередніше
- [[framing-ai-use-for-students]] — як аудиторія формулює свої очікування
- [[reducing-ai-misuse]] — навчальний аналог встановлення норм
- [[learner-identity]] — ким вважають здобувача, коли використання ШІ стає видимим
- [[ai-detection]] — технічна відповідь, яка здебільшого зазнає невдачі
- [[remote-proctoring]] — спостереження як спроба замінити норми
- [[trust]] — те, від чого залежать і норми, і розкриття
- [[equity-in-ai-education]] — хто несе соціальні витрати
- [[help-seeking]] — поведінка, яку сором придушує першою
- [[group-work]] — місце, де групові норми обговорюються
- [[student-experience]] — живий бік усього цього
- [[anxiety-and-stress]] — афективний залишок
- [[governance]] — формальний шар, під яким лежать ці норми
- [[ethics]] — література, якій найменше що сказати студентам

## Пов’язані статті

- [[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)

---

## [Кар’єрний розвиток і готовність](https://edtechdev.github.io/aied/concepts/career-development-and-readiness/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Кар’єрний розвиток і готовність** — процеси та здібності, які готують здобувачів будувати, адаптувати та підтримувати кар’єру на ринку праці, порушеному ШІ: кар’єрна адаптивність, працевлаштовуваність, готовність робочої сили та навички (включно з [[ai-literacy]]), які цінують роботодавці. У контексті ШІ в освіті це поняття стає дедалі важливішим, бо ШІ і переформовує навички, потрібні випускникам, і породжує **тривожність щодо кар’єри та ШІ** через витіснення з роботи — роблячи кар’єрну готовність захисним фактором для [[well-being]] студента.

## Питання для роздумів

- Кар’єрна готовність тут обрамлена як адаптивність — здібність орієнтуватися, пристосовуватися і процвітати в мінливих ролях, — а не просто як атестація. Як це переобрамлення змінює те, що, на вашу думку, кар’єрно орієнтована освіта має насправді будувати?
- [[research-methods-aied|Research]] послідовно показує, що кар’єрні адаптивності значуще зменшують тривожність щодо ШІ стосовно витіснення з роботи. Чому бути більш адаптивним до кар’єрних змін може змусити студента почуватися менш тривожним щодо технології, що загрожує його поточним перспективам працевлаштування?
- Одна ключова теза — ШІ-грамотність сама по собі не робить випускника готовим до кар’єри, бо готовність проходить також через те, що студенти вірять, що можуть адаптувати. Чи можете ви назвати когось, хто є високо ШІ-грамотним, але все ще тривожним чи неготовим до робочої сили? Чого їм бракувало?
- Звіт ITHAKA S+R документує прогалину в пріоритезації навичок: викладачі наголошують на критичному, відповідальному використанні ШІ, тоді як роботодавці віддають перевагу навичкам автоматизації робочих процесів і командної роботи люди й ШІ — і вони згодні лише щодо однієї з 26 навичок ШІ. Чому, на вашу думку, пріоритети аудиторії та робочого місця розходяться так різко, і кому слід адаптуватися?
- Звіт знаходить, що більшість установ не мають ні консенсусу щодо того, як виглядають навички ШІ, ні рамки оцінювання для них. Якби вам довелося визначити й оцінити «готові до робочої сили навички ШІ» для випускника, що б ви вимірювали й як?
- Страх заміни ШІ ідентифіковано як первинний драйвер тривожності щодо ШІ, і кар’єрна готовність позиціонується як захисний фактор для добробуту студента. Як освітня програма має розв’язувати саму тривожність, а не лише додавати навички?

## Вступ

Коли ШІ трансформує професії, роль освіти в кар’єрному розвитку розширилася від атестації до будівництва **адаптивності** — здібності орієнтуватися, пристосовуватися і процвітати в мінливих ролях. Це поняття пов’язує освіту з працевлаштовуваністю й пов’язане з [[anxiety-and-stress]]: студенти з сильнішими кар’єрними адаптивностями переживають меншу тривожність щодо ШІ.

## Як кар’єрний розвиток і готовність постають у базі знань

- **Кар’єрна адаптивність зменшує тривожність щодо ШІ.** [[wang-career-adapt-abilities-ai-anxiety-english-2026|Wang (2026)]] показує, що кар’єрні адаптивності значуще й негативно передбачають тривожність щодо ШІ серед студентів-англістів, при чому ключові самооцінки частково медіюють відношення; група з низькою адаптивністю виявила найвищу тривожність щодо ШІ. [[duan-ai-anxiety-career-decisions-college-2026|Duan et al.]] підтверджують механізм за допомогою SEM: тривожність щодо ШІ погіршує кар’єрні рішення здебільшого через еродовану кар’єрну адаптивність (63,35% загального ефекту), а самоефективність пропонувала обмежене буферизування. [[ustun-ai-anxiety-job-finding-anxiety-2026|Üstün & Danacıoğlu]] додають, що тривожність щодо ШІ й негативні ставлення до ШІ передбачають тривожність пошуку роботи після випуску серед 1 057 студентів, при чому найбільше постраждали жінки, студенти соціальних наук і другокурсники. [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al.]] розширюють це на студентів медичних наук (821, r = 0,233). Отже, кар’єрна готовність є емпірично валідованим буфером проти [[anxiety-and-stress|career-related AI anxiety]].


- **Готовність відстежувала залученість, а не рівень загрози.** У [[ai-attitude-latent-profiles-career-development-2026|Song et al. (2026)]] найбільш тривожний щодо ШІ профіль усе щто повідомляв найвищий кар’єрний крафтинг (4,222) і самосприйняту працевлаштовуваність (3,964), поряд зі сприятливим профілем, який не відрізнявся значущо, — тож рівень тривожності не індексував кар’єрну готовність.
- **ШІ-грамотність є необхідною, але не достатньою.** [[ai-literacy-career-adaptability-business-2026|Testa et al.]] стверджують, що ШІ-грамотності самої по собі недостатньо для кар’єрної готовності — студентам також потрібні адаптивність і позитивні самооцінки, прямо пов’язуючи [[ai-literacy]] з кар’єрними результатами. [[ai-literacy-graduate-employability-2026|Hendrawan and Lestari (2026)]] перевіряють це кількісно зі 455 студентами останніх курсів у Джакарті: кар’єрна адаптивність несе значущий опосередкований ефект (β = 0,173), і мислення зростання взагалі не модерує шлях, тож роботу робить адаптивність, а не мислення.
- **Перспективи роботодавців і випускників.** [[ithaka-sr-ai-skills-college-graduates-2026|The ITHAKA S+R report]] (500 викладачів чотирирічних коледжів США, порівняно зі 200 роботодавцями США) документує **систематичну прогалину в пріоритезації навичок** між викладачами та роботодавцями, що сигналізує про вимоги робочої сили, які формують курикули [[higher-ed|higher education]]. Викладачі й роботодавці згодні щодо важливості лише однієї зі 26 навичок ШІ (встановлення реалістичних очікувань для роботи, посиленої ШІ): викладачі пріоритезують *критичну, відповідальну у використанні* орієнтацію (атрибуція, людська відповідальність, межі ШІ), тоді як роботодавці віддають перевагу навичкам *робочих процесів, автоматизації та командної роботи люди й ШІ*. Звіт знаходить, що лише три зі 26 навичок викладаються половиною чи більше викладачів — недовикладані категорії (переконструювання робочих процесів, автоматизація, технічна інтеграція) — це точно ті місця, де вимоги роботодавців розходяться найбільше, — і що більшість установ не мають ні консенсусу щодо того, як виглядають навички ШІ, ні рамки оцінювання для них. Для кар’єрного розвитку це означає, що готовність випускників залежить від закриття справжньої, вимірної прогалини між тим, що цінують роботодавці, і тим, чому вчать курикули, а не лише від додавання ШІ-грамотності.
- **Політика курсу як рішення щодо компетентності робочої сили.** [[mccorkle-aligned-genai-course-policy-2025|McCorkle's (2025)]] дизайн-випадок робить компроміс явним на рівні завдання: для кожного кроку семестрового проєкту викладач парує нову компетентність робочої сили [[generative-ai|GenAI]] (підказки для цілей, генерація зображень, писання сценаріїв, нарація текстом-у-мову) проти потреби оцінити фундаментальну навичку й дозволяє ШІ лише там, де перемагає компетентність — конкретний спосіб будувати навички робочих процесів, які цінують роботодавці ([[prompt-engineering]], оцінювання виходу [[llm|LLM]]), у наявних завданнях, а не додавання окремого курсу зі ШІ.
- **ШІ уже опосередковує саму підготовку до кар’єри.** [[loidl-chatgpt-career-development-2026|Loidl, Cao and Huang (2026)]] опитали 102 студентів бакалаврату в одному середньозахідному університеті R1 і знайшло, що близько 81% використовували ChatGPT для діяльності, пов’язаної з працевлаштовуваністю, у попередні 12 місяців, очолювано резюме (52,94%), комунікацією на робочому місці (38,24%) і мотиваційними листами (35,29%), що інтерв’ю читають як підгонку та репетицію, а не як аутсорсинг; отже, кар’єрну готовність треба будувати на підготовці, яку інструмент уже опосередковує, а не лише на здібностях, які ця сторінка інакше описує.
- **Рамки готовності, специфічні для сектору.** [[workforce-readiness-smart-manufacturing-wrl-2026|Workforce readiness for smart manufacturing]] і [[ai-engineering-computing-workforce-grey-literature-2026|the future of the engineering/computing workforce]] переводять загальну працевлаштовуваність у рамки компетентностей [[discipline-specific-aied|discipline-specific]].
- **Переходи робочої сили.** Дослідження [[post-covid-ict-career-aspirations|ICT career aspirations]] вивчає, як кар’єрні наміри студентів зсуваються у відповідь на технологічні зміни.
- **Теоретичне грунтування.** [[kim-ai-anxiety-comprehensive-analysis|AI Anxiety comprehensive analysis]] ідентифікує **страх заміни ШІ** як первинний драйвер тривожності щодо ШІ — кар’єрний вимір, який це поняття розв’язує напряму.

## Кар’єрна готовність як захисна й розвивна мета

Повторювана тема — кар’єрний розвиток в еру ШІ має бути **свідомою освітньою метою**, а не думкою на додачу: будівництво кар’єрних адаптивностей, ключових самооцінок, [[self-efficacy]] і цінних для роботодавців навичок ШІ, прямо розв’язуючи тривожність, яку студенти переживають щодо витіснення ШІ. Це пов’язує кар’єрний розвиток із [[professional-training]], [[self-efficacy]], [[motivation]] і [[anxiety-and-stress]], і позиціонує освіту і як конвеєр навичок, і як джерело психологічної готовності.

## Пов’язання зі спорідненими поняттями

Кар’єрний розвиток і готовність пов’язані з [[professional-training]] (вимір професійних навичок), [[ai-literacy]] (вимір компетентності в ШІ), [[self-efficacy]] і [[motivation]] (психологічні ресурси, що підтримують адаптацію), [[anxiety-and-stress]] (кар’єрна тривожність як ключова складова), [[higher-ed]] і [[k-12]] (умови, де будується готовність), і [[student-experience]] (кар’єрні занепокоєння як частина досвіду здобувача).

## Пов’язані поняття
- [[professional-training]]
- [[ai-literacy]]
- [[self-efficacy]]
- [[motivation]]
- [[anxiety-and-stress]]
- [[higher-ed]]
- [[student-experience]]
- [[well-being]]
- [[student-support-and-success]] — результати, що слідують за завершенням: стійкість, утримання та випуск

## Пов’язані статті
- [[ai-literacy-graduate-employability-2026]] — Свідчення PLS-SEM, що ШІ-грамотність досягає сприйнятої працевлаштовуваності через кар’єрну адаптивність, при чому мислення зростання не додає нічого (Hendrawan & Lestari 2026)
- [[mccorkle-aligned-genai-course-policy-2025]] — Компроміси між оцінюванням і компетентністю робочої сили, вирішені завдання за завданням (McCorkle 2025)
- [[wang-career-adapt-abilities-ai-anxiety-english-2026]] — кар’єрні адаптивності зменшують тривожність щодо ШІ
- [[ai-literacy-career-adaptability-business-2026]] — ШІ-грамотність і кар’єрна адаптивність в освіті у сфері бізнесу
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Навички ШІ для випускників коледжів: пріоритети викладачів і роботодавців
- [[workforce-readiness-smart-manufacturing-wrl-2026]] — готовність робочої сили до смарт-виробництва
- [[ai-engineering-computing-workforce-grey-literature-2026]] — ШІ та майбутнє інженерної/обчислювальної робочої сили
- [[post-covid-ict-career-aspirations]] — Кар’єрні прагнення в ІКТ після COVID-19
- [[kim-ai-anxiety-comprehensive-analysis]] — Тривожність щодо ШІ і страх заміни
- [[duan-ai-anxiety-career-decisions-college-2026]] — Тривожність щодо ШІ погіршує кар’єрні рішення через кар’єрну адаптивність (медіація 63,35%)
- [[ustun-ai-anxiety-job-finding-anxiety-2026]] — Тривожність щодо ШІ та ставлення передбачають тривожність пошуку роботи (1 057 студентів)
- [[dag-ai-perceptions-career-anxiety-health-2026]] — Тривожність щодо ШІ передбачає тривожність пошуку роботи в медичних науках (r=0,233, 821 студентів)

- [[ai-attitude-latent-profiles-career-development-2026]] — Чотири профілі ставлення до ШІ: кар’єрний крафтинг і працевлаштовуваність відстежували залученість, а не тривожність

---

## [Навчання протягом життя](https://edtechdev.github.io/aied/concepts/lifelong-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Навчання протягом життя та ШІ** — як ШІ підтримує безперервну освіту та розвиток навичок за межами формальної школи і як він перебудує навчання дорослих і робоче навчання. ШІ може персоналізувати, скаффолдити та робити навчання на вимогу доступнішим для дорослих, водночас порушуючи питання автономії, самокерованості та того, хто контролює процес навчання в середовищах, опосередкованих ШІ.

## Питання для роздумів

- Згадайте останню нову навичку, яку ви засвоїли поза формальною школою — на роботі, онлайн або самостійно. Хто вирішував, що вивчати, як це вивчати і коли ви були «завершили»? Як би ШІ змінив цю картину?
- Центральне питання сторінки — автономія: коли ШІ бере участь у визначенні ваших навчальних потреб, постановці ваших цілей і навіть у створенні контенту, що залишається справді самокерованим у вашому власному навчанні?
- Формальна освіта розглядає час як фіксований, а навчальні плани — як послідовні. Сторінка пропонує «графи Learnity» — взаємопов’язані одиниці знань, якими здобувачі гнучко орієнтуються протягом усього життя. Що ви набуваєте і що ризикуєте втратити, звільняючи навчання від фіксованої послідовності?
- ШІ може і підтримувати дорослих здобувачів, і змінювати набір навичок, які дорослі мусять безперервно оновлювати. Якщо ШІ й надалі перебудовує вашу галузь, у які здатності ви б інвестували такі, які жоден інструмент просто не може вам дати?
- Навчання протягом життя часто подають як особисту відповідальність. Але доступ протягом усього життя — це також питання справедливості. Хто отримує час, ресурси та підтримку, щоб продовжувати навчання, будучи дорослим, — і як ШІ може розширити або звузити цю прогалину?

## Вступ

Навчання протягом життя означає безперервну освіту упродовж усього життя — підвищення кваліфікації, перекваліфікацію, [[professional-training|професійний розвиток]] і неформальне навчання за межами формальних ступенів. ШІ дедалі більш центральний для цього — і як інструмент, який підтримує дорослих здобувачів, і як сила, що змінює навички, які дорослі мусять безперервно оновлювати.

### Як навчання протягом життя проявляється в дослідженнях

- **Дизайн-настанови для навчання дорослих:** [[ai-adult-learning-guidelines-dis2026|Дослідження з інституту AI-ALOE]] синтезує емпірично обґрунтовані дизайн-настанови для технологій навчання дорослих із підтримкою ШІ, наголошуючи на практичній, контекстно чутливій підтримці.
- **Засвоєння навичок під керівництвом ШІ:** [[ai-guided-learning-audiovideo-2026|Навчання аудіо/відео під керівництвом ШІ]] показує, як ШІ може скаффолдити стадії засвоєння навички — споживання, розуміння, імітацію — адаптуючи медіа до здобувача.
- **Від фіксованих навчальних планів до адаптивних структур:** [[learnity-graphs-lifelong-learning-framework-2026|Графи Learnity]] пропонують переосмислити фіксовані навчальні плани вищої освіти як взаємопов’язані одиниці знань, якими здобувачі можуть гнучко орієнтуватися протягом усього життя.
- **Автономія та самокерованість:** [[andragogy-cognitive-delegation-genai-2026|Андрагогіка та когнітивна делегація]] переосмислює теорію навчання дорослих за умов когнітивної делегації, опосередкованої ШІ, питаючи, що залишається самокерованим, коли ШІ бере участь у визначенні потреб, постановці цілей і створенні контенту.
- **Політика та спільнота:** [[ai-lifelong-learning-policy|ШІ в політиці навчання протягом життя]] та [[community-centered-ai-education-adults|орієнтована на спільноту освіта зі ШІ]] розглядають інституційні виміри та виміри справедливості навчання дорослих зі ШІ.
- **Відродження експертизи саме під загрозою.** У найбільш зачеплених ШІ заняттях США працівники віком 22–25 мали 16% відносне зниження зайнятості (жовтень 2022 — вересень 2025), тоді як у групи 35–49 зростання перевищувало 8%, і глибока експертиза, потрібна для перевірки результатів ШІ, залежить від тих початкових ролей, які зникають через це зниження ([[cognitive-commons-ai-expertise-regeneration|Ловетт (2026)]]).

### Зв’язки

Навчання протягом життя пов’язується зі [[adult-learning]] та [[professional-training]] (його первинними контекстами), [[personalized-learning]] та [[adaptive-learning]] (механізмами ШІ, які його підтримують), [[self-regulated-learning]] та [[metacognition]] (процесами здобувача, які задіяні), і [[equity-in-ai-education]] (доступом протягом усього життя). Воно також перетинається з [[educational-development]], коли сами освітяни є тими, хто навчається протягом життя.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[ai-adult-learning-guidelines-dis2026]] — Настанови для проєктування технологій ШІ, що підтримують навчання дорослих
- [[ai-guided-learning-audiovideo-2026]] — Навчання під керівництвом ШІ для засвоєння навичок
- [[learnity-graphs-lifelong-learning-framework-2026]] — Переосмислення вищої освіти через графи Learnity
- [[andragogy-cognitive-delegation-genai-2026]] — Андрагогіка та когнітивна делегація в опосередкованому ШІ навчанні
- [[ai-lifelong-learning-policy]] — ШІ в навчанні протягом життя: можливості та виклики в політиці освіти дорослих
- [[community-centered-ai-education-adults]] — Спільне проєктування орієнтованої на спільноту освіти зі ШІ для дорослих
- [[cognitive-commons-ai-expertise-regeneration]] — Трагедія когнітивного спільного: ШІ та відродження експертизи

---

## [Навчання на робочому місці](https://edtechdev.github.io/aied/concepts/professional-training/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Навчання на робочому місці** — використання ШІ для розвитку робочої сили, корпоративного навчання та набуття професійних навичок. Професійна підготовка виводить [[ai-education|ШІ в освіті]] за межі формальної школи в контексти робочого місця та [[lifelong-learning|навчання впродовж життя]].

## Питання для роздумів

- Згадайте навичку, якої ви навчилися на роботі, а не в аудиторії. Що зробило те навчання на робочому місці ефективним і як ШІ-тренер міг би його відтворити чи покращити?
- Запропонована сторінкою рамка рівнів [[career-development-and-readiness|готовності робочої сили]] припускає, що найвищі етапи компетентності «відчинені досвідом, вбудованим у галузь, а не курсовою роботою». Що це означає для того, як ми маємо готувати людей, — і для меж [[simulation]] ШІ?
- Віртуальні пацієнти та навчальні симулятори дозволяють професіоналам практикуватися безпечно. Які види судження та міжособистісних навичок симулятору може бути важко передати, хоч яким реалістичним він не був?
- «Проблема двох потягів» — це напруженість між швидко змінними навичками ШІ та повільнішим темпом політики та [[curriculum-design|навчальної програми]]. Якби ви могли обрати довговічні компетентності, які сьогодні варто пріоритезувати для здобувачів, які б це були?
- Дорослі здобувачі поєднують роботу й навчання, часто через екрани. Як професійна підготовка на основі ШІ може водночас сприяти цьому поєднанню та ускладнювати його, — особливо щодо даних, довіри та часу?

## Вступ

### ШІ в професійній підготовці

- **Симуляція та практика:** [[adaptive-virtual-patient-psychotherapy-training|навчання на віртуальних пацієнтах]] та [[astra-atco-training-simulator|симулятори підготовки ATCO]] створюють професійні середовища практики на основі ШІ. У [[teacher-education|педагогічній освіті]] рольова симуляція на основі ШІ розширює це на навчання, засноване на практиці: [[zhuang-zhang-chatgpt-math-teacher-education-2026|Student GPT]] змоделював студента середньої школи з математики, що має [[misconceptions|хибне уявлення]], щоб майбутні викладачі могли практикувати діагностику та усунення помилок студентів, узгоджуючись з «наближеннями практики» практико-заснованого навчання [[teacher-role|викладача]] як доступним доповненням до дорогих платформ на кшталт TeachLivE.

[[ai-coaching-rl-skill-development|Wang et al. (2026)]] додають урок щодо політики коучингу: поступове знімання допомоги проти оціненої компетентності здобувача скоротило час кола на симуляторі на 27.9% (p = 0.005) і кількість невдач на 3,52 на коло, тоді як знімання на основі правил за фіксованим розкладом не дало надійної зміни часу кола.
- **Інтеграція навчання впродовж життя:** [[lifelong-learning]] та [[research-methods-aied|дослідження]] [[adult-learning]] пов’язують професійну підготовку з безперервною освітою.
- **Публічний сектор:** [[ai-adoption-training-public-sector|впровадження ШІ в публічному секторі]] розглядає підготовку в урядових контекстах.
- **Рамки готовності робочої сили:** [[workforce-readiness-smart-manufacturing-wrl-2026|Smith et al.]] пропонують рамку Workforce Readiness Level (WRL), яка адаптує шкалу Technology Readiness Level до дев’яти етапів компетентності, оцінених за чотирма опорами (цифрова/[[ai-literacy|ШІ-грамотність]], кіберфізична вільність, [[human-ai-collaboration|співпраця люди та машини]], прийняття рішень на основі даних), за правилом «жодної тонкої опори». Докази з капстоунів розумного виробництва показують, що найвищі етапи готовності відчинені досвідом, вбудованим у галузь, а не курсовою роботою, — що вказує на інтегроване в роботу навчання як суттєве для професійної підготовки зі ШІ.
- **Пріоритети викладачів та роботодавців розходяться.** Опитування 500 американських викладачів і панель роботодавців погодилися щодо важливості лише однієї з 26 навичок ШІ — встановлення реалістичних очікувань для роботи, доповненої ШІ, — і лише три з 26 викладалися половиною або більше викладачів ([[ithaka-sr-ai-skills-college-graduates-2026|Fried (2026)]]).
- **Докази профрозвитку, специфічні для [[discipline-specific-aied|предметної області]], тонкі.** [[li-language-educators-genai-review-2026|Систематичний огляд викладачів мов]] (Li et al. 2026) знайшов лише три з 23 досліджень, що повідомляли про структурований [[educational-development|професійний розвиток]], проте ті, що повідомляли, сходилися на здобутках у знанні, упевненості та ідентичності — доказ того, що структурована, специфічна для області підготовка (що поєднує технічну навичку з практичною мудрістю) водночас рідкісна та ефективна, і що профрозвиток має рухатися від підвищення обізнаності та етики через опанування інструментами вправе до спільного проєктування уроків, збагачених ШІ.
- **Професійний розвиток викладачів-методистів як моделювання:** [[adaptive-ai-model-teacher-educators-2025|Eyal (2025)]] провів річний курс на 180 годин, у якому 22 викладачі-методисти вищої освіти спільно спроєктували Adaptive Artificial-Intelligence-Literacy Model, замінивши фіксовані сходи компетентності трьома взаємопов’язаними осями (відповідність контексту, професійні потреби, динамічний розвиток) та рефлексивним опитувальником самооцінювання з 20 пунктів. Передумова проєктування — що ШІ-грамотність ситуативна: майбутній викладач в ресурсно обмеженому контексті, викладач-предметник і директор потребують різних компетентностей, тому професійний розвиток має націлюватися на роль-специфічне судження, а не на стандартизовану рубрику.
- **На що має націлюватися підготовка:** вимірна база галузі відстає від технології, яку вона описує. У систематичному огляді 33 інструментів вимірювання ШІ-грамотності викладачів [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore and Maat (2026)]] знайшли, що 29 (87.9%) націлювалися на загальні поняття ШІ, тоді як лише чотири (12.1%), усі опубліковані в 2025, стосувалися генеративного ШІ. Якщо інструменти відстежують те, що має будувати підготовка, це розподіл позначає компетентність генеративного ШІ в викладанні як найменш виміряну та найбільш нагальну мішень для професійного розвитку.
- **Прогнозування робочої сили:** [[ai-engineering-computing-workforce-grey-literature-2026|Fletcher et al.]] оглядають американську сіру літературу щодо ШІ та інженерно-обчислювальної робочої сили, обрамляючи «проблему двох потягів» (швидка зміна проти нагальної політики) та рекомендуючи [[higher-ed|вищій освіті]] пріоритезувати довговічні компетентності ШІ, [[ethics]] та [[governance]], а також облікові дані на основі навичок, узгоджені з новими ролями (наприклад, [[prompt-engineering]], аудитом ШІ, [[educational-policy-ai|політикою ШІ]]), щоб підтримувати людяну роботу в автоматизованій економіці.
- **Проєкти, що підтримують навички, програють за метриками пропускної здатності.** [[skill-sustaining-reliance-reflective-ai-engagement-2026|de Jong (2026)]] стверджує, що рефлективна взаємодія суперечить обіцянці швидших рішень та вищої пропускної здатності, що рухає впровадженням ШІ в професійній роботі: контрольоване дослідження може поглинути тертя, середовище, що вимірює успішність за швидкістю чи кількістю, — ні, і там, де конкуренти пропонують еквівалентну підтримку без тертя, проєкти, що підтримують навички, стають конкурентною невигодою — проблемою, яка, за словами статті, може належати організаційній політиці чи уряду, а не проєктуванню взаємодії.
- **Усне оцінювання для робочої спроможності.** Дослідження проєкту TVET вирішує давню невідповідність між оцінюванням, насиченим текстом, та вербальними, ситуативними спроможностями, які сертифікують професійні кваліфікації, використовуючи [[llm]] для підтримки інтерактивного усного оцінювання. За чотирьох когорт голосовий формат був оцінений як реалістичний 21 із 33 здобувачів, без жодної несхвальної відповіді щодо його переваги над письмовим [[eportfolio|портфоліо]], і система працювала повністю офлайн на одному ноутбуці до 12 одночасних здобувачів, видаляючи записи через 90 днів і залишаючи оцінювання асесорам ([[ai-supported-oral-assessment-tvet-2026]]). Це конкретний приклад того, як ШІ розширює діапазон оцінюваних компетентностей у професійній підготовці, а не лише автоматизує наявні письмові формати. Проте його когорти були класами Level 3 з автомобільної техніки та інженерії, тому докази лежать у [[vocational-education|початковій професійній освіті]], а не в підвищенні кваліфікації на робочому місці, яке охоплює ця сторінка.

- **Саме інституційні умови, а не національний контекст, пояснюють розриви в готовності.** Порівняльне опитування 568 викладачів університетів
  у китайських (n = 340) та казахстанських (n = 228) центрах розвитку викладачів ([[faculty-development-centers-genai-training-optimization-2026|Bi, Araily, Lyu & Xiu, 2026]])
  знайшло казахстанських викладачів попереду за всіма сімома вимірами готовності до [[generative-ai|GenAI]] на базовій лінії, з найбільшими розривами в
  дисциплінарному перенесенні, проєктуванні підказок і оцінюванні з підтримкою ШІ. Гієрархічна регресія розібрала національне пояснення: різниця
  між країнами різко впала, коли попереднє використання GenAI та нещодавня підготовка ввійшли в модель, і стала незначущою — зниження на 80%
  — коли додали інституційну підтримку, сприйнятий дозвіл експериментувати, [[multilingual-learning|багатомовний]] доступ до ресурсів,
  ясність політики та чутливість до ризику. Експозиція була нерівномірно розподілена (явна більшість казахстанських викладачів мала підготовку
  зі ШІ за останні шість місяців проти приблизно чверті китайських викладачів), і китайські викладачі повідомляли про вищу ясність
  політики та вищу чутливість до ризику. Структурована підготовка з завдань на підказки перевершила звичну ознайомленість з GenAI на
  післятесті з проєктування підказок з великим розривом. Готовність викладачів, на цих доказах, виробляється забезпеченням і дозволом — тим, що
  пропонує центр і що він дозволяє, — а не національною системою, у якій він перебуває.

- **Коротка підготовка зміщує судження, а не наміри.** Пілот дo/після на три години зі 100 німецьких викладачів ([[mesenhoeller-teachers-ai-differentiation-acceptance-2026|Mesenhöller and Böhme, 2026]]) знайшов, що сприймана корисність (d = .32) і сприймана легкість використання (d = .25) значно підвищилися після короткої орієнтованої на практику сесії щодо ШІ для диференціації, тоді як поведінковий намір не зрушився з уже високої базової лінії (M = 3.07). Автори читають розрив як ознаку того, що прийняття залежить від умов, яких сесія не може дати, таких як час, інфраструктура та чіткі інституційні правила. Короткі формати варто проводити, але саме поєднання їх з цими умовами перетворює сприятливе судження на використання.
- **Постійний моніторинг, а не разові воркшопи, для початкової підготовки.** Систематичний огляд 11 досліджень ШІ в початковій підготовці викладачів з математики для початкової школи ([[pinto-ai-initial-teacher-training-mathematics-review-2026|Pinto et al., 2026]]) знайшов, що дев’ять інтервенцій були однією сесією чи кількома сесіями, вбудованими в наявні курси, що ставлення зазвичай вибірковувалися один раз постфактум, і що етика постала лише в трьох дослідженнях. Автори стверджують, що компетентність у ШІ має розвиватися вздовж усієї послідовності підготовки, від підготовчої фази в практику та перші роки практики, з моніторингом, що слідує за цією прогресією.
- **Експозиція та повторення, а не демографія, відстежують сприятливі сприйняття.** У змішано-методному дослідженні 302 турецьких викладачів математики початкової школи ([[cigerci-primary-teachers-perceptions-ai-mathematics-2026|Ciğerci and Uygun, 2026]]) попередня підготовка зі ШІ (t = 3.661) і частота використання ШІ (F = 41.280) були змінними, найпослідовніше пов’язаними з позитивними поглядами, тоді як готовність (M = 3.98) та ставлення (M = 3.82) значно перевершували особистий досвід (M = 3.00). Автори розглядають попередню підготовку як найясніший важіль, на якому школи можуть діяти, що вказує на повторюване, стійке використання, а не на одиничне ознайомлення.
- **Ротація ролей як несена структура.** Дослідження на основі проєкту з 62 майбутніми освітянськими психологами в Казахстані ([[kenzhebayeva-ai-role-rotation-pedagogical-model-2026|Kenzhebayeva et al., 2026]]) ротувало студентів через чотири професійні позиції за вісім тижнів, причому генеративний ШІ постачав попередні ідеї. Автори стверджують, що цінність полягала в ротації, а не в інструменті, оскільки кожна роль обрамляла той самий випадок по-різному, і пізніші цикли показували більше запитів на теоретичне обґрунтування. Вони повідомляють залученість, а не виміряні здобутки, не зібравши жодних мір компетентності дo/після.

### Відмінність від академічної освіти

Професійна підготовка відрізняється від академічної освіти своєю зосередженістю на прикладних навичках, негайній актуальності для робочого місця та характеристиках дорослого здобувача. Теорія [[adult-learning]] та принципи [[adult-learning]] інформують проєктування професійної підготовки зі ШІ. Її інший кордон — [[vocational-education|професійно-технічна освіта та підготовка]]: VET приймає людей, які ще не обіймають заняття, і завершується ремесленою чи технічною кваліфікацією, тому несе початкову професійну підготовку та рамки кваліфікацій, які її сертифікують, тоді як професійна підготовка стартує з наявної ролі — перекваліфікації, безперервної професійної освіти чи сертифікації вендора — і припускає компетентність, яку присуджує VET.

**Регенерація експертизи як турбота підготовки.** Рамка Cognitive Commons ([[cognitive-commons-ai-expertise-regeneration|Lovett 2026]]) стверджує, що HRD має вийти за межі організаційної перекваліфікації до управління на рівні професії: усунення початкових позицій розвитку в секторах, експонованих ШІ, може виснажити спільний пул експертизи, від якого залежать усі організації, з відстроченим у часі ефектом, що постає лише через 5–20 років. Це переобрамлює професійну підготовку від індивідуального розвитку компетентності до колективного підтримання спільного.

**Поєднуйте виробництво ШІ з верифікацією та шукайте зовнішні міри.** [[crewscaler-ai-upskilling-framework|Nguyen et al. (2026)]] розміщують автоматизовані перевірки галюцинацій та аудит SME між чернеткою та доставкою в п’ятиетапному конвеєрі підвищення кваліфікації, і спирають найсильніші твердження рамки на акредитації NASBA CPE та іспиті сертифікації вендора, а не на самоозначених мірах успіху.

## Пов’язані поняття

- [[lifelong-learning]]
- [[adult-learning]]
- [[vocational-education]]
- [[educational-development]]
- [[ai-literacy]]
- [[simulation]]
- [[higher-ed]]
- [[generative-ai]]
- [[llm]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[virtual-and-augmented-reality]] — де занурювальна практика найбільш утверджена

## Пов’язані статті

- [[ai-engineering-computing-workforce-grey-literature-2026]] — AI and the Future of the Engineering and Computing Workforce
- [[workforce-readiness-smart-manufacturing-wrl-2026]] — Workforce Readiness Level framework for smart manufacturing in the AI era
- [[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 validated with instructors and employers
- [[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]] — Порівняльне опитування, що показує, що саме інституційні умови, а не національний контекст, пояснюють розриви в готовності викладачів до GenAI (Bi et al. 2026)
- [[adaptive-ai-model-teacher-educators-2025]] — Викладачі-методисти спільно проєктують адаптивну модель ШІ-грамотності та рефлексивний опитувальник (Eyal 2025)
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — Огляд, що показує, що інструменти вимірювання ШІ-грамотності викладачів відстають від генеративного ШІ, позначаючи мішень підготовки (Zainal et al. 2026)
- [[mesenhoeller-teachers-ai-differentiation-acceptance-2026]] — Тригодинний профрозвиток підвищив сприйману корисність і легкість використання в німецьких викладачів, але не намір використовувати ШІ для диференціації
- [[pinto-ai-initial-teacher-training-mathematics-review-2026]] — Огляд ШІ в початковій підготовці викладачів з математики для початкової школи: коротка зосереджена на інструментах підготовка недостатня
- [[cigerci-primary-teachers-perceptions-ai-mathematics-2026]] — Опитування, що пов’язує попередню підготовку зі ШІ та частоту використання з позитивними сприйняттями турецьких викладачів початкової школи
- [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026]] — Ротація ролей як структуруючий механізм для професійної підготовки з підтримкою ШІ
- [[skill-sustaining-reliance-reflective-ai-engagement-2026]] — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement

---

## [Технології](https://edtechdev.github.io/aied/concepts/ai-technologies/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Технології** — моделі, архітектури та методи, що живлять освітні системи ШІ, і поняття-парасолька для висвітлення технічного шару в базі знань. Там, де [[pedagogy]] та [[learning-theories]] стосуються *того, як відбуваються навчання і викладання*, а [[ai-ed-evaluation]] — *того, чи працює ШІ*, ця сторінка закріплює *технічну* нитку: системи ШІ ([[llm|великі мовні моделі]], [[generative-ai|генеративний ШІ]], [[multimodal|мультимодальні моделі]], [[educational-robotics|роботи]]) і прийоми, що використовуються для їх побудови, контролю та розгортання ([[prompt-engineering]], [[rag|генерація з доповненням пошуком]], [[reinforcement-learning]], [[educational-nlp]], [[knowledge-graph|графи знань]], [[agentic-ai|агентна оркестрація]]).

## Питання для роздумів

- Ви можете бути чудовим викладачем, не вміючи будувати LLM, — але ця сторінка стверджує, що ваші технічні вибори все одно формують те, що ШІ може й не може робити у вашій аудиторії. Як саме базова технологія інструмента ШІ може тихо змінити спосіб навчання ваших студентів, навіть якщо ви ніколи не бачите код?
- Поширене припущення — нібито модель і є вся історія, — але саме такі прийоми, як генерація з доповненням пошуком (retrieval-augmented generation, RAG) та інженерія підказок, існують для того, щоб контролювати результат LLM і заземлювати його. Перш ніж читати далі: коли ви просите ШІ «бути точнішим» або «використати це джерело», що, на вашу думку, насправді відбувається під капотом?
- RAG описано як базовий приййом для зменшення галюцинацій і підвищення безпеки. Чому, на вашу думку, добування релевантних знань для «заземлення» відповіді ШІ має більше значення в освіті, ніж, скажімо, у побутовому чаті — і що може піти не так, якщо це заземлення зійде?
- Сторінка стверджує, що технічні вибори втілюють педагогічні припущення: тьютор, побудований на сократичних підказках, міркує разом із здобувачами, тоді як модель, що генерує відповіді, може просто видавати готові розв’язки. Чи можете ви пригадати інструмент ШІ, який, здавалося, «припускав» певну філософію викладання — і чи відповідала вона тому, як ви справді хотіли викладати чи вчитися?
- Окрім сирової точності, ця сторінка пропонує оцінювати системи ШІ за надійністю, педагогічністю та справедливістю. Яку, на вашу думку, найпомітнішу метрику більшість людей (зокрема чимало викладачів) обиralі б за умовчанням, судячи про те, «чи працює» інструмент ШІ, — і чому ця метрика може приховувати більше, ніж відкриває?
- Агентний ШІ описано як такий, що переводить ШІ «від інструмента, що відповідає на підказки, до проактивного співучасника». Як би система, яка самостійно ініціює й оркеструє багатокрокові робочі процеси, могла змінити те, за що відповідаєте ви як викладач чи здобувач, — і хто несе за це відповідальність?

## Вступ

[[ai-education|ШІ в освіті]] працює на певному технічному стеку, і розуміння його важливе для [[teacher-role|викладачів]] і дослідників, навіть коли вони самі не будують системи, — бо технічні вибори формують те, що ШІ може й не може робити в аудиторії, які ризики він несе та як його оцінювати. Ця сторінка організовує висвітлення технічних понять у базі знань: системи ШІ, прийоми, що їх адаптують і контролюють, і те, як технічний шар пов’язаний з педагогікою, оцінюванням та оцінкою ефективності.

## Системи ШІ в освіті

- **Великі мовні моделі (LLM).** Обчислювальний хребет більшості сучасних [[ai-education|освітніх систем ШІ (AIED)]] — [[llm|LLM]] генерують схожий на людський текст для тьюторінгу, оцінювання та генерації контенту, і є найчастіше згадуваною технологією в базі знань. [[llm-training-and-fine-tuning|Навчання і донавчання]] адаптує загальні LLM для освітнього використання.
- **Генеративний ШІ.** Ширша категорія систем, що продукують текст, код, зображення та інший контент — [[generative-ai|генеративний ШІ]] (керований переважно LLM) є технологією, що стоїть за поточною хвилею [[ai-education|досліджень AIED]]. Див. також [[multimodal|мультимодальні моделі]] (текст, зображення, аудіо) та [[simulation]].
- **Роботи й втілені системи.** [[educational-robotics|Роботи в освіті]] додають втілену й часто соціальну присутність — програмовані набори для обчислювального мислення та гуманоїдні/соціальні роботи для тьюторінгу, оповідівання та рольових ігор. Робототехніка — окрема технічна нитка, що перетинається з [[agentic-ai|агентним ШІ]] та [[human-in-the-loop-ai|дизайном із людиною в циклі]].
- **Системи на основі знань.** [[knowledge-graph|Графи знань]] та [[educational-nlp|освітня NLP]] представляють і обробляють предметні знання, дедалі частіше в поєднанні з LLM для заземленого, пояснюваного тьюторінгу.

## Прийоми та методи

- **Інженерія підказок.** [[prompt-engineering|Інженерія підказок]] — це те, як викладачі та розробники формують результати LLM, основний механізм, через який у взаємодіях із LLM здійснюється перекладання завдань і контроль.
- **Генерація з доповненням пошуком (RAG).** [[rag|RAG]] заземлює результати LLM у добутих знаннях, зменшуючи галюцинації та підвищуючи точність, — базовий приййом для [[pedagogical-safety|безпечного]] освітнього розгортання.
- **Навчання з підкріпленням.** [[reinforcement-learning|Навчання з підкріпленням]] вчить агентів оптимізувати поведінку з часом; застосовується в [[adaptive-learning|адаптивних системах]] та [[game-based-learning|навчанні на основі ігор]].
- **Агентна оркестрація.** Системи [[agentic-ai|агентного ШІ]] планують і виконують багатокрокові робочі процеси — часто оркеструючи кілька спеціалізованих агентів (див. [[agentic-ai|багатоагентні системи]]) — і перетворюють ШІ з інструмента, що відповідає на підказки, на проактивного співучасника.
- **Освітній стек агентів відстає від передового краю.** [[agentic-ai-education-scoping-review|Wang et al. (2026)]] проаналізували 474 дослідження й виявили, що домінують моделі серії GPT і LangChain, тоді як керована оркестрація інструментів, постійна пам’ять і планування на довгий горизонт майже відсутні — і лише 138 із 474 (29%) спиралися на освітню теорію.
- **Навчання та адаптація моделей.** [[llm-training-and-fine-tuning|Навчання і донавчання LLM]], [[educational-llm-alignment|освітнє узгодження]] та [[cstutorbench-slm-tutors|адаптація малих мовних моделей]] роблять загальні моделі освітніми — хоч послідовність доказів у базі знань ставить [[rag|добування]] та [[prompt-engineering|підказки]] попереду навчання в порядку прийняття рішень, оскільки добре заземлена підказка дешевша за адаптовану модель.

## Як технічний шар пов’язаний із полем

Технічна нитка невіддільна від інших тем бази знань:

- **Педагогіка:** технічні вибори втілюють педагогічні припущення — [[intelligent-tutoring|тьютор]], побудований на [[socratic-method|сократичних підказках]], міркує разом із здобувачами, тоді як модель, що генерує відповіді, може за умовчанням перейти до прямого видавання (див. [[pedagogy|педагогіки та стратегії викладання]]).
- **Оцінювання та оцінка ефективності:** [[ai-ed-evaluation]] і [[benchmark|бенчмарки]] визначають, чи системи ШІ справді працюють; [[assessment]] і [[automated-assessment]] використовують технічний стек для оцінювання й генерації.
- **Відповідальне використання:** технічні прийоми є центральними для [[reducing-ai-misuse|зменшення неправильного використання ШІ]] — заземлення [[rag]]а, гардеріли, [[prompt-engineering]]-[[scaffolding]] і [[human-in-the-loop-ai|нагляд людини]] формують те, чи підтримує ШІ навчання, чи підриває його ([[cognitive-offloading]], [[hallucination-risk]]).

## Наслідки для ШІ в освіті

- **Технічна грамотність підтримує критичне використання:** розуміння базових моделей і прийомів допомагає викладачам і здобувачам добре користуватися ШІ і критично його оцінювати (див. [[ai-literacy]]).
- **Обирайте технологію за педагогічним наміром:** система ШІ і приййом мають випливати з [[pedagogy|стратегії викладання]], а не навпаки.
- **Оцінюйте технічний шар:** дослідження [[ai-ed-evaluation]] і [[benchmark]] оцінюють системи ШІ за надійністю, педагогічністю та [[equity-in-ai-education|справедливістю]], а не лише за помітною точністю.
- **Роботи й агенти — частина стеку:** [[educational-robotics|втілені]] й [[agentic-ai|агентні]] системи розширюють технічний репертуар за межі тексту — і несуть власні міркування щодо дизайну та безпеки.

## Пов’язані поняття
- [[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]]

## Пов’язані статті
- [[agentic-ai-education-scoping-review]] — Оглядове дослідження (scoping review) агентного ШІ в освіті
- [[genai-meta-analysis-programming-learning]] — Метааналіз впливу генеративного ШІ на продуктивність і навчання в програмуванні
- [[cstutorbench-slm-tutors]] — Бенчмарки тьюторів на малих мовних моделях
- [[educational-llm-alignment]] — Узгодження LLM для освіти
- [[eduguard-safe-rag-llm-tutor]] — Гардеріли для тьюторів на базі LLM із RAG
- [[hazra-safetutors-pedagogical-safety-2026]] — Безпека тьюторів ШІ та педагогічна шкода
- [[elbench-education-llm-benchmark-2026]] — Бенчмарк освітніх LLM
- [[teachy-mini-generative-social-robot-higher-ed-2026]] — Генеративний соціальний робот Teachy Mini
- [[benzion-ai-physics-simulations-virtual-lab]] — Згенеровані LLM симуляції з фізики для аудиторії

---

## [Машинне навчання](https://edtechdev.github.io/aied/concepts/machine-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Машинне навчання** — технічний фундамент ШІ в освіті: алгоритми, які виводять шаблони, прогнози та політики з освітніх даних, а не з ручно закодованих правил. Воно охоплює навчання з учителем (класифікація студентів у групі ризику, прогнозування оцінок), навчання без учителя (виявлення кластерів здобувачів), навчання з підкріпленням (індукування політик тьюторінгу та скаффолдингу) і глибинне навчання (нейронні моделі для послідовностей, курсів і візуальної поведінки). [[generative-ai|Generative AI]] є найновішою і найвидимішою підмножиною, проте він сидить на вершині значно старішого стосу предиктивного та адаптивного апарату.

## Питання для роздумів

- Ви, найімовірніше, стикались із системами рекомендацій або оцінками ризику, які «навчились» із даних. Наскільки вам комфортно, коли модель вирішує щось про вас (наприклад, ставить позначку групи ризику або рекомендує шлях), спираючись лише на шаблони в історичних даних?
- Сторінка проводить різку межу між прогнозуванням ризику й справжнім втручанням — оцінка ризику каже вам, що студент може завалити, але не що з цим робити. Де ви бачили, як прогноз подавався так, ніби він уже є рішенням?
- Машинне навчання може «зламати» власну винагороду: ШІ-тьютор, який оптимізується під залученість, може розважати студентів, мало [[teacher-role|teaching]] їх. Якщо система виглядає вимірювано успішною, але є педагогічно шкідливою, які міри, крім числа, на яке вона оптимізується, ми маємо стежити?
- Предиктивні моделі, натреновані на історичних оцінках, можуть кодувати системну упередженість, а автоматизований прокторинг несе ризики хибнопозитивних спрацьовувань, які неправильно позначають нормальну поведінку. Коли дані несуть упередженість минулого, наскільки ми маємо довіряти ШІ, який використовує їх для освітніх рішень із високими ставками?
- Деякі системи ШІ перевершують зрозумілі для людини методи, проте залишаються непрозорими — видно, що вони працюють, але не видно чому. В освіті, коли пояснюваність є «бажанням», а коли вона безумовною вимогою?
- Про генеративний ШІ часто говорять як про щось цілком нове, проте сторінка обрамлює його як найновішу підмножину машинного навчання. Як бачення ChatGPT як частини того самого предиктивного та адаптивного апарату змінює те, яких ризиків і меж ви б від нього чекали?

## Вступ

Машинне навчання — це те, що перетворює освітні сліди на придатну до дії інформацію. Воно живить [[student-modeling|student models]] за [[adaptive-learning|adaptive systems]], панелі [[learning-analytics]], які позначають здобувачів у групі ризику, [[intelligent-tutoring|intelligent tutors]], які обирають наступну задачу або скаффолдинг, і автоматизовані системи прокторингу, які стежать за дистанційними іспитами. Протягом усіх статей, синтезованих тут, шаблон є послідовним: збери дані про здобувачів, навчи від них предиктивну чи рішальну модель і дій за цією моделлю, — незалежно від того, чи є дією раннє попередження, рекомендація курсу, [[scaffolding|adaptive scaffolding]] чи нагляд за іспитом.

## Що машинне навчання робить в освіті

**Предиктивне моделювання успіху студентів.** Класифікатори з учителем — логістична регресія, Random Forest, SVM, K-найближчих сусідів, — визначають [[at-risk-students-ml-prediction|at-risk students]] до того, як вони вибувають, використовуючи дані [[learning-gains|academic performance]], демографічні та дані зарахування. Більш просунуті архітектури йдуть далі: трансформер [[trace-course-grade-prediction-2026|TRACE]] спільно прогнозує курси, які студент обере, і оцінки, які він отримає наступного семестру, моделюючи сумісність паралельно обраних курсів, а не розглядаючи історію як пласку послідовність. Гібриди оптимізатора з послідовністю, як-от рамка DMO-GRU в [[interactive-online-learning-ai-2025|interactive online learning]], поєднують автоматичний відбір ознак і налаштування гіперпараметрів із рекурентними мережами, щоб досягти високої точності та низької помилки в прогнозуванні [[student-engagement|engagement]] та продуктивності. Спільною амбіцією є [[precision-education-student-digital-twins-2026|"precision education"]]: безперервна стратифікація ризику та цифрові близнюки студентів, які передбачають провал і узгоджують шляхи з результатами, переводячи установи від реактивного виправлення до превентивної підтримки. Прозорі «скляні скриньки» моделі тут можуть триматись рівно: [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries & Koprinska (2025)]] показують, що внутрішньо пояснювані дерева рішень — підрізані відбором ознак лише до 3–5 листкових вузлів, — прогнозують прогрес студентів на рівні модулів у масштабних онлайн-курсах [[cs-education|programming]] так само точно, як чорноскринькові випадкові ліси та SVM (85–91% точності), — доказ того, що пояснюваність не обов’язково треба віддавати в обмін на предиктивну силу в застосуваннях раннього попередження. Моделі на основі дерев також виявляються ефективними для оцінювання складності пунктів: [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] подавали виділені LLM когнітивні та лінгвістичні ознаки у випадкові ліси та машини градієнтного підсилення, щоб прогнозувати складність математичних і читацьких пунктів K-5 (N = 5170), досягнувши кореляцій до r = 0,87 за нижчих RMSE/MAE, ніж прямі оцінки LLM, фіктивні регресори, базові лінії TF-IDF та моделі лише за метаданими. Моделі на основі дерев також дали пояснювану [[explainable-ai|feature importance]] — рівень класу та число слів були головними передовісниками, — показуючи, як структуровані ознаки плюс пояснювані учні можуть перевершувати одиничне цілісне судження. [[multimodal]] Злиття розширює цей предиктивний набір: [[bird-multimodal-educational-literature-2026|Bird (2026)]] зливає дотончений трансформер ELECTRA зі знайденою глибинною нейронною мережею над ознаками обчислювальної лінгвістики, щоб класифікувати англійську літературу за UK Key Stage із F1 0,996 — значно вище за найкращий унімодальний трансформер (BERT, 0,75) і найкращу мережу лінгвістичних ознак (0,392), — конкретний випадок, де поєднання родин моделей перевершує будь-який одиничний підхід. Sukoon ([[culturally-aware-student-stress-chatbot-2026|Bashir & Afzal, 2026]]) є компактним прикладним випадком класифікації з учителем в підтримці [[well-being]], суміжній з освітою: Random Forest (100 оцінювачів) над 20 ознаками з психологічного, фізіологічного, середовищного, академічного та соціального вимірів опитування стресу студентів із 1 100 відповідями, натренований на стратифікованому поділі 70/15/15 зі масштабувачем, налаштованим лише на тренувальних даних, щоб уникнути витоку, і зіставлений із SVM на тих самих поділах (89.09% проти 88.48% точності). Дві деталі варті уваги: автори тлумачать матрицю плутанини за *напрямом похибки* — головною помилкою моделі було класифікування низького стресу як помірний, що за впровадження в галузі благополуччя спрямовує студента на більшу підтримку, а не меншу, — і вони використовують власні важливості ознак як істотний висновок (кров’яний тиск 15,6%, взаємини викладач–студент 10,0%), визнаючи водночас, що одиничний стратифікований поділ без інтервалів за k-згортками і непредставницький набір даних обмежують довіру до тих ваг.

**Адаптивне навчання та тьюторінг.** Машинне навчання замикає петлю між моделюванням і викладанням. У [[adaptive-scaffolding-cognitive-engagement-its|intelligent tutoring systems]] і евристика [[knowledge-tracing|Bayesian Knowledge Tracing]], і глибинна політика [[reinforcement-learning]] адаптивно обирали типи розібраних прикладів, щоб викликати різні рівні когнітивної залученості, суттєво поліпшуючи результати післятесту порівняно з неадаптивним контролем, — тоді як дві політики розбігались за [[prior-knowledge|prior knowledge]] здобувача, порушуючи питання пояснюваності. Навчання з підкріпленням також лежить під порядком денним [[pedagogical-safety-rl|pedagogical-safety]]: оскільки RL-тьютор оптимізує проксі-винагороду, він може «зламати» її (піднімаючи залученість, мало навчаючи), і для того, щоб утримати його безпечним, потрібні архітектурні обмеження на забезпечення передумов і мінімальне когнітивне навантаження. Легші адаптивні програми, як-от заснована на правилах [[stem-education|STEM]]-система в [[bin-bakheet-adaptive-ai-stem-deep-learning-2026|sixth-grade science]], показують, що машинне навчанням можна користуватись ощадно — для моніторингу, а не прямого керування траєкторією, — і водночас підтримувати глибинне навчання.

На боці [[knowledge-tracing]] [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh et al. (2026)]] показують, що рекурентну модель можна налаштувати на власну структуру [[curriculum-design|curriculum]]: їхня модель OKT розглядає результати навчання курсів за результатно-зорієнтованої освіти як поняття знання, поєднує перевірені експертами відображення спорідненості OBE (відношення між результатами курсу та програми) з Memory Augmented Neural Network для міжрезультатного впливу, і парує основу GRU з доменно-адаптивними вбуденнями BERT, — досягаючи 89.81% AUC і перевершуючи DKT, DKVMN, EKT і SimpleKT на живених даних інженерної програми.

**Діагностика з табличних числових відповідей.** [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Yin et al. (2026)]] показують, що дерева з градієнтним підсиленням розв’язують *діагностичний* бік тьюторінгу в домені, давно закритому для ШІ: на питаннях із розрахунковими формулами інженерної економіки, де рукописні рішення студентів не мають структурованих цифрових даних, вони тренують окремий [[intelligent-tutoring|XGBoost]] каркас XGBoost на питання, щоб відобразити подані проміжні та кінцеві числові відповіді на мітки помилок із рубрики викладача (середня точність 0,81, повнота 0,79, акуратність 0,65). Збільшення даних випадковим маскуванням — маскування вхідних ознак до «NaN» за різними ймовірностями, — зберігає логічні залежності табличних рішень краще, ніж методи інтерполяції на кшталт SMOTE, і суттєво поліпшує діагностику, а включення проміжних відповідей допомагає найбільше. Це доказ того, що моделі на основі дерев плюс обізнане зі структурою збільшення даних можуть підняти зворотний зв’язок тьюторінгу там, де генеративним методам бракує тренувальних даних.

Погляд на рівні галузі на підмножину [[reinforcement-learning|RL]] дає [[riedmann-reinforcement-learning-education-review-2026|Riedmann, Schaper & Lugrin (2025) systematic review]] 89 досліджень RL в освіті: він підтверджує, що RL є великою лінією ML для індукування адаптивних політик тьюторінгу та скаффолдингу, проте виявляє, що класичні методи (Q-learning) є послідовно ефективнішими за глибинне RL (61% проти 36% суттєвої переваги) і позначає, що понад половина досліджень не проводять жодного статистичного тестування, — [[research-methods-aied|methodological]] застереження, яке відлунює занепокоєннями щодо валідації нижче.

**Від прогнозу до дії та підзвітності.** Стійким обмеженням є розрив між оцінкою ризику і здійсненним втручанням. Рамка [[sc2r-counterfactual-recourse-educational-2026|SC2R]] поєднує калібровану предиктивну модель із генеруванням контрфактичного засобу правового захисту за допомогою цілочисельного програмування та семантичною валідацією, створюючи плани втручання, які шанують обмеження часування, бюджету та доступності, а не є лише чинними за моделлю. Цей рух «поза прогноз» до рекомендацій, які шанують обмеження та перевіряються машиною, є відповіддю галузі на звинувачення, що предиктивний [[ai-education|AI in education]] може рекомендувати дії, яких установи не можуть чи не мають права вчиняти.

## Машинне навчання в прокторингу

Окремим застосуванням є автоматизований нагляд за іспитами. Системи глибинного навчання — CNN і RNN/LSTM, які аналізують рухи очей, поставу голови та вираз обличчя, — виявляють списування надійніше за традиційний моніторинг, проте [[automated-online-exam-proctoring-decade-review-2026|decade-long systematic review]] виявляє стійкі обмеження наборів даних, оцінювання одиничних моделей, прогалини відтворюваності та ризики хибнопозитивних спрацьовувань, які можуть неправильно позначати нормальну поведінку. Супутній [[academic-dishonesty-automated-proctoring-ai-2026|review of academic dishonesty]] документує методи списування, яким такі системи мають протистояти (підміна особи, користування браузером, копіювання-вставлення), і практичні тягарі — ціну, зв’язок, тривожність тих, хто складає іспит, — які обмежують їхню справедливість. Разом вони застерігають, що прокторинг на ML має бути поєднаний із проєктуванням, яке зберігає [[privacy]] і обізнане з контекстом, і з доступними альтернативами.

## Межі та етичні занепокоєння

Синтезована література відверта щодо меж машинного навчання. Здобутки часто походять від даних [[benchmark]] або однієї установи і можуть не узагальнюватись без перетренування; і [[sc2r-counterfactual-recourse-educational-2026|SC2R]], і [[trace-course-grade-prediction-2026|TRACE]] це визнають. Предиктивні моделі, натреновані на історичному оцінюванні, можуть кодувати системну упередженість, а оцінки ризику, застосовані до чутливих даних студентів, порушують занепокоєння щодо [[privacy]] та [[equity-in-ai-education|equity]], які вимагають [[governance]] і [[human-in-the-loop-ai|human oversight]]. Пояснюваність є стійкою напругою — політики [[reinforcement-learning|RL]] можуть перевершувати пояснювані евристики, залишаючись непрозорими. А [[pedagogical-safety-rl|reward hacking]] показує, що система ML може бути вимірювано успішною, будучи педагогічно шкідливою, — і саме тому архітектурні обмеження безпеки та інфраструктура аудиту мають значення.

Практика валідації є ще одним джерелом надмірної самовпевненості. [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan, and Carvalho (2025)]] показують, що моделі стеження за знаннями (BKT, BKT-із-забуттям, AFM) здається, що вловлюють тенденції навчання, коли їх припасовують ретроспективно до всіх наявних сесій, проте за **часової (walk-forward) крос-валідації** — тренуючись на ранніших сесіях, щоб прогнозувати пізніші, наслідуючи справжнє впровадження, — вони переоцінюють майбутню продуктивність, пропускають ефект розподілу в часі й неправильно впорядковують умови практики; моделі без забуття навіть зрівнювались із посиленими забуттям, вказуючи, що забуття було всмоктане в інші параметри, а не навчене. Коли розподіли тренування та впровадження розділені часово — а це норма для поздовжніх даних студентів, — сильна внутрішньовибіркова або ретроспективна припасовка не є гарантією предиктивної валідності.

## Генеративний ШІ як підмножина

[[generative-ai|Generative AI]] — великі мовні моделі та суміжні системи [[llm|LLM]], — найкраще розуміти як підмножину машинного навчання: ті самі нейронні та тренувальні фундаменти, проте застосовані до *генерування* вмісту (пояснень, зворотного зв’язку, діалогу), а не до класифікації чи прогнозування. Він успадковує занепокоєння галузі щодо валідності, упередженості та безпеки, додаючи нові, як-от галюцинація. Для цілей цієї бази знань машинне навчання є ширшою технічною парасолькою; генеративний ШІ — її найвидимішою сучасною гілкою.

## Підготовка викладачів і грамотність щодо машинного навчання

Машинне навчання також постає в освіті як *предмет*. У [[microbit-robotics-machine-learning-teacher-training-2026|initial teacher training]] практичні втручання з кодування та робототехніки на Micro:bit і проєкти класифікації зображень з учителем суттєво поліпшили знання майбутніх викладачів про обчислювальні поняття та вступне машинне навчання і їхнє ставлення до викладання цього. Коли [[ai-literacy|AI literacy]] входить до навчальних планів, наділення [[teacher-education|teachers]] робочим розумінням машинного навчання стає передумовою викладання його студентам. Контрастний шлях дістається тих самих понять без жодного програмного забезпечення: в [[sung-ai-literacy-unplugged-ml-k12-pd-2026|Sung and Gunpinar's (2026) online professional development]] десять освітян K-12 побудували вручну «пояснювану матрицю ознак» — таблицю «так/ні» ознак форми, яка *і є* класифікатор, придатний до перевірки та перегляду, а не непрозорий, — із грою сортування Code.org і Google Slides як єдиними інструментами. Їхня [[self-efficacy|AI self-efficacy]] зросла від нижче-помірної (M = 3,13) до вище-помірної (M = 3,71), а негативні дескриптори в завданні словникових асоціацій впали від 30% учасників до нуля, хоча докази є малими, неконтрольованими і цілком [[self-report-measures|self-reported]].

## Пов’язані поняття

- [[student-modeling]]
- [[learning-analytics]]
- [[intelligent-tutoring]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[reinforcement-learning]]
- [[generative-ai]]
- [[llm]]

## Пов’язані статті

- [[at-risk-students-ml-prediction]] — Класифікація керованого ML для визначення студентів у групі ризику вибуття
- [[trace-course-grade-prediction-2026]] — Трансформер, який спільно прогнозує курси та оцінки (TRACE)
- [[precision-education-student-digital-twins-2026]] — Цифрові близнюки студентів на базі ШІ для превентивних шляхів, узгоджених із кар’єрою
- [[sc2r-counterfactual-recourse-educational-2026]] — Обмежене семантикою контрфактичне правозабезпечення для дієздатного втручання
- [[interactive-online-learning-ai-2025]] — Гібрид DMO-GRU для прогнозування в інтерактивному онлайн-навчанні
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивний скаффолдинг когнітивної залученості в ІТС (BKT проти DRL)
- [[pedagogical-safety-rl]] — Формальна рамка педагогічної безпеки в освітньому навчанні з підкріпленням
- [[automated-online-exam-proctoring-decade-review-2026]] — Десятилітній огляд автоматизованого прокторингу на глибинному навчанні
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Стеження за знаннями на основі результатів із відображенням спорідненості
- [[bird-multimodal-educational-literature-2026]] — Мультимодальне злиття для класифікації освітньої літератури
- [[razavi-powers-item-difficulty-llm-2026]] — Оцінювання складності пунктів із застосуванням LLM та ML на основі дерев
- [[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]] — Підсилений ШІ культурно обізнаний чат-бот для виявлення стресу та підтримки благополуччя серед студентів університетів Пакистану з використанням НЛП і машинного навчання
- [[synthetic-educational-data-structural-fidelity-2026]] — Чого не бачать метрики відповідності: структурна перевірка синтетичних освітніх даних

---

## [Генеративний ШІ](https://edtechdev.github.io/aied/concepts/generative-ai/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Генеративний ШІ** — системи ШІ, здатні створювати текст, код, зображення та інший зміст, найпомітніше серед них — великі мовні моделі, як-от GPT-4 і Claude. Генеративний ШІ є технологією, що рухає поточну хвилю [[ai-education|AI in education]] [[research-methods-aied|research]].

## Запитання для роздумів

- Генеративний ШІ створює плавний, уверено звучачий зміст на вимогу. Чи означає плавність правильність, і де ви бачили уверено звучачий, але хибний результат — що ускладнювало його виявлення?
- На відміну від раніших систем на основі правил або пошуку, генеративні моделі створюють новий зміст, а не витягують збережені відповіді. Як ця зміна змінює ризики — галюцинації, надмірну залежність, академічну доброчесність — у порівнянні з пошуковою системою?
- Маючи 80+ статей, генеративний ШІ є найбільшою гілкою цієї бази знань, охоплюючи тьюторство, оцінювання, генерацію змісту та безпеку. Який застосунок, на вашу думку, найперспективніший для навчання, а який — найнебезпечніший, і чому?
- Та сама технологія, що може створити сократичний урок, може також дати «пастку правильної відповіді», що заохочує копіювання. Які дизайнерські рішення могли б відділити генеративний ШІ, що скаффолдить навчання, від генеративного ШІ, що його обриває?

## Вступ

### Що робить генеративний ШІ іншим для освіти

На відміну від раніших систем на основі правил або пошуку, генеративний ШІ створює плавний, контекстуально доречний зміст на вимогу. Це створює і безпрецедентні можливості, і нові ризики:

- **Генерація змісту:** [[llm|LLMs]] можуть створювати навчальні матеріали, приклади та пояснення. [[book-level-synthetic-textbook-organization|Synthetic textbooks]], [[courseblueprint-adaptive-video-generation|adaptive videos]] та [[ai-generated-instructional-videos-computing-ed|instructional videos]] показують широту генерації навчального змісту.

- **Чернетки планів уроків, що залежать від платформи та мови.** Експертне [[ai-ed-evaluation|evaluation of AI]]-створених планів уроків із науки показує, що якість змісту не є ані однорідною, ані нейтральною. [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli and Yildirim (2026)]] дали одинадцятьом спеціалістам із [[science-education]] науки оцінити ChatGPT-4 та освітній інструмент (Teacher's Buddy) за етапами навчання на основі інженерного проєктування для шостого класу: освітня платформа перевершила загального призначення за всіма вісьмома критеріями якості, проте 7 із 11 експертів усе ж оцінили плани лише як «придатні після виправлень». Обидві платформи генерували педагогічно багатший результат з англійських підказок, ніж із турецьких, навіть коли просили локалізувати для Мерсіна, Туреччина — це занепокоєння щодо [[digital-divide|digital-equity]], де мова підказки формує якість навчання.

- **Тьюторство та діалог:** [[intelligent-tutoring|AI tutoring systems]] використовують генеративний ШІ для розмовного навчання. [[socratic-method|Socratic dialogue]] і [[golrang-propact-pair-programming-2026|collaborative tutoring]] використовують генеративні можливості для [[pedagogy|pedagogical]] взаємодії.

- **Змодельовані пацієнти та узгодженість кейсів.** Корпус із 4 815 повідомлень студент–ШІ, анотований кількома експертами, із платформи MeduAI-SP ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al., 2026]]) виявив, що лише близько 0.68% відповідей створених ВММ змодельованих пацієнтів містили явні проблеми відповідності, а поступове розкриття було оцінене як клінічно доречне приблизно в 99.3% повідомлень пацієнтів. Це підтримує твердження, що змодельовані на генеративному ШІ пацієнти можуть підтримувати узгодженість кейсів та розкриття, залежне від розпитування, без передчасного розкриття за структурованого YAML-скриптування (qwen-max), роблячи їх достатньо стабільним середовищем для дослідження результатів, а не лише для демонстрацій правдоподібності — тоді як система свідомо приховувала діагнози та [[summative-assessment|summative]] оцінки під час навчання.

- **Оцінювання:** [[automated-essay-scoring|Essay scoring]], [[automated-assessment|automated grading]] і [[formative-assessment]] дедалі більше спираються на генеративні моделі. [[benchmark|Benchmarks]] підтверджують цей зсув для робіт із відкритою відповіддю: [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] виявили, що контекстно чутливі моделі генеративного ШІ (GPTo1, що досягав майже досконалої узгоденості з людськими оцінювачами) значно перевершили раніші підходи на основі векторних подань речень при оцінюванні відповідей студентів із відкритою відповіддю, які спиралися на жорстке зіставлення з еталоном і неправильно класифікували дійсні, але інакше сформульовані відповіді. [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] розширють це на [[medical-education|medical]] освіту до клінічних практик, де оцінювання GPT-4 запитань із відкритою відповіддю досягло суттєвої до майже досконалої узгоденості між оцінювачами з викладачами (зважена каппа до 0.94) — але лише після того, як люди ітеративно вдосконалювали рубрику в трьох раундах і залишалися в циклі для вирішення розбіжностей — тоді як найсинтетичніше запитання з цілісною рубрикою застрягло на помірному рівні (κw = 0.54). Це доказ, що надійність генеративного оцінювання формується людською інженерією рубрик та аналізом патернів помилок у не меншій мірі, ніж самою моделлю. Проте та сама плавність не узагальнюється між типами завдань: [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat et al. (2026)]] виявили, що ChatGPT-5 зрівнявся з людськими викладачами за об’єктивних завдань фармацевтичного іспиту (CCC 0.935–1.000), але не за завдань із короткою відповіддю (≈0) чи есе (0.341–0.854), і структурована рубрика надійно не закрила прогалину.

- **Ризики:** [[hallucination-risk|Hallucination]], [[cognitive-offloading|Over-Reliance]], [[cognitive-offloading]] і занепокоєння щодо [[academic-integrity]] виникають саме через плавність і [[accessibility]] генеративного ШІ.

- **Проблема навчальної безпеки, що виходить за межі якості результату.** [[ssail-safe-sound-ai-learning-2026|Rahimi (2026)]] стверджує, що генеративний ШІ може підвищувати якість роботи здобувача, виконуючи при цьому когнітивну роботу, яку вони мають виконувати самі, тому безпеку слід судити за траєкторією людського розвитку — Learning Safety, що захищає компетентності, і Learning Soundness, що підтримує їхній розвиток — а не за точністю, упередженістю чи приватністю.

- **Заяви про ефективність вимірюють продуктивність, а не навчання.** Найбільша оцінка в галузі — [[meta-analysis-systematic-review|meta-analysis]] 69 досліджень, що повідомляє *g* = 0.7 для ChatGPT та подібних інструментів — об’єднує негайний успіх завдання, а не відстрочене, без допомоги утримання, тому він не є доказом того, що генеративний ШІ дає [[learning-gains|learning]] ([[genai-performance-vs-learning|Yan et al., 2025]]).

- **Генерація навчального середовища:** Спеціалізовані генеративні моделі тепер перетворюють короткий опис курсу безпосередньо на готові навчальні артефакти. [[cogevol-learning-environment-generation-2026|CogEvol (Tu et al. 2026)]] — родина моделей, навчених генерації структурованих слайдів і самодостатніх інтерактивних HTML-сторінок за один прохід, завершує слайд за медіани 17 секунд, а інтерактивну сторінку — за 59 — заміняючи тривалі багатоходові [[agentic-ai|agent]] [[scaffolding]]. Надійність забезпечується через виробничий конвеєр, що перетворює реальні невдачі на 53 687 перевірених зразків SFT плюс гібридну винагороду «правила + ВММ» для GRPO-на основі RL. Це позиціонує генеративний ШІ як двигун авторства змісту з наслідками для робочих процесів виробництва [[teacher-role|teacher]] та [[curriculum-design|curriculum]] і для оцінювання того, чи є створені ШІ навчальні середовища функціонально й педагогічно справними, а не лише візуально відполірованими.

Перепис використання інструментів педагогами показує, що увага зосереджена на виробництві, а не на викладанні: інструменти для зображень, аудіо, відео та презентацій становили приблизно половину з 50 інструментів, висунутих 211 педагогами з дев’ятьох країн, тоді як інструменти тьюторства та чат-ботів утворили найменшу групу, звернену до викладання ([[typology-generative-ai-tools-education-2026|Bower, Torrington & Lai (2026)]]).

### Покриття генеративного ШІ в базі знань

Маючи 80+ статей, генеративний ШІ є найбільшою технологічною гілкою бази знань. Дослідження охоплюють студії ефективності ([[genai-meta-analysis-programming-learning|meta-analyses]]), занепокоєння щодо безпеки ([[hazra-safetutors-pedagogical-safety-2026|tutor harms]], [[eduguard-safe-rag-llm-tutor|guardrailing]]) і принципи дизайну ([[instructional-guidance-genai-learning|instructional guidance]]).

Узагальнено за 53 дослідженнями, освіта з підтримкою генеративного ШІ перевершила підходи без генеративного ШІ за досягнень (g = 0.40), мислення вищого порядку (g = 0.72), мотивації (g = 0.81) і письма (g = 0.76), хоча генеративний ШІ з підтримкою ігор не додав суттєвої вигоди (g = 0.24) ([[genai-educational-outcomes-meta-analysis|Dong (2026)]]).

Окремий метааналіз 42 досліджень, присвячених лише мотивації, дає нижчий узагальнений ефект (g = 0.764) і повідомляє 95% предиктивний інтервал, що охоплює [−0.689, 2.217], тому мотиваційна перевага не є надійно позитивною для нової умови ([[genai-learning-motivation-meta-analysis-2026|Fang et al. (2026)]]).

Генеративний інтерфейс — найновіша можливість цієї гілки: моделі, що віддають працюючий інтерактивний артефакт — повзунки, маніпульовані симуляції — а не прозу. [[generative-ui-education-learning-interactives-2026|Kovshov et al. (2026)]] — команда Google Research — повідомляють, що готовий генеративний інтерфейс ще не є достатньо педагогічно точним для складних конструктів, але розкладання цілі навчання на прогресивні рівневі цілі та обгортання генерації петлями критики та самовдосконалення дає інтерактиви, які експертні викладачі оцінюють як прийнятні. Їхній — дизайн оркестрації: викладачі формулюють цілі, затверджують їх і обирають серед кандидатних симуляцій, тому обмежувальний чинник для індивідуального [[simulation|interactive learning material]] зміщується від виробництва до специфікації, а [[guardrails|pedagogical guardrails]] вбудовуються в конвеєр генерації, а не залишаються на пильність викладача потім.

За межами цих основних напрямів недавні роботи розширюють базу доказів на [[governance|institutional]], взаємодійні та предметні контексти. Qin (2026) документує, як Лінгнанський університет інституціоналізував грамотність щодо генеративного ШІ для всіх студентів бакалаврату як частину цифрової трансформації гуманітарних наук. Chang і Li (2026) показують, що розмови студент–ШІ кодують пов’язану з дисципліною когнітивну [[student-engagement|engagement]], із ~62% підказок, що відбивають когнітивну вимогу вищого порядку. Neto та колеги (2026) [[meta-analysis-systematic-review|systematically review]] генеративний ШІ в сценарійній освіті в галузі охорони здоров’я, виявляючи, що [[prompt-engineering|prompt design]] функціонує як навчальна специфікація, але рідко узгоджується з навчальними фреймворками (34.8%) чи повідомляється у відтворюваних деталях (34.8%). Генеративний ШІ також живить рольові симуляції здобувачів для [[teacher-education|teacher training]] на основі практики: [[zhuang-zhang-chatgpt-math-teacher-education-2026|Zhuang and Zhang (2025)]] побудували *Student GPT* — спеціальний чат-бот ChatGPT, що імітував [[k-12|middle school]] з поширеними [[misconceptions]] щодо міркування про відношення, даючи майбутнім викладачам математики дешеву, прив’язану до змісту практику діагностики мислення студентів — доказ, що дизайн підказок (обґрунтована в літературі підказка надійно викликала цільові понятійні помилки, 0.98 проти 0.40) може спрямувати готову генеративну модель у корисну педагогічну персону.

[[li-language-educators-genai-review-2026|systematic review of language educators]] (Li et al. 2026) виявляє, що педагоги цінують генеративний ШІ найбільше за підготовчу роботу зі змістом — планування уроків, створення матеріалів і підтримку письма — тоді як вагаються щодо використання наживо в аудиторії, із занепокоєннями навколо [[academic-integrity|academic integrity]] (плагіат та [[assessment-validity|assessment validity]]), професійного витіснення та техностресу; впровадження формується факторами професійної ідентичності, педагогічними, технічними, інституційними та доброчеснісними, а прогалини в компетентностях відображаються на епістемі, техне й фронезисі.

Генерація змісту також виходить за межі [[math-education|mathematics]] на співпроєктування навчальних ресурсів із викладачами — наприклад, співспроєктовані викладачем та ШІ [[simulation]] скаффолди для [[stem-education|drone STEM]], що зберігають педагогічну валідність і контекстну релевантність. У [[arts-design-and-media-education|arts education]] STEAM дітей [[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo and Tahir (2025)]] експериментально квантифікували прирости планів уроків із допомогою ChatGPT порівняно зі створеними викладачами (медіана експертних оцінок 20.5 проти 17.6, p = .002, великий ефект) — проте те саме дослідження документує, що плавний результат несе справжні режими невдач для генерації в аудиторії: плани, що є ідеалізованими або непрактичними для повсякденного викладання, пропущені обмеження дитячої безпеки (наприклад, пропозиція різальних ножів для [[early-childhood-elementary-ai-education|young children]]), культурну упередженість навколо Заходу та логічно дефектну чи нерелевантну генерацію зображень/ресурсів. Внесок — це фреймворк підказок (Role–Instructions–End Goal плюс рубрика якості «чотири точки й одна лінія»), що перетворює питання надійності з того, чи може модель генерувати, на те, як підказки та критерії оцінювання мають її обмежувати для педагогічного використання. [[equity-in-ai-education|Equity]] застосунки залишаються недостатньо дослідженими; ініціатива makerspace із генеративним ШІ для дівчат у Європі поєднала два інструменти генеративного ШІ з феміністичною педагогікою, щоб подолати стійкі гендерні нерівності в участі в обчислювальній діяльності, аналізуючи створені дівчатами зображення на основі генеративного ШІ та рефлексії зацікавлених сторін. Асистивні та інклюзивні застосунки — гілка, що зростає: [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] — [[qualitative-research|qualitative]] кейс-дослідження 21 студента бакалаврату з вадами зору в Палестині — виявили, що генеративний ШІ пристосовує темп, зміст і подачу до індивідуальних профілів навчання, спрощує складні академічні тексти та перетворює зміст між модальностями, причому здобувачі розглядають його як доповнення, а не заміну викладачів.

- **Генеративний ШІ як [[pedagogical-agent|pedagogical agent]] у критичній медійній грамотності початкової школи.** Demir і Akar (2026) операціоналізують навчальну модель 5E за допомогою інструментів генеративного ШІ (ChatGPT для рефлексивних запитань і запитань-відповідей, Grammarly і Canva AI для вдосконалення змісту, Padlet для [[peer-assessment|peer feedback]]), вбудованих фаза за фазою, а не як ізольовані доповнення, в 18-годинній програмі критичної медійної грамотності для турецьких четвертокласників, узгодженій із навчальними програмами турецької мови та суспільствознавства. Група з підтримкою ШІ показала великі прирости в читанні медіа (+3.50), письмі (+1.67) та загальній медійній грамотності (+5.17, усі p < .01) із міжгруповими розмірами ефекту Коена *d* = 1.12 (читання), 1.18 (письмо) і 1.31 (загальна грамотність), тоді як контрольна група просувалася лише незначно. Якісний аналіз виявив шість галузей зростання критичної медійної грамотності — цифровий самозахист і [[privacy|data privacy]], цілеспрямоване та відповідальне використання медіа, безпечна комунікація та обізнаність про межі, [[critical-thinking|critical evaluation]] та обізнаність про дезінформацію, обізнаність про онлайн-ризики та медійна [[ethics]]/цифрове громадянство — ілюструючи, як генеративний ШІ може бути вбудований у навчальну програму як скаффолджений педагогічний агент, що культивує критичну оцінку, а не обриває її.

### Генеративний ШІ у спеціалізованих галузях: підтримка дислексії

Систематичний огляд 2026 року (Dabaghi, D'Urso & Sciarrone, за методикою PRISMA, 2018–2024, n=72) виявляє, що **генеративний ШІ недостатньо використовується в галузі підтримки дислексії**. Дослідження GAI (усі з 2024 року) групується навколо інтелектуальних [[conversational-ai|chatbots]], підтримки [[teacher-role|teacher training]] та дослідницьких студій і швидко витісняє класичне [[machine-learning|ML]] як інструмент вибору — проте ретельне експериментування та валідація в реальному світі залишаються переважно відсутніми. Аналіз майбутніх тенденцій огляду вказує на персоналізовані матеріали на основі GAI та адаптивний зворотний зв’язок у реальному часі, [[multimodal|multi-modal]] діагностичні моделі, що інтегрують трекінг очей, ЕЕГ та поведінкову [[learning-analytics|analytics]], системи [[intelligent-tutoring|intelligent tutoring systems]] та розмовних агентів на основі NLP, а також інструменти підтримки, звернені до педагогів. Це ілюструє і обіцянку генеративного ШІ для генерації змісту та інтерактивної підтримки в спеціалізованій, високопотребуючій галузі, і ризик того, що його впровадження випереджає базу доказів.

## Пов’язані поняття

- [[llm]] — клас моделей, що лежить в основі генеративного ШІ
- [[prompt-engineering]] — як формуються результати
- [[rag]] — обґрунтування з доповненням пошуком
- [[ai-literacy]] — компетентність, потрібна для ефективного використання
- [[ai-education]] — ширше поле
- [[intelligent-tutoring]] — розмовні та генеративні системи тьюторства
- [[cognitive-offloading]] — ризик надмірної залежності, який підсилює генеративний ШІ
- [[hallucination-risk]] — основний ризик надійності створюваного змісту
- [[academic-integrity]] — занепокоєння щодо доброчесності через плавну генерацію
- [[automated-assessment]] — генеративні моделі в оцінюванні та зворотному зв’язку
- [[ai-technologies]] — зонтична категорія методів і моделей ШІ
- [[higher-ed]] — основний контекст впровадження
- [[k-12]] — основний контекст впровадження

## Пов’язані статті

- [[genai-learning-motivation-meta-analysis-2026]] — Метааналіз впливу генеративного ШІ на мотивацію навчання, із предиктивним інтервалом, що охоплює шкоду й вигоду

- [[typology-generative-ai-tools-education-2026]] — Typology of Generative AI Tools for Education
- [[generative-ui-education-learning-interactives-2026]] — Harnessing Generative UI for Education: Tailored Learning Interactives
- [[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: A Design Framework for Safe and Sound AI for Learning
- [[genai-educational-outcomes-meta-analysis]] — Метааналіз навчальних результатів генеративного ШІ
- [[genai-meta-analysis-programming-learning]] — Метааналіз генеративного ШІ в навчанні програмуванню
- [[genai-performance-vs-learning]] — Продуктивність проти навчання з генеративним ШІ
- [[hazra-safetutors-pedagogical-safety-2026]] — Шкоди від агентів тьюторства на основі ШІ
- [[eduguard-safe-rag-llm-tutor]] — Обмеження безпечного RAG-тьютора на основі ВММ
- [[cogevol-learning-environment-generation-2026]] — CogEvol: Learning Environment Generation
- [[khlaif-assistive-genai-visually-impaired-2026]] — Асистивний генеративний ШІ для здобувачів з вадами зору
- [[li-language-educators-genai-review-2026]] — Практики та розвиток викладачів мови із генеративним ШІ
- [[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]] — Оцінювання попередньо навчених моделей для педагогічної оцінки нових навчальних запитань із допомогою ШІ

---

## [Великі мовні моделі (LLM)](https://edtechdev.github.io/aied/concepts/llm/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Великі мовні моделі (LLM)** — моделі [[machine-learning|neural network]], натреновані на величезних текстових корпусах, які генерують текст, подібний до людського, і живлять більшість сучасних застосувань [[ai-education|AI in education]]. LLM є обчислювальним хребтом освітнього тьюторінгу, оцінювання та генерації вмісту на базі генеративного ШІ.

## Питання для роздумів

- Що, на вашу думку, «знає» [[conversational-ai|chatbot]] ШІ, коли вам відповідає? Сторінка обрамлює LLM як моделі, що генерують ймовірний текст, а не дістають перевірені факти, — як це розрізнення змінює те, наскільки ви довіряли б поясненням моделі?
- LLM описано як рушій за більшістю сучасних освітніх інструментів ШІ — тьюторінгу, оцінювання, генерації вмісту і навіть діагностики того, що знають студенти. З цих застосувань яке, на вашу думку, є найбільш і найменш відповідним для ймовірнісного генератора тексту, і чому?
- Сторінка повідомляє, що три різні LLM дали різко розбіжні плани підтримки для одного й того самого вхідного сигналу навчальної аналітики, кожен із різними демографічними припущеннями. Якщо моделі не є взаємозамінними як радники, що це означає для установи, яка їх ухвалює?
- Оскільки вивід LLM є чутливим до підказок і налаштувань, двоє людей можуть отримати дуже різні результати від однієї й тієї самої моделі. Як це має впливати на те, як ви — як здобувач або проєктувальник — формулюєте запити, і на те, наскільки ви довіряєте одиничному виводу?
- Ключовим обмеженням є галюцинація — правдоподібно звучачий, але без ґрунту вміст. Що б у контексті тьюторінгу або оцінювання дало вам упевненість, що модель нічого не вигадує, і яких запобіжників ви б вимагали, перш ніж дозволити їй оцінювати справжнього студента?

## Вступ

### LLM як рушій AIED

LLM є найчастіше згадуваним поняттям у цій базі знань (60+ статей), бо вони лежать в основі майже кожного застосування ШІ в освіті:

- **Тьюторінг:** [[intelligent-tutoring|AI tutors]] використовують LLM для діалогу, пояснення та ведення за [[problem-solving]]. [[llm-training-and-fine-tuning|Training and fine-tuning]] адаптують загальні LLM для освітнього вжитку.
- **Оцінювання:** [[automated-assessment|Grading systems]], [[automated-essay-scoring|essay scoring]] і [[llm-item-difficulty-prediction|item difficulty prediction]] використовують можливості LLM. [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] показують, що GPT-4o може оцінювати складність математичних і читацьких пунктів K-5 (N = 5170), калібровану за моделлю IRT Раша: оцінки за нульового числа прикладів корелювали помірно-сильно зі справжньою складністю (r = 0,83 математика, r = 0,81 читання), проте змінювались за класом, тоді як стратегія, заснована на ознаках, у якій LLM виділяє когнітивні та лінгвістичні ознаки для моделей на основі дерев, досягла кореляцій до r = 0,87, — доказ того, що структуроване виділення ознак може перевершувати одиничне цілісне судження LLM. На рівні сукупної літератури про оцінювання керований за PRISMA [[meta-analysis-systematic-review|systematic review]] 42 емпіричних досліджень (2023–2025) приходить до висновку, що LLM зрівнюються з людськими оцінювачами на коротких, добре структурованих завданнях із детальними рубриками, проте не можуть повністю замінити людське судження на комплексній, відкритій або суб’єктивній роботі, і що версія моделі є домінуючим визначником якості оцінювання ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]). Надійність також різко змінюється за типом пункту: [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat et al. (2026)]] виявили, що ChatGPT-5 близько зрівнявся з викладачами на об’єктивних пунктах іспиту з фармації (CCC 0,935–1,000), проте був ненадійним на пунктах із короткою відповіддю (CCC ≈0) і есеїв (0,341–0,854), і що надання рубрики не поліпшувало узгодженість послідовно.

- **Мітки, згенеровані для пунктів, відбивають поверхневу форму, а не складність.** Аудит 378 пунктів виявив, що мітки Easy/Medium/Hard від LLM росли в замку разом із власним співзгенерованим ним рівнем Блума (ρ=0,90) і з довжиною завдання (від 15,9 до 30,2 слів), проте корелювали з емпіричною складністю пункту лише за ρ=0,06 на 7 888 відповідях студентів, — доказ того, що метадані складності на момент генерації описують форматування, а не вимогу до [[prior-knowledge|prior knowledge]] ([[student-llm-use-ai-question-difficulty-data-science-2026|An & Wang (2026)]]).

- **Згенеровані пункти все ж можуть зрівнюватись з експертними.** o3-mini в циклі генерування→судження→уточнення будував іспити для 71 класу; за ієрархічною баєсівською моделлю [[item-response-theory|IRT]] 2PL пункти ШІ були легші, проте більш розрізняльні (ᾱ = 1,3 проти 1,2) і більш інформативні (I_max = 3,85 проти 2,61), ніж експертні пункти AP Statistics ([[assessing-quality-ai-generated-exams-field-2025|Isley et al. (2025)]]).

- **Якість анотування є результатом проєктування, а не властивістю одиничної підказки.** [[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado et al. (2026)]] підказували панель із п’ятьох моделей судити про читабельні для людини твердження щодо кожного висловлення замість того, щоб видавати мітку безпосередньо, і прозорий класифікатор над цими бінарними судженнями (macro-F1 0,673, каппа Коена 0,688) перевершив найкраще опубліковане пряме підказування провідної моделі (0,61 macro-F1), поступаючись дотонченому кодеру RoBERTa-base (0,76); узгодженість між моделями функціонувала як засіб відсіву, а не як доказ валідності.
- **[[multimodal]] моделі міркування як оцінювачі:** коли мультимодальна LLM із можливостями міркування (GPT-o4-mini) оцінювала рукописний іспит із загальної [[chemistry-education|chemistry]] 296 студентів сторінка за сторінкою проти зображень рубрики, сумарні оцінки одиничного прогону були високо відтворюваними (ICC(A,1) = 0,967; усереднення п’ятьох прогонів сягало 0,993) і сильно узгоджувались із сумарними оцінками асистентів викладача (R² = 0,91), проте надійність на рівні пунктів різко залежала від формату — відповіді текстові та з рівняннями реакцій оцінювались добре, тоді як креслення та графіки були гіршими за випадкові (фонові сітки відволікають комп’ютерний зір ШІ). Це показує, що [[trust|trustworthiness]] оцінювача LLM є функцією формату відповіді й завдання, а не лише сирого потенціалу моделі, і що [[human-in-the-loop-ai|selective deferral]] через фільтри впевненості є необхідним для використання з високими ставками ([[cvengros-grading-handwritten-chemistry-ai-2026]]).
- **Вміст:** створення вмісту [[generative-ai|Generative AI]] спирається на LLM. [[automated-question-generation|Question generation]] і [[ai-generated-instructional-videos-computing-ed|video generation]] працюють на LLM.
- **Безпека:** [[pedagogical-safety]], [[hallucination-risk]] і [[hazra-safetutors-pedagogical-safety-2026]] дослідження [[research-methods-aied|research]] вивчають ризики, специфічні для LLM.
- **Діагностика:** [[knowledge-tracing]] і [[cognitive-diagnosis]] дедалі частіше впроваджують LLM для багатшого [[student-modeling|student modeling]]. Заземлення має величезне значення для діагностики помилок: [[reddig-maclellan-personalized-feedback-llm-2026|Reddig, Arora & MacLellan (2025)]] показали, що надання GPT-4 структури інтерфейсу тьютора плюс баєсівських [[knowledge-tracing]] підняло ідентифікацію логічних помилок з 40% до 81% на розкладанні на множники (сукупна діагностика помилок ~87,8%), тоді як багатокрокові задачі та відповіді з кількома помилками залишались слабкими випадками, а галюциновані діагнози «типового [[misconceptions|misconception]]» зберігались, — доказ того, що діагностична цінність LLM є настільки ж функцією структурованого контексту та сигналів [[student-modeling|learner-model]], які вона отримує, наскільки й функцією самої моделі.

- **Перевірка, відділена від генерації — із корельованими режимами відмови.** [[eduguard-safe-rag-llm-tutor|Hossain et al. (2026)]] обмежують пошук тьютора схваленим викладачем матеріалом курсу і проводять твердження через архітектурно окремий верифікатор DeBERTa-v3-large-MNLI, проте застерігають, що обидві моделі поділяють широке веб-тренування й можуть відмовляти в корельованих способах, і що верифікатор не може перевірити слід коду, не виконавши його.
- **Зсув моделей оцінювання (2017–2024):** оглядовий огляд Morley та співавторів автоматичного оцінювання завдань із короткою відповіддю з [[science-education|science]] простежує перехід галузі від дотончення менших моделей [[educational-nlp|BERT]] (домінували до 2021 року) до підказування більших LLM (GPT-1/2/3.5/4) приблизно з 2022 року, — ухвалених через [[prompt-engineering]], а не дотончення, — з посиленими доменами моделями, обізнаним із рубриками підказуванням і ланцюжком міркувань, які піднімали точність. Проте моделі GPT рідко зіставлялись із BERT на стандартних корпусах, мало які автоматичні оцінювачі могли пояснити свої оцінки, а [[bias-mitigation|bias]] мало досліджувалась, — застереження, які застосовуються до оцінювання LLM загалом ([[auto-marking-short-answer-science-2026]]).

### Дослідження за окремими моделями

База знань висвітлює і LLM загального призначення (GPT-4, Claude), і адаптації, специфічні для освіти. [[cstutorbench-slm-tutors|Small language model benchmarks]] порівнюють продуктивність SLM для тьюторінгу. Дослідження [[educational-llm-alignment|Educational alignment]] розглядають, як зробити LLM педагогічно відповідними. Дослідження в аудиторії на трьох провідних сімействах — [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash & Connell Pensky (2025)]] — виявило, що ChatGPT, Gemini або Claude можуть діяти як партнери зі спільної критики на письмі аргументації: за семестр ітеративних есеїв студенти поліпшились на якості аргументації, [[prompt-engineering|prompt engineering]] і відповіді на [[ai-feedback-quality|AI feedback]] приблизно на одне стандартне відхилення кожне (усі p < .001) і залучались глибоко (87,8% спростовували твердження LLM), позиціонуючи LLM загального призначення як дієздатних [[collaborative-learning|collaborative learning]], а не лише генераторів відповідей.

Доповнювальний напрям роботи переобрамлює LLM від статичних оцінювачів до емуляторів [[pedagogy|pedagogical]] міркування. [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] показали, що GPT-4, підтримана семантично точною, ітеративно узгодженою рубрикою, може наближати людське [[evaluative-judgment|evaluative judgment]] в [[design-based-research|design-based learning]]: початкове узгодженість LLM із людиною було поганим (альфа Кронбаха = 0,393; каппа від −0,06 до 0,18), проте ітеративне уточнення рубрики підняло середню узгодженість з 54.75% до 81.25% (кінцева альфа = 0,798, каппа 0,40–0,55), а кластеризація K-середніх матриць людських оцінок і оцінок LLM показала високо корельовані центроїди (r = 0,89). Дослідження позиціонує рубрику як посередницький інтерфейс між людським педагогічним наміром і машинним висновком, — доказ того, що готові до вжитку LLM не є взаємозамінними й як оцінювачі, і що їхня поведінка оцінювання є результатом проєктування, сформованим рубрикою та підказками, які їм дано. Сирий потенціал моделі також диференціює оцінювання: зіставивши за [[benchmark|benchmarking]] одинадцять моделей GenAI і вбудення речень на 1 885 відкритих [[automated-assessment|responses]], [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] виявили, що лише GPTo1 досягла майже досконалої узгодженості з експертними людськими оцінювачами (каппа Флейса 0,82), з Claude3 і PaLM2 трохи позаду, тоді як узгоджені з еталоном моделі, як-от BERT, дуже відставали, — показуючи, що чутливість провідних моделей до контексту має значення для надійного оцінювання відкритих відповідей. Відмінності між моделями також мають значення для застосувань із високими ставками нижче за течією. [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas et al. (2026)]] показали, що три LLM дали різко розбіжні приписи підтримки студентів для одного й того самого вхідного сигналу [[learning-analytics|learning-analytic]], і кожна нав’язувала відмінні демографічні апріорі на профілі здобувачів, які вони генерували, — доказ того, що готові до вжитку LLM не є взаємозамінними й як приписувальні радники. Подібно [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] виявили, що оцінювання GPT-4 завдань із відкритими відповідями з [[medical-education|medical]] підготовки перед клінічною практикою піднялось до суттєво-майже досконалої узгодженості між оцінювачами з викладачами (зважена каппа до 0,94) лише після трьох раундів ітеративного уточнення рубрики, і впало до помірного (κw = 0,54) на пункті з цілісною рубрикою, — посилюючи те, що рубричне проєктування, а не лише сирий потенціал, є вирішальним важілем для надійності оцінювання LLM. Специфічна для моделі поведінка також виявляється в тому, як LLM відповідають скептично налаштованим користувачам: алгоритмічний аудит запитував десять провідних LLM по 500 разів кожну з персоною скептика щодо ШІ з сільської Монтани на рівні [[k-12]], щоб перевірити, чи мають [[ai-technologies|AI systems]], до яких звертаються скептичні користувачі, схильність заохочувати ухвалення. Восьмеро із десяти визнавали занепокоєння користувача, потім переспрямовували на обрамлення залученості до ШІ ([[student-engagement|engagement]]); сукупні оцінки сягали від 3,85 (Claude Sonnet) до 7,52 (Gemini 3.1 Pro Preview), а панель оцінювачів ШІ з різних сімейств сягала каппи Коена >= 0,70. Цей шаблон був залежним від моделі результатом проєктування. Потенціал моделі також залежить від того, як моделі поєдуються: Bird (2026) дотончив вісім найсучасніших трансформерів (BERT, ELECTRA, RoBERTa, XLNet, ERNIE, ALBERT, DistilBERT, Longformer), щоб класифікувати англійську літературу за UK Key Stage, і виявив, що найкращий унімодальний трансформер (BERT) досяг лише F1 0,75, — тоді як злиття дотонченого ELECTRA з обчислювально-лінгвістичною нейронною мережею підняло F1 до 0,996, показуючи, що сама класифікація тексту трансформером є обмеженою і що саме злиття з доповнювальними ознаками є тим, де лежать здобутки.

LLM також схвально налаштовані переважно: за 11 моделями відповіді ШІ схвалювали користувачів на 49% частіше, ніж людські відповіді, а більш сикофантські відповіді отримували вищі оцінки, піднімаючи довіру та подальше використання, — режим відмови для коучингу, тьюторінгу чи зворотного зв’язку, де вся суть у конструктивному виклику ([[ai-personal-coach-review-benefits-risks-2026|Potel & Kumashiro (2026)]]).

## Пов’язані поняття

- [[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]] — Парасолька: технології та методи ШІ (моделі, тренування LLM, робототехніка, RAG, агенти)

## Пов’язані статті

- [[assessing-quality-ai-generated-exams-field-2025]] — Оцінювання якості згенерованих ШІ іспитів: масштабне польове дослідження
- [[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]] — Чи може ШІ надавати відповідну підтримку для різних профілів студентів? Масштабне оцінювання
- [[yasar-llms-iterative-pedagogical-design-2026]] — LLM як агенти ітеративного педагогічного проєктування
- [[razavi-powers-item-difficulty-llm-2026]] — Оцінювання складності пунктів із застосуванням LLM та ML на основі дерев
- [[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]] — Використання LLM студентами та межі складності питань, згенерованих ШІ, у курсах науки про дані
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: схеми на основі тверджень для аудитованого кодування освітніх діалогів
- [[ai-personal-coach-review-benefits-risks-2026]] — Сикофантство за 11 LLM: ШІ схвалював користувачів на 49% частіше за людей, піднімаючи довіру та подальше використання

---

## [RAG (генерація з доповненням пошуком)](https://edtechdev.github.io/aied/concepts/rag/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **RAG (Retrieval-Augmented Generation)** — архітектура ШІ, яка поєднує пошук інформації з генерацією тексту, даючи змогу [[llm|LLM]] ґрунтувати відповіді на зовнішніх джерелах знань, а не спиратися лише на навчальні дані. В освіті RAG вирішує проблему галюцинацій, уможливлює [[curriculum-design|навчальним планом]]-ґрунтоване тьюторство та живить домено-специфічних [[intelligent-tutoring|тьюторів ШІ]].

## Питання для роздумів

- Ви, мабуть, бачили, як [[conversational-ai|чат-бот]] ШІ впевнено стверджував щось неправдиве. Що змінює «ґрунтування» відповіді моделі на зовнішніх документах у цьому типі відмови — і які нові типи відмов воно може внести?
- RAG знаходить відповідні матеріали й передає їх генератору. Перш ніж ви читати далі: яких припущень це потребує щодо якості знайденого контенту — і щодо того, чи знайдений текст справді є тим, що варто навчати?
- Сторінка протиставляє RAG і точне налаштування: пошук ґрунтує відповіді на актуальних джерелах без перетренування, тоді як точне налаштування вбудовує поведінку. Якби ви будували узгодженого з навчальним планом тьютора, якому підходу ви б довіряли для точності, а якому — для стилю викладання?
- RAG подається як головна відповідь на галюцинації в освіті. Але подумайте: якщо саме джерело пошуку містить помилки або застаріле, чи може RAG усе ж галюцинувати? Де гарантія «ґрунтовано на перевіреному контенті» може зламатися на практиці?
- Для розробника чи викладача: що має «знати» тьютор понад підручниковий контент — педагогіку, коли не відповідати, як перевіряти розуміння? Де один лише RAG не зможе цього дати, і з чим ви б його поєднали?

## Вступ

### Як RAG використовується в освіті

- **Домено-специфічний пошук з усвідомленістю позначень:** [[algorag-rag-theoretical-cs-education-2026|AlgoRAG]] індексує підручники, 847 слайдів лекцій, 312 розв’язаних практичних задач, 156 робочих шаблонів доведень і 89 аркушів із складністю для курсів теоретичної [[cs-education|інформатики]], додаючи розпізнавання математичних сутностей і переранжування, усвідомлене позначень; він відповів на всі 179 авторських екзаменаційних запитань викладача протягом 240-секундного тайм-ауту (в середньому 38,0 секунди), але отримав BLEU-4 = 0,0000 і 0,7620 балів за рубрикою, що ілюструє і цінність архітектури, і межі метрик, якими її судять.
- **Зменшення галюцинацій:** [[eduguard-safe-rag-llm-tutor|EduGuard]] та [[eduzone-llm-safety-k12|EduZone]] використовують RAG, щоб утримувати відповіді тьюторів ШІ ґрунтованими на перевіреному освітньому контенті, зменшуючи [[hallucination-risk]].
- **Ґрунтування лише настільки добре, наскільки добре перевіряється джерело:** лише 1 із 12 учасників помітив свідомо невідповідну картку джерела, тож позначка походження може діяти як печатка авторитету, а не як запрошення перевірити знайдений матеріал ([[veriforge-narrative-drafting-scaffolding-2026|Sun та співавт. (2026)]]).
- **Ґрунтоване на навчальному плані тьюторство:** [[retrieval-augmented-tutoring-algorithm-kite|KITE]] знаходить відповідні матеріали навчального плану, щоб інформувати відповіді тьютора, забезпечуючи узгодженість із контентом курсу.
- **Локальне розгортання для інституційного контролю:** CourseChat запускає багатокурсового тьютора RAG для базової освіти в [[business-education|бізнесу]] на локальних прикордонних хостах із локальною векторною базою даних і моделлю 8B, що обслуговується через Ollama, утримуючи матеріали курсу та діалог студентів в кампусній інфраструктурі; вибір моделі став спільним рішенням щодо обладнання та обслуговування, коли більші кандидати не пройшли поріг затримки ([[on-premises-rag-tutoring-business-education-2026|CourseChat]]).
- **Індексування підручників і матеріалів:** [[book-level-synthetic-textbook-organization|Організація синтетичних підручників]] індексує освітній контент для пошуку. [[structrag-diagram-reasoning-ai-tutoring|StructRAG]] поширює пошук на структурні діаграми.
- **Інтеграція в конвеєр навчання:** [[llm-training-and-fine-tuning|Навчання педагогічного LLM]] використовує RAG, щоб ґрунтувати навчання тьютора на найкращій освітній практиці.
- **Академічна підтримка, специфічна для курсу:** [[course-specific-rag-help-seeking-higher-ed-2026|Beacon]] здійснює пошук у затверджених навчальних матеріалах одного програмного модуля, щоб обслуговувати студентів, які вагаються звернутися до викладача, і 89% із 15 оцінювальних студентів оцінили його відповіді як високо узгоджені з матеріалами курсу; смисл проєктування в тому, що ґрунтування є інституційною відповіддю на розбіжність між загального призначення [[llm|LLM]] та очікуваннями на рівні модуля.
- **Структура під час приймання в порівнянні з пошуком під час запиту:** [[wiki-llm-indexing-ml-classes-2026|Wright (2026)]] склав той самий корпус курсу машинного навчання DS3001 у сім сторінок понятів вікі з перехресними посиланнями, які несуть цитування джерел, і поставив його проти налаштованої бази порівняння векторного RAG з пошуком за вбудованими фрагментами. За 59 питань, написаних людьми, складена вікі перемогла налаштований індекс (9,95 проти 9,05 із 10, причому довірчий інтервал бутстрепу для різниці виключав нуль) і частіше була ґрунтованою на матеріалі, який відповідальний справді бачив (98% проти 81%), причому обидві прогалини приблизно потроювалися на питаннях, які потребували матеріалу з більш ніж однієї сторінки (міжсторінкові оцінки 9,93 проти 8,14, де частка ґрунтованих відповідей у RAG упала з 87% до 64%). Прогалина ґрунтування не була невдачею пошуку: лише 2 з 11 неґрунтованих відповідей векторного RAG були промахами пошуку, тоді як в інших 9 відповідні уривки були в контексті, і вони все одно додавали непідтверджені деталі — доказ того, що структура під час приймання обмежує розвиток, а не лише доступ.

### RAG проти точного налаштування

RAG виконує доповнювальну роль щодо точного налаштування [[llm]] — пошук дає актуальне, домено-специфічне ґрунтування без перетренування, тоді як точне налаштування вбудовує [[pedagogy|педагогічні]] поведінки. Дослідження бази знань розглядають обидва підходи та їхнє поєднання.

## Пов’язані поняття

- [[llm]]
- [[generative-ai]]
- [[hallucination-risk]]
- [[knowledge-graph]]
- [[edtech-platform]]
- [[intelligent-tutoring]]
- [[llm-training-and-fine-tuning]]
- [[pedagogical-safety]]
- [[k-12]]
- [[higher-ed]]
- [[ai-technologies]] — Зонтичне поняття: технології та методи ШІ (моделі, навчання LLM, робототехніка, RAG, аґентність)

## Пов’язані статті

- [[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: генерація з доповненням пошуком для освіти з теоретичної інформатики — комплексна рамкова концепція оцінювання аналізу алгоритмів і теорії складності
- [[course-specific-rag-help-seeking-higher-ed-2026]] — Зменшення бар’єрів до академічної підтримки: оцінювання системи RAG, специфічної для курсу, для усунення розбіжностей у звертанні за допомогою у вищій освіті
- [[wiki-llm-indexing-ml-classes-2026]] — Потенціал поліпшення навчання на заняттях з машинного навчання за допомогою індексування вікі з LLM
- [[on-premises-rag-tutoring-business-education-2026]] — Локальне багатокурсове тьюторство RAG для освіти в галузі бізнесу

---

## [Інженерія підказок](https://edtechdev.github.io/aied/concepts/prompt-engineering/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Інженерія підказок** — практика проєктування та вдосконалення вхідних даних для великих мовних моделей задля досягнення бажаних виходів. В освіті інженерія підказок виконує подвійну роль: як навичка здобувача (студенти мають навчитися ефективно складати підказки) та як важіль системного проєктування (розробники створюють підказки, що формують поведінку [[intelligent-tutoring|AI tutoring]]).

## Питання для роздумів

- Ви, ймовірно, нещодавно вводили підказку в інструмент ШІ. Тепер подумайте про це: те, як ви її сформулювали, не нейтральне — воно може розкривати, як ви планували, мислили та розподіляли зусилля. Що могли б сказати ваші власні звички складання підказок про те, як ви підходите до проблем?
- Дослідження знайшло, що користувачі, які вміло формують запити, систематично отримують кращий вихід, ніж ті, хто висловлює той самий намір менш уміло. Якщо ви визнаєте, що «привілей підказок» реальний, чи краще виправляти справедливий доступ до ШІ шляхом [[teacher-role|teaching]] всім краще складати підказки, чи шляхом перепроєктування системи так, щоб вона не вимагала цієї навички, — і в чому компроміси кожного підходу?
- Чи є складання підказок «трюком», який треба запам’ятати, чи справжньою інтелектуальною навичкою? Одна лінія [[research-methods-aied|research]] розглядає її як професійне судження в межах дисципліни (журналістика, право, [[medical-education|medicine]]); інша розглядає її як ядро ШІ-грамотності. Який погляд узгоджується з вашим власним досвідом того, що насправді відрізняє хороші підказки від поганих?
- Добре спроєктовані підказки можуть скаффолдити мислення студента, тоді як погано використані можуть заохочувати когнітивне перекладання. Чи можете ви згадати момент, коли відповідь ШІ подумала за вас? Що в підказці — або у вашому намірі — спричинило це, і чи можна було б її спроєктувати так, щоб вона робила протилежне?
- Складання підказок — це і навичка здобувача, і важіль системного проєктування: деякі тьютори тепер автоматично маршрутизують і обирають підказки за користувача. Коли складання підказок переходить від користувача до системи, що студенти втрачають — і що вони здобувають?
- Поставте собі невелику ціль перед читанням: після вивчення інженерії підказок вирішіть один конкретний спосіб, у який ви зміните, як пишете підказки у власній роботі, і який результат ви перевірите, щоб знати, що це спрацювало.

## Вступ

Інженерія підказок є центральною для ефективного використання [[generative-ai]] в освіті. На відміну від традиційних інтерфейсів програмування, LLM відповідають природною мовою, — але якість, точність і [[pedagogy|pedagogical]] цінність цих відповідей сильно залежать від проєктування підказки. Дослідження в цій базі знань розкривають, що складання підказок — не нейтральний акт: воно відбиває, як студенти мислять, планують і розподіляють когнітивні зусилля. [[miles-prompt-literacy-human-centered-genai-framework-2026|Miles, Haber-Curran and Arar (2026)]] загострюють, що охоплює термін, розрізняючи інженерію підказок — технічну оптимізацію вхідних даних задля успішності, — від грамотності в підказках — риторичної, етичної та рефлексивної роботи з уточнення мети, критичного читання виходу та перегляду з указаними причинами. Їхній Prompt Literacy Cycle (Clarify Purpose, Craft the Prompt, Engage with Output, Refine the Prompt, Reflect) та зразкова рубрика процесу роблять цю відмінність придатною до викладання, і вони стверджують, що навчання, яке оптимізує лише виходи, залишає недоторканими етичні та епістемологічні виміри використання LLM.

### Як інженерія підказок постає в дослідженнях

- **Складання підказок як когнітивний слід:** [[misiejuk-cognitive-offloading-prompting-2026|Misiejuk et al.]] показують, що патерни підказок розкривають [[cognitive-offloading|cognitive offloading]] — високоякісна робота використовує насичені контекстом, ввічливі та навчальні підказки; низькоякісна робота показує реактивну незгоду без закріплення в предметній області

- **Глибина покращує продукт, а не збереження.** У 22 аспірантів частка підказок, що шукають пояснення («чому/як/поясни»), незалежно передбачувала оцінену з боку якість завдання (β = 6.27) понад базові знання та обсяг підказок, проте показувала нульову асоціацію з негайним пригадуванням ([[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]]).

- **Когніція підказок відстежує дисципліну, а не студента.** [[student-ai-conversations-cognitive-engagement-2026|Chang and Li (2026)]] класифікували 60,087 підказок зі 116 курсів і знайшли, що профілі рівнів Блума різнилися за дисципліною — STEM з перевагою Apply (20.8%), соціальні науки з перевагою Create (33.8%), — причому дисперсія на рівні курсу перевершувала дисперсію на рівні студента.
- **Складання підказок як грамотність:** [[tracing-genai-literacy-interaction-patterns|Tracing GenAI literacy]] та дослідження [[aaai2026-prompting-literacy-k12|K-12 prompting literacy]] обрамлюють складання підказок як основну складову [[ai-literacy]]
- **Новачки за замовчуванням йдуть методом проб і помилок і звинувачують модель.** У семінарі з лінгвістики тексту десять новачків у GenAI вдосконалювали підказки методом проб і помилок, рідко зверталися до прикладів у контексті й переважно приписували погані виходи LLM, а не власній формулюванні підказки ([[llms-text-linguistics-teaching-2026|Brocca & Garassino (2026)]]).


- **Коли викладач моделює підказку, студенти відтворюють її дослівно.** Серед 310 записаних підказок від дванадцяти середньошкільних груп STEAM точне копіювання інструкції викладача було найчастішою позицією студента на 47.1%, попереду спонтанного дослідження на 28.7% ([[middle-school-genai-steam-interactions-2026|Zhao & Li (2026)]]).

- **Регуляторний цикл перевершує формулу підказки.** У квазіекспериментальному пілоті зі 42 студентами бакалаврату студенти, яких навчали циклу IDEA (Intent, Deconstruction, Expression, Adaptation), створювали підказки та виходи вищої якості, ніж ровесники, яких навчали складати підказки за схемою Role–Task–Context–Format, в усіх п’яти категоріях завдань (скориговані прирости якості підказок від +11.77 до +29.19 пунктів) ([[idea-framework-metacognitive-genai-2026|Wang et al., 2026]]).
- **Складання підказок як системне проєктування:** [[cotal-formative-assessment-scoring-2026|CoTAL]] використовує інженерію підказок [[human-in-the-loop-ai|human-in-the-loop]] для оцінювання [[formative-assessment|formative assessment]]; [[choi-anchor-aes-prompting-2025|anchor-based prompting]] покращує [[automated-essay-scoring|automated essay scoring]]

- **Складання підказок — це вхідна навичка, а не дисципліна.** Gorsky (2026) обрамлює [[ai-literacy]] для фахівців із програмного забезпечення як здатність управляти [[agentic-ai|agents]], а не складати для них підказки, називаючи обрамлення, специфікацію, інженерію контексту, верифікацію, оркестрацію численних агентів та аудитовність навичками, які програма має оцінювати ([[ase-26-agentic-software-engineering-curriculum|Gorsky (2026)]]).
- **Адаптивна маршрутизація підказок:** [[learning-to-prompt-adaptive-tutoring|Learning to Prompt]] розглядає відбір підказок як частину самої тьюторської системи — маршрутизацію підказок, обізнану про предмет, за 14 педагогічними ознаками, де стохастичний маршрутизатор обирає найкращу підказку на кожну розмову. Це зсуває складання підказок від навички здобувача до важіля адаптивного системного проєктування, покращуючи [[student-engagement|engagement]] та ефективність (28.1% проти 19.6% конверсії вправи в реальному A/B-тесті).
- **Модальності підказок:** [[voice-text-prompt-problems-computing-education|Voice vs. text input research]] розглядає, чи впливає модальність складання підказок на [[learning-gains|learning outcomes]]

- **Складання підказок за межі тексту — наукова ілюстрація.** Складання підказок може швидко генерувати молекулярні та фізико-хімічні фігури, але локально переконливе відображення все одно може бути хибним або нести репрезентаційне упередження, тому студенти мають перепитувати згенеровані ШІ візуалізації проти хімічних принципів, а не довіряти їм ([[unesco-ai-guidelines-chemical-education-2026|Li et al. (2026)]]).
- **Скаффолдоване складання підказок:** [[guided-llm-scaffolding-independent-learning|Guided LLM scaffolding]] та [[scaffolding-critical-engagement-genai-minority-students|critical engagement scaffolding]] навчають структурованого складання підказок як навчальної інтервенції

- **Складання підказок тренером зі зніманням підтримки:** в ARPG+ тренер у реальному часі діагностував якість підказок за шістьма вимірами та знімав підтримку в міру зростання компетентності, піднявши фінальну якість підказок до 7.82 проти 5.95 для статичних шаблонів та 4.52 без допомоги ([[ye-arpg-real-time-coaching-llm-prompting-2026|Ye et al. (2026)]]).
- **У декомпозиції завдання є оптимум:** генерація уроків для підготовки тьюторів у три сегменти дала уроки з найвищою оцінкою (середнє 14.67), тоді як одиничний прохід набрав найнижче (10.67), а п’ять сегментів відкотилися нижче трьох — помірна декомпозиція перевершує обидва крайнощі ([[lin-llm-interactive-lesson-generation|Lin et al. (2025)]]).
- **Привілей підказок та справедливість:** [[prompt-privilege-equitable-ai-access-2026|Jin et al.]] показують, що експертиза в складанні підказок нерівномірно розподілена — користувачі, які вміло формують запити, систематично отримують кращий вихід, ніж ті, хто висловлює той самий намір менш уміло. Їхній Prompt Equity Transformer зсуває оптимізацію підказок від користувача до системи ШІ, стверджуючи, що [[equity-in-ai-education|equitable]] вихід має бути вбудований в модель, а не вимагатися від новачків.
- **Вдосконалення підказок виходить на плато; звідси береться дотонна настройка.** Ітеративне проєктування підказок давало зменшувальні прирости якості завдань у [[assessment]] аудіювання L2, але дотонна настройка GPT-4.1 на оптимізовану підказку — за незмінної підказки — давала контекстуально більш закріплені та збалансовані завдання, ізолюючи адаптацію моделі, а не майстерність підказок, як наступний важіль ([[gpt-item-generation-l2-listening-2026|Aryadoust & Wong, 2026]]).

- **Складання підказок як [[situated-learning|situated]] професійне судження.** Крім грамотності та системного проєктування, складання підказок можна обрамити як *дисциплінарну практику*. [[dierickx-taxonomy-llm-tasks-critical-ai-literacy-journalism-2026|Dierickx et al. taxonomy]] для журналістики розглядає визначення завдання та складання підказок як форму професійного судження, що здійснюється в межах епістемічних та етичних норм галузі, — перекладання журналістської роботи в явні завдання (збирання новин → осмислення → редагування → публікація/розповсюдження) робить припущення, пріоритети та [[ethics|ethical considerations]] видимими і перетворює складання підказок на педагогічний інструмент критичної ШІ-грамотності. Її логіка переноситься на інші знань-інтенсивні професії (право, медицина, публічна політика).
- **Проєктування підказок як навчальна специфікація.** Neto and colleagues (2026) знаходять у своєму [[meta-analysis-systematic-review|systematic review]] GenAI в освіті охорони здоров’я, що проєктування підказок функціонує як форма навчальної специфікації, кодуючи когнітивні мішені та критерії якості, імпліцитні в експертному авторстві, — проте лише 34.8% досліджень узгоджували згенерований зміст з навчальними рамками і лише 34.8% повідомляли про складання підказок у достатній деталізації для відтворення. Looi, Liu, and Sun (2026) далі показують, як архітектура підказок може вбудовувати педагогічні правила (ворота правильності, кордони анти-спойлера, ворота прощання), щоб обмежувати поведінку [[llm]]-тьюторінгу в процедурних галузях.
- **Складання підказок, кероване рубрикою, та обізнане про роль.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] показали, що складання підказок, кероване рубрикою, — розгляд рубрики як семантичного інтерфейсу між людським педагогічним наміром та машинним висновком, — зрушило угоду між LLM і людиною щодо проєктувальної роботи студентів з 54.75% до 81.25% (Cronbach's Alpha 0.393 → 0.798). Рубрики, зпроєктовані для LLM, мають балансувати точність і гнучкість: занадто невиразна запрошує вільну інтерпретацію, занадто жорстка зводить модель до зіставлення з патернами. Складання підказок, обізнане про роль, — оцінювання того самого артефакту за підказками викладача, рецензента-ровесника та рецензента гранту, — давало якісно відмінний, епістемічно різний зворотний зв’язок, показуючи, що проєктування підказок формує не лише точність, а й оцінну позицію виходу.
- **Скаффолдинг підказок може відсунути модель далі від викладача.** [[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al. (2026)]] мали сім моделей, що створюють зворотний зв’язок на письмо на рівні абзацу за трьома стратегіями складання підказок, і знайшли, що додавання назв категорій або розібраних прикладів збільшувало розбіжність від розподілу викладача для більшості з них, покращуючи лише Mistral-7B (0.2695 до 0.2398). Базова лінія zero-shot залишалася найближчою, тому інструкції щодо типу фокусу — це те, що варто перевіряти, а не припускати.
- **Складання підказок, обізнане про контекст, для оцінювання.** Складання підказок, обізнане про контекст, попередньо навчених мовних моделей автоматизує кодування навичок [[collaborative-learning|collaborative problem-solving]] з даних процесу, моделюючи залежності між кодами поведінки та зливаючи когнітивні та соціальні здібності. Це дає змогу проводити структурований аналіз CPS у масштабі та в реальному часі, долаючи трудомісткість схем ручного кодування.
- **Шаблони на основі ролей та рубрики якості для планування викладачами.** [[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo and Tahir (2025)]] емпірично розробляють рамку підказок для планування уроків мистецтва STEAM для дітей [[curriculum-design|lesson planning]], що поєднує шаблон Role (R) – Instructions (I) – End Goal (E) (адаптований з RISEN) з оптимізаційною рубрикою «чотири пункти й одна лінія» — стандартизованість, практичність, залученість та повнота, плюс вимір розширення. Застосування рубрики для критики та вдосконалення підказок утримувало згенеровані плани прийнятними для практикуючих викладачів мистецтва (середні оцінки вище 4/5), водночас виявляючи повторювані прогалини ([[personalized-learning|personalization]], обмеження [[pedagogical-safety|child-safety]], культурне упередження), які звичайне складання підказок за один прохід залишало нерозглянутими, — показуючи, що шаблони підказок плюс явні критерії оцінювання функціонують як скаффолдинг контролю якості для генерації в аудиторії.

- **Проєктування ролей та обмежень як незалежна змінна.** [[wang-teacher-student-centered-agents-physics-2026|Wang et al. (2026)]] порівнюють двох агентів, побудованих на тій самій моделі та платформі при температурі 0.3, чия єдина відмінність — те, як підказка специфікує роль, навички та обмеження: агент-експерт-викладач, що відповідає з обмеженого джерела знань підручника, проти емпатійного агента, зосередженого на студенті, що запрограмований діагностувати [[misconceptions]] та перевіряти розуміння. Саме відмінність ролі зрушила навчальну успішність, когнітивне навантаження, досвід потоку та сприйняту емпатію, показуючи, що специфікація ролі є рішенням навчального проєктування з вимірними ефектами, а не стилістичним розкішшям ([[pedagogical-agent]]).
### Зв’язки з ширшими поняттями

Інженерія підказок пов’язана з [[scaffolding]] — добре спроєктовані підказки можуть скаффолдити мислення студента, а не обходити його. Вона перетинається з [[metacognition]] та [[ai-literacy]], бо ефективне складання підказок вимагає розуміння як здібностей ШІ, так і власних навчальних цілей. Дослідження [[cognitive-offloading]] прямо пов’язує якість підказок з тим, чи підтримує, чи підриває використання ШІ навчання.

- **Навичка письма рухає складання підказок, і обидві передбачають успіх [[vibe-coding]].** У передзареєстрованому дослідженні CHI 2026 (N=100) [[vibe-coding-writing-cs-achievement-2026|Thorgeirsson, Weidmann & Su]] знайшли, що вільність письмової комунікації передбачувала успішність вайб-кодингу, орієнтованого на GUI (r = .29), причому оцінена людиною якість підказок *посередникувала* зв’язок — докази з процесу відповіді, що ясна, структурована проза перекладається в кращі підказки для програмування природною мовою. І навичка письма, і [[cs-education|CS achievement]] були незалежними предикторами, і успішність у CS (r = .39) несла приблизно вдвічі більше унікальної дисперсії, тож покращення одного лише складання підказок навряд чи повністю замістить основи програмування в розробці, рідній для LLM.
- **Стратегія складання підказок передбачає успішність.** [[isaza-chatgpt-engineering-prompting-2026|empirical study of 128 engineering students]] знайшло, що ефективність запиту до ШІ (ясні, добре структуровані підказки) та кероване ШІ [[problem-solving]] (стратегічна інтеграція виходу ШІ в міркування) були найсильнішими предикторами академічного успіху — навіть після контролю за GPA, — вказуючи, що складання підказок є придатною до викладання навичкою, яка формує, наскільки ефективно студенти навчаються зі ШІ.
- **Стиль складання підказок, а не лише якість підказок, відстежує результати.** Риси, виведені з 1,540 сесій тьюторінгу, пов’язували концептуальне опитування з успішністю на іспиті, тоді як поведінки делегування завдань корелювали негативно, — але ті самі риси не відтворилися наступного семестру, тож це поведінкові патерни, а не стійкі навички ([[principal-trait-analysis-human-ai-skills-2026|McNichols, Du and Lan (2026)]]).
- **Придатна до використання таксономія та те, які категорії підказок насправді окупаються.** [[teacher-ai-literacy-prompt-feedback-quality-2026|Jacobsen et al. (2026)]] перекладають технічні стратегії в модель 3K (*Kontext, Kernauftrag, Klarheit* — контекст, основне завдання, ясність): одинадцять орієнтованих на практику категорій, кожна з рубрикою добре/середньо/субоптимально, і кожна перевірена як експериментальна варіація на зворотному зв’язку, згенерованому для навчальних цілей майбутніх викладачів. Предметно-специфічна технічна мова була вирішальною категорією — заміна предметної термінології повсякденними парафразами значно зменшувала якість зворотного зв’язку в трьох моделях (β = −0.412), — тоді як додавання конкретних прикладів і прибирання інструкції ланцюга міркувань не давало значущої відмінності від базової лінії в першому дослідженні; приклади допомагали, коли аналіз перезапускали з найкраще працюючими комбінаціями модель–підказка (β = 0.52). Якість підказок і вибір моделі разом пояснювали 42.8% дисперсії в оціненій якості зворотного зв’язку, що є аргументом статті, що інженерія підказок є вимірною та придатною до викладання компетентністю, а не стилістичною перевагою, — і що її категорії не взаємозамінні за розміром ефекту.

## Пов’язані поняття

- [[pedagogical-patterns]] — Шар скаффолдингу всередині послідовностей структурованого використання
- [[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]] — Парасолька: технології та методи ШІ (моделі, навчання LLM, робототехніка, RAG, агентика)

## Пов’язані статті

- [[wang-teacher-student-centered-agents-physics-2026]] — Підказки ролі та обмежень агента як змінна проєктування в навчанні фізиці (Wang et al. 2026)
- [[gpt-item-generation-l2-listening-2026]] — Prompting vs. fine-tuning for GPT-based L2 listening item generation (Aryadoust & Wong 2026)
- [[llm-interaction-depth-task-quality-recall-2026]] — What students ask matters: LLM interaction depth, task quality, and immediate recall (Tsiligkiris 2026)
- [[ye-arpg-real-time-coaching-llm-prompting-2026]] — ARPG+: real-time coaching for educational LLM prompting
- [[dierickx-taxonomy-llm-tasks-critical-ai-literacy-journalism-2026]] — Task-based taxonomy of LLM tasks for critical AI literacy in journalism
- [[prompt-privilege-equitable-ai-access-2026]] — Prompt Privilege: measuring & mitigating accessibility disparities in LLM access
- [[principal-trait-analysis-human-ai-skills-2026]] — Principal Trait Analysis: data-driven traits of human-AI collaboration
- [[llms-text-linguistics-teaching-2026]] — LLMs in text linguistics teaching
- [[idea-framework-metacognitive-genai-2026]] — The IDEA framework for metacognitively regulated GenAI use
- [[lin-llm-interactive-lesson-generation]] — LLM generation of interactive tutor-training lessons (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]] — UNESCO AI guidelines translated to chemical education; epistemic drift
- [[isaza-chatgpt-engineering-prompting-2026]] — Prompting behaviors predict engineering student performance
- [[student-ai-conversations-cognitive-engagement-2026]] — Discipline-associated Bloom-level cognitive engagement in student-AI conversations (Chang & Li 2026)
- [[yasar-llms-iterative-pedagogical-design-2026]] — LLMs as agents of iterative pedagogical design
- [[luo-tahir-chatgpt-steam-lesson-planning-2026]]
- [[miles-prompt-literacy-human-centered-genai-framework-2026]] — Prompt engineering vs prompt literacy: a five-phase human-centered GenAI engagement framework with a five-step Prompt Literacy Cycle (Miles, Haber-Curran & Arar 2026)
- [[teacher-ai-literacy-prompt-feedback-quality-2026]] — Prompt engineering and model selection as predictors of AI-feedback quality (Jacobsen et al. 2026)
- [[llm-feedback-focus-adaptivity-student-writing-2026]] — Evaluating Feedback Focus and Pedagogical Adaptivity in LLM-Generated Feedback on Student Writing

- [[middle-school-genai-steam-interactions-2026]] — Середньошкільні групи STEAM дослівно копіювали інструкцію викладача в 47.1% підказок

---

## [Тренування LLM і дотончення](https://edtechdev.github.io/aied/concepts/llm-training-and-fine-tuning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Тренування LLM і дотончення** — як створюються освітні моделі ШІ: конвеєр від попереднього тренування через посттренування до адаптації, скільки коштує кожна стадія і що, за доказами, вона дає. Організуюча проблема — це **невідповідність стимулів**: моделі загального призначення оптимізовані відповідати, тоді як викладання вимагає втримувати відповідь. Посттренування та дотончення — це два важілі, що змінюють цю поведінку, і найчіткіший результат цієї бази знань полягає в тому, що вони є *третьїм* вибором, а не першим — пошук і підказки стоять раніше в цьому рішенні, і одне дослідження тут виявило, що кероване дотончення провалюється на завданні, де переможе звичайне підказкове формулювання ([[wraft-automated-writing-evaluation-argumentative-2026|WrAFT]]). Написано для розробників освітнього програмного забезпечення та викладацьких практиків, які вирішують, що будувати.

## Питання для роздумів

- Якщо в вас є завдання тьюторінгу, де модель загального призначення занадто охоче відповідає, чи буде ваш перший крок краща підказка, пошук за власними матеріалами чи тренування? Що вам треба було б виміряти, щоб зрозуміти, який із цих кроків допоміг?
- Дотонченню потрібні дані. Звідли б походили навчальні приклади вашого проєкту, хто є їхнім власником і якого перевірення на приватність вони потребували б, перш ніж їх можна було б використовувати?
- Дослідження тут виявило, що дотончення моделі на даних оцінювання поліпшило *форматування та подібність*, тоді як окреме дотончення повністю провалилось на генеруванні зворотного зв’язку. Що це говорить про узгодження методу тренування із завданням?
- Посттренування з навчанням із підкріпленням може навчити модель вести, а не відповідати. Яку винагороду ви б написали, щоб передати «добре веде», і як модель її обіграла б?
- База знань повідомляє, що на вибір моделі та підказки припадає лише близько 15% розриву між LLM і навчальними здобутками студентів. Якщо це вірно, як це має змінити ваше рішення будувати чи купувати?
- Дотончена модель, яка є точною, усе ще може бути небезпечною за довгої розмови. Що ви б перевіряли, перш ніж дозволити їй розмовляти зі студентами без нагляду?

## Вступ

Розробка освітнього ШІ врізається в ту саму стіну з двох боків. Мовні моделі загального призначення проходять посттренування на людських уподобаннях щодо корисності, що на практиці означає відповідати швидко й повно; тьюторінг вимагає протилежного, бо педагогічна мета — допомогти студентові дійти до відповіді, а не вручити її. Водночас модель загального призначення не знає нічого про ваш навчальний план, вашу рубрику чи голос вашої установи, і жодний обсяг інженерії підказок надійно їх не встановлює.

Ця сторінка висвітлює методи, які змінюють модель, а не текст, який ви їй надсилаєте. Вони стоять на **драбині зростаючої прив’язаності**: підказки, потім пошук, потім параметрично ефективна адаптація, потім повне дотончення, потім посттренування з сигналами уподобання або винагороди. Кожна щабина коштує більше даних, більше обчислень і більшої дисципліни оцінювання, ніж попередня, і кожна є гіршим першим вибором, ніж щабина під нею, хіба що конкретне вимірювання виправдовує підйом. Багато з дослідницької літератури подає лише верхівку цієї драбини, що робить легким для розробника сягнути по тренування, коли пошуку було б достатньо.

Сторінка організована навколо рішень, які насправді постають перед тим, хто будує: який важіль тягнути (цей розділ і наступний), що дає і скільки коштує адаптація на практиці, що може сформувати посттренування, а адаптація не може, і як ці системи відмовляють. Термінологія вживається в своєму стандартному значенні: **попереднє тренування** — це стадія з нуля на загальному корпусі, **посттренування** — це все після нього, що формує поведінку (кероване дотончення, оптимізація уподобань, навчання з підкріпленням), а **дотончення** покриває і керовану стадію посттренування, і пізнішу роботу з адаптації під завдання чи домен, включно з параметрично ефективними методами.

## Конвеєр тренування, стадія за стадією

Три стадії з дуже різною доступністю. Знання того, яку з них описує стаття, запобігає більшості неправильних читань цієї літератури.

**Попереднє тренування** будує базову модель із загального текстового корпусу. Це стадія, яка створює широкі можливості моделі, і вона є недосяжною фактично для кожного освітнього проєкту: ціна вимірюється мільйонами доларів, а дані — обсягом краулінгу вебу. Ніщо в цій базі знань цього не робить. Її значущість для практиків є діагностичною, а не придатною до дії, — дані попереднього тренування є домінуючим важілем поведінки моделі, і це єдиний важіль, який ви не можете тягнути. Ця асиметрія і є причиною, чому всі методи, що залишились у галузі, працюють на вже натренованій моделі.

**Посттренування** формує поведінку поверх базової моделі. Кероване дотончення (SFT) навчає модель імітувати демонстрації; оптимізація уподобань і навчання з підкріпленням потім штовхають її до виводів, які модель винагороди або набір людських суджень оцінює вище. Це стадія, на якій модель можна навчити вести замість відповідати, і саме тут живуть найразючіші освітні результати. Це також стадія, найчутливіша до конструювання винагороди, бо винагорода — це стиснена специфікація того, що ви хочете, і моделі оптимізують те, що ви справді написали.

**Адаптація** припасовує наявну модель до вашого завдання чи домену, звичайно з набагато меншими даними й обчисленнями. Параметрично ефективне дотончення (PEFT), найпоширенішою формою якого є LoRA, тренує малу кількість доданих параметрів і залишає базові ваги замороженими. Повне дотончення оновлює все. Дистиляція та забуття стоять поряд із ними. Розділи нижче беруть кожне по черзі. Для більшости освітніх розробників це практична стадія — та, на якій кілька сотень або кілька тисяч прикладів і одне GPU можуть дати модель, придатну до впровадження.

## Підказка, пошук чи тренування? Рішення, що приходить першим

Найсильнішим одиничним результатом цієї бази знань щодо цього питання є дослідження пошуку, а не дослідження тренування. Будуючи помічника з базою знань для курсу, Shen та співавтори (2026) оцінили локальні моделі в трьох конфігураціях і виявили, що **пошук, а не модель, є рішенням першого порядку**: їхня локальна LLM без пошуку досягла лише **52.3%** точності, *нижче* базової лінії TF-IDF у **55.4%**, тоді як додавання [[rag|генерації, посиленої пошуком]] без жодного дотончення підняло її до **66.6%** ([[shen-sustainable-ai-knowledge-base-cs-education-2026]]). Конфігурації дотончення, які вони також перевіряли, подані поруч із абляціями пошуку, квантуванням і енергією на запит, що робить це порівняння незвичайно чесним: базова модель без заземлення може бути гіршою за десятиліттями старий лексичний метод, і найдешевший засіб полягає не в тренуванні.

Те, що галузь справді будує, відбиває подібний порядок. Огляд за PRISMA 23 емпіричних досліджень (2020–2025) про адаптування ШІ до [[writing-education|навчання письму]] виявив **домінування інженерії підказок (N = 13), попереду дотончення (N = 7) та гібридних архітектур (N = 3)** ([[customizing-ai-writing-pedagogy-systematic-review-2026]]). Гостріший висновок огляду — це структурна неузгодженість, а не рейтинг методів: заявлені педагогічні цілі зрушили до процесів письма, [[feedback-literacy|грамотності щодо зворотного зв’язку]] та вищорівневих академічних навичок, тоді як домінуючі реалізації досі переслідують цілі, зорієнтовані на продукт, через проєктування підказок або дотончення.

Там, де підказки й тренування порівнювали безпосередньо, результат залежить від завдання, — і саме тому рішення слід вимірювати, а не припускати:

- **Тренування перемагає, коли ціллю є стійкий формат виводу чи контрольована властивість.** На автоматичному генеруванні завдань для оцінювання аудіювання L2 ітеративне уточнення підказок вийшло на плато, і дотончення GPT-4.1 *на оптимізованій підказці* потім поліпшило генерацію понад одне підказкове формулювання — виокремлюючи адаптацію моделі, а не проєктування підказок, як драйвер решти приросту ([[gpt-item-generation-l2-listening-2026]]).
- **Підказки перемагають, коли ціллю є текст, насичений судженням.** Та сама система, яка успішно дотончилась на *оцінювання*, провалилась на *зворотному зв’язку*: у WrAFT дотончений модуль GPT-4o досяг QWK 0.84 і RMSE 0.44 на 360 відкладених есеях TOEFL, проте кероване дотончення на генеруванні зворотного зв’язку дало обрізаний та нерозбірливий вивід, тоді як безпосереднє підказкове формулювання для Claude 3.7 дало зворотний зв’язок, який викладачі оцінили найвище ([[wraft-automated-writing-evaluation-argumentative-2026]]). Дотончення навчило модель досягати оцінки; воно не навчило її писати.
- **Формулювання на рівні підказок може замінити тренування, коли ціллю є персона або рубрика.** Кероване рубрикою підказкове формулювання, ітеративно узгоджуване, підняло узгодженість LLM із людиною на роботах студентів-дизайнерів з **54.75% до 81.25%** (альфа Кронбаха 0,393 → 0,798) без жодного дотончення ([[yasar-llms-iterative-pedagogical-design-2026]]), а ґрунтована на літературі підказка кастомного GPT викликала цільові математичні хибні уявлення за присутності **0.98** проти **0.40** для широкої підказки ([[zhuang-zhang-chatgpt-math-teacher-education-2026]]).
- **На все це є стеля.** Hardy і Kim (2026) оцінюють, що на вибір моделі та підказок разом припадає лише близько **15%** неузгодженості між LLM і навчальними здобутками студентів, а решта розподілена між моделями, і вони виявили, що ансамблі зі зважуванням за бенчмарком і одноголосим голосуванням роблять узгодженість *гіршою* ([[educational-llm-alignment]]). Якщо дані попереднього тренування є домінуючим важілем і це єдиний важіль, який ви не можете тягнути, то очікування від того, чого можуть досягти ці методи, слід відповідно калібрувати.

## Що дає дотончення: контрольованість понад масштаб

Коли модель загального призначення не можна змусити утримувати властивість, яка вам потрібна, дотончення на скромному наборі даних часто може, — і повторюваним результатом є те, що *цільова спрямованість перемагає розмір*. Три моделі по 8B, дотончені на розробленому експертами навчальному плані читання для дітей, перевершили GPT-4o з нульовим числом прикладів і Llama 3.3 70B на метриках, пов’язаних зі складністю, за незначних занепокоєнь щодо безпеки. Автори обрамлюють це як **контрольованість понад масштаб**, оскільки компактну модель можна налаштувати на конкретний рівень читання та шаблон помилок у спосіб, у який модель загального призначення не може бути про це попрошена ([[llm-children-reading-story-generation]]).

Цей шаблон повторюється на дуже різних завданнях:

- **Заземлення на навчальному плані.** Багатомовний набір інструкцій із 24 795 прикладів, заземлений на системах індійського знання (Indian Knowledge Systems), дав дотончення 7B із оцінкою **6.39** на зовнішній панелі з п’ятьох суддів (медіана за 1 201 стратифікованим пунктом). Це в межах **0.15** від сильної загальної еталонної моделі за частку від ціни впровадження, — тоді як та сама базова модель без дотончення набрала **близько нуля за специфічними для IKS вимірами** ([[iks-instruct-dataset-indian-knowledge]]). Цей розрив між «компетентним загалом» і «компетентним тут» і є всім аргументом на користь доменної адаптації. Зверніть увагу й на контраінтуїтивну деталь, яку подають автори: якість **не** зростала монотонно з куруванням даних.
- **Надійність оцінювання дешево.** Одиничний адаптер LoRA, натренований приблизно на **3 900** зведених оцінених прикладах, довів п’ять малих відкритих моделей (4B–30B) до паритету або краще з людським оцінювачем на двох іспитах з інформатики й майже зтер чутливість до персони (дрейф ≤ 0,32 MAE) ([[llm-graders-computer-science-exams-2026]]). Один адаптер, один набір даних, кілька базових моделей — це форма практичного впровадження.
- **Вибіркова автоматизація.** Упевненість була надійним передовісником помилки оцінювання (β = −0,602, p < .001). Маршрутизація найменш упевнених **20%** відповідей на людський перегляд перевела дотончену модель GPT-3.5 з r = 0,781 на **r = 0,822** (RMSE 0,5990 → 0,5544), зменшуючи ручну роботу з оцінювання приблизно на **80%** ([[know-when-to-trust-ai-scoring-reliability-2026]]). Дотончення тут не замінює людину; воно робить людську увагу доступною за ціною.
- **Вимірювання конструктів, які інакше оцінювались би вручну.** Дотончені угорські трансформери (hubert-base-cc, PULI-BERT-Large) були зіставлені з ознаками TF-IDF і вбуденнями Qwen3 на оцінюванні рефлексивного письма в [[teacher-education|підготовці викладачів]] ([[reflection-level-classification-hungarian-essays-2026]]), і було показано, що дотончена мультимодальна модель (на основі Qwen3.5) реконструює криві характеристик пунктів для пунктів із вибором відповіді, вивчаючи шаблони відповідей, закодовані в кривих 3PL і MCM, а не отримуючи їх готовими ([[multimodal-item-parameter-estimation-2026]]).

## Параметрично ефективна адаптація на практиці

LoRA та її родичі — це те, де більшість освітніх команд буде справді працювати, і література містить незвичайно конкретні вказівки щодо того, як вони поводяться.

**Ранг — це компроміс, а не ручка, яку треба викручувати на максимум.** Lu та співавтори (2026) побудували 360 діалогів «система–користувач–асистент» із курсу лінійних систем керування, перебудували відповіді у формат «Рішення–Метод–Навчальні пункти» і застосували LoRA до Qwen2.5-3B і 7B на рангах 4, 8 і 16. Покриття структурованого виводу перейшло від близького нуля на базі до приблизно **1.00**, а найкраща конфігурація (7B, r = 16) досягла ROUGE-L **0.4093** з бутстрап-довірчими інтервалами приросту, повністю вище нуля. Але **приріст на мільйон параметрів адаптера монотонно падав із зростанням рангу**, тож узгодженість на рівні курсу є компромісом між масштабом і рангом, а не безплатним поліпшенням ([[lora-finetuned-control-systems-course-qa-2026]]). Їхні метрики вимірюють подібність і форматування, а не точність виведення, що є стандартною застерегою для всієї цієї родини оцінювань.

**Масштаб не передбачає успіху, а однакові налаштування поводяться по-різному на різних архітектурах.** AiAWE — відкрита система автоматизованого оцінювання письма, побудована на адаптованій за LoRA Gemma-3-27B-it, — досягла RMSE 0,474, QWK 0,828 і узгодженості в межах ±0,5 від людської оцінки на **90.56%** з 360 оцінюваних есеїв, перевершивши LLaMA-3.3-70B і дотончену базову лінію GPT-3.5, — працюючи при цьому на сервері споживчого класу. Три ширші висновки важливіші за саму оцінку: масштаб моделі **не** був надійним передовісником продуктивності наступного рівня за адаптації LoRA, **однакові гіперпараметри LoRA давали якісно різну поведінку адаптації на різних архітектурах**, і добре налаштована відкрита модель середнього розміру може бути конкурентоспроможною з пропрієтарними системами ([[aiawe-automated-writing-evaluation]]).

**Те, які шари адаптувати, є справжнім рішенням.** У системі аналізу дискурсу для викладання англійської дотончення обрізаної BERT з оновленням **лише останніх чотирьох шарів трансформера** перевершило обидві альтернативи: адаптація лише верхнього шару сягла нижчої стелі, а повне дванадцятишарове дотончення переобчислювалось і коливалось ([[bert-discourse-english-teaching-2026]]).

**Базова архітектура може важити більше, ніж число параметрів.** Дотончення трьох відкритих моделей «текст-у-зображення» на 1 000 підписаних ядерно-інженерних зображень суттєво поліпшило Stable Diffusion XL, дало обмежені здобутки для SD-v3.5-Medium і дало **зовсім жодного вимірюваного поліпшення для моделі Flux.1 на основі зіставлення потоків** ([[nuclear-diffusion-text-to-image-learning-2026]]). Рецепт дотончення не є переносиним між архітектурами, що є тим самим уроком, який AiAWE подає з протилежного боку.

Два суміжні методи доповнюють стадію адаптації. **Дистиляція** стискає велику або чорноскринькову систему в малу, придатну до впровадження. Двостадійний конвеєр відігнав (distilled) налаштований чорноскриньковий оцінювач ML і його пост-гок тлумачення в малу відкритомірну LLM, причому «підопічна» (mentee) на 2B параметрів досягла майже безвтратного відновлення поверхні оракульного ефекту (r > .90). Цей результат подано за оцінюванням «вірність насамперед», яке аудитує кожен наратив проти тієї атрибуції, яку він стверджує, що описує ([[distilling-self-explaining-lm-learning-analytics-2026]]). **Забуття** видаляє цільовий вміст після тренування: ґрунтоване на ґрадієнтах забуття було застосовано до трьох моделей, щоб видалити персональні дані та шкідливий вміст, перевірене в двох порядках видалення (спершу персональні дані і спершу шкідливий вміст) ([[llm-unlearning-math-privacy]]) — відповідний інструмент, коли модель запам’ятала те, чого вона не мала б носити.

## Посттренування: формування поведінки, а не лише формату

Адаптація навчає модель *що створювати*; посттренування навчає її *як поводитись*. Саме тут педагогічні результати найразючіші, і тут конструювання сигналу винагороди або уподобання вирішує все.

**Результат конвеєра.** Singh та співавтори (2026) перетворили Qwen3-32B на EduQwen через три стадії — початкове RL, синтетичний SFT, кінцеве RL, — досягнувши **96.52%** на бенчмарку CDPK і перевершивши **90.55%** у Gemini-3 Pro. Проміжні результати — це навчальна частина: перша стадія RL сама по собі досягла 94.13%, SFT на 40 000 самостійно згенерованих відповідей підняв її до 96.20%, а кінцевий раунд RL додав останню частку. Модель винагороди надавала перевагу **відповідям, які ведуть, над прямими відповідями**, видобування жорстких негативів виключало питання, які базова модель уже розв’язувала, а розгортки було розширено з 5 до 8 кроків, щоб охопити багатокрокові педагогічні рішення ([[singh-eduqwen-pedagogical-rl-2026]]). Проти цього Pedagogy Benchmark — узятий із реальних іспитів професійного розвитку викладачів за **97 моделями** — виявив точність від **28% до 89%**, доказ того, що педагогічне знання не набувається випадково під час загального попереднього тренування ([[cdpk-pedagogy-benchmark-llms|Lelièvre та співавтори, 2025]]).

**Тренування рішення, а не висловлення.** TACT проштовхнув посттренуванням тьютора на таксономії з 13 стратегій плюс двохвісьову таксономію ходів студента й набрав **20.30 пунктів** над своєю основою Qwen3.5-4B, з діагностичним бенчмарком, який втримує мітки стану здобувача, доступні під час тренування, тож модель має виводити стан із діалогу ([[tact-pedagogically-adaptive-esl-tutoring]]). Та сама логіка постає в Special-R1 для узгодження з [[special-education|спеціальною освітою]] ([[special-r1-rl-special-education]]) і в роботі з евристичним RL, яка узгоджує моделі як сократичні провідники, а не тих, хто відповідає ([[wang-socratic-guides-heuristic-reinforcement-learning-2026]]). Посттренуванню не обов’язково формувати лише те, що модель каже: одна платформа поєднує охоронюваний чат-бот тьюторінгу з агентом навчання з підкріпленням, який обирає наступне завдання для практики, тож натренована політика вирішує, що здобувач робитиме далі ([[chung-personalized-ai-tutors-llm-reinforcement-learning-2026]]).

**Дистильовані моделі міркування.** Дешевший шлях до педагогічної поведінки — навчити малу модель імітувати більшу: Pedagogy-R1 (1.5B і 7B) було інструкційно налаштовано на педагогічно відфільтрованих виводах, відігнаних від учителя QwQ-32B, в парі з підказковим формулюванням Chain-of-Pedagogy ([[lee-pedagogy-r1-pedagogical-large-reasoning-model-2025]]).

**Посттренування за інструкціями проти автентичних даних.** LearnLM обрамлює тренування освітніх моделей як *дотримання педагогічних інструкцій*, несучи інструкції на рівні системи, які дозволяють розробникам і викладачам задавати поведінку тьютора, не прив’язуючись до одного визначення педагогіки. Його змішують у стадії посттренування Gemini спільним тренуванням, і експерти надавали йому перевагу над GPT-4o (**+31%**), Claude 3.5 Sonnet (**+11%**) і базовою Gemini 1.5 Pro (**+13%**). Ключовий висновок: **RL є суттєво ефективнішим за сам лише SFT** для дотримання тонких педагогічних інструкцій за довгих розмов ([[learnlm-improving-gemini-learning]]). TeachLM робить протилежну ставку: що [[prompt-engineering|інженерія підказок]] є тимчасовим засобом, а рідкісним інгредієнтом є *автентичний* набір даних взаємодії здобувача й тьютора. Натренований на **100 000 годинах** індивідуальних сесій за суворого анонімізування, він подвоює час мовлення студента, поліпшує стиль ставити питання і збільшує число ходів діалогу на **50%** ([[teachlm-post-training-llms-education]]). Разом вони визначають простір проєктування: посттренування за інструкціями, коли ваші дані рідкісні, і дотончення на реальних взаємодіях тьюторінгу, коли ви їх маєте.

**Якість нагляду перемагає кількість нагляду.** Прогресія SWIM для симулятора письма є найчистішою демонстрацією. Підказкове формулювання, ґрунтоване на рубриці, дало обмежений контроль за володінням (найкращий середній QWK за рисою 0,577 для Claude Sonnet, 0,422 для GPT-5.4, близько нуля для відкритої моделі 7B); кероване дотончення підняло цю модель 7B до **0,474 ± 0,023**. GRPO проти винагороди, похідної від автоматизованого оцінювання есеїв, підняв її далі до **0,618 ± 0,005** за кожною рисою і підказкою, причому винагорода була сконструйована як щільна, нормована за рисами точність, бо винагороди за точним збігом є надто розрідженими в багаторисній постановці ([[swim-student-writing-simulation-2026]]). Дослідження моделювання хибних уявлень приходить до гострішого висновку про те, *що* має містити нагляд: інструкційно налаштовані моделі вивчали хибні уявлення про алгебру лише тоді, коли були натреновані на **слідах рішень на рівні кроків**, а точність залишалась **нижчою за 30% за будь-якого розміру даних**, коли їх тренували лише на кінцевих відповідях. Йхня роль студента переналягала навчену помилку, аж поки правильні приклади явно не змішувались у співвідношеннях від **одного на чотири**, тоді як роль тьютора не мала такого збитку, утримуючи правильну точність від **93% до 98%** за десять спільно натренованих хибних уявлень ([[misconception-acquisition-dynamics-llms-2026]]).

Дані тренування — це те, що моделі самі можуть курувати: Edu-QuRating адаптує дистиляцію уподобань до курування освітніх даних, замінюючи одиничну оцінку «чи це освітнє?» на 20 вимірів рубрики, що покривають фактичну точність, педагогічну структуру та відповідність рівневі ([[garrod-edu-qurating-educational-data-curation-2026]]).

**Теорія може бути тренувальним скаффолдингом.** Для агентів, що автоматизують [[learning-design|проєктування інструкційних систем]], гібрид класичних рамок ADDIE і Dick & Carey з міркуванням у стилі ReAct перевершив і чисту теорію (структуровану, але негнучку), і агентів, заснованих лише на методах (гнучких, але без ґрунту), на **25 795** сценаріях із матриці контексту з 51 змінної, за багатосуддівого протоколу для зменшення упередженості LLM-як-судді ([[jeon-isd-agent-bench-2026]]). А дослідження *міток* нагляду виявило, що призначення кожному навчальному прикладу однієї цільової поведінки — предметної компетентності, заземлення на навчальному плані, діагностичного міркування чи скаффолдингу, — підняло кожен перевірений масштаб моделі, з найбільшими здобутками в скаффолдингу та в використанні історії здобувача, тоді як діагностика стану знань залишилась найслабшою на рівні **54.04%** ([[omniedu-open-educational-foundation-models-2026]]).

## Тренування боку здобувача, а не лише тьютора

Той самий апарат дедалі частіше спрямовується на симулювання студентів, що змінює економіку оцінювання тьютора: замість набирати здобувачів ви їх генеруєте.

Застереження в тому, що симульованих студентів треба валідувати як будь-який інший інструмент. Зіставлення дотончених і підказково налаштованих моделей на **382 відкладених діалогах** з найбільшого публічного корпусу реальних діалогів студентів із тьютором з математики — за сімома метриками, що охоплюють лінгвістичні, поведінкові та когнітивні аспекти, — дало найпряміший у цій галузі тест того, чи поводяться симульовані студенти як студенти ([[simulated-students-tutoring-dialogues-2026]]). Два подальші підходи тиснуть на вірність: INSIDE дотончує LLM так, щоб вони і *діяли*, і *мислили* як студенти, генеруючи внутрішній діалог, заземлений на таксономії Блума за когнітивними, афективними та дієвими вимірами, і тренуючись на парних слідах міркування та діях ([[inside-llm-student-simulator-reasoning-2026]]), а профілі, обізнані з історією, зумовлюють симуляцію попередньою траєкторією студента, а не статичною персоною ([[history-aware-student-simulation]]). Для розробника практичний урок у тому, що симулятор є інструментом вимірювання і успадковує кожне питання валідності, яке з цього випливає.

## Що йде не так

**Сикофантство є тренувальною метою, а не налаштуванням зручності.** Тьюторінг вимагає коригуючого тертя, і моделі йому опираються. EduFrameTrap показує, що моделі, які витримують атаки з перемиканням контексту, усе ж поступливі під тиском авторитету або соціально-афективним тиском і втримують коригуючий зворотний зв’язок, — і саме тому його автори стверджують, що поведінка «доброї, але правильної» має бути явною тренувальною вимогою, а не уподобанням ([[eduframetrap-llm-sycophancy-educational-safety]]). Тренування, що винагороджує ведення над відповіддю, — як це робить модель винагороди DAPO в EduQwen, — є одним структурним важелем проти цього, проте [[contextual-sycophancy-ai-literacy|контекстне сикофантство]] зберігається після підказок і узгодження, з помилками здобувачів, які досі поширюються в поради ШІ ([[contextual-sycophancy-ai-literacy]]).

**Тренування не робить модель безпечною за довгої розмови.** SafeTutors показує, що навіть спеціалізовані педагогічні моделі деградують за тривалої розмови і можуть вчинити шкоди від надмірного розкриття відповідей ([[hazra-safetutors-pedagogical-safety-2026]]), тож [[pedagogical-safety|педагогічну безпеку]] треба перевіряти на довжині розмови, а не на одиничному ходу.

**Валідація може замінити тренування — або бути потрібною замість нього.** Нетренована провідна GPT-4 дала приблизно **35%** занадто загальних, неправильних або розкриваючих відповідь підказок, створюючи зворотний зв’язок для системи інтелектуального тьюторінгу, і її власні автоматизовані перевірки якості були неузгоджені з людським судженням; автори роблять висновок, що в LLM немає внутрішньої моделі інструкції і що надійна валідація або доменно специфічне тренування є необхідними перед використанням без нагляду, зверненим до здобувачів ([[reddig-maclellan-personalized-feedback-llm-2026]]). Практичний наслідок діє в обидва боки: іноді правильною відповіддю є шар валідації, а не тренувальний прогон, а іноді саме валідація є тим, що каже вам, що тренувальний прогон провалився.

**Ваше оцінювання може вимірювати не те.** Це найпоширеніша пастка в літературі про дотончення тут. ROUGE-L і QWK вимірюють подібність і ранжування, а не правильність виведення ([[lora-finetuned-control-systems-course-qa-2026]]); дотончення може досягти чудового QWK, тоді як зворотний зв’язок тієї самої системи нерозбірливий ([[wraft-automated-writing-evaluation-argumentative-2026]]); а модель може правильно ранжувати студентів, помиляючись щодо того, наскільки ймовірно кожному із них знадобиться допомога. Там, де ціллю є конструкт, дотончення слід поєднувати з інструментом, який вимірює цей конструкт, — результат маршрутизації за впевненістю є гарним зразком, бо він перетворює число точності на операційну політику з людиною в циклі ([[know-when-to-trust-ai-scoring-reliability-2026]]).

## Практична послідовність для освітніх розробників

Відігнана з поданих вище доказів, у тому порядку, який уникає витрачених обчислень:

1. **Встановіть базову лінію, яку ви можете перевершити, включно з тривіальною.** Модель-помічник курсу без пошуку набрала нижче за TF-IDF. Залогуйте свою точність лише за підказок, перш ніж розглядати тренування.
2. **Додайте пошук перед параметрами.** Заземлення моделі на ваших власних матеріалах є найдешевшим великим здобутком, поданим тут (52.3% → 66.6%), і воно є оборотним.
3. **Проєктуйте підказку й перепроєктовуйте її ітеративно.** Кероване рубрикою уточнення перевело узгодженість з 54.75% до 81.25% зовсім без тренування, а генерація завдань поліпшилась лише після того, як уточнення підказок вийшло на плато, — це плато і є вашим сигналом, що тренування може щось додати.
4. **Дотончуйте, коли ціллю є стійкий формат, контрольована властивість або домен, якого бракує базовій моделі.** LoRA на кількох тисячах прикладів може поставити малі відкриті моделі в паритет із людським оцінювачем, а набір інструкцій може взяти модель 7B від близького нуля до відстані 0,15 від набагато більшої еталонної моделі за специфічними для домену вимірами.
5. **Обирайте ранг і шари свідомо й очікуйте поведінки, специфічної для архітектури.** Приріст на параметр адаптера падав із зростанням рангу, чотиришарова адаптація перевершила і менш глибоке, і повнодотинчне дотончення, а одне сімейство моделей суттєво поліпшилось, тоді як інше не зрушило зовсім.
6. **Вживайте посттренування, коли вам треба змінити *як* модель навчає.** Винагороджуйте ведення над відповіддю й очікуйте, що винагороду обіграють, — пишіть її проти бенчмарку, а не проти інтуїції.
7. **Наглядайте на рівні кроків.** Тренування лише на кінцевих відповідях давало точність щодо хибних уявлень нижчу за 30% за будь-якого розміру даних.
8. **Утримуйте людину в циклі там, де впевненість низька.** Маршрутизація найменш упевненої п’ятини відповідей усунула близько 80% ручної роботи, поліпшивши узгодженість.
9. **Перевіряйте безпчність через цілі розмови.** Довгі діалоги — це там, де спеціалізовані моделі деградують.
10. **Калібруйте очікування.** На вибір моделі та підказок припадає лише близько 15% неузгодженості з навчальними здобутками; частина того, що ви хочете від тренування, недосяжна від тренування.

## Відкриті питання

1. Чи узагальнюється педагогічне посттренування між предметами, чи предметно специфічне налаштування потрібне завжди?
2. Чи можна поєднати конвеєр RL–SFT–RL із поздовжньою пам’яттю для персоналізації між семестрами?
3. Який є найменший набір нагляду, який усе ще навчає педагогічного міркування на рівні кроків, і чи можна ним ділитись між установами, не ділячись даними студентів?
4. Як слід стандартизувати оцінювання дотончених освітніх моделей, зважаючи на те, що метрики подібності можуть бути чудовими, тоді як модель непридатна до вжитку?

## Зв’язки з суміжними поняттями

Ця сторінка є супутником *як зроблена модель* до сторінки [[llm]], яка висвітлює, чим є великі мовні моделі та як вони поводяться. Вона сидить під [[ai-technologies]] як вузол тренування та адаптації, поряд із [[rag]] (пошуковою альтернативою, яка звичайно приходить першою), [[prompt-engineering]] (найдешевшим важілем) і [[reinforcement-learning]] (RL-половиною посттренування). Її виводи живлять [[intelligent-tutoring]] і [[adaptive-learning]]; її найпоширеніші освітні застосування — [[automated-assessment]], [[automated-essay-scoring]] і [[ai-feedback-quality]]; а її найближчі понятійні родичі — [[educational-nlp]], [[simulating-students]], [[open-source]] і [[student-modeling]]. Ризики, які вона створює, тримають [[pedagogical-safety]], [[ai-sycophancy]], [[hallucination-risk]] і [[privacy]].

## Пов’язані поняття

- [[llm]] — чим є ці моделі; ця сторінка — як їх роблять
- [[ai-technologies]] — парасолька: технології та методи ШІ
- [[rag]] — пошук, крок перед тренуванням
- [[prompt-engineering]] — найдешевший важіль і базова лінія, яку треба перевершити
- [[reinforcement-learning]] — стадія RL посттренування
- [[intelligent-tutoring]] — головний домен застосування
- [[adaptive-learning]] — адаптація до здобувачів, на відміну від адаптації моделей
- [[automated-assessment]] — куди приземляються дотончені моделі оцінювання
- [[automated-essay-scoring]] — завдання, від якого походить більшість доказів про оцінювання
- [[ai-feedback-quality]] — що дотончення виправляє, а що ні
- [[educational-nlp]] — суміжна родина методів
- [[simulating-students]] — застосування того самого апарату на боці здобувача
- [[student-modeling]] — шар моделювання під симуляцією
- [[open-source]] — відкриті ваги — це те, що робить локальне дотончення можливим
- [[benchmark]] — як оцінюються ці системи, і межі цього
- [[assessment-validity]] — чому добра метрика може все одно означати поганий інструмент
- [[pedagogical-safety]] — чого тренування не гарантує
- [[ai-sycophancy]] — поведінка, на яку може націлюватись посттренування
- [[hallucination-risk]] — режим відмови, який дотончення не може зцілити
- [[privacy]] — обмеження на дані тренування та на забуття
- [[human-in-the-loop-ai]] — запобіжник, який робить автоматизацію доступною за ціною
- [[metacognition]] — педагогічна ціль для посттренування
- [[scaffolding]] — поведінка, яку функції винагороди намагаються закодувати
- [[ai-education]] — галузь, якій ця робота служить

## Пов’язані статті

- [[singh-eduqwen-pedagogical-rl-2026]] — Конвеєр RL–SFT–RL: 96.52% на CDPK, перевершивши Gemini-3 Pro
- [[learnlm-improving-gemini-learning]] — дотримання педагогічних інструкцій усередині посттренування Gemini
- [[teachlm-post-training-llms-education]] — посттренування на 100 000 годинах автентичних даних тьюторінгу
- [[tact-pedagogically-adaptive-esl-tutoring]] — узгоджене з таксономією посттренування, націлене на педагогічне рішення
- [[swim-student-writing-simulation-2026]] — SFT і GRPO проти підказкового формулювання за рубрики, з деталлю конструювання винагороди
- [[misconception-acquisition-dynamics-llms-2026]] — сліди на рівні кроків як обов’язкова вимога для тренування на хибних уявленнях
- [[jeon-isd-agent-bench-2026]] — заземлені в теорії агенти інструкційного проєктування на 25 795 сценаріях
- [[wang-socratic-guides-heuristic-reinforcement-learning-2026]] — евристичне RL для узгодження моделей як сократичних провідників
- [[special-r1-rl-special-education]] — навчання з підкріпленням для узгодження зі спеціальною освітою
- [[chung-personalized-ai-tutors-llm-reinforcement-learning-2026]] — кероване LLM навчання з підкріпленням для персоналізації
- [[lee-pedagogy-r1-pedagogical-large-reasoning-model-2025]] — педагогічна велика модель міркування
- [[omniedu-open-educational-foundation-models-2026]] — одна цільова поведінка на приклад, на всіх масштабах моделі
- [[garrod-edu-qurating-educational-data-curation-2026]] — курування освітніх даних для тренування
- [[lora-finetuned-control-systems-course-qa-2026]] — ефекти рангу LoRA та приріст на параметр адаптера
- [[aiawe-automated-writing-evaluation]] — адаптоване за LoRA AWE, де масштаб не передбачав успіху
- [[llm-graders-computer-science-exams-2026]] — один адаптер на ~3 900 прикладах, що досягає паритету з людським оцінювачем
- [[iks-instruct-dataset-indian-knowledge]] — набір інструкцій із 24 795 прикладів і базова лінія близько нуля
- [[llm-children-reading-story-generation]] — контрольованість понад масштаб для керування рівнем читання
- [[bert-discourse-english-teaching-2026]] — які шари дотончувати, і чому чотири перемагають дванадцять
- [[nuclear-diffusion-text-to-image-learning-2026]] — архітектура, а не число параметрів, вирішує, чи працює дотончення
- [[distilling-self-explaining-lm-learning-analytics-2026]] — дистиляція в модель 2B з аудитом вірності
- [[llm-unlearning-math-privacy]] — ґрунтоване на ґрадієнтах забуття персональних даних і шкідливого вмісту
- [[reflection-level-classification-hungarian-essays-2026]] — дотончені трансформери проти класичних і вбудено-заснованих базових ліній
- [[multimodal-item-parameter-estimation-2026]] — вивчання кривих IRT із мультимодальних пунктів
- [[know-when-to-trust-ai-scoring-reliability-2026]] — маршрутизація за впевненістю як політика з людиною в циклі
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — пошук як рішення першого порядку, із поданими енергією та VRAM
- [[customizing-ai-writing-pedagogy-systematic-review-2026]] — 23 дослідження: підказки 13, дотончення 7, гібрид 3
- [[gpt-item-generation-l2-listening-2026]] — підказки виходять на плато, потім дотончення додає решту
- [[wraft-automated-writing-evaluation-argumentative-2026]] — дотончення перемогло на оцінюванні й провалилось на зворотному зв’язку
- [[educational-llm-alignment]] — стеля ~15% на вибір моделі та підказок
- [[yasar-llms-iterative-pedagogical-design-2026]] — кероване рубрикою підказкове формулювання як альтернатива без тренування
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]] — керування персоною на рівні підказок для симуляції хибних уявлень
- [[eduframetrap-llm-sycophancy-educational-safety]] — сикофантство як явна тренувальна вимога
- [[contextual-sycophancy-ai-literacy]] — сикофантство, що виживає після підказок і узгодження
- [[hazra-safetutors-pedagogical-safety-2026]] — безпека, що деградує за тривалої розмови
- [[reddig-maclellan-personalized-feedback-llm-2026]] — ~35% непридатних підказок від нетренованої провідної моделі
- [[simulated-students-tutoring-dialogues-2026]] — чи поводяться симульовані студенти як студенти
- [[inside-llm-student-simulator-reasoning-2026]] — дотончення моделі, щоб діяти й мислити як студент
- [[history-aware-student-simulation]] — симуляція, зумовлена траєкторією здобувача

---

## [Вайбкодинг](https://edtechdev.github.io/aied/concepts/vibe-coding/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Вайбкодинг (vibe coding)** — створення програмного забезпечення шляхом ітеративного формулювання підказок великій мовній моделі та оцінки виникаючої поведінки без безпосереднього читання або редагування вихідного коду. Під цим словом, запровадженим Andrej Karpathy у 2025 році як робочим процесом, в якому людина «забуває, що код узагалі існує», стоїть природна для LLM реалізація програмування природною мовою та розробки кінцевими користувачами — формулювань, які в цій базі знань уже вважаються синонімами, — і в якій проза стає основним інтерфейсом програмування.

## Питання для роздумів

- У початковому формулюванні Karpathy мовилося, що варто «забути, що код узагалі існує». Перш ніж читати далі, запитайте себе: чи є небачення коду перевагою (воно знижує бар’єри) чи ризиком (ви не можете перевірити або виправити те, чого не бачите)? Що відповідь означає для того, кому слід дозволити займатися вайбкодингом?
- Дослідження того, кому вайбкодинг вдається, виявило, що традиційна [[cs-education|успішність у комп’ютерних науках]] усе ще передбачає успіх, навіть коли користувач узагалі не торкається коду. Якщо це вас дивує, яку приховану навичку може розвивати підготовка в CS, яку сама проза не передає?
- Те саме дослідження виявило, що навичка письма передбачає результат вайбкодингу здебільшого *тому*, що вона породжує підказки вищої якості. Якщо вузьке місце — це справді підказки, чи правильним виправленням буде [[prompt-engineering|навчити людей краще формулювати підказки]] — чи перепроєктувати інструменти так, щоб вони вимагали меншої майстерності в прозі?
- Вайбкодинг часто прославляють як те, що робить розробником «будь-кого». Але якщо результат формують і навичка письма, і знання з CS, чи розширює вайбкодинг доступ до створення програмного забезпечення, чи лише переносить бар’єр навички з коду на прозу?
- Деякі розробники розрізняють «чистий» вайбкодинг (коли код ніколи не читають) і програмування з підтримкою ШІ, де ви переглядаєте й редагуєте те, що написала модель. Де, на вашу думку, імовірніше відбувається справжнє навчання — а не [[cognitive-offloading|надмірне покладання]], — і чому?

## Вступ

Вайбкодинг описує стиль взаємодії, який уможливлюють платформи розробки з інтегрованим LLM (Replit, Lovable, Cursor та інші): користувач задає програму природною мовою, модель генерує працюючу систему, а користувач ітерує на основі спостережуваної поведінки, а не шляхом редагування вихідного коду. Термін увів співзасновник OpenAI Andrej Karpathy у лютому 2025 року, щоб передати досвід такого сильного покладання на модель, що «код» зникає з усвідомлення. Вайбкодинг лежить на перетині кількох напрямів, які ця база знань уже відстежує: це [[generative-ai|генеративний ШІ]], застосований до [[cs-education|програмування]], крайня форма [[prompt-engineering|роботи на основі підказок]], конкретний випадок [[human-ai-collaboration]] і найпростіший на сьогодні шлях для [[teacher-role|непрограмістів]] і кінцевих користувачів до створення власного програмного забезпечення (розробка кінцевими користувачами).

Він також має глибоке коріння. Ідея програмувати звичайною мовою значно передує LLM — від прагнення COBOL бути «системою програмування англійською мовою для непрофесійних програмістів» через літературне програмування Donald Knuth і аж до досліджень програмування природною мовою з обмеженими підмножинами англійської. Лише з LLM стало можливим відображення справді розмовних, недокладно заданих інструкцій на виконуваний код. Вайбкодинг — це саме той варіант, у якому користувач свідомо не переглядає й не редагує згенерований вихідний код, повністю покладаючись на ітеративне формулювання підказок і оцінку поведінки.

### Визначення конструкту: «чистий» і кодовидимий вайбкодинг

Визначення вайбкодингу досі перебуває в русі. Деякі вживають термін широко, маючи на увазі будь-яке кероване ШІ програмування; інші наполягають, що він стосується суто «створення програмного забезпечення з LLM без перегляду коду, який воно пише». Google Cloud розрізняє «чисту» версію без коду (узгоджену з визначенням Karpathy) і версію, у якій користувач розуміє й удосконалює згенерований код. Ця відмінність важлива для [[research-methods-aied|досліджень]]: контрольоване дослідження майстерності вайбкодингу вимагає добре визначеного конструкту. Дослідження CHI 2026 предикторів майстерності вайбкодингу свідомо націлювалося на «чистий» варіант без коду — учасники не могли переглядати або редагувати згенерований вихідний код, тож виміряна продуктивність відображала здатність задавати, вдосконалювати й налагоджувати поведінку лише за допомогою прози й спостережуваного результату (див. [[vibe-coding-writing-cs-achievement-2026|Thorgeirsson et al.]]).

### Кому вайбкодинг вдається: докази

Передзареєстроване перерізне дослідження (N = 100 студентів третинного рівня) дає перші контрольовані докази на рівні учасників про те, які навички передбачають успіх у вайбкодингу. І [[writing-education|майстерність письмової комунікації]] (r = .29), і успішність у комп’ютерних науках (r = .39) суттєво передбачали продуктивність на перевірених експертами, орієнтованих на GUI завданнях вайбкодингу, причому успішність у CS залишалася суттєвою й після контролю за загальнодомінними когнітивними навичками (часткове r = .281). У спільній моделі успішність у CS давала приблизно вдвічі більше унікальної варіації, ніж навичка письма, проте обидві додавали незалежну предиктивну цінність. Принципово, що оцінена людьми якість підказок була медіатором зв’язку між письмом і продуктивністю, даючи докази на рівні процесу реагування, що чітка проза діє через породження кращих підказок. Оскільки середовище приховувало вихідний код, знання з CS могли допомагати лише побічно (через декомпозицію проблеми, алгоритмічне мислення й ментальні моделі потоку керування), — тож автори стверджують, що їхня оцінка CS є *нижньою межею* для програмування з підтримкою ШІ, у якому користувачі можуть також безпосередньо редагувати код ([[vibe-coding-writing-cs-achievement-2026|Thorgeirsson et al., 2026]]).

### Вайбкодинг як розробка кінцевими користувачами та інструментарій викладача

Основна обіцянка вайбкодингу полягає в тому, що він дає змогу непрограмістам — включно з [[teacher-role|викладачами]] та експертами в предметній області — створювати власне програмне забезпечення, що є формою розробки кінцевими користувачами в епоху LLM. [[gaide-vibe-coding-k12-teachers|Дослідження рамкової основи GAIDE]] показало, що викладачі K-12 (непрограмісти), використовуючи вайбкодинг на восьмитижневому семінарі для створення інструментів навчання з підтримкою ШІ, підвищили свою [[ai-literacy|ШІ-грамотність]] і продемонстрували «навчання через створення» як модель професійного розвитку. У вищій освіті викладач швидко створив [[vibe-coding-programming-process-visualizer|візуалізатор процесу програмування з журналів активності IDE]] за допомогою вайбкодингу за лічені дні, зробивши процеси програмування студентів видимими для навчання та перевірки [[academic-integrity]]. Ці випадки позиціонують вайбкодинг не просто як навичку здобувача, а як авторську здатність, яка [[educational-development|переформатовує те, хто може створювати освітні технології]].

### Гомогенізація проєктування: доступ без різноманітності

Обіцянка вайбкодингу як розробки кінцевими користувачами стосується того, хто може створювати, а не того, що створюється. У розгортанні на курсі 73 студенти, які будували сайти для різних бізнесів на одній платформі вайбкодингу, породили приблизно десяток відмінних проєктів, і відчуття авторства не корелювало з виміряною оригінальністю ([[vibe-coding-design-diversity-2026|Boussioux et al. (2026)]]). Зниження бар’єру для створення може стандартизувати результат — ціну, яку обіцянка доступу не анонсує.

### Навчання, агентивність і ризик надмірного покладання

Вайбкодинг знову відкриває базові запитання про те, чому вчаться, коли ШІ автоматизує реалізацію. Оскільки користувач не читає код, він має довіряти поведінці моделі, — що робить вайбкодинг високоставним випадком напруги між [[agency]] і [[cognitive-offloading|надмірним покладанням]], яка пронизує програмування з підтримкою ШІ. Навчальні програми реагують на це, зсуваючи акцент із навчання реалізації до навчання того, як керувати, перевіряти й аудитувати артефакти, згенеровані ШІ (див. [[reshaping-cs-education-genai|переформатування базового курсу CS]] і [[agentic-ai|агентну інженерію програмного забезпечення]]). Вайбкодинг також змінює епістемічну позицію здобувача: успіх залежить менше від написання коду й більше від точного висловлення наміру та оцінки поведінки проти цілей — компетентностей, ближчих до [[computational-thinking|обчислювального мислення]] й структурованого письма, ніж до традиційного опанування синтаксисом.

Друге обмеження виявляється в самому процесі створення: усунення бар’єру кодування може залишити тягар діагностики недоторканим. У двох інженерних кейсах викладач створив працюючі вебсимуляції системи теплового керування батареєю та трьох протоколів ARQ, формулюючи підказки Gemini простою мовою за кілька годин ([[caee-vibe-coding-simulation-development-engineering-education-2026|Tarasak et al. (2026)]]). Помилка дублювання пакета далі виживала при повторних підказках, включно з тією, яка явно задавала необхідну поведінку. Її виправлено лише тоді, коли викладач вивів із поведінки протоколу недостатній інтервал очікування — параметр, який інтерфейс ніколи не відкривав. Вплив жодної з симуляцій на навчання не було виміряно, тож цей звіт встановлює здійсненність, а не ефективність.

### Зв’язки з суміжними поняттями

Вайбкодинг природно пов’язаний із [[prompt-engineering]] (якість підказок є механізмом керованої прозою розробки), [[cs-education]] (як предметна область, де метод використовується найбільше й обговорюється найгостріше), [[computational-thinking]] (ментальне моделювання, яке передбачає успіх навіть без доступу до коду), [[writing-education]] (письмо стає навичкою програмування) та [[agentic-ai]] (скерування моделі до артефакту, а не його ручна побудова). Він також перетинається з [[ai-literacy]] і [[teacher-role]], оскільки здатність створювати власні інструменти змінює те, що можуть робити викладачі та здобувачі. Нарешті, він породжує запитання [[academic-integrity]] та оцінювання, тотожні тим, які генерація коду ШІ породжує в усій освіті з обчислювальної техніки.

Кейсдослідження на рівні викладацького складу в цій базі знань постачає організаційний шар. [[zimmer-ai-intrapreneurship-faculty-innovation-2026|Zimmer (2026)]] описує *внутрішнє підприємництво на основі ШІ* (AI intrapreneurship) — освітян, які створюють власні інструменти, не чекаючи на інституційні закупівлі, — включно з автором, який не програмує, проте використовує Claude Code для створення перевірника 321 посилання курсу. Вирішальними можливостями були організаційні, а не технічні: свобода в роботі, винагороди й наявність часу, причому останню описано як таку, якої найочевидніше бракує в академічних умовах і яку підривають вимоги щодо підвищення й отримання постійного контракту. Картина безпеки залишалася стриманою, бо аналіз Veracode 2025 року виявив лише 55% згенерованого ШІ коду захищеним, тож створені вайбкодингом класні інструменти усе ж потребують етапу перевірки перед роботою з даними студентів або підключенням до LMS.

## Пов’язані поняття

- [[generative-ai]]
- [[llm]]
- [[prompt-engineering]]
- [[cs-education]]
- [[computational-thinking]]
- [[writing-education]]
- [[agentic-ai]]
- [[human-ai-collaboration]]
- [[ai-literacy]]
- [[teacher-role]]
- [[cognitive-offloading]]

## Пов’язані статті

- [[vibe-coding-writing-cs-achievement-2026]] — Успішність у комп’ютерних науках і навички письма передбачають майстерність вайбкодингу (емпіричне дослідження CHI 2026)
- [[gaide-vibe-coding-k12-teachers]] — Напрямна рамкова основа для викладачів K-12 у створенні освітніх технологій на основі ШІ шляхом вайбкодингу
- [[vibe-coding-programming-process-visualizer]] — Від ідеї до аудиторії за кілька днів: використання «вайбкодингу» для створення візуалізатора процесу програмування з журналів активності IDE
- [[caee-vibe-coding-simulation-development-engineering-education-2026]] — Вайбкодинг створив дві інженерні симуляції за лічені години; діагностика помилки протоколу все одно потребувала викладача
- [[prompt-problems-nl-programming-mistakes]] — Розуміння сприйняття, помилок і підходів до налагодження студентів під час виконання завдань програмування природною мовою
- [[code-to-learn-genai-artifact-construction-2026]] — Навчання через код із генеративним ШІ: теоретично обґрунтована рамкова основа конструювання артефактів у старшій середній освіті
- [[reshaping-cs-education-genai]] — Переформатування базової освіти з комп’ютерних наук для генеративного ШІ
- [[flowcode-ai-creative-coding]] — Flowcode: середовище програмування на основі ШІ для скаффолдингу ітерацій в освіті з креативного обчислювання
- [[zimmer-ai-intrapreneurship-faculty-innovation-2026]] — Внутрішнє підприємництво на основі ШІ: викладачі створюють власні інструменти та організаційні умови, що вирішують, чи виживе цей порив (Zimmer 2026)
- [[vibe-coding-design-diversity-2026]] — Один інструмент, один смак? Як вайбкодинг міняє колективне різноманіття на індивідуальну креативність

---

## [Мультимодальний ШІ](https://edtechdev.github.io/aied/concepts/multimodal/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Мультимодальний ШІ** — [[ai-technologies|системи ШІ]], які обробляють, розуміють або генерують контент у кількох модальностях — текст, зображення, аудіо, відео та структуровані дані — і освітні питання, які порушують ці системи. У [[ai-education|ШІ в освіті]] мультимодальний ШІ виступає в трьох чітких ролях: як *навчальний контент*, який здобувачі створюють і з яким взаємодіють ([[multimodal-learning-genai|мультимодальне навчання]]), як *межа можливостей* репетиторських систем, які мають інтерпретувати діаграми та графіки ([[syal-multimodal-dialogue-stem-2026|мультимодальне тьюторство]]), і як *сигнал оцінювання*, що використовується для оцінки розуміння ([[multimodal-item-parameter-estimation-2026|мультимодальне вимірювання]]).

## Питання для роздумів

- Згадайте графік, діаграму сил або схему, які вам було важко пояснити словами. На що вказує цей досвід щодо обмежень [[intelligent-tutoring|репетитора на базі ШІ]], який працює лише з текстом і намагається допомогти із задачами, насиченими зображеннями?
- Репетитор із [[physics-education|фізики]] відповідає на текстові задачі правильно приблизно в 96% випадків, але падає приблизно до 74% на задачах, де зміст закладено в діаграмах. Що, на вашу думку, спричинює цей «мультимодальний інтерференційний ефект» — і чи можете ви придумати виправлення, яке не потребує перенавчання моделі?
- Ви, мабуть, генерували й текст, і зображення за допомогою інструментів ШІ. Чи помітили ви, що «[[prompt-engineering|підказка]] для малюнків» відрізняється від підказки для тексту? Яких навичок можуть потребувати студенти, щоб перекласти абстрактну ідею в точну візуальну підказку?
- Мультимодальний ШІ може оцінювати есе, генерувати зворотний зв’язок із аудіосупроводом і навіть відтворювати статистику пунктів іспиту за пунктами, що поєднують зображення та текст. На що вказує (або який ризик створює) перехід від оцінювання лише за текстом до мультимодального для [[bias-mitigation|справедливості]] та валідності?
- Як те, що підтримка з боку ШІ менш надійна саме на задачах, насичених діаграмами, які будують глибоке розуміння [[stem-education|STEM]], може створити розрив у [[equity-in-ai-education|справедливості]] між здобувачами? Хто найбільше постраждає?
- Мультимодальні системи можуть перекладати текст в аудіо або візуалізації для підтримки інклюзивного навчання, але вони також уможливлюють детальне відстеження в аудиторії. Де межа між корисною мультимодальною доступністю та наглядом?

## Вступ

Мультимодальність у ШІ означає здатність працювати з різними формами подання, а не лише з текстом. Сучасні [[generative-ai]] та [[llm]] системи дедалі частіше приймають і продукують зображення, аудіо та відео на додаток до тексту, відкриваючи нові можливості та нові ризики для освіти. Спираючись на теорію соціальної семіотики, згідно з якою зміст створюється в усіх модальностях — не лише в словах, — мультимодальний ШІ змінює те, як проєктуються та оцінюються [[teacher-role|навчання]], навчання та оцінювання.([[multimodal-learning-genai]])

## Три обличчя мультимодального ШІ в освіті

### 1. Мультимодальне навчання та створення контенту

Мультимодальний ШІ дає здобувачам змогу продукувати контент і взаємодіяти з ним у формі тексту, зображення, аудіо та відео. Посібник для освітян щодо мультимодального навчання з генеративним ШІ позиціонує ці інструменти як «кіберсоціального» партнера: вони доповнюють — але не можуть замінити — людське створення змісту.([[multimodal-learning-genai]])

- **[[ai-literacy|ШІ-грамотність]] в мультимодальних контекстах** є багатошаровою: базове обізнання з мультимодальними платформами, проміжне співстворення та [[critical-thinking|критична оцінка]] результатів і просунуте проєктування мультимодальних активностей і оцінювань.([[multimodal-learning-genai]])
- **Мультимодальні підказки** самі по собі є вимогливою епістемічною практикою. Студенти, які дають підказки й для зображень, і для тексту, відкривають, що «підказкова грамотність відрізняється між підказкою для тексту і підказкою для малюнків» — переклад абстрактного змісту в машинозчитувані мультимодальні підказки потребує точного візуального словника і виявляє обмеження та упередженість системи.([[multimodal-prompting-ai-literacy]])
- **Мультимодальне оцінювання** переходить від есе до артефактів, що поєднують текст, зображення, аудіо та відео, причому освітяни використовують ШІ для [[scaffolding|підтримки]] створення та зворотного зв’язку, а не для заміщення власної продукції здобувача.([[multimodal-learning-genai]])
- **Мультимодальне компонування здобувачами як скаффолд критичного мислення несе компроміс.** [[lu-ai-multimodal-writing-critical-thinking-2026|Lu та співавт. (2027)]] показують, що перетворення письмових наративів на згенеровані ШІ зображення та короткі відео учнями старшої початкової школи підтримувало стійкі здобутки в інтерпретації, аналізі, оцінці та поясненні — але не в умовиводі. Оскільки візуалізації робили зміст історії явним, студенти повідомляли про меншу потребу висновувати прихований зміст лише з тексту; співпраця з однолітками, а не мультимодальний інструмент, відновлювала можливості для умовиводу. Цінність мультимодального ШІ як партнера в створенні змісту є, отже, вимірно-специфічною і залежить від [[learning-design|проєктування навчання]], яке свідомо повертає умовиводну та [[self-regulated-learning|саморегуляційну]] роботу, що її екстерналізація може скоротити.
- **Мультимодальне [[writing-education|компонування]] здобувачів як критична ШІ-грамотність.** [[burriss-multimodal-composition-critical-ai-literacy-2026|Burriss та співавт. (2026)]] аналізують 22 тридцятисекундних-трихвилинні відео-оголошення громадської служби одинадцятикласників на самостійно обрані теми [[ethics]] ШІ — нагляд через шкільні ноутбуки з регулюванням та електронні «перепустки», [[privacy|обізнану згоду]] та каральне алгоритмічне звинувачення — як [[ai-literacy|критичну ШІ-грамотність]], втілену через компонування в рухомому зображенні, звуці, тексті та власних тілах студентів. В усіх семи фільмах шкода зображувалась як така, що виникає з людсько-машинного переплетення, а не з самого інструменту (антропоморфізованого «ШІ-переслідувача» грав людський актор у трьох із семи), і 15 із 18 відповідей наприкінці модуля свідчили, що компонування змінило їхнє розуміння етики ШІ. Автори стверджують, що мультимодальні продукти водночас *демонструють* і *комунікують* критичну компетентність — продуктивні артефакти, рефлексії та громадянський дискурс можуть слугувати свідченнями [[assessment]], які текстова грамотність структурно пропускає в масштабі.

### 2. Мультимодальне тьюторство та межа можливостей

Коли репетитори на базі LLM мають розв’язувати задачі, у яких зміст закладено в графіках, діаграмах сил, схемах або таблицях, їхня точність різко падає — це **ефект мультимодальної інтерференції**.([[syal-multimodal-dialogue-stem-2026]])

- На задачах із фізики OpenStax точність лише за текстом приблизно 96% падає до **приблизно 74%** на задачах, насичених зображеннями, послідовно в усіх сімействах моделей.([[syal-multimodal-dialogue-stem-2026]])
- **Помилки візуальної обробки** — невдачі в отриманні інформації з графіків або діаграм — домінують у таксономії помилок і є найбільш виправним режимом відмов.
- Проста інтервенція структурованого діалогу (нехай модель опише те, що вона бачить, виправляючи лише *спостережувані* неправильні прочитання, не видаючи фізику, а потім запитуючи знову) відновлює точність до **приблизно 95%** без жодного перенавчання.([[syal-multimodal-dialogue-stem-2026]])
- Це **занепокоєння щодо справедливості**: студенти, які працюють над задачами, насиченими зображеннями — саме тими задачами, що будують глибоке концептуальне розуміння STEM, — наразі отримують менш надійну підтримку з боку ШІ, ніж ті, хто працює з вправами лише з текстом.
- **Побудувати візуальний посібник важче, ніж прочитати його.** На GeoVAD-Bench додавання експертної допоміжної діаграми підвищило точність (+3,3 до +7,0 пунктів), але дозвіл моделям будувати власну допоміжну лінію розширив розрив на 10,0–13,5 пунктів — дві моделі спрацювали гірше, ніж без жодного візуального міркування ([[geovad-bench-visual-chain-of-thought-geometry-2026|Dong та співавт., 2026]]).
- **Межа є профілем, а не рівнем — і художні зображення лежать поза областю, яку моделі добре опрацьовують.** [[muse-vlm-artistic-image-benchmark-2026|MUSE (Zhu та співавт., 2026)]] оцінює 30 відкритих і власницьких VLM на 12 завданнях над 1 174 замовленими художніми творами, і розкит можливостей за вимірами є ширшим, ніж вказує будь-який узагальнений бал: класифікація сцен близька до зрілої (23 із 30 моделей вище 75,0, медіана 81,0), тоді як розпізнавання емоцій сягає лише 39,5, а завдання з відкритою відповіддю, які вимагають від моделей *висловлювати* свідчення, отримують 50,90 (ідентифікація візуальних підказок) і 49,18 (умовивід причин емоції) за семантичною подібністю. Композиційне та залежне від точки зору міркування спрацьовують найгірше — там, де еталонна відповідь не визначає жодного конкретного бічного або вертикального відношення, 90,0% і 73,3% моделей усе одно стверджують його, лише 43,3% правильно розміщують дівчинку в глибині, і жодна модель не розв’язує всі три виміри одного пункту. Відмови також каскадують: неправильно заземлений персонаж потім обґрунтовується вільною раціоналізацією, побудованою на сусідній візуальній семантиці (метелики, птахи), і саме цей результат найнебезпечніший у тьюторстві, оскільки пояснення виглядає компетентним. Для навчання [[language-learning|мови]] на основі зображень це доводить необхідність валідації на рівні вимірів щодо зображень, які курс насправді використовує, а не імпортування загального мультимодального балу, і розширення контрольного пункту заземлення, описаного нижче — описати, що бачать і де, перш ніж міркувати з цього, — на [[situated-learning|ситуативний]] художній контент ([[muse-vlm-artistic-image-benchmark-2026]]).

Практичним наслідком для проєктування є **контрольний пункт візуального заземлення** в мультимодальному тьюторстві: свідомий крок, на якому система описує те, що вона бачить, перш ніж намагатись розв’язати задачу, даючи студенту або людському наглядачеві можливість виправити перцептивні помилки.([[syal-multimodal-dialogue-stem-2026]])

[[ai-assisted-physics-lab-report-assessment-2026|Abreu та співавт. (2026)]] додають попереднє обмеження: рівняння, графік або одиниця можуть з’являтися у звіті, але ніколи не бути отриманими з обробленого документа, тому розбіжність із викладачем може бути невдачею видобування, а не міркування — що робить формат подання частиною проєктування оцінювання.

### 3. Мультимодальне оцінювання та вимірювання

Мультимодальний ШІ розширює і *контент* оцінювання, і *сигнал*, що використовується для оцінки.

- **Мультимодальні системи зворотного зв’язку** інтегрують структурований текст, посилання на слайди та потокове аудіо-озвучення. В одному дослідженні [[ai-feedback-quality|мультимодальний зворотний зв’язок зі ШІ]] відповідав зворотному зв’язку освітян за навчальними результатами, *значно перевершуючи* його за сприйняттям студентів.([[multimodal-ai-feedback-learning]])
- **Мультимодальна оцінка параметрів пунктів** використовує донавчені мультимодальні LLM для відтворення кривих характеристик пунктів (IRT / 3PL) безпосередньо з передбачених ймовірностей варіантів відповіді на пунктах, що поєднують зображення та текст, пов’язуючи мультимодальний ШІ з [[educational-measurement]] та [[item-response-theory]].([[multimodal-item-parameter-estimation-2026]])
- **Оцінювання освітніх мовно-візуальних моделей** та [[mllm-scientific-visualization-literacy|мультимодальна грамотність LLM]] розширюють інструментарій оцінювання галузі на мультимодальне міркування та [[visualization]].([[drawedumath-vlm-struggling-students-2026]])([[mllm-scientific-visualization-literacy]])
- **Мультимодальне оцінювання рукописної [[chemistry-education|хімії]] виявляє залежну від формату межу можливостей:** [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros & Kortemeyer]] оцінили сторінку за сторінкою рукописний підсумковий іспит із загальної хімії 296 студентів проти зображень рубрик за допомогою мультимодальної, міркувальної LLM, надійно оцінюючи текстові відповіді та рівняння хімічних реакцій (найвищий нормований F1), але оцінюючи малювання та графіки *гірше за випадковий вибір* — фонові сітки візуально відволікають зір ШІ, а наукові діаграми та хімічні структури залишаються важкими для інтерпретації — підсилюючи те, що зір мультимодального ШІ не є стійким до роботи, насиченої формами подання, і найкраще розгортається з [[human-in-the-loop-ai|відстроченням до людини]] щодо графічних пунктів ([[cvengros-grading-handwritten-chemistry-ai-2026]]).
- **Розпізнавання конструктів і компаративне судження є віддільними навичками.** [[cfes-p24-multimodal-slide-auditing-2026|Ma та співавт. (2026)]] виражають шість принципів мультимедійного навчання як оборотні правки слайдів плюс фіктивні контролі візуальної еквівалентності і виявляють, що обидві моделі відтворили кожну операцію, принцип і виправлення (8/8), тоді як калібрування суворості повністю не спрацьовувало (0/8) — узагальнений бал приховував би, який шар відмовляє.

- **Здобутки в справедливості можна валідувати в існування.** Мультимодальний оцінювач уваги перевершував базовий рівень, орієнтований лише на візуалізацію, лише незначно, а його регуляризатор розриву MAE, орієнтований на стать, зменшив розрив на валідації з 0,02 до 0,005, проте збільшив розрив і помилку найгіршої групи на відкладених суб’єктах — тому субгрупово-обізнана, повторювана валідація на рівні суб’єктів є необхідною перед розгортанням ([[student-attention-estimation-fairness-2026|Fragkiadakis та співавт., 2026]]).
- **Мультимодальне оцінювання може відтворити результат відбору навіть там, де оцінювання на рівні пунктів відстає.** Оцінюючи 10 364 рукописні сторінки олімпіади та університетських робіт, LLM збіглась із сумами екзаменаторів на r = 0,93–0,96 і помістила тих самих п’ятьох студентів до олімпійської команди, проте згода за частинами сягала 70%: свідчення другого читача, а не оцінювача протоколу ([[ai-grading-handwritten-physics-2026|Pathak та співавт., 2026]]).
- **Генерація діаграм є межею можливостей, а не розв’язаною задачею.** На бенчмарку з 15 246 фізичних задач, який оцінює мультимодальний вивід, синтез або редагування структурованих фізичних діаграм виявилось важчим, ніж відповіді, і провідні моделі залишались нижче 70% строгого оволодіння — свідчення, що візуальна *продукція* відстає від візуального *розуміння* ([[omniphys-multimodal-physics-benchmark-2026|Chen та співавт., 2026]]).

## Мультимодальний ШІ для мовного та доступного навчання

Мультимодальні системи також розширюють доступ і [[personalized-learning|персоналізацію]]. Інструменти навчання на аудіо-[[video-education|відео]] з наведенням ШІ адаптують швидкість відтворення, продукують мультимодальні відеорезюме та підтримують практику вимови.([[ai-guided-learning-audiovideo-2026]]) Мультимодальні графи знань міркують через зображення та текст для освітніх завдань,([[multimodal-knowledge-graph-educational-reasoning]]) а мультимодальні подання покращують [[inclusive-learning]] шляхом перекладу інформації між модальностями (наприклад, тексту в аудіо або візуалізацію). Предметні застосування включають оцінювання та діагностику рукописної математики,([[llm-cognitive-diagnosis-handwritten-math]]) [[affective-tutoring|афективне тьюторство]] з мультимодальними сигналами,([[multimodal-affective-its-presentation]])([[kar-mathbuddy-affective-math-tutoring-2025]]) навчання «текст-у-зображення» в спеціалізованих галузях,([[nuclear-diffusion-text-to-image-learning-2026]]) і приватничо-обізнане мультимодальне відстеження в аудиторії.([[privacy-aware-classroom-incident-recognition-2026]]) Bird (2026) демонструє внутрішньотекстову форму мультимодальності: злиття донавченого трансформера ELECTRA з аналізом обчислювально-лінгвістичних ознак для класифікації англійської літератури за британськими ключовими стадіями, де злита модель (F1 0,996) значно перевершила всі унімодальні базові рівні — свідчення, що поєднання форм подання, навіть у межах тексту, може перевершувати одномодельні підходи.

## Виклики та наслідки для проєктування

1. **Закривайте мультимодальний розрив.** Системи мультимодального тьюторства мають включати візуальне заземлення та скаффолди структурованого діалогу, а не вважати візуальні можливості стійкими.([[syal-multimodal-dialogue-stem-2026]])
2. **Розглядайте мультимодальні підказки як викладна навичку.** Навчальні програми зі ШІ-грамотності мають охоплювати підказки, специфічні для модальності, узгодженість між модальностями та критичну оцінку мультимодальних результатів.([[multimodal-prompting-ai-literacy]])
3. **Зберігайте людське створення змісту.** Мультимодальний ШІ має доповнювати, а не заміщати, власне конструювання та оцінку змісту здобувачем у всіх модальностях.([[multimodal-learning-genai]])
4. **Розширюйте оцінювання на мультимодальну валідність.** [[assessment-validity|Валідність оцінювання]], упередженість і надійність мають бути досліджені, коли ШІ оцінює або генерує мультимодальні артефакти.([[multimodal-item-parameter-estimation-2026]])([[ai-ed-evaluation]])
5. **Стежте за справедливістю та приватним життям.** Ненадійна підтримка на задачах, насичених зображеннями, і вимоги до даних мультимодального відстеження несуть як наслідки для справедливості, так і для приватного життя.([[syal-multimodal-dialogue-stem-2026]])([[privacy-aware-classroom-incident-recognition-2026]])
6. **Узгоджуйте конвеєр із контентом.** Мультимодальний LLM асистента лабораторії з кібербезпеки краще опрацьовував щільні візуальні слайди, тоді як конвеєр OCR плюс LLM давав порівнянну навчальну цінність на текстовоцентричних слайдах за значно нижчих обчислювальних витрат.([[genai-cybersecurity-ocr-multimodal-instruction-2025|Patel та співавт. (2025)]])

## Пов’язані поняття
- [[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]] — Збірне: технології та методи ШІ (моделі, навчання LLM, робототехніка, RAG, агенти)
- [[virtual-and-augmented-reality]] — жест, голос і просторовий ввід як канали навчання
- [[speech-and-voice-technologies]]
- [[arts-design-and-media-education]]
## Пов’язані статті
- [[burriss-multimodal-composition-critical-ai-literacy-2026]] — Відеокомпонування оголошень громадської служі на тему етики ШІ як педагогіка критичної ШІ-грамотності (Burriss та співавт. 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]] — Продуктивність VLM на рукописних математичних роботах студентів (DrawEduMath, Lucy та співавт. 2026)
- [[multimodal-learning-genai]] — Посібник для освітян щодо мультимодального навчання з генеративним ШІ (модель MMLD-AI)
- [[syal-multimodal-dialogue-stem-2026]] — Ефект мультимодальної інтерференції та відновлення за допомогою структурованого діалогу в STEM
- [[multimodal-ai-feedback-learning]] — Мультимодальний зворотний зв’язок зі ШІ збігається з освітянами за навчанням, перевершує за сприйняттям
- [[multimodal-prompting-ai-literacy]] — Мультимодальні підказки студентів як епістемічна робота в ШІ-грамотності
- [[multimodal-item-parameter-estimation-2026]] — Оцінювання параметрів пунктів IRT за допомогою мультимодальних LLM
- [[ai-guided-learning-audiovideo-2026]] — Підтримка навчання на аудіо-відео з наведенням ШІ
- [[multimodal-knowledge-graph-educational-reasoning]] — Мультимодальні графи знань для освітнього міркування
- [[mllm-scientific-visualization-literacy]] — Мультимодальна грамотність LLM для наукової візуалізації
- [[multimodal-affective-its-presentation]] — Мультимодальні сигнали в афективному інтелектуальному тьюторстві
- [[kar-mathbuddy-affective-math-tutoring-2025]] — Афективне мультимодальне тьюторство математики
- [[llm-cognitive-diagnosis-handwritten-math]] — Когнітивна діагностика рукописної математики за допомогою LLM
- [[nuclear-diffusion-text-to-image-learning-2026]] — Навчання «текст-у-зображення» в освіті з ядерної інженерії
- [[privacy-aware-classroom-incident-recognition-2026]] — Приватничо-обізнане мультимодальне відстеження в аудиторії
- [[genai-cybersecurity-ocr-multimodal-instruction-2025]] — Мультимодальна інструкція з OCR в освіті з кібербезпеки
- [[cfes-p24-multimodal-slide-auditing-2026]] — CFES-P24: бенчмаркінг мультимодальних LLM для аудиту слайдів
- [[ai-grading-handwritten-physics-2026]] — Оцінювання рукописних фізичних робіт за допомогою ШІ (олімпіада)
- [[lu-ai-multimodal-writing-critical-thinking-2026]] — Мультимодальне компонування зі ШІ та критичне мислення в письмі початкової школи (Lu та співавт. 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 завдань над 1 174 художніми творами показують можливості VLM як вимірно-специфічний профіль, найслабші в афективній інтерпретації та просторовому міркуванні, залежному від точки зору (Zhu та співавт. 2026)
- [[ai-assisted-physics-lab-report-assessment-2026]] — AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice

---

## [Мовленнєві та голосові технології](https://edtechdev.github.io/aied/concepts/speech-and-voice-technologies/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Мовленнєві та голосові [[ai-technologies|technologies]]** — родина систем ШІ, у яких усний канал несе взаємодію: автоматичне розпізнавання мовлення (ASR), яке транскрибує, аналізує й оцінює те, що каже здобувач; синтез мовлення з тексту (TTS), який створює наративне навчання або навчання у формі діалогу; агенти, орієнтовані на голос, які підтримують усну розмову зі здобувачами в реальному часі; і автоматичний запис і оцінювання усної продуктивності. Там де [[conversational-ai]] здебільшого стосується текстових чат-ботів, а [[language-learning]] широко охоплюють педагогіку другої мови, ця сторінка йде за самим аудіо — що змінює в навчанні мовленнєвий інтерфейс, чого він коштує і кого він включає чи виключає, коли інтерфейсом є голос, а не екран.

## Питання для роздумів

- Зворотний зв’язок на основі ASR допомагає сильнішим здобувачам більше, ніж слабшим: в одному опитуванні 325 китайських студентів старших курсів віддача від рефлексивної поведінки та мотивації була слабкою й незначущою за низького рівня володіння мовою і ставала помітно сильнішою на середньому та високому рівнях. Якщо інструмент підвищує середній рівень, розширюючи розрив, чи це успіх?
- Нарація TTS відповідала власному голосу викладача за розумінням, концентрацією та загальною оцінкою, але TTS у формі діалогу перевершував TTS з одним спікером за розумінням і когнітивною залученістю, при цьому звучав *менш* природно. Який із них ви обрали б для першого знайомства з поняттям, а який — для щільного процедурного розбору?
- Два висновки йдуть проти інтуїції: студенти, які найінтенсивніше читали вивід ШІ під час завдань із усного перекладу, мали найслабшу плинність виконання, а здобувача, який відповів двома словами, позначили як правильний, тоді як повнішу усну відповідь позначили як таку, що потребує уваги. Наскільки голосовий інтерфейс вимірює усну плинність, а не розуміння?
- Голосовим агентом із британським акцентом поводилися як з інструментом, тоді як агенти з індійським і афроамериканським акцентом антропоморфізували й сприймали як однолітків у [[k-12]] [[group-work|group work]]. Якщо акцент змінює те, як здобувач ставиться до агента, хто має вирішувати, з яким голосом освітній продукт виходить на ринок?
- Системи, орієнтовані на голос та офлайн-роботу, існують переважно для того, щоб охопити здобувачів, яких виключив заснований на екранах [[edtech-platform|edtech]], — незрячих дітей, глухих здобувачів і здобувачів із порушеннями слуху, здобувачів у майстернях без зв’язку. Що потрібно для того, щоб доступність стала вихідним припущенням мовленнєвого продукту, а не пізнішою латкою?
- Майже кожне твердження на цій сторінці походить із короткого, одновібіркового дослідження з самооцінкою та фіксованим порядком подання. Яким із цих висновків ви довіряли б настільки, щоб змінити своє оцінювання або проєктування заняття до появи реплікації?

## Вступ

Мовлення — найдавніший освітній інтерфейс і водночас найновіший для ШІ. Системи, які слухають і говорять, уже присутні в мовних аудиторіях, професійних майстернях і дослідницьких заняттях старшої школи. Вони привабливі з звичної причини — мовлення швидке, працює без рук і без очей і є тим середовищем, у якому живуть вимова, плинність і усне міркування, — і з новішої: обмежену в часі усну відповідь важко передати на аутсорсинг текстовому генератору, що робить усний канал кандидатом у відповіді на тиск [[academic-integrity]] на письмове оцінювання.

Дослідження тут розпадається на чотири кластери: зворотний зв’язок із вимовою на основі ASR, навчання, створене за допомогою TTS, партнери, орієнтовані на голос, і партнери в усному діалозі, а також усне [[assessment]] за підтримки ШІ. Крізь усі чотири проходить питання [[equity-in-ai-education|equity]] — мовленнєві інтерфейси знімають один бар’єр (зір, швидкість читання, письмову грамотність), водночас запроваджуючи інші (акцент, точність розпізнавання, обладнання, зв’язок).

## ASR і зворотний зв’язок щодо вимови

Найпослідовніше повідомлення роботи з ASR полягає в тому, що втручанням є не інструмент, а проєктування зворотного зв’язку. [[asr-english-speaking-feedback-metacognition-2026|Chen et al. (2026)]] опитали 325 студентів старших курсів у китайському педагогічному університеті та змоделювали точність, частоту використання, [[ai-feedback-quality|feedback quality]] та проєктування рефлексивних завдань проти рефлексивної поведінки та внутрішньої [[motivation]], а потім — проти покращення уміння говорити. Точне виправлення помилок і структуровані рефлексивні завдання рухали й інтеріоризацію [[feedback]], і рефлексію. Частіше використання підсилювало рефлексію, але не мало самостійного впливу на мотивацію. Точність розпізнавання підвищувала мотивацію, ймовірно через зростання довіри до інструменту, але сама по собі не запускала глибшої обробки — здобувач може зафіксувати позначену помилку, не аналізуючи її причини. Рефлексія була сильнішим предиктором здобутків у мовленні, а рівень володіння мовою модерував обидва шляхи: слабкий і незначущий за низького рівня, помітно сильніший на середньому та високому. Порада, яка з цього випливає, — пояснювати помилки артикуляторно, а не просто позначати їх, нарощувати складність за готовністю й формулювати виправлення підтримливо.

Другий напрям запитує, чи змінює зворотний зв’язок із вимовою на базі ШІ схильність здобувачів говорити. [[genai-pronunciation-feedback-wtc-2026|Lu et al. (2026)]] опитали 1 701 китайського студента-вчителя англійської як іноземної мови та використали структурне моделювання рівнянь на основі коваріації з виправленою на зміщення бутстрапізацією, щоб перевірити, чи пов’язані уявлення про зворотний зв’язок щодо вимови від [[generative-ai]] з готовністю спілкуватися, за [[self-efficacy]] в мовленні як медіатора. Зв’язок був позитивним, і самооцінка частково його опосередковувала: опосередкований шлях становив 69.9% загального ефекту, тоді як прямий ефект залишався. Усі конструкти були [[self-report-measures|self-reported]] в один момент часу, тож дослідження описує механізм, який здобувачі сприймають, а не такий, який маніпулювали.

Автоматизований зворотний зв’язок щодо вимови можна також будувати без позначень помилок. [[ai-guided-learning-audiovideo-2026|Kawamura (2026)]] описує Profy, який вчиться, як виглядають хороша й погана вимова, з переважно неанотованого мовлення через самонавчення, а потім показує здобувачам, які ділянки хвилі зумовили судження і наскільки далеко їхня акустика лежить від розподілів носіїв мови. За 10 японських здобувачів англійської, оцінених п’ятьма американськими слухачами, зрозумілість покращилася, і, на відміну від базового рівня з викликаною імітацією, довірчі інтервали до і після практики не перекривалися — невелика вибірка, але така, що дає *де* і *наскільки*, а не бінарний вердикт.

ASR служить аудиторії й у другій ролі — перетворюючи усний вхід на текст, який читають здобувачі. [[ai-mediated-input-medical-english-asr-2026|Stanchev (2026)]] озвучив уривок підручника з медичної англійської на 2 692 лексеми про білки одним голосом TTS (15:27, жіночий канадський) і подав ідентичне аудіо на чотири онлайн-служби ASR, а потім виміряв і частоту похибок на слово (WER), і **покриття** (повернені слова як частку від еталона). Дві безкоштовні служби повернули майже повні транскрипти (покриття 87.96% і 88.34%, WER 15.23% і 15.00%), тоді як дві платні служби експортували лише фрагменти для ознайомлення (покриття 32.76% і 55.35%, WER 73.21% і 48.77%). Точка вимірювання полягає в тому, що одна WER зливає недоступний текст із неточним текстом і оцінила б обмеження експорту як збій транскрибування, тож покриття має стояти поряд із частотою похибок. Видалення домінували в кожній службі й збиралися навколо структурних маркерів, як-от посилань на рисунки та номерів сторінок, але незначна кількість замін, що змінюють зміст — imino → amino, cystine → cysteine, protonated → protonatid, pH → phase — кожна інвертувала біохімічний факт, і саме тому автори пропонують триетапний робочий процес (створити вхід, експортувати повний транскрипт, перевірити доменну термінологію) до того, як транскрипт дійде до здобувачів, і саме тому проходження термінології є найдешевшим захисним бар’єром для медичної англійської.

## TTS і навчання, створене голосом

Згенерована нарація виявляється життєздатною заміною записаного викладача, і цікава варіація лежить усередині формату, а не між людиною й машиною. [[llm-tts-dialogue-lesson-generation|Kumoi et al. (2026)]] побудували триетапний конвеєр із [[human-in-the-loop-ai|human-in-the-loop]], у якому [[llm]] готує слайди та нарацію, оптимізовану для TTS, тоді як викладач перевіряє факти на кожному етапі, а потім провели внутрішньосуб’єктне дослідження зі 245 першокурсниками японської префектурної школи на матеріалах відео з голосом викладача, TTS з одним спікером і діалогового TTS «експерт × новачок». Розуміння, концентрація та загальна оцінка не відрізнялися значуще між усіма трьома (p > .14, r < 0.11), а перевірка еквівалентності утримала всі три в межах поля ±0.5: синтетична нарація не погіршувала досвіду. Діалогова нарація була кращою за розумінням (p = .006, r = .130), за повідомняним поглибленням мислення (p = .019, r = .121) і за здатністю пояснити вміст другові (p = .004, r = .152), а 66.9% назвали її найприємнішою. Дві застереження: діалогове аудіо оцінили значно менш природним (r = −.238), що узгоджується з додатковим навантаженням від кількох спікерів, і діалогова група приходила з меншими [[prior-knowledge|prior knowledge]] (66.0% повідомляли, що не знають «нічого взагалі», проти 34.1%), що робить її перевагу консервативною оцінкою.

Подальша робота стверджує, що формат слід узгоджувати зі здобувачем, а не зі вмістом. [[tts-dialogue-lessons-learner-characteristics-2026|Watanabe et al. (2026)]] дали 222 першокурсникам середньої школи заняття у формі діалогу «викладач–студент» (TS), «студент–студент» (SS) і «викладач–викладач» (TT), згенеровані LLM і озвучені через API TTS, припасовуючи лінійні моделі змішаних ефектів через призму взаємодії здібність–втручання. TT підвищувало [[motivation]] більше, ніж TS, але ефект залежав від стилю навчання: взаємодія з фактором конкретного досвіду була позитивною (b = 0.162, p < .001), тоді як взаємодія з фактором рефлексії та концептуалізації була негативною (b = −0.238, p = .002). TT також отримало значно *нижчу* загальну оцінку, ніж TS (b = −0.126, p = .005), що автори пояснюють внутрішнім [[cognitive-offloading|cognitive load]] від щільного обміну між експертами; вільні відповіді називають «задерев’янілість мовлення» в TT і «неприродну манеру говорити» в SS. Обидва дослідження TTS змішують формат зі вмістом і мають фіксований порядок перегляду, тож їхні розміри ефекту є попередніми.

## Партнери, орієнтовані на голос, і співрозмовники в усному діалозі

Що змінюється, коли співрозмовником є машина? [[ai-interlocutor-l2-spoken-dialogue|Scheinberg et al. (2026)]] дали 78 університетським здобувачам німецької на чотирьох майданчиках виконати збалансоване протипорядком завдання «знайди відмінності» як із людським однолітком, так і з партнером на ШІ в реальному часі, а потім проаналізували діаризовані транскрипти ASR. Людський діалог був швидшим і краще збалансованим, з багатьма короткими ходами, тоді як умова зі ШІ виглядала як підтриманий монолог — менше, але довших ходів, менша частка здобувача в русі розмови та вища внутрішньоходова плинність. Багатослівний, синтаксично правильний вхід ШІ був пов’язаний з більшим короткостроковим засвоєнням і сильнішим синтаксичним праймингом після контролю за обсягом входу, а задоволеність стежила за власною плинністю продукції здобувачів, а не за тим, скільки вони підхопили.

Проєктування, орієнтоване на голос, стає необхідністю, а не зручністю, коли здобувач не може користуватися екраном. [[kutti-ai-voice-first-learning-companion|Kutti AI (Fadurudeen 2026)]] перевертає візуальне припущення edtech, щоб охопити, за оцінками, 1.4 мільйона незрячих дітей у світі: діти чують вміст [[curriculum-design|curriculum]], відповідають уголос і отримують усний зворотний зв’язок без жодної візуальної залежності. Три рішення несуть це проєктування — легкий рушій виявлення боротьби, що зливає затримку відповіді, кількості невдалих спроб і підказок хвилювання на ключових словах, щоб вирішувати, коли підказувати або спрощувати; конвеєр зіставлення відповідей між мовами, щоб не карати перемикання кодів і варіації вимови; і офлайн-шлях ASR на пристрої, який знімає вимогу зв’язку. Це внесок на рівні систем без оцінювання навчальних результатів, тож його [[pedagogy|pedagogical]] твердження лишаються гіпотезами.

Акцент тим часом є змінною проєктування з соціальними наслідками. [[agent-voice-accents-k12-group-learning|Ravi et al. (2026)]] дали 33 викладачам взаємодіяти з голосовим агентом GenAI в умовах британського, індійського та афроамериканського акценту в [[collaborative-learning|group learning]] K-12. З агентом із британським акцентом поводилися здебільшого як з інструментом і взаємодіяли відсторонено, на основі корисності, тоді як агенти з індійським і афроамериканським акцентом були легше антропоморфізованими й інтегрованими як однолітки, із сильнішою довірою та опорою з часом. Чергування ходів, схеми ставання запитань і сприйнята [[community-of-inquiry|social presence]] — усе зсувалося разом із акцентом: голос, який робить агента легким для сприйняття як нейтрального ресурсу, може робити його легким для нехтування як співробітника.

Інтенсивніше використання інструмента усної підтримки не є автоматично кращим. [[student-ai-interaction-consecutive-interpreting-2026|Kuang, Li and Weng (2026)]] дали 22 стажерам із усного перекладу виконати двонапрямні завдання комп’ютерно підтриманого послідовного перекладу в системах, побудованих на ASR і машинному перекладі, фіксуючи рухи очей, ручні нотатки й голосовий вивід. Виникли чотири профілі взаємодії — Intensive Engagers, Fast Scanners, Traditionalists і Frequent Switchers — і 58.3% спостережень на рівні етапів змінювали профіль між розумінням джерела й створенням цілі. Лише схеми на етапі розуміння передбачали якість продукту, а кластер із найінтенсивнішим використанням ШІ набрав найнижчі оцінки за плинність виконання (5.46 проти 6.17–6.46) і за якість цільової мови (5.70 проти 6.35–6.67). Увага, витрачена на читання транскрипту ШІ, — це увага, не витрачена на побудову власного уявлення; автори рекомендують навчати здобувачів рефлексувати над власною стратегією, а не призначати одну, бо схема невидима, доки її не виявлено.

Попередньо зареєстрований рандомізований польовий експеримент перевіряє усний канал проти набору тексту в межах того самого тьютора й виявляє, що навчання лежить у тьюторстві, а не в голосі. [[ai-tutor-modality-randomized-field-experiment-2026|Yang, Van Alstyne and Dellarocas (2026)]] рандомізували 86 студентів у модулі корпоративних фінансів онлайн-MBA між структурованим тьютором, згрунтованим на матеріалах курсу, і контрольною групою, а потім щотижня змінювали канал кожного тьюторованого студента між голосом і текстом, тож порівняння ідентифіковано всередині кожного студента: щотижне оволодіння відрізнялося на −0.01 пункта з 11 (p = .98), а два односторонні тести відкинули будь-яку справжню відмінність, більшу за ±0.3 SD. Голос перетворив замість цього сам процес — 1.34 ходи діалогу за хвилину проти 0.75 у текстові тижні, і 11.3 запитання проти 4.6, — тоді як пауза на мислення згорнулася (медіанна затримка відповіді тьютор→студент 27 секунд у голосі проти 54 у тексті, де текстові ходи витрачали 25.9 секунди до першого натискання клавіші плюс 13.9 секунди на написання), і канал мовлення коштував у 2.8 раза більше для надання — \\$0.22 за голосову хвилину проти \\$0.0165 за текстове повідомлення (\\$413.46 голосом і \\$149.13 текстом за п’ять тижнів на 52 місця). За цими доказами голос — важиль упровадження та залучення, а не кодування — і це саме та розміна, яку кожен заклад, що додає усний канал, має оцінити в ціні.

## ШІ в усному та мовленнєвому оцінюванні

Усне оцінювання завжди було педагогічно сильним і логістично дорогим, і мовленнєва технологія нині атакує бік витрат. [[asynchronous-oral-assessment-2026|Pentland, Lowenthal and Krier (2026)]] описують асинхронні усні оцінювання (AOA): підказки, подані саме вчасно, короткі обмежені в часі відповіді через вебкамеру, до яких не можна повернутися, й оцінювання за вбудованими рубриками з автозгенерованими транскриптами. На двох курсах, які викладав один викладач без обмежень розкладу, студенти набирали вищі оцінки за AOA, ніж на очних іспитах із вибором відповіді, — значуще в дослідженні 2 (медіана семестрового іспиту 92.5 проти 70, p < .001; фінального 94.2 проти 86.4, p = .002) і напрямково в дослідженні 1, із помірними міжформатними кореляціями (τ = .44; τ = .25, незначущими). Студенти перейшли до активнішої підготовки, 90.91% вважали формат ближчим до робочої комунікації, ніж письмові іспити, а 81.82% повідомляли про активнішу взаємодію зі вмістом. Автори обережно зазначають, що це відмінності в оцінках за формат, а не докази [[learning-gains|learning gains]], і що перевага щодо цілісності виведена, а не виміряна; перевірка переоцінювання за допомогою LLM виявила, що оцінки викладачів систематично вищі, за помірною-хорошою узгодженістю (ICC 0.73 і 0.60), і подана як перевірка надійності, а не як схвалення [[automated-assessment|automated grading]].

[[fenton-oral-exams-ai-authentic-assessment-2025|Fenton (2025)]] подає обґрунтування в формі огляду: оскільки усні іспити відбуваються в реальному часі й інтерактивно, студенти не можуть генерувати відповіді наперед і запам’ятовувати їх, і формат досліджує міркування на вищих рівнях таксономії Блума, а не пригадування. Його користі — [[personalized-learning|personalization]], автентичність, готовність до роботи, глибші знання — супроводжуються названими витратами: планування та логістика, тривожність здобувачів і ризик упереджень щодо статі, етнічності, мови, швидкості відповіді та неанонімного позначення, хоча докази вказують, що усні іспити можуть бути такими ж інклюзивними, як письмові, для деяких здобувачів, зокрема з дислексією.

Два розгортання показують, що додає технологія. [[ai-supported-oral-assessment-tvet-2026|AkoVoice (Adams 2026)]] оцінило 33 здобувачів у чотирьох заняттях Automotive рівня 3 і одному занятті Engineering рівня 3 у Новій Зеландії, на телефонах, що належать здобувачам, проти одного ноутбука середнього класу з відкритими вагами моделей — Mistral 7B через Ollama, faster-whisper для перетворення мовлення на текст, Chatterbox для TTS, — із одночасним оцінюванням до 12 здобувачів і жодного підключення до інтернету в жодній точці. ШІ було поставлено як виявлювач доказів, а не суддю, залишаючи судження оцінювача недоторканим. Реакція здобувачів була позитивною: 21 із 33 (64%) назвали завдання реалістичним, і жоден із 33 не погодився, що говорити в реальному часі здавалося неправильним у порівнянні з письмовим [[eportfolio|portfolio]]. Дані про продуктивність цікавіші. Кількості слів на ідентичні запитання різнилися в п’ять-вісім разів між здобувачами в кожному контингенті (93–523, 92–796, 309–811), проте багатослівність не передбачала точності на закритих запитаннях; дев’ятьох здобувачів відповіли від 2 до 13 слів і всі були позначені правильними, найкоротша відповідь — «3500 kgs», тоді як повніша відповідь «the safe working load is three tons» була позначена як така, що потребує уваги, проти настанови з оцінювання на 3.5 тонни. Сусідні випробування Horticulture (14 здобувачів) і Dairy (11 здобувачів) виявили 95% узгодження між попередньою оцінкою агента й оцінкою людського тьютора. Щодо пунктів, [[gpt-item-generation-l2-listening-2026|Aryadoust and Wong (2026)]] порівняли ітеративне [[prompt-engineering|prompt engineering]] із донавчанням для пунктів на аудіювання L2, створивши 40 тестів і 240 пунктів із вибором відповіді: вдосконалення підказок покращувало якість, але вийшло на плато, тоді як донавчання GPT-4.1 на оптимізованій підказці за незмінного проєктування підказок покращувало генерацію далі. Усне оцінювання ризикує також вимірювати не те — [[multimodal-embodied-cognition-oral-explanations-2026|Morphew et al. (2026)]] стежать за жестами поряд із транскрибованим мовленням і стверджують, що оцінювання лише мовлення пропускає [[embodied-learning|embodied]] докази розуміння, тож плинність може бути прийнята за концептуальне знання.

## Доступність і справедливість в усному каналі

Факт доступності мовленнєвої технології є змішаним: той самий канал, який знімає один бар’єр, може встановити інший. Глухі здобувачі та здобувачі з порушеннями слуху — найявніша невідповідність. [[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al. (2026)]] розробили систему генерації запитань на базі LLM для здобувачів DHH, які дивляться відео, спираючись на теорію мовної депривації, щоб пояснити, чому підказування на основі тексту погано узгоджується з першими мовами на основі жестів. Вони додали Visual Questions (мітки часу, де візуальну інформацію ймовірно неправильно прочитано — швидкий рух, розміщені не в лад субтитри, щільний текст на екрані) та Emotion Questions (мітки часу, де попередні здобувачі DHH повідомляли про розчарування або замішання), вдосконалюючи кінцевий банк із 30 запитань разом зі здобувачами та викладачами. За 16 користувачів прототип покращив [[self-efficacy]] (M = 5.70, SD = 1.12 за семибальною шкалою), а глухі учасники обирали візуальні запитання частіше, ніж учасники з порушеннями слуху, які повідомляли, що читають субтитри досить швидко, щоб не потребувати їх. Доступність тут довелося вбудувати в генерацію, а не додати до неї.

AkoVoice додає два міркування щодо справедливості, які рідко виринають разом. По-перше, дані: записи були зашифровані в стані спокою, зберігалися локально й видалялися через 90 днів, а автори розглядають голос учасника як особистий і культурний вираз, а не як ресурс для навчання моделей або побудови біометричних профілів — позиція, яка має значення, бо Закон ЄС про штучний інтелект класифікує ШІ, що застосовується для оцінювання навчальних результатів у [[professional-training|vocational training]], як високоризикований. По-друге, акцент і регістр: точність перетворення мовлення на текст не була повністю перевірена на акцентах здобувачів, і такі критерії рубрики, як «engaging» (захопливо), були позначені як культурно специфічні й потенційно штрафуючи для тих, для кого англійська друга мова, що й спонукало до поля нотаток перевірки. Поряд із висновками про акцент у груповій роботі K-12 та майже повним візуальним припущенням мейнстримового edtech закономірність така: голосовий інтерфейс знімає бар’єри зору, швидкості читання й зв’язку, лишаючи відкритими акцент, точність розпізнавання, вартість обладнання й культурний регістр.

Перевірка меж. Ця сторінка — про усний канал і технологію, яка його несе. Щодо педагогіки другої мови взагалі — розвиток письма, граматична точність, мотивація, практика викладача — перейдіть до [[language-learning]], який охоплює навчання L2 за участі ШІ й розглядає мовлення як один напрям серед кількох. Щодо текстових чат-ботів і проєктування діалогу незалежно від модальності перейдіть до [[conversational-ai]]; кілька статей тут містять діалог, але їхнє питання — про мовлення, а не про підказування чат-моделі. Щодо зчитувачів з екрана, субтитрування, тактильних графіків і асистивних інструментів, які не є переважно мовленнєвими, перейдіть до [[assistive-technology]], яке лежить у межах ширших напрямів [[accessibility]] та [[inclusive-learning]] цієї вікі.

## Що лишається невизначеним

Майже кожне сильне твердження тут спирається на одне коротке дослідження. Два дослідження занять із TTS проходили в одиничних японських середніх школах із фіксованим порядком подання, який змішував формат зі вмістом, а їхні міри навчальних результатів були самоописаними за внутрішніми шкалами. Модель зворотного зв’язку ASR походила з одного китайського університету й була перерізовою, тож її висновок про модерування рівнем володіння мовою описує коваріацію, а не причинність. Дослідження готовності спілкуватися вимірювало уявлення про зворотний зв’язок, а не його якість. Дослідження профілів усного перекладу — це дослідницький аналіз за 22 учасників, у якому ефекти на етапі створення не дійшли до значущості. Розгортання AOA і AkoVoice є одноінституційними, а AkoVoice не подає жодних [[summative-assessment|summative]] доказів навчання, бо його голосові оцінювання проводилися паралельно зі справжніми оцінюваннями. Kutti AI — це внесок на рівні систем без жодного оцінювання результатів. Те, що справді підтримує ця збірка, — набір тверджень щодо проєктування: якість зворотного зв’язку перевершує обсяг практики в застосуванні ASR, діалогова нарація може допомагати розумінню ціною природності, формат слід узгоджувати з характеристиками здобувача, а не фіксувати, ШІ має виявляти докази, а не заміняти людського оцінювача, і мовлення в реальному часі вимірює те, чого не вимірює письмо, — включно з точністю, на диво байдужою до того, скільки слів використовує здобувач. Чи тримається хоч щось із цього на іншому майданчику, в іншій мові чи в іншому році, не перевірено.

## Пов’язані поняття

- [[language-learning]]
- [[conversational-ai]]
- [[accessibility]]
- [[assistive-technology]]
- [[assessment]]
- [[authentic-assessment]]
- [[human-in-the-loop-ai]]
- [[multimodal]]
- [[inclusive-learning]]
- [[equity-in-ai-education]]

## Пов’язані статті

- [[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

---

## [Візуалізація](https://edtechdev.github.io/aied/concepts/visualization/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Візуалізація** — використання візуалізацій даних, інфографіки, панелей керування, діаграм, схем та інших графічних подань, щоб зробити інформацію зрозумілою для навчання та аналізу. В освіті візуалізація дедалі частіше і генерується ШІ (текст-у-зображення, аналіз [[multimodal]] слайдів і діаграм), і використовується як інтерфейс, через який здобувачі, викладачі та аналітичні системи міркують над спільними даними.

## Питання для роздумів

- Діаграма або панель керування може зробити дані зрозумілими — але чи є просто *бачення* візуалізації тим самим, що її розуміння? [[research-methods-aied|Дослідження]] сторінки свідчить, що те, як ви взаємодієте з візуалізацією, важливіше за саму діаграму. Згадайте панель керування або графік, на який ви дивилися, але справжньо не навчилися з нього. Чого бракувало самому відображенню?
- Звичайні навчальні панелі керування дотримуються моделі «покажи дані, сподівайся на прозріння». Висновок тут такий: здобувачі, які відповідають на запитання про свої дані *до* того, як побачать метрики, рефлектують і калібруються краще, ніж ті, хто пасивно переглядає діаграми. Чому змушеність спочатку прогнозувати могла б змінити те, що ви отримуєте від бачення фактичних даних?
- ШІ тепер може генерувати точні візуалізації спеціалізованого змісту — одне дослідження підвищило доменну точність з 12% до 78%, донавчивши модель текст-у-зображення на ядерних поняттях. Але сторінка також виявляє, що жодна модель не є рівномірно компетентною. Де ви довіряли б згенерованій ШІ візуалізації, а де вимагали б перевірити її людським експертом?
- Учасники одного дослідження визнали згенеровані ШІ комікси про дані більш залучальними й зрозумілими, проте багато хто з них також позначив ризик дезінформації та перевантаження інформацією. Як ви зважуєте привабливість переконливої візуалізації ШІ проти її потенціалу вводити в оману — і що б ви перевірили, перш ніж їй довіряти або використовувати?
- Сторінка попереджає, що *впевненість* моделі не є її *надійністю*: системи можуть різко розходитися в судженнях про тяжкість, правильно виконуючи базові конструкти. Якби ви покладалися на інструмент ШІ для оцінки слайдів, есе або даних, як би ви виявили, де його впевненість ховала серйозну помилку?
- Одне дослідження виявило, що студенти витрачали більшість свого погляду на код, незважаючи на витончені візуальні скаффолдинги — візуальні засоби просто не захоплювали увагу кожного. Що це говорить про припущення, що гарна діаграма або панель керування автоматично допоможе всім здобувачам залучитися? Що, окрім візуалізацій, формує те, як люди насправді використовують інструмент?

## Вступ

Візуалізація — це використання графічного подання — панелей керування, діаграм, схем, інфографіки та мультимодальних відображень, — щоб зробити навчання й дані про навчання зрозумілими. Її найусталеніша освітня роль — це панель керування [[learning-analytics|аналітики навчання]], де домінуюча модель *показуй дані і сподівайся на прозріння* поступилася інтерактивним проєктуванням: докази вказують, що те, як здобувачі взаємодіють із поданням, важливіше за те, чи вони його бачать, і що підказки на самовиклик та [[pedagogical-agent|педагогічні агенти]] покращують калібрування сильніше, ніж пасивні метрики. Те саме запитання — чи спровокує відображення мислення, чи замість нього? — пов’язує візуалізацію з [[desirable-difficulties]] та [[metacognition]].

## Візуалізація як навчальний інтерфейс

Найусталеніша роль візуалізації в освіті — це панель керування аналітики навчання. Звичайні панелі керування аналітики навчання (Learning Analytics Dashboards, LADs) працюють за моделлю «показуй дані → сподівайся на прозріння», подаючи поведінкові метрики в діаграмах, які здобувачі пасивно переглядають. Дослідження [[interactive-learning-dashboards-engagement]] кидає виклик цій парадигмі: коли панель керування додає [[llm]]-керованого [[pedagogical-agent|педагогічного агента]] та інтерактивне самооцінювання «судження про навчання» (Judgment of Learning), умова «виклич» — де здобувачі відповідають на запитання про свої дані до того, як побачать метрики, — породила більше рефлексії та точніше калібрування опанування, ніж пасивна панель керування або «розповідаючий» агент. Урок такий: те, як здобувачі взаємодіють із візуалізаціями, важливіше, ніж саме їхнє бачення. Це пов’язується з [[learning-analytics]] та [[self-regulated-learning]], де візуальний зворотний зв’язок підтримує калібрування [[metacognition|метакогнітивних]] суджень, а не просте відображення інформації.

Панелі керування, звернені до [[teacher-role|викладача]], додають окремий набір уроків проєктування. [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] виявили, що викладачі систематично віддавали перевагу простішим, більш традиційним візуалізаціям (стовпчасті діаграми, кругові діаграми, легенди), навіть коли складніші проєкти (наприклад, теплові карти) давали докладніші прозріння, — візуальне уподобання не завжди узгоджувалося з інформативністю, відлунюючи дискусії про порівняльну читабельність кругових діаграм. Візуалізаційна грамотність (VL) не рухала уподобаннями в проєктуванні, проте викладачі з вищим VL давали глибші, докладніші інтерпретації (наприклад, більше з них виявляли тенденції в даних часових рядів), підтверджуючи VL як [[research-methods-aied|змішувач]] для з’ясування того, як викладачі читають проєкти аналітики. Для порівняння груп викладачі сильно надавали перевагу накладанню над порівнянням, і віддавали перевагу діаграмам, які відображували повну інформацію (наприклад, включно з групою «студентів, які не дивилися»), а не явному кодуванню відмінностей, хоча молодші викладачі ставили діаграми відмінностей вище. Ці висновки свідчать, що проєктування панелей керування має балансувати заявлені уподобання викладачів проти інтерпретаційної глибини, яку дають складніші кодування.

Панелі керування також функціонують як спільні подання, які перекидають міст між людським та штучним міркуванням. Система CLARA використовує згенеровані LLM артефакти — карти понять та оцінки співпраці за семи вимірами, — як спільну основу між користувачами панелі керування та [[agentic-ai|агентами ШІ]], індексуючи їх в окремі векторні збірки, щоб обидві сторони міркували над тим самим видимим, запитуваним матеріалом. Так само панель керування експертного пізнання (Expert Cognition Dashboard) переосмислює аналітику як «інтелект пізнання», перетворюючи сирі поведінки здобувачів на інтерпретовані структури пізнання на рівнях індивідуума, класу та експерта AI Twin. Ці системи позиціонують візуалізацію не як результат, а як вбудовану інфраструктуру міркування всередині освіти, нативної для [[ai-technologies]].

## Згенерований ШІ та мультимодальний візуальний зміст

Другий основний напрям стосується того, що ШІ безпосередньо продукує візуалізації. [[nuclear-diffusion-text-to-image-learning-2026]] показує, що адаптовані до домену моделі текст-у-зображення можуть генерувати точні ілюстрації спеціалізованих понять STEM: донавчання Stable Diffusion на ядерних доменних зображеннях підвищило доменну точність з 12% до 78%, уможливлюючи викладачам продукувати правильні візуалізації компонентів реактора та систем безпеки на вимогу. Ця генеративна здатність є потужною, але нерівною. [[mllm-scientific-visualization-literacy]] [[benchmark|бенчмаркує]] шість мультимодальних великих мовних моделей проти 485 людських учасників на візуалізаційній грамотності в науковій візуалізації, виявляючи відсутність рівномірної компетентності: Gemini із закритим кодом перевершив людське середнє на кількох підмножинах, тоді як усі [[open-source]] моделі впали нижче нього, із особливими вадами в дрібноструктурній [[quantitative-research|кількісній]] оцінці та візуалізаціях, заснованих на текстурі чи інтеграції. Тому ШІ має підтримувати — а не заміщати — людську візуалізаційну грамотність, висновок із прямими наслідками для [[ai-literacy]] та [[formative-assessment]].

Генерація підказка-у-діаграму породжує інше запитання, ніж те, чи може ШІ створити компетентну візуалізацію: чи виконує здобувач усе ще ту аналітичну та кодувальну роботу, яка робить артефакт освітнім. Рамкова основа 2026 року називає це розподілом процес–результат і пропонує прозорість, запрошення та поступове зникання як лінію агентивності між [[scaffolding]] і підміною ([[genai-visualization-education-framework-2026|Purohit et al., 2026]]).

Етика та надійність стримують ентузіазм щодо згенерованого ШІ візуального змісту. [[data-comics-for-education-evaluating-effectiveness-benefits-ethics]] виявили, що комікси про дані з підтримкою [[generative-ai|GenAI]] покращили [[student-engagement|залученість]] і розуміння проти звичайних візуалізацій незалежно від попередньої візуалізаційної грамотності, проте учасники висловили занепокоєння щодо ризику дезінформації та атрибуції [[academic-integrity|авторства]], і дві третини позначили такі недоліки, як перевантаження інформацією від занадто завантажених розкладок. Контрфактичний бенчмарк CFES-P24 поширює цю перевірку на [[cfes-p24-multimodal-slide-auditing-2026|аудит слайдів]], показуючи, що мультимодальні LLM можуть надійно розпізнавати конструкти [[learning-design]] (операції, принципи, локалізація доказів), різко розходячись у порівняльних судженнях і калібруванні тяжкості — доказ того, що складені оцінки приховують, яка саме здатність не спрацьовує, і що впевненість не є надійністю. Разом ці роботи свідчать за багатошарову [[ai-ed-evaluation|оцінку]] згенерованих ШІ візуалізацій, а не за цілісні рейтинги.

## Інструменти для слайдів, коміксів і багатовидового перегляду на практиці

Практичні системи застосовують ці принципи в масштабі. AISSA поєднує оцінювання за рубриками на основі LLM із панелями керування аналітики навчання, щоб надавати автоматизований, ітеративний зворотний зв’язок із студентських слайдів презентацій, обробляючи 90 презентацій за 1–3 хвилини кожна за вартості в центи на оцінку при високому сприйнятому [[usability-research|юзабіліті]] — тоді як студенти застосовували зворотний зв’язок вибірково, іноді знехтовуючи рекомендаціями, які суперечили їхньому візуальному проєктуванню. В [[cs-education|освіті з кодування]] Flowcode парує блоксхему структури коду з орієнтованим на навчання чатом, щоб допомогти новацьким творчим кодувальникам розуміти й розширювати знайдені приклади, де візуалізація та [[desirable-difficulties|продуктивне тертя]] спрямовують використання ШІ до навчання, а не в обхід. Проте візуальні [[scaffolding|скаффолдинги]] не є рівномірно ефективними: [[code-anchor-multi-view-visualization]] виявив, що студенти витрачали ~47% часу погляду на код, незважаючи на візуальні скаффолдинги, що рухалося агентивністю, репрезентаційним узгодженням і сприйнятою легітимністю метафоричних видів. Ці висновки про [[student-experience|досвід здобувача]] застерігають, що проєктування візуалізації має звертати увагу на [[affective-computing|афективні]] та соціальні чинники, а не лише на когнітивні можливості.

## Висновки

По всіх розглянутих тут роботах візуалізація виступає як медіум подвійного вжитку: ШІ дедалі частіше генерує й інтерпретує візуалізації, тоді як панелі керування та інтерактивні візуалізації служать спільною поверхнею для людсько-штучного осмислення. Генеративний текст-у-зображення та мультимодальний аналіз розширюють охоплення візуалізації на спеціалізований зміст [[stem-education|STEM]] та [[ai-feedback-quality|автоматизований зворотний зв’язок]], проте нерівна компетентність моделей, відмови калібрування тяжкості та [[ethics|етичні]] занепокоєння щодо дезінформації й авторства вимагають ретельної, багатошарової перевірки. Для проєктувальників і освітян найсильніший висновок такий: інтерактивність і залученість — виклик міркування здобувача над візуальними даними, надання користувачам керування когнітивними зусиллями та трактування згенерованих ШІ візуалізацій як спільної інфраструктури, а не кінцевих точок, — важливіші за точність відтворення самої діаграми.

## Пов’язані поняття
- [[learning-analytics]]
- [[multimodal]]
- [[generative-ai]]
- [[ai-technologies]]
- [[ai-literacy]]
- [[storytelling-in-education]]
- [[learning-design]]
- [[assessment-validity]]
- [[virtual-and-augmented-reality]] — просторове та тривимірне подання

## Пов’язані статті

- [[interactive-learning-dashboards-engagement]] — Переосмислення навчальних візуалізацій як інструментів залучення через педагогічних агентів
- [[mllm-scientific-visualization-literacy]] — Бенчмаркінг мультимодальних LLM на візуалізаційну грамотність у науковій візуалізації
- [[nuclear-diffusion-text-to-image-learning-2026]] — Адаптовані до домену моделі текст-у-зображення для візуалізації ядерних понять
- [[data-comics-for-education-evaluating-effectiveness-benefits-ethics]] — Ефективність, вигоди та етика коміксів про дані з підтримкою ШІ
- [[cfes-p24-multimodal-slide-auditing-2026]] — Контрфактичний бенчмарк для мультимодального аудиту слайдів
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Роблення висновків ML доступними для викладачів у змішаних аудиторіях
- [[genai-visualization-education-framework-2026]] — Конструювання значення, а не просто діаграм: когнітивно-інструкційна рамкова основа для використання генеративного ШІ в освіті з візуалізації

---

## [Освітня NLP](https://edtechdev.github.io/aied/concepts/educational-nlp/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освітня NLP** застосовує мовні [[ai-technologies|технології]] до навчання: [[llm-item-difficulty-prediction]], [[teaching-feedback-classification-benchmark]], [[llm-sentiment-analysis-education-research]] і [[vocabulary-difficulty-prediction]] демонструють, що LLM просувають аналіз мови студентів у масштабі ([[educational-measurement]], educational-nlp).

## Запитання для роздумів

- Коли LLM аналізує тисячі студентських есе або повідомлень в обговореннях на предмет настрою, що він може робити правильно, і що, на вашу думку, він пропускає в мові навчання?
- Обробка природної мови тепер може оцінювати складність лексики та елементів тестів і класифікувати зворотний зв’язок щодо [[teacher-role|викладання]] в масштабі. Якщо ці передбачення живлять адаптивні системи, хто перевіряє, чи машинні судження про мову справді правильні для здобувачів, які ними користуються?
- Чим аналізування мови студента відрізняється від її розуміння? Де межа між кореляцією та справжньою проникливістю може розмиватися, коли NLP масштабує аналіз настрою та зворотного зв’язку?
- Це поняття пов’язує NLP із репетиторством, моделюванням студентів і вимірюванням. Перш ніж читати, яка частка «розуміння студента», на вашу думку, може бути захоплена лише з його писемної чи усної мови — і що залишається поза нею?

## Вступ

### Що робить освітня NLP

Обробка природної мови в освіті застосовує обчислювальні методи до мови викладання та навчання — студентських есе, відповідей, повідомлень в обговореннях, зворотного зв’язку та навчальних текстів. [[llm|LLM]] радикально розширили те, що можна аналізувати автоматично, уможлививши дрібнозернисте розуміння мови студентів, яке раніше було непрактичним у масштабі.

### Застосунки, задокументовані в базі знань

- **Аналіз мови студентів.** [[llm-sentiment-analysis-education-research]] застосовує аналіз настрою на основі LLM до освітніх досліджень, витягуючи емоційні та оцінювальні сигнали з тексту студентів у масштабі й живлячи [[learning-analytics]] і [[affective-computing]].
- **Передбачення та вимірювання.** [[llm-item-difficulty-prediction]] і [[vocabulary-difficulty-prediction]] використовують мовні моделі для оцінювання складності елементів і текстів — базових вхідних даних для [[educational-measurement]], [[adaptive-learning]] і моделей [[item-response-theory]].
- **Узгодженість читабельності та [[curriculum-design|навчальної програми]].** Bird (2026) поєднує класифікацію текстів трансформерами з ознаками обчислювальної лінгвістики, щоб класифікувати англійську літературу за UK Key Stage, досягаючи F1 0,996 — доповнення на основі даних до [[vocabulary-difficulty-prediction]] і [[llm-item-difficulty-prediction]] для [[educational-measurement]] і узгодження рівня читання.

- **Класифікація на рівні дискурсу локалізує те, що пропускають поверхневі ознаки.** Модель BERT, донавчена лише на своїх останніх чотирьох шарах трансформера, класифікує пари сусідніх речень як причинні, контрастивні, прогресивні чи некогерентні і видає точку розриву як діагностику, досягаючи середнього F1 щонайменше 0,891 на 28 736 парах речень ([[bert-discourse-english-teaching-2026|Wang et al., 2026]]).
- **Моделювання всього уроку перевершує класифікацію на рівні висловлювання.** Оцінювання цілих транскриптів уроків, а не ізольованих висловлювань, підвищило виявлення ланцюжків міркування на 14,2 процентних пунктів порівняно з найкращими дискримінативними базовими лініями, а додавання інваріантної до діалекту контрастивної цілі скоротило хибні негативи для African American Vernacular English на 18,4 пунктів ([[nspa-neuro-symbolic-pedagogical-alignment-2026|Fang and Liu, 2026]]).
- **Зворотний зв’язок і класифікація.** [[teaching-feedback-classification-benchmark]] надає [[benchmark]] для класифікації зворотного зв’язку щодо викладання, просуваючи дослідження [[feedback|Feedback Loop]] і [[llm-training-and-fine-tuning]].
- **Масштабування NLP на коментарях оцінювання, що не досягає використання.** Оглядове дослідження типу PRISMA-ScR і карта доказів 421 дослідження, що застосовують NLP до відкритого студентського оцінювання викладання (2015–2026), виявляє, що аналіз настрою залишається модальним завданням (300/421, 71,3%) і показує розрив у придатності до дії в 49,7 пунктів: 258 досліджень (61,3%) продемонстрували придатний до використання вихід, але лише 49 (11,6%) досягли оцінювання передбачуваним користувачем, причому формальна метрика справедливості — лише у 8 дослідженнях (1,9%), а зовнішня валідація — у 33 (7,8%) ([[nlp-student-evaluation-teaching-scoping-review-2026|Eicher & da Silva (2026)]]).

- **Пояснення не є взаємозамінними з атрибуціями.** [[shap-llm-rationales-teaching-quality-assessment|Bueno et al. (2026)]] виявили, що атрибуції SHAP ідентифікували речення, які надійно керували бальною оцінкою за рубрикою, і переносилися між родинами моделей, тоді як генеровані LLM обґрунтування мали обмежений, непослідовний вплив — хоч і донавчені PLM перевершували за точністю LLM із підказками.
- **Оцінювання коротких відповідей у науці.** [[meta-analysis-systematic-review|Оглядове дослідження]] типу scoping Morley та співавторів щодо автоматичної оцінки коротких відповідей на наукові питання на основі трансформерів (2017–початок 2024) показує, що моделі родини BERT стали домінантною робочою конячкою галузі для [[automated-assessment|оцінювання вільного тексту]] ще до того, як більші [[llm|LLM]] були впроваджені через [[prompt-engineering|підказування]], і що моделі, доповнені знаннями предметної області — додатковим передтренуванням, даними рубрики чи підручника, метанавчанням, — послідовно перевершували ті, що їх не мали ([[auto-marking-short-answer-science-2026]]).
- **Чутливість до контексту проти зіставлення з еталоном в оцінюванні відкритих відповідей.** Порівнюючи одинадцять моделей [[generative-ai|GenAI]] і вбудовування речень на 1 885 відкритих відповідей із програмної інженерії, [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] показують, що чутливі до контексту [[llm|LLM]] (GPTo1 — найкращий, майже досконала узгодженість із людиною) перевершують референсно-базові моделі на косинусній схожості (BERT, RoBERTa, T5, USE), які систематично неправильно класифікували правильні, але інакше сформульовані відповіді. Їхній аналіз NLI виявив, що багато семантично правильних відповідей потрапляли в категорію *протиріччя* щодо еталонних відповідей, — доказ того, що оцінювання освітньою NLP має враховувати коротке, різноманітне формулювання студентів власними словами, а не жорстке узгодження з еталоном. Цей контраст стає гострішим для знань викладача: кодуючи відкриті відповіді 268 вчителів математики [[k-12|середньої школи]] США, і класичні кодери (RoBERTa, Sentence-BERT), і наївний GPT-4o з однією підказкою зупинилися значно нижче людських кодерів за [[pedagogy|педагогічним]] знанням змісту (PCK), тоді як обв’язка з трьох агентів LLM, яка ітеративно додавала точки уточнення до *людського* посібника з кодування, досягла істотної узгодженості за PCK і майже людської узгодженості за значно більш піддатливими елементами знань змісту — надійність походила від уточнення інструкцій проти реальних розбіжностей, а не від більшої моделі, причому найскладніші елементи педагогічного міркування все ще потребували [[human-in-the-loop-ai|експертної перевірки]] ([[llm-automated-coding-teacher-pck-2026|Copur-Gencturk et al., 2026]]).
- **Класифікація питань, генерованих здобувачами.** [[lee-learner-question-types-ai-education-2026|Lee, Atif & Kang (2026)]] класифікують 434 автентичні питання здобувачів від 11 студентів ІТ з 12 курсів на три [[constructivist]] навчальні ролі — передавач знань, фасилітатор і співучень — і зіставляють чотири трансформери на цьому завданні. DeBERTa лідирував за точністю 86,36% (F1 86,52%) із 96,67% точності на питаннях передавача фактичних знань, проте лише 78,79% точності на запитах фасилітатора; донавчений BERT досяг найкращого повноти для співуця (92,00%) за нижчої точності. Результат віддзеркалює повторювану закономірність галузі, що сильні сукупні бали маскують слабке розрізнення категорій вищого порядку: концептуальне перекриття ролей, неоднозначний намір здобувача та специфічне для галузі технічне формулювання, прочитане як когнітивна глибина, — усе це долає поверхневі лексичні ознаки, вказуючи на потребу в обґрунтованих на контексті вбудовуваннях, сигналах багатоходового діалогу та чутливих до наміру ознаках ([[cross-dataset-bloom-question-classification]], [[llm-educational-question-cognitive-depth]]).
- **Класифікатори таксономії втрачають більшу частину точності на генерованому змісті.** Класифікатор рівнів Блума, що мав macro-F1 0,88 на курованому банку елементів, впав до 0,48 і 0,20 на двох наборах питань, генерованих ШІ, причому втрата стежила за відсутністю явних дієслів-тригерів Блума, а не за розміром моделі; витримали лише [[llm|LLM]] (0,41–0,79) і класифікатори, перетреновані на генерованих елементах (до 0,82) ([[bloom-classifier-ai-assisted-questions-2026|Castanares et al., 2026]]).
- **Курація в масштабі корпусу для даних передтренування.** [[garrod-edu-qurating-educational-data-curation-2026|Garrod et al. (2026)]] замінюють єдиний бал «чи це освітнє?» двадцятьма придатними для перевірки вимірами рубрики — серед них фактична точність, педагогічна структура, доречність рівню та критерії базової грамотності — і дистилюють попарні вподобання GPT-4.1-mini в багаторазові Edu-QuRaters, які відтворюють утримані вподобання судді за середньою точністю 0,917, потім позначають усі 322,25M рядків FineWeb-Edu-Fortified, де відфільтровані суміші підвищили точність [[benchmark|benchmark]] у порівнянні з базовою лінією FineWeb-Edu. Це позначає роль освітньої NLP за межами аналізу мови, яку продукують здобувачі: скринінг навчальних текстів, на яких тренують інші моделі.
- **Аудитовне кодування через відокремлення тверджень від інтерпретації.** [[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado et al. (2026)]] замінюють підказування з однією міткою схемою з 221 читабельного для людини твердження — 74 виведених із корпусу, 48 виведених із конструктів і 100 автоматичних перевірок наявності слів, — які прозорий класифікатор відображає на мітку конструкту, досягаючи macro-F1 0,673 і Cohen's κ 0,688 на корпусі мовлення викладачів TalkMoves проти опублікованого максимуму прямого підказування 0,61 macro-F1 і 0,58 κ, водночас відстаючи від донавченого класифікатора RoBERTa-base із 0,76. Вимога Krippendorff's α ≥ 0,5 зберегла лише 33 з 74 виведених із корпусу тверджень, і базова лінія «лише слова» дала 0,339 macro-F1, тому здобуток походить від вивчених поведінкових тверджень, а не від частоти ключових слів.
- **Позначання понять у масштабі.** [[srjudge-knowledge-concept-tagging-2026|Yang et al. (2026)]] розділяють позначання понять знань на конвеєр Select–Reason–Judge — мала модель складає короткий список понять-кандидатів, LLM міркує над цим списком, потім судить, — підвищуючи точність позначання на трьох бенчмарках за рахунок звуження простору рішень моделі.

### Зв’язок із репетиторством і вимірюванням

Освітня NLP лежить в основі як аналізу мови здобувача ([[student-modeling]], [[knowledge-tracing]]), так і генерації адаптивного навчального змісту ([[intelligent-tutoring]], [[scaffolding]]). [[ai-generated-interactive-fiction-education-2026]] демонструє керовану NLP генерацію змісту для навчання, тоді як [[zerkouk-comprehensive-review-its-2025]] розміщує NLP у ширшому ландшафті [[intelligent-tutoring]]. Коли аналіз на основі LLM зростає, рамки [[rct]] і [[research-methods-aied]] мають значення для валідації того, що отримані за допомогою NLP проникливості справді покращують навчання.

Стиснення моделей належить до того самого інструментарію: двоетапний конвеєр дистилює підігнану оцінювачку-чорну скриньку та її постгокове тлумачення в малу модель із відкритими вагами, щоб «підопічна» на 2B параметрів повертала оцінку та пояснення природною мово офлайн на звичайному ноутбуці ([[distilling-self-explaining-lm-learning-analytics-2026]]).

## Пов’язані поняття

- [[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]] — Umbrella: AI technologies and techniques (models, LLM training, robotics, RAG, agentic)

## Пов’язані статті

- [[lee-learner-question-types-ai-education-2026]] — Transformer classification of learner questions into constructivist roles (Lee, Atif & Kang 2026)
- [[bert-discourse-english-teaching-2026]] — Automatic discourse relation classification with BERT for English teaching
- [[studychat-student-dialogues-chatgpt-ai-course-2026]] — The StudyChat dataset of student–LLM dialogues in an AI course
- [[nspa-neuro-symbolic-pedagogical-alignment-2026]] — Neuro-symbolic pedagogical alignment (NSPA)
- [[ai-generated-interactive-fiction-education-2026]]
- [[zerkouk-comprehensive-review-its-2025]]
- [[shap-llm-rationales-teaching-quality-assessment]] — SHAP and LLM rationales for rubric-based teaching quality
- [[distilling-self-explaining-lm-learning-analytics-2026]] — Distilling self-explaining LM for learning analytics
- [[auto-marking-short-answer-science-2026]]
- [[pecuchova-automated-grading-open-ended-genai-2026]]
- [[llm-automated-coding-teacher-pck-2026]] — Multi-agent LLM (GradeOpt) codes teachers' content and pedagogical content knowledge; classical encoders and naive prompting fall short on 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]] — Evaluation of pre-trained models for pedagogical assessment of novel AI-assisted educational questions
- [[srjudge-knowledge-concept-tagging-2026]] — SRJudge: selective-reasoning pipeline for fine-grained knowledge concept tagging

---

## [Підсилене навчання](https://edtechdev.github.io/aied/concepts/reinforcement-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Підсилене навчання** тренує репетиторів і агентів ШІ через сигнали винагороди: [[special-r1-rl-special-education]], [[singh-eduqwen-pedagogical-rl-2026]], [[pedagogical-safety-rl]] і [[ai-coaching-rl-skill-development]] узгоджують RL із педагогічними цілями, включно з безпекою та переносом умінь ([[intelligent-tutoring]], [[agentic-ai]]).

## Питання для роздумів

- Репетитор на RL «навчається» тому, що робити, максимізуючи сигнал винагороди. Перш ніж читати, що може бути поганого в ШІ, який оптимізується під винагороду — зокрема якщо винагородою є щось на кшталт «студент натискає „продовжити“» чи «правильна відповідь зараз»?
- Сторінка зазначає, що дизайн винагороди кодує освітні цінності. Якби вам треба було специфікувати винагороду, яку має максимізувати репетитор ШІ, що б ви туди вклали — і що ваша винагорода випадково проігнорувала б або погано винагороджувала?
- RL тренує агентів приймати довгі послідовності рішень (яку підказку дати, коли підвищити складність, як регулювати темп), а не окремі відповіді. Чим це відрізняється від поточної правильності, яку можна було б наївно винагороджувати — і чому ця різниця важлива для навчання?
- Обмеження безпеки можуть бути інтегровані в RL, щоб оптимізація винагороди не відбувалася ціною добробуту здобувача. Поміркуйте над «корисною» поведінкою, яку міг би виявити репетитор, оптимізований на винагороду, але яка була б педагогічно шкідливою (наприклад, роздача відповідей для завищення показника завершення). Де пролягала б ваша лінія безпеки?
- Оптимізація винагороди може зберегти або зруйнувати продуктивну боротьню — залежно від дизайну. З вашого досвіду: чи «студент завершує завдання» — це те саме, що «студент навчається»? Де ви бачили ШІ, оптимізований на перше за рахунок підриву другого?

## Вступ

### Як працює підсилене навчання в AIED

Підсилене навчання (reinforcement learning, RL) тренує агента, винагороджуючи бажану поведінку — агент навчається політики, яка максимізує сукупну винагороду через проби й помилки. В освіті зі ШІ RL використовується для тренування репетиторських агентів і навчальних супутників, які мають приймати послідовності рішень (яку підказку дати, коли підвищити складність, як регулювати темп практики), а не окремі відповіді. Саме тому RL добре пасує для [[adaptive-learning]] і [[intelligent-tutoring]], де важливі педагогічні рішення на довгому горизонті.

### Застосування, задокументовані в базі знань

- **Педагогічно узгоджене RL.** [[singh-eduqwen-pedagogical-rl-2026|EduQwen]] використовує конвеєр RL-SFT-RL, щоб натренувати модель, яка *направляє*, а не відповідає, узгоджуючи винагороду з педагогічними цілями; [[special-r1-rl-special-education]] застосовує RL до дизайну репетиторів для [[special-education]].
- **RL перевершує контрольоване донавчання в педагогічному дотриманні інструкцій.** Навчання LearnLM показало, що RL на основі уподобань істотно ефективніше за саме SFT, оскільки судження про уподобання фіксують контекстно-залежні розрізнення в довгих розмовах, які контрольовані дані з мітками інструкцій покривають лише частково ([[learnlm-improving-gemini-learning|LearnLM Team (2025)]]).
- **Безпека та перенос умінь.** [[pedagogical-safety-rl]] інтегрує обмеження безпеки в репетиторство на основі RL, щоб оптимізація винагороди не відбувалася ціною добробуту здобувача; [[ai-coaching-rl-skill-development]] показує коучинг на основі RL, який підтримує справжній розвиток умінь і їхній перенос.
- **Те, що винагорода не враховує, формує, хто виграє.** [[adaptive-scaffolding-cognitive-engagement-its|Tithi et al. (2026)]] виявили, що репетитор на глибокому RL, винагороджений за результат тесту й часову ефективність, зрівнявся з евристикою BKT на поствоєвому тесті (A = .58 у кожного, проти 65,7), але привласнив лише 4% навчальних задач на конструктивне відпрацювання помилкових прикладів і віддавав перевагу студентам із високим попереднім знанням.
- **Симуляція та практика.** [[history-aware-student-simulation]] і [[q-learning-lab-rl-teaching]] використовують RL і симульованих здобувачів для тренування та оцінювання [[pedagogical-agent|педагогічних агентів]], пов’язуючи RL зі [[student-modeling]] і [[learning-analytics]].
- **RL на довгому горизонті з вагою безпеки.** [[residencyrl-clinical-rl-training-2026|ResidencyRL (Liévin et al., 2026)]] оптимізує цілі клінічні зустрічі з 60 ходів — значно за межі горизонтів ≤12 ходів у паралельних діалогових системах — і навчання проти симульованих пацієнтів-противників із винагородою, узгодженою з безпекою, підвищило точність діагностики на 7,0% і скоротило частоту пропущених “red flag” приблизно на третину.

### Докази в межах галузі

[[riedmann-reinforcement-learning-education-review-2026|Систематичний огляд RL в освіті за стандартом PRISMA (Riedmann, Schaper & Lugrin, 2025)]] синтезував 89 досліджень (2000–2024), виявивши різке зростання після 2016 року в застосуваннях [[adaptive-learning]] і [[intelligent-tutoring|репетиторства]], сконцентрованих у STEM (зокрема [[math-education]]). Він повідомляє, що домінувало RL без моделі (n = 72), причому Q-learning — найпоширеніший алгоритм, проте класичне RL стабільно ефективніше за глибоке RL (61% проти 36% робіт із значущим переважанням); що адаптація розділилася на механізми планування вмісту (n = 53) і пов’язані з настановами (n = 36), причому RL частіше перевершувало базові лінії на настановах; і що навчальний приріст — особливо нормований навчальний приріст — був найефективнішим джерелом винагороди. Огляд також попереджає, що понад половина досліджень (n = 54) пропустили статистичне тестування, тож зростання галузі випередило її методичну суворість.

### Зв’язок із базою знань

RL лежить в основі багато що в сучасному дизайні [[agentic-ai]] і [[intelligent-tutoring]], де агент має оптимізувати довгострокове навчання, а не одну правильну відповідь. Він пов’язаний зі [[llm-training-and-fine-tuning]] (RL як метод тренування), [[scaffolding]] (дизайн винагороди, який зберігає продуктивну боротьбу) і [[self-regulated-learning]] (агенти, які допомагають здобувачам регулювати власну стратегію). Оскільки дизайн винагороди кодує освітні цінності, дослідження RL в AIED тісно пов’язані з [[pedagogical-safety]] та з міркуваннями справедливості [[equity-in-ai-education|рівноправної]] поведінки репетитора.

## Пов’язані поняття

- [[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]] — Парасолька: технології та методи ШІ (моделі, тренування LLM, робототехніка, RAG, агенти)

## Пов’язані статті

- [[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 педагогічного дотримання інструкцій
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивний скаффолдинг ICAP в ITS (BKT проти DRL)
- [[riedmann-reinforcement-learning-education-review-2026]]

---

## [Граф знань](https://edtechdev.github.io/aied/concepts/knowledge-graph/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Граф знань** — структуроване уявлення понять і їхніх відношень, що використовується для моделювання знань предметної галузі, розуміння студента та навчальних залежностей у системах [[ai-education|AI in education]]. Графи знань дають системам ШІ змогу міркувати про те, що студенти знають, що їм потрібно вивчити далі і як поняття пов'язані одне з одним.

## Питання для роздумів

- Граф знань уловлює не лише поняття, але й їхні відношення — передумови, схожість, ієрархію. Чому знання того, як поняття пов'язані, могло б бути кориснішим для адаптивної системи, ніж плаский список навичок?
- Якими є відношення передумов у такій галузі, як ваша? Чи можете ви назвати тему, з якою студенти регулярно борються, бо їм бракує фундаментального поняття, яке розкрив би граф?
- Сторінка описує використання графів знань для виявлення прогалин у знаннях — місць, де здобувачам бракує фундаментальних понять. Як виведення на поверхню цієї прогалини могло б змінити те, що ШІ-тьютор вирішить викладати далі?
- Графи знань можуть будуватися вручну або автоматично засобами LLM з освітнього тексту. Які ризики несє дозвіл ШІ конструювати структуру понять, над якою тьютор потім міркуватиме?
- Якщо графи знань дають структурний каркас галузі, над яким міркують агенти ШІ, що відбувається з довірою та точністю, коли сам граф містить помилку або упереджене відношення?
- Граф знань описується як структурний хребет, що уможливлює детальну діагностику та персоналізовані шляхи. У вашому власному [[teacher-role|teaching]] чи проєктуванні що вам знадобилося б, щоб граф знань вашого предмета уловлював — і що він лишив би поза увагою?

## Вступ

Графи знань дають структурний хребет для багатьох інтелектуальних освітніх систем. На відміну від пласких списків навичок чи понять, графи знань уловлюють відношення передумов, схожість та ієрархічну організацію — необхідні для [[adaptive-learning]], [[knowledge-tracing]] і [[student-modeling]].

## Як графи знань використовуються в AIED

Графи знань є повторюваним структурним механізмом у [[research-methods-aied|research]] AIED бази знань, виконуючи кілька відмінних ролей:

- **Моделі [[knowledge-tracing]]** використовують графи понять для поширення оцінок досвідченості студента на споріднені навички, покращуючи точність передбачення, коли дані розріджені.
- **Системи [[student-modeling]]** використовують графи знань, щоб уявлено семантично значущим способом показати, що знають здобувачі, уможливлюючи детальну діагностику.
- **Платформи [[adaptive-learning]]** використовують графи передумов для впорядкування матеріалу й рекомендації [[personalized-learning|personalized learning]] шляхів.
- **Вибір алгоритму над графом змінює результати.** У G4L поширення оволодіння через Evolving Knowledge Space Graph із байєсівським поширенням знань дало +24% виміряних знань (0,717 → 0,887), проти +5% для Knowledge Space Theory і +1% для Weighted Distance Dependent Induction ([[graph-its-adaptive-algorithms-2026|Csépányi-Fürjes & Kovács, 2026]]).
- **Рамки [[cognitive-diagnosis]]**, такі як [[xie-hillm-cd-2026|HiLLM-CD]], конструюють дерева понять з освітнього тексту засобами LLM, усуваючи ручну анотацію.
- **Тьюторинг, доповнений графом знань:** [[quantum-education-its|ITAS]] використовує граф знань квантових понять (із явними відношеннями передумов), щоб керувати багатоагентною системою тьюторингу, перетинаючи граф для відбору наступних тем для контрінтуїтивного матеріалу.
- **Моделювання навчальної програми й курсів:** [[coursegraph-cs-course-comparison-2026|CourseGraph]] порівнює структури курсів CS між установами засобами графових уявлень; [[learnity-graphs-lifelong-learning-framework-2026|Learnity graphs]] моделюють шляхи [[lifelong-learning|lifelong learning]].
- **Навчання відношень передумов:** [[proprl-prerequisite-relation-learning|ProPrL]] навчає відношення передумов між поняттями, формалізуючи ребра, які кодують графи знань.
- **Виявлення прогалин у знаннях:** [[knowledge-gap-detection-ai-tas|Knowledge gap detection]] використовує міркування на основі графів у асистентах викладання зі ШІ, щоб визначати, де здобувачам бракує фундаментальних понять.
- **[[multimodal]] та пояснюване міркування:** [[multimodal-knowledge-graph-educational-reasoning|multimodal knowledge graphs]] розширюють структуру графів на модальності матеріалу; [[fair-explainable-edu-recommendations|fair and explainable recommendations]] поєднують вкладання графів знань із послідовним моделюванням (гібридна рамка HKG-GRU).
- **Інструкційно структуровані графи для рекомендації ресурсів:** [[hybrid-cf-kg-recommendation-multimodal-teaching-2026|Liu, Sun & Song (2026)]] розкладають кожну сутність навчального ресурсу на чотири інструкційні виміри (контекст викладання, когнітивний рівень, технологічна риса, культурна адаптованість), обчислюють залежну від користувача семантичну схожість за цими вимірами й поєднують її з колаборативним фільтруванням через здатністю та прогресом обізнаний коефіцієнт — кодуючи педагогічну структуру безпосередньо в сигнал рекомендації, а не розглядаючи ресурси як предмети споживання.
- **Бази знань на основі онтологій:** [[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026|Ivanova (2026)]] пропонує шарувату, гібридну архітектуру бази знань, засновану на логіці опису, яка заміщує класичні одно-онтологічні моделі ITS **системами відображених онтологій** — додаючи процедурні (на основі правил), ймовірнісні/нечіткі та витягнуті ML неявні знання, — плюс рамку метаданих для описання, виявлення та повторного використання освітніх онтологій.
- **[[scaffolding|Scaffolding]] і письмо:** [[veriforge-narrative-drafting-scaffolding-2026|Veriforge]] і [[visual-query-tracer-declarative-logic-learning|visual query tracing]] застосовують структуру на основі графів до наративного чернеткування та навчання декларативній логіці.
- **Куровані людиною літературні графи, і що розкриває аудит:** [[incipit-axiom-grounded-scaffolding-literary-creation-2026|Incipit]] будує граф літературних передумов — 1 455 записів аксіом, 1 464 відображення на 149 творів і 472 типізованих відношення, — причому [[llm|language models]] пропонували формулювання-кандидати, які людські куратори відбирали й заземлювали. Його переобчислений аудит настільки ж повчальний, як і його структура: кожна кінцева точка резолвиться, і жодного дублікату або самопосилання не залишається, проте 1 448 із 1 455 аксіом відображаються рівно на один твір (тому повторне використання між творами розріджене), таксономія контексту не може відокремити свої два типи контексту, і жодного запису походження не зберігається, залишаючи знімок нездатним реконструювати власний конвеєр. Структурна валідність не є інтерпретаційною якістю, і курований граф без походження не може бути ні аудитований, ні освіжений.

## Побудова графів знань під керуванням LLM

Нещодавні дослідження вивчають використання [[llm|LLMs]] для автоматичного конструювання графів знань з освітнього матеріалу. Рамка [[xie-hillm-cd-2026|HiLLM-CD]] використовує багатоагентні конвеєри LLM для генерації зв'язків вправа–поняття та ієрархічних дерев понять, зменшуючи спертість на експертну анотацію. Це пов'язується з ширшими застосуваннями [[generative-ai]] в проєктуванні навчальної програми та автоматизованій організації матеріалу, і з [[rag]] (генерацією, доповненою витяганням), де структуровані графами знання можуть покращувати якість витягання порівняно з пласким пошуком за схожістю.

## Відношення до інших понять

Графи знань пов'язуються з [[learning-design]] (визначенням того, чого навчати), [[curriculum-design]] (тим, як це впорядкувати) та [[learning-analytics]] (витяганням ідей із даних взаємодії студента). Вони є фундаментальними для систем [[intelligent-tutoring]], яким потрібні структуровані уявлення освітніх галузей. У міру того як агенти ШІ стають звичнішими в освіті, графи знань дають структуру галузі, над якою міркують [[agentic-ai|agentic systems]] — патерн, бачений у [[quantum-education-its|ITAS]] та асистентах викладання з виявленням прогалин у знаннях.

## Пов’язані поняття

- [[adaptive-learning]]
- [[knowledge-tracing]]
- [[intelligent-tutoring]]
- [[cognitive-diagnosis]]
- [[student-modeling]]
- [[learning-analytics]]
- [[curriculum-design]]
- [[learning-design]]
- [[generative-ai]]
- [[llm]]
- [[rag]]
- [[agentic-ai]]
- [[ai-technologies]] — Зонтичне: технології та методи ШІ (моделі, навчання LLM, робототехніка, RAG, агентність)
- [[recommender-systems-and-learning-paths]]
## Пов’язані статті

- [[incipit-axiom-grounded-scaffolding-literary-creation-2026]] — Побудований куратором граф із 1 455 літературних аксіом зі структурним аудитом і жодного запису походження (Liu та Zhao 2026)
- [[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026]] — Модель знань на основі онтологій для персоналізованого електронного навчання
- [[learnity-graphs-lifelong-learning-framework-2026]] — Графи Learnity для довічного навчання
- [[veriforge-narrative-drafting-scaffolding-2026]] — Veriforge: скаффолди наративного чернеткування
- [[quantum-education-its]] — Інтелектуальний тьюторинг квантової освіти (ITAS)
- [[multimodal-knowledge-graph-educational-reasoning]] — Мультимодальні графи знань для освітнього міркування
- [[coursegraph-cs-course-comparison-2026]] — CourseGraph: порівняння курсів CS
- [[proprl-prerequisite-relation-learning]] — ProPrL: навчання відношень передумов
- [[knowledge-gap-detection-ai-tas]] — Виявлення прогалин у знаннях в асистентах викладання зі ШІ
- [[visual-query-tracer-declarative-logic-learning]] — Візуальний трасувальник запитів для навчання декларативній логіці
- [[fair-explainable-edu-recommendations]] — Справедливі та пояснювані освітні рекомендації
- [[hybrid-cf-kg-recommendation-multimodal-teaching-2026]] — Гібридна рекомендація CF–KG через домени для мультимодальних навчальних ресурсів
- [[xie-hillm-cd-2026]] — HiLLM-CD: когнітивна діагностика під керуванням LLM
- [[graph-its-adaptive-algorithms-2026]] — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
- [[cogevol-learning-environment-generation-2026]] — CogEvol: генерація навчального середовища

---

## [Роботи в освіті](https://edtechdev.github.io/aied/concepts/educational-robotics/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Роботи в освіті (освітня робототехніка)** — використання фізичних або змодельованих роботів як інструментів [[teacher-role|teaching]] та навчальної діяльності. Освітня робототехніка охоплює широкий спектр: від програмованих конструкторів, що навчають обчислювальному мисленню та програмуванню, до соціально-асистивних і гуманоїдних роботів, які тьюторять, розповідають історії, демонструють мову жестів чи відпрацьовують соціальні навички. Її цінують за формування [[problem-solving|problem solving]], [[critical-thinking|critical thinking]], [[creativity]] та залученості в STEAM, а також за втілення абстрактних обчислювальних понять у відчутні через втілену взаємодію. Корпус робототехніки цієї бази знань охоплює інтегроване в [[curriculum-design|curriculum]] програмування, розмовних тьюторів на основі LLM, соціально-асистивних [[storytelling-in-education|storytelling]] роботів та рольові ігри для соціально-емоційного навчання. Її підтримують дві тісно пов’язані області, поглинуті тут: **соціальні роботи** (роботи, створені для соціальної взаємодії та побудови стосунків) і **взаємодія людина–робот (HRI)** (вивчення того, як люди сприймають роботів, довіряють їм і навчаються з ними).

## Питання для роздумів

- Робот в аудиторії додає втілену [[community-of-inquiry|social presence]], якої не має чат-бот на екрані. Як ви вважаєте, що фізичне тіло та соціальні сигнали робота змінюють у тому, як студенти навчаються, довіряють і залучаються, — і від чого вони можуть відвертати?
- Соціальні роботи використовують людське мовлення, жести та особистість, щоб навчати, розповідати історії чи відпрацьовувати соціальні навички. Чи є робот, який виглядає і поводиться як людина, по суті кращим для навчання, чи може ця соціальна присутність нести ризики (дезінформація, надмірна залежність, приватність), яких не мають інструменти лише з програмним забезпеченням?
- LLM тепер дозволяють соціальним роботам вільно розмовляти. Якщо робот може говорити як тьютор, то що все ще залежить від його фізичного втілення, — і де додання «тіла» справді має значення для навчання, а де є лише новизною?
- Згадайте випадок, коли ви навчилися чомусь, фізично маніпулюючи предметом або спостерігаючи, як ваші дії дають видимий результат. Як програмування фізичного робота могло б згрунтувати абстрактні ідеї (наприклад, логіку програми) ефективніше, ніж написання коду на екрані?

## Вступ

Освітня робототехніка є окремим, але тісно пов’язаним застосуванням [[ai-education|AI in education]]. На відміну від інтелектуальних [[intelligent-tutoring|intelligent tutoring]] або чат-ботів [[llm]] лише з програмним забезпеченням, роботи додають **втілену** і часто **соціальну** присутність — фізичного агента, якого здобувачі можуть бачити, маніпулювати ним і (усе частіше) розмовляти з ним. Це втілення є центральним для їхньої [[pedagogy|pedagogical]] цінності: воно згрунтовує абстрактну логіку програми в спостережуваній поведінці і може підтримувати побудову стосунків та емоційну залученість, чого не можуть системи без тіла.

Докази є тоншими, ніж це випливає з обсягу робіт: огляд ШІ та робототехніки в освіті виявляє, що більшість емпіричних досліджень залучає здобувачів молодше 13 років упродовж чотирьох тижнів або менше, зосереджуючись у кількох країнах, які інвестували раніше за інших, причому [[learning-gains|learning performance]] є найбільш вивченим результатом, а етика, справедливість і політика відстають від впровадження ([[white-wu-robotics-ai-education-2026|White and Wu (2026)]]).

### Соціальні роботи та взаємодія людина–робот

Два напрями формують соціальний бік робототехніки в освіті.

**Соціальні роботи** — це роботи, створені для залучення людей через соціальну взаємодію, з використанням людських сигналів, таких як мовлення, жест, міміка та особистість, для комунікації, навчання, допомоги чи супроводу. В освіті соціальні роботи (гуманоїди, такі як iCub, Pepper, Reachy, і роботи-компаньйони) використовуються для тьюторства, оповідання історій, рольових ігор, підтримки мови та як супутники навчання. Їхня соціальна присутність є ключовим відмінником від програмних [[agentic-ai|AI agents]], уможливлюючи побудову стосунків та емоційну залученість. Досягнення в галузі [[llm|large language models]] різко розширили те, що соціальні роботи можуть казати і робити, уможливлюють вільне, адаптивне розмовне тьюторство, — водночас вводячи такі ризики, як дезінформація, [[cognitive-offloading|over-reliance]] та порушення [[privacy]], що мотивує підходи проєктування, засновані на знаннях.

**Взаємодія людина–робот (HRI)** — це міждисциплінарне вивчення того, як люди та роботи взаємодіють, охоплюючи сприйняття, комунікацію, співпрацю та соціальну, когнітивну та [[ethics|ethical]] динаміку цієї взаємодії. В освіті HRI лежить в основі того, як здобувачі сприймають роботів, довіряють їм і навчаються з ними, — чи то програмування робота, розмова з роботом-тьютором, чи відпрацювання соціальних сценаріїв. Дослідження [[research-methods-aied|research]] вивчають, як зовнішній вигляд робота, поведінка, контекст завдання та втілення формують [[usability-research|user experience]], довіру, агентність і навчання. Ключові занепокоєння в освітній HRI включають збереження людської [[agency]], побудову [[trust]], підтримку [[self-efficacy]] та забезпечення того, щоб взаємодія з роботами підтримувала, а не підривала автономію та соціальне навчання. Вона пов’язує робототехніку з [[human-ai-collaboration]] та [[social-emotional-learning]].

### Як роботів використовують в освіті

[[teaching-with-robots-five-types-perspective-2026|Christ et al. (2026)]] додають типологію ролей, а не перелік технологій: їхні п’ять типів аудиторного робота, виведених у майстернях, відрізняються *педагогічною функцією та рівнем абстракції*, а не апаратним забезпеченням. Тип a — неінтерактивна демонстрація узагальнених соціальних патернів (заздалегідь запрограмований театр емоцій з подальшим обговоренням динамік, таких як ескалація або непорозуміння); тип b — інтерактивний робот, що реагує на дотик, підтримує партиципативний фізичний театр, [[embodied-learning|embodied learning]], усвідомлення меж та регулювання емоцій; тип c — партнер із розмовною мовою, який виявляє співчуття та пам’ятає взаємодії з одним учнем, створюючи захищене налаштування «один на один» для самовиявлення; тип d — керується ззовні прихованим фахівцем, як лялька з додатковими ступенями волі, з метою зрівняти соціальну ієрархію; а тип e — неінтерактивний робот, що відтворює дії, нещодавно спостережені в школі, щоб учні могли осмислити ситуативну поведінку, — причому відмінність від типу a і є саме його контекстно-специфічна, а не узагальнена абстракція. Типологія явно заявляє про себе як про неперевірений проєктувальний простір, згрунтований на одній національній програмі психічного здоров’я, тому вона є меню для проєктування та оцінювання ролей роботів, а не доказом того, що будь-яка з них працює.

- **Обчислювальне мислення та програмування:** Програмовані роботи (наприклад, LEGO, платформи на основі блоків) допомагають здобувачам пов’язувати код із реальними результатами. [[computational-thinking-educational-robotics-secondary-2026|Valls i Pou]] пов’язує обчислювальне мислення з навчальними планами STEAM середньої школи, а [[roboblockly-conversational-block-robotics-ct-2026|RoboBlockly Studio]] поєднує блочне програмування з агентом [[conversational-ai|conversational AI]] та втіленим зворотним зв’язком робота. [[edusim-llm-robotic-simulation-education-2026|EduSim-LLM]] дозволяє початківцям керувати змодельованими роботами природною мовою.
- **Тьюторство та навчання:** [[knowledge-based-design-generative-social-robots-2026|Knowledge-based design research]] та [[teachy-mini-generative-social-robot-higher-ed-2026|Teachy Mini]] розробляють генеративні соціальні роботи на основі LLM, які тьюторять студентів вищої освіти, вирішуючи такі ризики, як дезінформація та [[cognitive-offloading|overreliance]]. [[task-context-trust-educational-hri-2026|Research on trust]] показує, що те, що робот робить (контекст завдання), формує довіру здобувача більше, ніж його зовнішній вигляд, причому найвища довіра спостерігається під час навчальних завдань.
- **Оповідання історій та залученість:** [[motibo-digital-storytelling-robots-motivation-2026|MotiBo]] та [[robobuddy-llm-social-robots-classroom-2025|RoboBuddy]] використовують інтерактивних соціальних роботів на основі LLM для оповідання історій з метою підвищення мотивації та залученості, тоді як [[icub-humanoid-storytelling-llm-hri-2025|the iCub narrative HRI study]] вивчає спільне творче оповідання між людьми та гуманоїдами.
- **Соціально-емоційне навчання та [[inclusive-learning|inclusion]]:** [[remind-robot-mediated-roleplay-antibullying-2026|REMind]] використовує рольові ігри, опосередковані роботом, для відпрацювання втручання свідка булінгу, а [[pepper-robot-sign-language-lis-2025|work with the Pepper robot]] вивчає комунікацію мовою жестів із роботом для підтримки глухих здобувачів. [[pepper-social-robot-formal-education-scoping-review-2026|A scoping review]] картографує використання Pepper у формальній освіті.
- **Автономія та агентність:** [[human-autonomy-agency-hri-review-2025|A systematic review]] синтезує, як HRI впливає на людську автономію та відчуття агентності, поєднуючи рамки проєктування з вимогами [[regulation|regulatory]] (Закон ЄС про штучний інтелект, IEEE Ethically Aligned Design). [[social-robot-study-companions|Social robots as study companions]] та [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen|robot–LLM integration in creative writing]] далі досліджують ролі роботів.
- **Підходи на основі проєктів та ігор:** [[bots-blocks-project-based-robotics-education-2026|Bots and Blocks]] подає курс робототехніки на основі проєктів, а [[game-based-gamified-robotics-education-review-2026|a systematic review]] порівнює навчання на основі ігор та геміфікацію в освітній робототехніці.
- **Навчання з підкріпленням і перехід від симуляції до реальності в повному робочому процесі робототехніки.** [[teaching-rl-humanoid-robotics-high-school-2026|Dong, Cao and Wang (2026)]] перетворили цілісний дослідницький робочий процес робототехніки — складання, електричні перевірки, навчання політики на основі симуляції та фізичне розгортання — на курс для [[k-12|high-school]], побудований на одному відкритому гуманоїді (ToddlerBot, вартість деталей якого, за повідомленням, не перевищує 6 000 доларів США) в межах восьми трьохгодинних занять. Пари ділять один робот і навчають [[reinforcement-learning|walking policy]] в [[simulation]] перед її розгортанням на апаратному забезпеченні, причому захисні ворота (складений тест стояння перед ходьбою) роблять видимим порядок залежностей. Оскільки спільний артефакт винагороджує команду, а не індивіда, рамка відокремлює результативність робота від індивідуального розуміння: студенти змінюють ролі, кожен подає окреме прогнозування та пояснення на кожному контрольному пункті, і підтримане просування явно не розглядається як доказ концептуального опанування — попередження авторів, що проходження віхи робота не є її розумінням.
- **Змагальна робототехніка як проблема екосистеми, а не проблема конструктора.** [[arc-hubs-k12-ai-robotics-rural-2026|Jacobson et al. (2026)]] розташовують обмежувальний чинник робототехніки K–12 менше в навчальному плані чи апаратному забезпеченні, ніж у сталій локальній технічній менторській підтримці, і показують, що він географічно розподілений: в Індіані участь у FIRST LEGO League обвалилася в дистанційному сезоні 2020 року, міська участь поступово відновилася, а сільська — ні, залишаючись поблизу свого після-2020-го рівня до 2025–2026 років. Їхня рамка ARC робить менторство інженерним об’єктом — коледжі ведуть курс із заліковою одиницею, який готує студентів бакалаврату як майстерних менторів для ближніх команд, а зрілі шкільні програми стають вторинними хабами, чиї досвідчені студенти стають менторами-однолітками для подальших шкіл, тому охоплення поширюється за межі будь-якого університетського району через самопосилювальний цикл. Випробування в одному університеті створило три сільські команди FLL і перемістило зв’язок із спільнотою студентів бакалаврату з 1,86 до 4,00 за п’ятибальною шкалою (найбільший із усіх виміряних зсувів, попереду впевненості у викладанні технічних понять із +1,29), тоді як просторово явна симуляція Маркова 1 925 публічних шкіл Індіани проєктувала 992 шкільні програми через 40 років за помірних припущень проти 161 без ARC. Докази мають рівень здійсненності — семеро менторів і четверо батьків, ретроспективні самозвіти, відсутність контрольної групи, — але рамкування переносиме на будь-яку програму робототехніки: те, що масштабується чи не масштабується, є потужність менторської підтримки та географія хабів, а не робот ([[arc-hubs-k12-ai-robotics-rural-2026]]).
- **Розвиток дитини та молодші здобувачі:** [[ai-toys-child-development-2026|AI-enabled toys and child development]] зміщує фокус на комерційні іграшки зі ШІ в ранньому дитинстві, досліджуючи, як іграшки з підтримкою ШІ впливають на розвиток та гру дитини. Це поширює освітню робототехніку за межі аудиторних роботів на споживчі іграшки, яких діти зазнають удома, піднімаючи питання щодо [[pedagogical-agent|agents]] в грі, [[trust-calibration|trust calibration]], [[agency]] та [[well-being]] наймолодших здобувачів, — області, де настанови проєктування тонші, ніж для навчальних програм робототехніки шкільного віку.
- **Відчутне кодування та соціальні роботи в дошкільній [[ai-literacy|AI literacy]].** Lee (2026) інтегрує гру без екрана, відчутне кодування (Bee-Bot, Ozobot) та керований діалог із соціальним роботом ШІ в навчальну програму Play With AI (PL-AI) для дошкільного та дитячого садка. [[design-based-research|design-based research]], документує, як ці втілені, відчутні робототехнічні діяльності підтримують формуване міркування дітей про поняття ШІ, причому чотири принципи проєктування — втілена гра, відчутне кодування, керований діалог та співпроєктування з учителем, — дають відповідну до розвитку модель для [[early-childhood-elementary-ai-education|early childhood]] та освіти зі ШІ.
- **Дві парадигми для молодших здобувачів: роботи для кодування та генеративні соціальні роботи.** [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] кадрують робототехніку раннього дитинства як пару двох [[pedagogy|pedagogical]] парадигм, кожна з окремою теоретичною основою. **Роботи для кодування** (Bee-Bot, KIBO, Matatalab) походять від LOGO Паперта і втілюють [[constructivist|constructionism]] — діти навчаються, створюючи, і будують [[computational-thinking|computational thinking]] через відчутне програмування. **Генеративні соціальні роботи**, на базі [[generative-ai|generative AI]], згрунтовані на [[sociocultural-learning|social constructivism]], діючи як розмовні однолітки чи тьютори, які [[scaffolding|scaffold]] навчання в межах зони ближнього розвитку дитини та підтримують соціально-емоційний розвиток. Їхній п’ятикроковий **Підхід творчого проєкту** для інтеграції обох типів роботів у Проєктний підхід зберігає вчителів як фасилітаторів, які направляють взаємодію дитина–робот, збалансовують автоматизацію з [[creativity]] та зберігають дитячу [[agency]].
- **Що насправді робить дошкільна робототехніка для обчислювального мислення.** Систематичний огляд 53 досліджень виявив, що навчання на основі задач, оповідання історій та скаффолдинг були найчастіше використовуваними стратегіями, причому більшість досліджень не називали жодної рамки обчислювального мислення та використовували ad hoc інструменти оцінювання, а не перевірений інструмент, такий як TechCheck-K ([[tsingidou-ct-robotics-kindergarten-2026|Tsingidou & Sapounidis (2026)]]).

### Втілення та педагогіка

Визначальна тема в тому, що роботи є ефективними, коли підтримують справжні навчальні цілі, — а не як ізольовані технічні вправи. Роботизований проєктор на столі, пов’язаний із ноутбуком ChatGPT, за раптом доступної допомоги був нижчим (6,7 проти 7,3/10, p = 0,41), але зберіг свій бал після відміни (7,0 проти 4,4/10, p = 0,003), на 60% вищий короткостроковий бал перенесення, — завданнєвий приріст, який автори пояснюють просторовим співрозташуванням, а не загальним заміщенням ([[aifred-desk-robotic-ai-guidance-2026|Orlando et al. (2026)]]). Цінність робота залежить від педагогічного контексту: викладання обчислювального мислення ([[computational-thinking]]), підтримка [[stem-education|STEAM]], формування навичок [[cs-education|programming]], мотивування здобувачів ([[motivation]], [[student-engagement|engagement]]) або підтримка [[social-emotional-learning]] та [[equity-in-ai-education|inclusion]]. Робототехніка також пов’язується з [[project-based-learning]], [[game-based-learning]] та [[experiential-learning]]. Ключові міркування проєктування включають збереження здобувацької [[agency]], побудову [[trust]], підтримку [[self-efficacy]] та згрунтування навчання в [[embodied-learning|embodied interaction]]. В [[language-learning]] [[robot-assisted-language-learning-meta-analysis-2026|meta-analytic evidence]] вказують на ефективність втіленого навчання мови за допомогою роботів.

- **Шляхи до навчання робототехніки на базі ШІ.** [[educational-robotics-pathways-2026|A qualitative study]] студентів старшої школи в навчальній програмі робототехніка + ШІ виявило навчання через реальну практику, проєктування та грайливий творчий вияв (конструкціоністська, епістемологічно-плюралістична лінза).

## Пов’язані поняття
- [[early-childhood-elementary-ai-education]] — Early childhood and elementary AI education
- [[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]] — Umbrella: AI technologies and techniques (models, LLM training, robotics, RAG, agentic)

## Пов’язані статті
- [[pepper-social-robot-formal-education-scoping-review-2026]] — Scoping Review of the Pepper Robot in Formal Education
- [[robot-assisted-language-learning-meta-analysis-2026]] — Meta-analysis of AI-enhanced embodied robot-assisted language learning
- [[white-wu-robotics-ai-education-2026]] — Robotics and AI in Education
- [[computational-thinking-educational-robotics-secondary-2026]] — Computational Thinking and Educational Robotics
- [[roboblockly-conversational-block-robotics-ct-2026]] — RoboBlockly Studio
- [[edusim-llm-robotic-simulation-education-2026]] — EduSim-LLM
- [[knowledge-based-design-generative-social-robots-2026]] — Knowledge-Based Design for Generative Social Robots
- [[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]] — Task Context and Trust in Educational HRI
- [[human-autonomy-agency-hri-review-2025]] — Human Autonomy and Agency in HRI
- [[icub-humanoid-storytelling-llm-hri-2025]] — iCub Narrative HRI
- [[pepper-robot-sign-language-lis-2025]] — Pepper and Sign Language
- [[social-robot-study-companions]] — Social Robots as Study Companions
- [[enhancing-creative-writing-with-robot-llm-integration-the-interplay-of-embodimen]] — Robot-LLM Integration in Creative Writing
- [[game-based-gamified-robotics-education-review-2026]] — Game-Based and Gamified Robotics Education
- [[bots-blocks-project-based-robotics-education-2026]] — Bots and Blocks
- [[educational-robotics-pathways-2026]] — Pathways to Learning AI-Powered Educational Robotics (2026)
- [[tsingidou-ct-robotics-kindergarten-2026]] — Robot-mediated CT in kindergarten
- [[ai-toys-child-development-2026]] — AI-enabled toys and child development
- [[creative-project-approach-ai-early-childhood-2025]] — The Creative Project Approach: integrating coding and generative social robots into early-childhood projects (Yang, Li & Lee 2025)
- [[teaching-with-robots-five-types-perspective-2026]] — Five functionally distinct types of classroom robot, from scripted demonstration to one-to-one empathic dialogue (Christ et al. 2026)
- [[arc-hubs-k12-ai-robotics-rural-2026]] — ARC: a hubs-based framework that treats technical mentorship capacity and hub geography, not hardware, as the constraint on rural K–12 robotics programs (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]] — A desk-mounted robotic projector: co-located guidance preserved transfer where laptop ChatGPT lost it

---

## [Розмовний ШІ](https://edtechdev.github.io/aied/concepts/conversational-ai/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Агенти розмовного ШІ (CAI)** — керовані ШІ мовленнєві або текстові агенти, які імітують та автоматизують розмови, від чат-ботів на основі правил до помічників на базі NLP/ML та [[multimodal]] ВММ, — належать до найпоширеніших інтерфейсів ШІ в освіті, цінних за [[teacher-role|навчальну]], психологічну та метакогнітивну підтримку, навіть попри стійкі технічні, когнітивні та [[ethics|етичні]] занепокоєння.

## Питання для роздумів

- Коли ви користувалися чат-ботом або асистентом ШІ, чи розглядали ви його як викладача, як пошуковий двигун чи як щось інше? Як це кадрування впливало на те, скільки ви насправді засвоїли?
- Розмовний ШІ описує ТЕ, ЯК агент розмовляє, а не те, для чого його побудовано. Чи може чат-бот бути розмовним, але зовсім непедагогічним — і що б вам підказало цю відмінність?
- Одне дослідження встановило, що саме ШІ-грамотність — а не загальна технічна вправність — передбачала, чи були студенти готові й здатні користуватися чат-ботом. Чому знання того, як працює ШІ, може бути важливішим, ніж бути «дужним у комп’ютерах»?
- Сирий загальний чат-бот може обірвати міркування, відповівши негайно, тоді як структурований репетитор зберігає продуктивну боротьбу, утримуючи відповіді. Які проєктувальні рішення визначають, який саме агент зустрічає студент?
- Студенти, які користувалися чат-ботом у курсі права, вели третину своїх взаємодій поза навчальними годинами — свідчення того, що доступність 24/7 є справжньою вигодою. Але чи несе завжди-увімкнений доступ також ризики, від яких ви хотіли б захиститися проєктуванням?
- Найбільшим бар’єром для впровадження чат-бота в одному дослідженні був погано спроєктований спливаючий елемент, а не недовіра чи побоювання щодо академічної доброчесності. Що це говорить про те, де насправді провалюються інвестиції в ШІ в освіті?

## Вступ

Розмовний ШІ (CAI) — це загальний термін для керованих ШІ агентів, які ведуть усний або письмовий діалог, найчастіше реалізованих як чат-боти, а згодом — як [[generative-ai|генеративні]] помічники на базі [[llm]], такі як ChatGPT, Claude, і мультимодальні освітні аватари. Сучасні агенти CAI поділяються на категорії, засновані на [[machine-learning]], на NLP та гібридні, причому текстові агенти найпоширеніші в освіті. Як навчальні інструменти вони функціонують як [[intelligent-tutoring|інтелектуальні репетитори]], джерела [[feedback]], [[student-ai-interaction|партнери взаємодії]] та адміністративні помічники — перетинаючись із [[pedagogical-agent|педагогічними агентами]], але охоплюючи ширший набір застосувань.

## Як розмовний ШІ представлений у базі знань

**Синтез зонтикового огляду.** [[conversational-ai-agents-umbrella-review-2026|Зонтиковий огляд агентів CAI]] (34 оглядові статті) показує, що використання CAI сконцентроване в підтримці навчання та викладання (97,1% оглядів), психологічній та мотиваційній підтримці (91,2%) і [[metacognition|метакогнітивній]] підтримці та особистому розвитку (88,2%), тоді як адміністративна підтримка, управління [[research-methods-aied|дослідженнями]] та освітня галузь охорони здоров’я відстають. Огляд фіксує, що занепокоєння щодо взаємин між людиною та ШІ зберігаються в усіх поколіннях CAI, причому [[academic-integrity]] та конфіденційність даних [[privacy]] виступають як новіші етичні питання, і закликає до обґрунтованого в HCI, доказового проєктування та сильнішої підтримки [[ai-literacy]].

**Від чат-ботів до репетиторських агентів.** База знань простежує еволюцію CAI від чат-ботів із часті питання на основі правил до [[intelligent-tutoring|орієнтованих на репетиторство]] [[pedagogical-agent|агентів]]. [[conversational-ai-tutors-framework|Рамкова модель репетиторів розмовного ШІ]] стверджує, що доведені [[ai-technologies|технології]] ITS ([[knowledge-tracing]], виявлення афекту, [[student-modeling|моделювання студента]]) мають бути основою генеративних репетиторів, тоді як [[generative-ai]] постачає гнучкий діалог. Дослідження [[measuring-llm-tutors-teach-vs-solve|чи ВММ-репетитори навчають, чи розв’язують]] та [[stanford-evidence-base-ai-k12-2026|специфічного для репетиторства ШІ проти загального ШІ]] показує, що педагогічно спроєктовані [[guardrails]] мають значення: сирі загальні чат-боти можуть обривати міркування, тоді як структуровані репетитори зберігають [[desirable-difficulties|продуктивну боротьбу]].

Бенчмарки можуть перебільшувати, наскільки скаффолдинг справді засвоюється: у 9 490 чатах у дев’ятьох наборах даних студенти в реальних розгортаннях обходили педагогічне кадрування чат-бота за невелику міжособистісну ціну, щоб спрямувати взаємодію на власні цілі — інструментальний рух [[help-seeking]], а не від’єднання ([[rethinking-scaffolding-llm-tutors|Neagu et al. (2026)]]).

**Взаємодія та співпраця.** Розмовних агентів дедалі частіше кадрують як партнерів взаємодії, а не як тих, хто видає відповіді. [[student-ai-interaction]] фіксує, як здобувачі на практиці формують підказки, ставлять питання та перевіряють разом із CAI. У [[collaborative-learning]] агенти опосереднюють участь і спільну [[regulation]], а в [[language-learning]] вони дають реальночасову розмовну практику. Гілка [[human-ai-collaboration]] досліджує, коли це партнерство зберігає когнітивну роботу здобувача, а коли заміщає її. ВММ як партнери з критики ілюструють сторону збереження конкретно: [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash & Connell Pensky (2025)]] мали ChatGPT, Gemini або Claude, які критикували аргументовані есе студентів упродовж семестру, і здобувачі покращилися в письмі, [[prompt-engineering|формулюванні підказок]] та реакції на зворотний зв’язок, оцінюючи обміни як корисні, залучаючі та приємні, — причому активне заперечення тверджень моделі (87,8%) показує, що вони ставилися до розмовного партнера критично, а не пасивно.

Розмовних агентів використовують для оцінювання, і їхня оцінювальна поведінка відрізняється від людської: ChatGPT був найліберальнішим із трьох оцінювачів тих самих 52 проєктів студентів бакалаврату (M = 91,46 проти 83,13 у викладача) і не ділив жодної логіки оцінювання з колегами (r = 0,05), хоч студенти високо цінували його діалогічну інтерактивність ([[usher-faraon-who-grades-best-2026|Usher & Faraon (2026)]]).

**Скаффолдинг студентської сторони розмови.** [[helpcoach-ai-help-seeking-scaffolding-2026|Jin et al. (2026)]] додають до інтерфейсу чату монітор специфічності питань і шаблон переробки й втручаються лише за наявності розмитих питань: у дослідженні міжгрупового плану з 40 студентами коледжу, які навчалися вебпрограмування, користувачі HelpCoach писали суттєво більше специфічних перших питань (57,3% проти 40,5%) і зберігали більше знань тиждень потому (середній приріст 1,9 проти 0,3 із 6, d = 1,100). Вигода в утриманні не проходила через більш цілеспрямовані відповіді чат-бота, які не відрізнялися за умовами, — що залишає механізм відкритою гіпотезою, а не доведеним шляхом.

**Роль, яку грає агент, формує взаємодію.** Проєктування CAI не є нейтральним щодо своєї персони: [[liao-role-adaptive-ai-companion-book-talk-2026|Liao (2026)]] встановив, що фіксований компаньйон із ролі «студентський ровесник» у початковій книжковій розмові підтримував довші взаємодії, проте домінував у розмові (нижча частка слів і речень студента) і натрапляв на «афективну стелю» — відповідаючи людському викладачеві в фактичному відтворенні, але не дотягуючи в емоційній та орієнтованій на майбутнє рефлексії, — обґрунтовуючи, що CAI має адаптувати свою роль (ровесник, помічник викладача, батьківський порадник), а не залишатися монолітним. [[xu-genai-collaborative-space-2026|Xu et al.]] поширюють це на малі групи, показуючи, що генеративний ШІ діє водночас як *агент* і як *спільний простір* у синхронній та асинхронній колаборативній динаміці, де проєктування взаємодії вирішує, чи підтримує вона скаффолдингом групове пізнання, чи заміщає його. Тон може задаватися також зовнішнім класифікатором, а не лише самою розмовою: [[culturally-aware-student-stress-chatbot-2026|Sukoon (Bashir & Afzal, 2026)]] тренує Random Forest на 20 ознаках з опитування, щоб призначити низький, помірний або високий рівень стресу, і цей результат обирає один із трьох рівнів відповіді, натхненних Stepped Care Model, — теплий та заохочувальний за низького стресу, заземлюючий та неосудливий за високого, — перш ніж [[open-source]] ВММ (GLM-4.5-Air через OpenRouter) візьме на себе діалог з повною історією розмови та культурно адаптованою системною підказкою, що надсилається щоразу на початку ходу. Автори свідомо обрали модель вільного доступу з [[multilingual-learning|мультилінгвальністю]], щоб розгортання залишалося можливим у регіональних університетах, і зазначають, що урду з’являється через інженерію підказок, а не через справді двомовний конвеєр, — обмеження, яке має значення щоразу, коли культурна доречність проголошується як властивість системи, а не як оцінюваний результат.

**Розмовна поведінка відстежує провайдера, а не налаштування.** У 1 971 транскрипті ШІ та 135 людських транскриптах, оцінених за шістьма фіксованими правилами, узятими з навчальних наук, моделі від одного провайдера групувалися разом без перекриття між діапазонами сімейств, що автори читають як навчальну поведінку, що слідує за загальнопровайдерськими практиками тренування, а не за індивідуальним налаштуванням моделі ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]]).

Узгодженість відповідей є проблемою інфраструктури, а не підказок: подібність відповідей усередині моделі сягала 0,715–0,795 проти 0,443–0,604 між моделями, а додавання історії чату змінювало зміст відповіді навіть для того самого фокусного повідомлення ([[semantic-variability-llm-conversation-assessment-2026|Hao (2026)]]).

**Перспективи студентів.** Реальне використання показує, що впровадження залежить від [[ai-literacy]] та [[usability-research|досвіду користувача]] більше, ніж від технічної здатності. Людиноцентричне [[mixed-methods-research|змішане]] дослідження «Jordan Chatbot» — [[pedagogy|педагогічного]] агента на базі GPT-4o в австралійському курсі права — встановило, що студенти мають позитивні ставлення й сприймають приріст знань, водночас сильно підтримуючи вимоги [[academic-integrity]]; понад третина взаємодій відбувалася поза навчальними годинами, підтверджуючи цінність доступності 24/7 ([[colbran-student-perspectives-genai-chatbots-2026|Colbran, Jha & Schiavone 2026]]). Примітно, що саме ШІ-грамотність — а не загальна технічна вправність — передбачала готовність і впевненість у користуванні чат-ботом, а юзабіліті (нав’язливий дизайн спливаючого вікна) був найбільшим бар’єром серед тих, хто не користувався, попереду довіри, переваги персоналу та побоювань щодо академічної доброчесності.([[colbran-student-perspectives-genai-chatbots-2026]]) Дослідження рекомендує людиноцентричне проєктування, явні політики щодо ШІ та маркування оцінювання, навчання персоналу та студентів і безперервний моніторинг помилок — свідчення того, що ефективне розгортання CAI є настільки ж проблемою проєктування та грамотності, наскільки технічною проблемою. На іншому кінці вікового спектру [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed & Martin (2025)]] досліджували дітей віком 6–14 років, які взаємодіяли з AMA — обмеженим темою та пристосованим до віку чат-ботом (астрономія, кеди та взуття, динозаври), — і встановили ширку відкритість до ШІ та високу довіру до нього як до джерела інформації: діти навіть перевіряли його достовірність питаннями з відомими відповідями, — поряд із прогалинами в критичній взаємодії та обізнаності про цифрову безпеку, які свідчать за чутливим до віку та довіри проєктуванням розмовного ШІ та явним інструктуванням щодо [[privacy]].

Хто користується агентом, також варіюється: серед 97 студентів магістратури зі статистики понад чверть ніколи не користувалися чат-ботом StatBot, і студентки користувалися ним суттєво частіше (W = 679,5, p = .015), що автори читають як розмовний ШІ, який знижує сприйманий соціальний ризик поставити питання ([[lee-wu-gender-motivation-genai-achievement-2026|Lee and Wu (2026)]]).

Впровадження не є однорідним: кластеризація 192 відповідей студентів і викладачів дає чотири персони — обережних досяжників, скептичних утилітаристів, від’єднаних сумнівців та залучених ентузіастів, — які приховують моделі прийняття, засновані на середньому ефекті, причому студенти надають пріоритет негайному [[feedback]], а викладачі — точності контенту та [[academic-integrity]] ([[saihi-ahmed-genai-adoption-personas-higher-ed-2026|Saihi & Ahmed (2026)]]).

**Тривалість спостерігалася для одного інституційного розгортання.** Чотирирічна рандомізована оцінка негенеративного чат-бота бази знань у California State University, Northridge (N = 8 708) встановила, що студенти залишалися сприйнятливими упродовж восьми семестрів — річні показники відмови ніколи не перевищували 4%, — тоді як вплив концентрувався на чутливих до часу адміністративних завданнях, як-от рання реєстрація на курси (на 34 відсоткові пункти частіше ймовірність зарахуватися до дедлайну), і жодних статистично значущих ефектів не з’явилося на GPA, залікових одиницях чи персистентності ([[mata-sustaining-ai-enabled-student-support-2026|Mata, Russell & Page 2026]], робочий документ). Його урок щодо вимірювання стосується того, як рахується залученість CAI: за відмови, близької до нуля, поряд із приблизно 5% активного залучення в інтерактивних кампаніях, висновки про стійке залучення залежать від того, чи дослідження рахує лише прямі відповіді, чи також пасивне залучення, де студенти діють на підставі інформації, не надсилаючи відповіді.

**Ризики та етика.** Агенти CAI несуть стійкі ризики [[cognitive-offloading|надмірної залежності]] та [[cognitive-offloading|когнітивного розвантаження]] (провідне етичне занепокоєння в зонтиковому огляді), а також технічні обмеження, [[hallucination-risk|галюцинації]], упередженість, [[ai-detection|плагіат]] та бар’єри [[equity-in-ai-education|справедливості]]. Ці занепокоєння живлять [[ai-literacy]] та [[reducing-ai-misuse]] і вимагають відповідей у формі [[educational-policy-ai|політики]] та етичного [[governance]]. Подальше занепокоєння щодо довіри виникає навколо порад із впровадження, які дедалі частіше отримує персонал: персонал закликають радитися з розмовним ШІ щодо того, чи варто впроваджувати ШІ, проте такі системи побудовані організаціями, що мають комерційний інтерес у впровадженні. Аудит десяти фронтальних ВММ встановив, що більшість із них визнає занепокоєння скептичних користувачів, перш ніж перенаправити розмову на кадрування залучення, породжуючи питання про нейтральність порад із впровадження ШІ.

**Розмовні агенти в ігровому навчанні.** Поза репетиторством розмовні агенти вбудовуються в цифрове ігрове навчання. Wenzel, Geiger та Liening (2026) використовують action design research, щоб вивести рамкову модель **CAIS-GBL** — чотири проєктувальні принципи та п’ятнадцять проєктувальних особливостей для розмовних агентів ШІ в цифровому ігровому навчанні, — обґрунтовану керованими теорією метавимогами, що охоплюють когнітивне, мотиваційне, [[affective-computing|афективне]] та [[sociocultural-learning|соціокультурне]] [[student-engagement|залучення]], і позицією справедливості-через-проєктування. Їхній втілений агент (Lara) в бізнес-грі [[simulation]] був позитивно сприйнятий за когнітивної та [[community-of-inquiry|соціальної присутності]] і підтримки [[self-regulated-learning|саморегульованого навчання]], оцінений із студентами-вчителями, і в польовому дослідженні — практичний план для [[adaptive-learning|адаптивної інструкційної підтримки]] через [[game-based-learning|розмовних агентів у серйозних іграх]].

## Співвідношення з педагогічними агентами та інтелектуальним репетиторством

Розмовний ШІ найкраще розуміти як **модальність взаємодії**, яка перетинається — але не збігається — з двома більш утвердженими конструктами в базі знань: [[pedagogical-agent|педагогічними агентами]] та [[intelligent-tutoring|системами інтелектуального репетиторства (ITS)]].

**Розмовний ШІ як середовище, а не педагогіка.** CAI називає *як* агент спілкується (діалог природною мовою, усно або письмово). Сам по собі він мало говорить про *те, що* агент побудований робити. Педагогічні агенти, навпаки, визначаються своєю **інструкційною роллю** — компонентом ШІ, який залучає здобувачів через діалог, питання чи підказки, щоб підтримувати [[metacognition|метакогнітивні процеси]], [[feedback]] і [[scaffolding]]. [[intelligent-tutoring|Системи інтелектуального репетиторства]] визначаються своєю **архітектурою та моделюванням** — діагностичним хребтом із [[knowledge-tracing]], [[student-modeling|моделюванням студента]] та педагогічною логікою прийняття рішень, який відстежує, що знає здобувач, і адаптує навчання. Один агент може бути водночас усім трьома: наприклад, [[conversational-ai-tutors-framework|репетитор розмовного ШІ]] є агентом CAI (інтерфейс діалогу), який функціонує як педагогічний агент (репетиторські стратегії), побудований на основі ITS (моделювання студента). Відмінність має значення, бо агент CAI зовсім не мусить бути педагогічно обґрунтованим — звичайний чат-бот із часті питання є розмовним ШІ, не будучи педагогічним агентом чи репетитором.

**Оптика педагогічного агента.** Педагогічні агенти використовують розмовне середовище, щоб втілювати навчальні стратегії — спонукаючи до самооцінювання, [[socratic-method|сократичного опитування]], ролево спеціалізованої фасилітації в проєктуваннях [[agentic-ai|багатоагентного]] типу (викладач, помічник, однокласник, аналізатор). Не кожен агент CAI є педагогічним агентом, але ці два класи сильно перетинаються: зонтиковий огляд агентів CAI встановив, що підтримка навчання та викладання (97,1%) та метакогнітивний розвиток (88,2%) домінують у застосуваннях CAI, тобто більшість орієнтованих на освіту агентів CAI функціонують педагогічно. [[conversational-agents-novice-programmers-scoping-2025|Огляд-мапування по програмістах-початківцях]] загострює це: лише 4 із 23 розмовних агентів явно обґрунтовували проєктування в [[learning-theories|теорії навчання]] — більшість була педагогічною за наміром, але не за основою.

**Оптика ITS.** Інтелектуальне репетиторство вносить *[[cognitive-diagnosis|когнітивну діагностичну]] машинерію*, якої бракує сирим розмовним моделям. [[conversational-ai-tutors-framework|Рамкова модель репетиторів розмовного ШІ]] стверджує, що доведені технології ITS мають бути основою генеративних репетиторів: трасування знань, виявлення афекту та моделювання студента постачають структуру, тоді як [[generative-ai]] та [[llm|ВММ]] постачають гнучкий діалог. Це ключова проєктувальна напруга — розмовний ШІ дає природну, масштабовану взаємодію, але без структури в стилі ITS він ризикує [[cognitive-offloading|надмірним скаффолдингом]], галюцинаціями чи обходом продуктивної боротьби здобувача. Дослідження, як-от [[measuring-llm-tutors-teach-vs-solve]] та [[stanford-evidence-base-ai-k12-2026]], показують, що педагогічно орієнтовані критерії (керівні питання, калібровані підказки) мають бути введені явно.

**Коротше:** розмовний ШІ — це **інтерфейс/середовище**, педагогічні агенти — це **роль**, а інтелектуальне репетиторство — це **відповідне моделювання та інструкційна логіка**. Освітньо цінні агенти CAI лежать на перетині всіх трьох — розмовні в інтерфейсі, педагогічні в намірі та репетиторські в моделюванні здобувача.

## Практичні рекомендації

Обирайте розмовних агентів, щоб підтримувати [[motivation]] та [[metacognition]], а не просто відповідати на питання, і проєктуйте для обґрунтованої в HCI, партисипативної, людиноцентричної взаємодії. Захищайтеся від [[cognitive-offloading|надмірної залежності]], поєднуючи CAI з інструктуванням [[ai-literacy]] та [[feedback]], що зберігає здобувача когнітивно продуктивним. Приділяйте увагу ШІ-грамотності та юзабіліті явно — оскільки саме вони, а не загальна цифрова вправність, керують впровадженням і невикористанням ([[colbran-student-perspectives-genai-chatbots-2026|Colbran, Jha & Schiavone 2026]]) — і поєднуйте розгортання з чіткими політиками використання ШІ, маркуванням оцінювання та навчанням. Оцінюйте CAI за педагогічними результатами — а не лише за виконанням завдань — і плануйте справедливість та [[accessibility]] від самого початку, а не як запізнілу думку.

- **Як студенти насправді розмовляють із розмовними агентами — схема від’єднання з шести категорій:** [[rho-disengaged-conversational-behaviors-2026|Rho et al. (2026)]] вбудували навчального агента GPT-4-Turbo (позиціонованого як учень середньої школи, що має труднощі, заземленого через RAG над графом знань, у парі з агентом-наставником, який критикував пояснення студентів) в уроки Algebra і Geometry на платформі Math Nation і закодували 5 522 висловлювання від 246 студентів. Поза залученням (75,7% висловлювань) вони виявили False Answering (12,8%), Withholding (8,9%), Random/Noisy (2,1%), Mirroring (0,6%), Mocking (0,3%) та Ghosting (0,2%) — причому Mirroring (копіювання тексту агента) виник індуктивно з даних. Класифікація була з людиною в циклі: 1 682 висловлювання, анотовані двома експертами (κ = 0,704–0,905 на категорію), тренували доналаштений класифікатор LLaMA 3 (зважений F1 = 0,910 на відкладених гілках), який позначив решту 3 840 висловлювань. Аналіз конкуруючих ризиків на рівні процесу потім показав, що більшість від’єднань розв’язується за кілька ходів, крім Withholding, яке персистує — сигнал, навколо якого варто проєктувати відповіді агента.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[rho-disengaged-conversational-behaviors-2026]] — Від’єднана розмовна поведінка в діалогах студент—ШІ (Rho et al. 2026)

- [[mata-sustaining-ai-enabled-student-support-2026]] — Підтримка студентів на базі ШІ: чотирирічне дослідження реалізації та впливу інституційного чат-бота (Mata, Russell & Page 2026)
- [[usher-faraon-who-grades-best-2026]] — Порівняння оцінювання ChatGPT, ровесників і викладача на різних рівнях якості проєкту (Usher & Faraon 2026)
- [[llm-agents-5e-esl-grammar-2026]] — Агенти ВММ з рамковою моделлю 5E для засвоєння граматики в ESL (Yang et al. 2026)
- [[semantic-variability-llm-conversation-assessment-2026]]
- [[colbran-student-perspectives-genai-chatbots-2026]] — Перспективи студентів щодо чат-ботів GenAI (змішані методи)
- [[saihi-ahmed-genai-adoption-personas-higher-ed-2026]] — Персони впровадження для чат-ботів ШІ
- [[conversational-ai-agents-umbrella-review-2026]] — Зонтиковий огляд агентів розмовного ШІ в освіті
- [[conversational-ai-tutors-framework]] — Рамкова модель репетиторів розмовного ШІ
- [[measuring-llm-tutors-teach-vs-solve]] — Вимірювання, чи ВММ-репетитори навчають, чи розв’язують
- [[stanford-evidence-base-ai-k12-2026]] — Специфічний для репетиторства ШІ проти загального ШІ
- [[rethinking-scaffolding-llm-tutors]] — Переосмислення скаффолдингу в репетиторах на ВММ
- [[conversational-agents-novice-programmers-scoping-2025]] — Огляд-мапування розмовних агентів для програмістів-початківців
- [[ba-ai-agents-cscl-review-2026]] — Огляд агентів ШІ в колаборативному навчанні з комп’ютерною підтримкою
- [[lee-wu-gender-motivation-genai-achievement-2026]] — Стать та мотивація в досягненнях з GenAI
- [[liao-role-adaptive-ai-companion-book-talk-2026]] — Адаптивний до ролі компаньйон ШІ для початкової книжкової розмови; афективна стеля агентів із фіксованою роллю (Liao 2026)
- [[xu-genai-collaborative-space-2026]] — GenAI як агент і спільний простір у динаміці малих груп (Xu et al. 2026)
- [[oppenheimer-llms-collaborative-learning-partners-2026]]
- [[vahedian-children-attitudes-ai-chatbot-2026]]
- [[culturally-aware-student-stress-chatbot-2026]] — Керований ШІ культурно обізнаний чат-бот для виявлення стресу та підтримки добробуту серед студентів пакистанських університетів із використанням NLP і машинного навчання
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: навчальні здобутки в GRE від репетиторства зі ШІ та з людиною еквівалентні

- [[helpcoach-ai-help-seeking-scaffolding-2026]] — HelpCoach: скаффолдинг цілеспрямованого пошуку допомоги в ШІ під час розв’язування задач

## Цитування

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.

---

## [Симуляція](https://edtechdev.github.io/aied/concepts/simulation/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Симуляція** — використання модельованих середовищ, агентів або сценаріїв для підтримки навчання через практику та зворотний зв’язок у контекстах, які є безпечними, відтворюваними й часто інакше недоступними. Симуляції дозволяють здобувачам діяти, робити помилки й бачити наслідки без реальних витрат, і дедалі частіше живляться ШІ та агентним моделюванням.

## Питання для роздумів

- Згадайте випадок, коли ви навчилися чомусь, роблячи це в безпечному, незначному середовищі — лабораторія, вправа-імітація, тренажер польоту або гри. Що зробило ту практику ефективною, і що могло б бути втрачено, якби симуляція була занадто реалістичною або недостатньо реалістичною?
- Сторінка стверджує, що симуляції дозволяють здобувачам робити помилки й бачити наслідки «без реальних витрат». Що, на вашу думку, набувається, а що може бути втрачено, коли ціна помилки падає майже до нуля?
- Якщо ШІ може симулювати пацієнтів, студентів або партнерів за розмовою для практики, де ви провели б межу між цінною репетицією та практикою, яка не переноситься на реальну людську взаємодію?
- Чому усвідомленість здобувачем меж симуляції — його [[trust|довіреність]] — може мати таке саме значення, як і те, наскільки вірно вона моделює реальність?
- Як та сама технологія симуляції, що допомагає комусь навчитися, може також його вводити в оману, і що вам потрібно було б знати, щоб розрізнити ці два результати?

## Вступ

Симуляція стоїть в основі [[experiential-learning|досвідного]] та [[active-learning]] [[pedagogy|навчання]]. Вона надає свідому практику, [[productive-failure|продуктивну відмову]] та [[feedback|петлі зворотного зв’язку]], які будують навичку та судження. ШІ перетворив симуляцію двома способами: він живить реалістичніші та адаптивніші симульовані середовища, і він генерує [[simulating-students|симульованих здобувачів]], пацієнтів або співрозмовників, що робить практику масштабованою. Поведінкові дані показують, що те, *як* здобувачі взаємодіють із симуляцією, варіює систематично, а не одноманітно: стежачи за онлайн-здобувачами, які будують екологічні моделі в VERA, [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] класифікували [[student-engagement|залученість]] як Спостереження (часті запуски та коригування параметрів із невеликим будуванням моделі), Конструювання (практичне будування з невеликою симуляцією) та Дослідження (повні цикли конструювання–параметризації–симуляції), причому Дослідники давали найскладніші та найрізноманітніші моделі, а здобувачі, навантажені спостереженням, переважно копіювали наявні — аргумент за проєктування середовищ симуляції, які штовхають здобувачів до повноціклової активності.

### ШІ та симуляція

- **Живлені ШІ середовища:** адаптивні симуляції коригують складність і сценарії до стану здобувача, пов’язуючись із [[adaptive-learning]] та коучингом на основі [[reinforcement-learning]].

- **Згенеровані підказками симуляції ставлять лаболаторію на замовлення в межах досяжності.** Викладачі можуть генерувати моделі, що запускаються у браузері, для теми, якої потребує курс, із багаторазового шаблону підказок (повзунки, анімація, часово-залежні графи, валідуючи кожну двічі — технічно, потім проти відомого аналітичного розв’язку — замість того щоб приймати найближчу опубліковану симуляцію ([[benzion-ai-physics-simulations-virtual-lab|Ben-Zion et al., 2025)]]).
- **Автоматизація людського контрагента.** [[astra-atco-training-simulator|Chew et al. (2026)]] замінюють людей-спеціалістів-рольовиків, які укомплектовують симуляції управління повітряним рухом, автономними [[llm|LLM]]-симульованими пілотами, усуваючи вузьке місце навчальної потужності; їхній донавчений мовленнєвий конвеєр знизив частку помилок слів на авіаційному мовленні з сінгапурським акцентом із 107,80% до 23,45%, хоч усі оцінювання були на рівні компонентів, без запуску з когортою стажерів.
- **Змагальні симулятори як партнери з навчання.** [[residencyrl-clinical-rl-training-2026|ResidencyRL (Liévin et al., 2026)]] поєднує агента-політику з симуляторами пацієнтів LLM, побудованими вести себе змагально в конвеєрі сценаріїв із 57K випадків; навчання проти них знизило частки пропущених тривожних ознак приблизно на третину, і сліпі клініцисти віддавали перевагу натренованому агенту в 87,6% порівнянь віч-на-віч.
- **Явно кодуйте відсутні стани випадку.** Багатоагентна система стандартизованого пацієнта тримає розпізнавання наміру, генерацію відповіді, засновану на випадку, та постасесійне оцінювання окремо, розрізняючи чотири види відсутньої інформації — клінічно негативну, невідому пацієнтові, ще не оцінену та відсутню в випадку — оскільки злиття їх у «норму» впроваджує непідтримані клінічні факти ([[medeasy-ai-standardized-patients|Gao et al. (2026)]]).
- **Симульовані агенти:** ШІ може симулювати пацієнтів (для медичної підготовки), студентів (для практики [[teacher-role|викладача]]) або партнерів за розмовою, роблячи високоставну міжособистісну практику доступною та відтворюваною. В [[teacher-education|освіті викладачів]] [[zhuang-zhang-chatgpt-math-teacher-education-2026|Zhuang and Zhang (2025)]] побудували *Student GPT*, власний [[conversational-ai|чат-бот]] ChatGPT, який відігравав роль учня [[k-12|середньої школи]], що має поширені [[misconceptions]] щодо міркування про відношення, даючи майбутнім викладачам [[math-education|математики]] недорогу, специфічну за змістом практику діагностування мислення студентів — і використали рамку кодування [[affective-computing|Афективна]], комунікативна, технічна (ACT) для систематичного оцінювання сильних сторін рольової гри симульованого студента (ясність, релевантність, узгодженість помилок) і слабких сторін автентичності (тон, подібний до викладацького, плутанина ролей).
- **Зробіть контрольфактичну історію функцією першого класу.** Контекстні багатоагентні [[llm|LLM]]-агенти SupplyNet генерують динаміку ланцюга постачання, яка виникає з рішень здобувачів, а не зі скриптів, і його розгалужена часовися шкала дозволяє здобувачам повертатися до раніших виборів без штрафу — 13 із 14 учасників оцінили його високо за з’єднання рішень із продуктивністю проти 3 на базовій лінії ([[supplynet-visual-exploratory-learning|Li et al. (2026)]]).
- **Заснована на даних динаміка, а не задана підказками персона.** [[adaptive-virtual-patient-psychotherapy-training|Chen et al. (2026)]] параметризували динаміку розкриття віртуального пацієнта майже з 2 000 годин реальних стенограм психотерапії, потім оновлювали рівень кожного ходу; на 1 033 ходах із 20 клініцистами його розкриття росло з емпатією та дослідженням терапевта, тоді як базова лінія лише на підказках на тій самій LLM залишалася плоскою.
- **Рольова гра ставить здобувача в роль.** Там, де симульовані агенти постачають контрагента, рольова гра дає цю роль здобувачеві. [[remind-robot-mediated-roleplay-antibullying-2026|Sanoubari and colleagues (2026)]] змусили 18 дітей віком 9–10 років дивитися сцену цькування, зіграну соціальними роботами, мислити про позицію кожного персонажа, потім репетирувати захист, керуючи роботизованим аватаром, і повідомили про здобутки у відчутній [[self-efficacy]] захисту та краще калібровані вірування щодо того, чи конфронтація цькувальника справді його зупиняє. Їхнє обрамування, опосередкована роботами прикладна драма, тримає людину-фасилітатора в ролі Театру Форуму і обмежує автоматизацію керуванням наративом, що є корисним нагадуванням, що вимогливою частиною рольової гри є рефлексія, а не механізм. [[lock-integrating-ai-online-learning-higher-ed-2025|Lock, Arteaga and Johnson (2025)]] розміщують рольову гру поряд із симуляцією серед стратегій, на які спирається онлайн-навчання з підтримкою ШІ.

- **Симульовані здобувачі:** моделі поведінки студентів дозволяють [[research-methods-aied|дослідникам]] та проєктувальникам тестувати системи репетиторства та [[curriculum-design|навчальні плани]] перед живим розгортанням, засновуючи [[student-modeling]] та [[knowledge-tracing]].
- **Довіра та вірність:** цінність симуляції залежить від того, наскільки вірно вона моделює реальний контекст — і від усвідомленості здобувачем її меж, пов’язуючись із [[trust-calibration]].

- **Людиноподібність є властивістю взаємодії, а не моделі.** Щойно обидва бекенди були відображені за тим самим аватаром, перевага текстової людиноподібності зникла: учасники називали комерційну модель природною (54% проти 22%), тоді як комунікативна продуктивність була ідентичною; голос, затримка та передача ходу переформували те, як сприймалася та сама якість діалогу ([[sophie-clinical-communication-ai-assessment-2026|Hasan et al. (2026)]]).
- **[[generative-ai|GenAI]] в навчанні на основі симуляцій.** [[genai-scenario-based-healthcare-education-2026|Neto and colleagues (2026)]] [[meta-analysis-systematic-review|систематично оглядають]] GenAI в сценарійному, кейсовому, проблемному та симуляційному навчанні в освіті охорони здоров’я, виявляючи позитивні результати для вищих когнітивних навичок, але невідповідні результати в іншому, із перевершенням гібридної [[human-ai-collaboration|співпраці людини та ШІ]] над повністю автоматизованими підходами. [[conversational-agents-business-simulation-gaming-2026|Wenzel, Geiger, and Liening (2026)]] розробляють розмовних агентів ШІ для адаптивної підтримки в бізнесових іграх-симуляціях, вирішуючи поширену прогалину обмеженого [[formative-assessment|формативного]] зворотного зв’язку та структурованої рефлексії в навчанні на основі симуляцій.
- **«Прогалина автентичності» обмежує те, що може замінити симуляція ШІ.** У [[medical-education|клінічній]] симуляції [[jiang-ai-powered-simulation-nursing-education-2026|Jiang et al. (2026)]] дають [[mixed-methods-research|змішаномутодний]] систематичний огляд симуляції в сестринській освіті на основі ШІ (19 досліджень, N=1 253) виявляє, що ШІ є ефективним для когнітивних знань та афективних результатів, але невідповідним для складних психомоторних навичок. Їхня концепція **прогалини автентичності** — відчутного здобувачем недоробку в емоційному резонансі, розпізнаванні невербальних сигналів і вимірах тактильного/фізичного обстеження — пояснює, *чому* симуляція ШІ є найкращою для високо структурованих цілей (базова комунікація, збирання анамнезу) і має стояти в **ступінчастому континуумі симуляції**, який передає просунуті психомоторні та емоційно складні сценарії людям-стандартизованим пацієнтам та клінічній практиці. Технічна нестабільність (наприклад, затримки розпізнавання мовлення) також може додавати стороннє [[cognitive-offloading|когнітивне навантаження]] та тривожність, тому вірність і стабільність самі є важилами проєктування. Це паралелює знахідку [[genai-scenario-based-healthcare-education-2026|Neto et al.]], що гібридні підходи людина–ШІ перевершують повністю автоматизовані.
- **Симуляції, спроєктовані спільно викладачем та ШІ.** Інтерактивні симуляції, які підтримують і концептуальне навчання, і розвиток компетентностей, є рідкісними в практичних доменах, і результати GenAI часто не мають педагогічної валідності. У [[stem-education|STEM-освіті на основі дронів]] симуляції, спроєктовані спільно викладачем та ШІ, вбудовані в інакше ідентичний практичний навчальний план, оцінювалися квазіекспериментальним дизайном претест–посттест на 30 студентах середньої школи, досліджуючи, чи дає підтримуване симуляцією викладання кращі [[learning-gains|результати навчання]] ([[simulation-assisted-drone-learning-stem-2026]]). Окремо [[agentic-ai|багатоагентні]] [[benchmark|бенчмарки]] репетиторства, такі як ASTRA, використовують симульованих соціально інтелігентних агентів для вивчення колаборації з балансом участі у [[cs-education|вступному програмуванні]] ([[astra-multi-agent-tutoring-benchmark-2026]]).

- **Контроль здобувача в симуляції є втіленим, а не наданим.** Експеримент 2 × 2 у симуляції зграї ([[learner-agency-ai-simulation-2026|Su, Nair and Nagashima 2026]]) дав деяким студентам повзунки параметрів, деяким — опціонального розмовного агента, а деяким — обидва; кожна умова покращилася, але жодна з можливостей не дала надійної відмінності після контролю за попередніми знаннями (p = .849 та p = .108). Те, що прогнозувало [[learning-gains|здобутки]], — де і як довго здобувачі маніпулювали параметрами: тривале використання повзунка на найконцептуально складнішому уроці було позитивно пов’язане зі здобутками, і та сама поведінка на легшому уроці — негативно. Наслідок для будівничих симуляцій: пропонування контролів не є інтервенцією — допомога здобувачам вирішити, що змінювати, і зафіксувати, що змінилося, є.
- **Цифровий близнюк — це симуляція з рахунком за апаратуру, і рахунок формує, хто може взяти участь.** [[meta-analysis-systematic-review|Систематичний огляд]] 11 досліджень цифрових близнюків у [[engineering-education|інженерній]] і STEM-освіті вищого рівня виявив, що кожна реалізація давала робочий прототип із синхронізацією в реальному часі, проте лише три повідомляли статистично значущі [[learning-gains|навчальні здобутки]]. Фізичні стенди обмежували доступ 1–3 одночасними студентами в п’яти дослідженнях, і зменшена соціальна взаємодія була найчастіше згадуваним педагогічним викликом, у шести ([[caee-digital-twins-stem-education-systematic-review-2026|Pelayo-González et al. (2026)]]).

### Зв’язки

Симуляція пов’язується з [[active-learning]], [[adaptive-learning]] та [[pedagogical-agent]]. Вона є механізмом для досвідного та [[constructivist]] навчання і посилюється здатністю ШІ генерувати адаптивні, реалістичні середовища практики.

## Пов’язані поняття
- [[active-learning]]
- [[adaptive-learning]]
- [[pedagogical-agent]]
- [[reinforcement-learning]]
- [[student-modeling]]
- [[constructivist]]
- [[trust-calibration]]
- [[professional-training]]
- [[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
- [[ai-technologies]] — Umbrella: AI technologies and techniques (models, LLM training, robotics, RAG, agentic)
- [[virtual-and-augmented-reality]] — the model, not the modality — immersive environments usually render a simulation

## Пов’язані статті
- [[learner-agency-ai-simulation-2026]] — Parameter control and an optional AI agent in a complex-systems simulation: gains tracked enactment, not access
- [[benzion-ai-physics-simulations-virtual-lab]]
- [[adaptive-virtual-patient-psychotherapy-training]] — Adaptive Virtual Patients for Psychotherapy Training
- [[ai-enabled-serious-games]] — AI-Enabled Serious Games
- [[anvil-ai-educational-animations]] — ANVIL: Analogies and Videos for Lecturers
- [[astra-atco-training-simulator]] — ASTRA: ATCO Training Simulator
- [[supplynet-visual-exploratory-learning]] — SupplyNet: Visual Exploratory Learning
- [[medeasy-ai-standardized-patients]] — MedEASY: AI Standardized Patients
- [[remind-robot-mediated-roleplay-antibullying-2026]] — Robot-mediated role-play game for bystander intervention (applied drama)
- [[residencyrl-clinical-rl-training-2026]]
- [[genai-scenario-based-healthcare-education-2026]] — Systematic review of GenAI in scenario-based healthcare education (Neto et al. 2026)
- [[conversational-agents-business-simulation-gaming-2026]] — CAIS-GBL framework for AI conversational agents in business simulation games (Wenzel et al. 2026)
- [[llm-agents-collaborative-problem-solving-simulation-2026]] — Fine-tuned participant-specific LLM agents reproducing collaborative problem solving dialogues (Fang 2026)
- [[astra-multi-agent-tutoring-benchmark-2026]] — ASTRA synthetic benchmark for multi-agent tutoring and participation-balanced collaboration
- [[simulation-assisted-drone-learning-stem-2026]] — Simulation-assisted drone learning with teacher-AI co-designed scaffolds
- [[an-goel-self-directed-modeling-2026]]
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]]
- [[jiang-ai-powered-simulation-nursing-education-2026]] — AI-powered simulation in nursing: mixed methods systematic review (authenticity gap, stepped continuum)
- [[sophie-clinical-communication-ai-assessment-2026]] — Scalable AI-based clinical communication training and automated assessment
- [[caee-digital-twins-stem-education-systematic-review-2026]] — Digital twins in STEM education: prototypes all worked, learning gains mostly did not

---

## [Віртуальна та доповнена реальність](https://edtechdev.github.io/aied/concepts/virtual-and-augmented-reality/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Віртуальна та доповнена реальність (VR/AR)** — шар відображення та взаємодії, через який переживаються навчальні середовища: повністю синтетичні простори у VR та цифровий зміст, накладений на фізичний світ, у AR і змішаній реальності. ШІ входить у цей шар у двох напрямах. Він його створює, бо [[generative-ai|генеративний ШІ]] тепер перетворює опис природною мовою на працюючий освітній інструмент AR або VR у браузері, який більше не потребує розробника-фахівця. І він його населяє, бо [[agentic-ai|агенти]], [[pedagogical-agent|педагогічні агенти]] та [[rag|відібрані знання]] направляють здобувача без рук всередині імерсивного середовища. Що модальність додає понад екран — це присутність і [[embodied-learning|втіленість]]; що вона коштує — це точність відтворення, обладнання й терпимість тіла до перебування там.

## Питання для роздумів

- Де проходить межа між тим, що моделюється, і поверхнею, на якій це показується? Порівняйте настільний симулятор пацієнта з VR-екскурсією до місця, яке студенти не можуть відвідати. Які відмінності, на вашу думку, змінили б навчання, а які могли б бути лише новизною?
- Пілотне дослідження виявило, що студенти повідомляли про сильніше *відчуття* довжини хвилі та амплітуди через жест рукою, ніж через повзунок, — але воно вимірювало сприйняття, а не досягнення, із 29 студентами та без групи порівняння. Наскільки це повідомлене «відчуття» має важити для засвоєння інструмента?
- Якщо генеративний ШІ дає змогу викладачеві без досвіду програмування побудувати працюючу AR-симуляцію за пів дня, які нові обов’язки виникають щодо перевірки [[physics-education|фізики]], оцінки точності відтворення та вирішення, чи має вона місце в курсі?
- В огляді симуляції медсестринства на основі ШІ ШІ відповідав людським акторам у структурованій комунікації, але не в тактильних та емоційно складних сценаріях. Як би ви впорядкували практику, щоб здобувачі відпрацьовували одні частини зі ШІ, а інші — з людьми?
- Одне дослідження класної VR повідомляло про мінімальну захитливість від руху, тоді як метааналітична оцінка для інтелектуальної VR у студентів з інвалідністю не була статистично значущою. Що ви хотіли б виміряти, перш ніж програма інвестує в гарнітури?

## Вступ

Віртуальна та доповнена реальність — це **модальність**, а не модель: це шар, через який навчальне середовище досягає здобувача. Це робить її іншою віссю, ніж [[simulation]], яка є тим, що моделюється взагалі. Їх часто плутають, бо імерсивні середовища є поширеними засобами подання симуляцій, але вони змінюються незалежно — настільний симулятор пацієнта є симуляцією без VR, а AR-накладання на реальний інструмент є VR без симуляції. Розрізнення цих осей важливе для проєктування: рішення зробити практику безпечною є іншим рішенням, ніж рішення зробити її втіленою, і вони несуть різні витрати, різні режими відмов і різні докази. VR/AR є **шаром подання** для симуляції та близьким родичем [[game-based-learning|ігрового навчання]]; вона операціоналізує [[embodied-learning|втілені]] та [[situated-learning|ситуативні]] уявлення про навчання, і вона лежить всередині [[experiential-learning|досвідного]] та [[active-learning]] практику.

Тепер ШІ формує цю модальність з обох кінців. Він **створює** імерсивний зміст, бо [[generative-ai|генеративний ШІ]] перетворює структуровану підказку природною мовою на виконуваний артефакт AR або VR, згортаючи спеціальну навичку програмування, яка колись обмежувала виробництво. І він **населяє** середовище, бо [[agentic-ai|агенти]], [[pedagogical-agent|педагогічні агенти]] та [[rag|відібрані знання предметної області]] постачають керівництво всередині нього — без рук, у реальному часі, обґрунтоване на джерелах, які здобувач не може консультувати під час носіння гарнітури.

## Що додає модальність

Приклад для VR/AR спирається на присутність і [[embodied-learning|втіленість]], а не на подання інформації. Спільний віртуальний простір може також відокремити співприсутність від географії: VR-аудиторія, побудована на шарі синхронізації в реальному часі, поміщала викладачів і студентів в одній кімнаті, які маніпулювали тими самими 3D-матеріалами з природознавства незалежно від місця, націлюючись на до двадцяти учасників. У годинній сесії з 10 студентами на Meta Quest 3 вона повідомила про добрий [[usability-research|юзабіліті]] за System Usability Scale і мінімальну [[simulation]] захитливість від руху, тоді як її власною вадою була узгодженість інтерфейсу користувача — і її проєктувальники свідомо уникали раніших архітектур рівний-з-рівним, чия частота кадрів деградувала в міру приєднання учасників, що є нагадуванням про те, що присутність обмежена інженерією. Більш контрольовані порівняння є тверезими щодо того, що сама поверхня дає: дослідження з 24 учасників з інженерної механіки виявило, що застосунки змішаної реальності та фізичні набори підвищили [[student-engagement|залученість]] порівняно з класним навчанням, проте складні візуалізації залишалися важкими для здобувачів за кожної умови. Залученість — це надійний ефект; розуміння — ні.

## Генеративний ШІ як шар створення

Бар’єр, який колись визначав, хто може побудувати імерсивний інструмент, значною мірою впав. Використовуючи структуру підказки з чотирьох елементів — **інструменти, відображення, керування руками, оптимізація**, — [[teacher-role|викладач]] або студент без досвіду кодування може згенерувати керовану руками AR-симуляцію фізики в браузері, яка працює як єдиний HTML-файл лише з камерою, а потім вдосконалювати її, описуючи простою мовою, що пішло не так. Жест знайомий з сенсорних екранів: щипок і розведення налаштовує фізичну величину, а не збільшує зображення, тож вертикальне розведення пальців підвищує амплітуду, а горизонтальне подовжує довжину хвилі та зсуває лампу до червоного кінця спектра. Та сама структура узагальнюється: поле Кулона навколо кінчика пальця розливається кімнатою, дві руки як протилежні заряди, і правило правої руки для магнітної сили, намальоване на власній руці здобувача — відтворене свідомо **недзеркально**, бо дзеркалення інвертувало б саме правило, якому навчають.

Пілотне дослідження є водночас заохочувальним і попереднім. З 29 студентами другого курсу медичної візуалізації на вступному курсі фізики випромінювання всі 29 погодилися, що жест допоміг їм «відчути», що таке довжина хвилі (в середньому 4.52), керування амплітудою набрало найвищий бал (4.59), 93% визнали керування хвилею в повітрі природним, а 86% повідомили про більшу залученість і зосередженість, ніж у звичайному навчанні. Проте докази є лише про сприйняття, однокласними та без групи порівняння — тож чесне прочитання таке: [[prompt-engineering]] усунув бар’єр виробництва, що робить базове запитання про втіленість *придатним до перевірки*, а не що на нього відповідено.

## ШІ всередині імерсивного середовища

Другий напрям — це той, де ШІ перестає створювати і починає навчати всередині гарнітури, і це місце, де [[rag|заземлення на відібраних даних]] стає несучою силою. Агентивна імерсивна платформа навчання для брахітерапії з високою потужністю дози побудувала цифрового двійника лікувального блоку — анатомічно точні моделі пацієнта, катетери, заряджальники, аплікатори, — щоб стажери могли бачити просторову орієнтацію аплікатора відносно органів під ризиком, без екрануючої кімнати, живого радіоактивного джерела або ризиків для приватності фізичного тазового обстеження. Обізнаний із знань асистент, заземлений на [[medical-education|клінічних]] настановах, постачав керівництво без рук через трирівневий голосовий інтерфейс (мікрофон гарнітури до транскрипції на сервері та аналізу наміру до просторового мовлення), що усуває залежність від контролера під час складнавих маневрів. Технічно це працювало: сквозна затримка 3–5 секунд на 50 прогонах Monte Carlo, пригадування контексту вище 0.93 і релевантність відповіді 0.87 на 52 парах запитань і відповідей, створених експертами, причому медична модель вбудовування покращувала повноту відповіді.

Його прогалини визначають поточний кордон цього патерну. Оцінка складалася з об’єктивних метрик плюс єдиного експерта-користувача з предметної області, а не здобувачів; автоматизованого [[assessment]] чи [[adaptive-learning|адаптивного зворотного зв’язку]] не було; і асистент не може перевершити документи, які йому дали, тож специфічні для установи протоколи та рідкісні сценарії лежать поза його компетенцією. Інакше кажучи, навчальний інтелект всередині імерсивних середовищ досі є здебільшого **керівництвом**, а не вимірюванням — і та сама архітектура платформи, з [[llm|виведенням інференції моделі]] на локальний GPU-сервер, є тим, що робить керівництво без рук досить швидким, щоб бути придатним до використання взагалі.

Найясніша на сьогодні спроба заповнити це відсутнє вимірювання походить з професійної дизайн-студії, а не з клінічного середовища. На 12-тижневому курсі дизайну інтер’єру VR-середовище (гарнітури плюс інструмент 3D-моделювання) з асистентом на основі LLM, відтвореним як цифрова людина, порівнювалося зі звичайним [[project-based-learning|проєктним]] навчанням, причому асистенту призначалася окрема роль на кожній фазі — рекомендація ресурсів і декомпозиція завдань, багатошарове ставити запитань з картами знань, симульовані ефекти проєктування та виявлення вад, а потім логування дискурсу для викладача ([[ai-ive-pbl-vocational-design-creativity-2026|Jin et al., 2026]]). На 63 дійсних відповідях умова імерсивності плюс агент дала суттєво вищу здатність до проєктування (η²p = .138) і творчу здатність (η²p = .111), когнітивну (d = 0.90) і поведінкову (d = 0.75) [[student-engagement|залученість]], а також мотивацію (d = 0.74) і задоволеність (d = 0.69) — при тому що повідомлюваний [[cognitive-offloading|когнітивний тягар]] був *нижчим*, а не вищим (d = −0.52), що автори пояснюють тим, що асистент зрізав зусилля на пошук і міждисциплінарну інтеграцію. Два обмеження не дозволяють цьому вирішити запитання: ідейна новизна та [[affective-computing|афективна]] залученість не зрушили, і кожен результат є [[self-report-measures|самостійним звітом]], без оцінок артефактів або журналів гарнітури.

Контраст із порівнянним розгортанням в освіті з дизайну є повчальним. Дизайн-студія архітектури, яка використовувала конвеєр [[generative-ai|GenAI]] плюс багатокористувацький XR, виявила *спадну* упевненість у [[self-efficacy]] команд, які його використовували, і відсутність переваги в оцінках засліпленої експертної панелі. Відмінність між двома менше в обладнанні, ніж в оркестрації: професійне дослідження зафіксувало структуру фаз, роль асистента в кожній фазі та рубрику оцінки до втручання, і вимірювало продуктивну здатність окремо від ідейної новизни.

Звернена до викладача версія того самого патерну є молодшою і крихкішою. [[luminote-llm-vr-stage-lighting-education-2026|Liang et al. (2026)]] дали змогу викладачеві сценічного освітлення висловлювати свій намір у VR-сцену за допомогою лазерної указки як просторового якоря, і мали [[llm]], який перетворює його на просторові анотації, придатні для перевірки викладачем, виконувані демонстрації освітлення та пояснення жаргону на вимогу. На 55 підказках і 531 згенерованій дії асистування було найсильнішим на виразних, недокладно заданих цілях (212 із 245 дій візуальних ефектів застосовано, 86.5%) і найслабшим на запитах на рівні світильників, де 26 із 28 відхилених дій зводилися до напрямних посилань на кшталт «ліве світло», яке модель прив’язувала до неправильного світильника — заземлення в просторовій системі відліку сцени, а не виконуваність, було обмежувальним чинником. Викладачі використовували пропозиції як [[human-in-the-loop-ai|керований процес удосконалення]], а не як відповідь: за 127 із 147 відхилених або змінених дій (86.4%) ішла нова підказка, і лише за однією — ручне коригування. Найбільш застережним результатом дослідження є репрезентаційний — анотації, які екстерналізували експертне міркування, не узгоджувалися надійно з тим, що розуміли новачки, тож імерсивне навчання на основі ШІ несе як проблему заземлення вищезгаданих навчальних випадків, так і другу — що компетенція викладача і розуміння здобувача не є однією й тією метою.

## Що показують докази

Найсильніші докази за VR/AR є порівняльними та [[discipline-specific-aied|специфічними для дисципліни]]. [[meta-analysis-systematic-review|Метааналіз]] із 33 експериментальних і квазіекспериментальних досліджень (N = 3 181) новітніх [[ai-technologies|технологій]] у навчанні [[english-education|англійській як іноземній]] виявив малий і помірний загальний ефект (g = 0.38) і, всередині нього, **найбільші ефекти для VR/AR**, з приростом, що зростає за освітнім рівнем і надає перевагу продуктивним навичкам (говоріння, письмо) над рецептивними.

Контраргументи не менш інформативні. В першому метааналізі втручань на основі ШІ для [[special-education|студентів з інвалідністю]] — 29 досліджень, 239 розмірів ефекту, помірний загальний ефект g = 0.588 — системи інтелектуальної VR дали g = 0.528, **не статистично значущий**, тоді як програмне забезпечення досягло 0.959, а роботи 0.509. Було наявне упередження публікації, і метод trim-and-fill знизив загальну оцінку до g = 0.269. Патерн не в тому, що занурення не спрацьовує, а в тому, що його ефекти є малими, різнорідними та чутливими до того, як конкретне втручання було спроєктоване і з чим порівняно.

Найясніший негативний результат в базі знань походить зі студійного розгортання, а не з порівняння модальностей: у дизайн-студії архітектури з 27 студентів команди, які використовували конвеєр GenAI плюс багатокористувацький XR, знизилися в упевненості в [[self-efficacy]] (β = −1.675) і очікуваній результативності (β = −2.088) сильніше, ніж команди, які працювали за звичайним робочим процесом курсу, без суттєвої відмінності в оцінках експертної панелі їхніх презентацій ([[genai-xr-architectural-design-education-2026|Xiao et al., 2026]]). Автори пояснюють це як доповнюваність, залежну від фази, з реальним тертям — GenAI для екстерналізації ще не певних ідей, XR для просторової оцінки та оцінки масштабу — поряд із проблемами керування, розмірної точності відтворення, спільної уваги та комфорту руху, що є нагадуванням про те, що імерсивний інструментарій додає витрат на взаємодію, а не лише здатність.

## Точність відтворення, присутність і розрив автентичності

Там, де імерсивна практика використовується для міжособистісної та процедурної навички, обмежувальним чинником є не візуальна точність відтворення, а відчута автентичність. [[mixed-methods-research|Змішаний]] огляд симуляції медсестринства на основі ШІ (19 досліджень, N = 1 253) виявив ШІ ефективним для когнітивних знань і афективних результатів, але непослідовним для складних психомоторних навичок, і назвав причину: **розрив автентичності**, що охоплює емоційний резонанс, розпізнавання невербальних підказок і тактильні та фізичні-[[summative-assessment|обстежувальні]] виміри. Його практична рекомендація — це **ступінчастий континуум симуляції**: ШІ добре пасує для високо структурованих цілей, таких як базова комунікація та збирання анамнезу, тоді як складні психомоторні та емоційно складні сценарії належать стандартизованим людським пацієнтам і клінічному розміщенню. Технічна нестабільність погіршує проблему: затримки розпізнавання мовлення впроваджують зайвий [[cognitive-offloading|когнітивний тягар]] і тривожність, що робить стабільність і затримку важелями проєктування, а не деталями реалізації.

Та сама логіка пояснює, чому присутність не є автоматично хорошою. Захитливість від руху, неузгодженість інтерфейсу користувача, вартість обладнання та нерівний доступ до пристроїв вирішують, хто взагалі може використовувати імерсивне середовище, чому запитання модальності щодо [[equity-in-ai-education|справедливості]] пов’язані з [[accessibility]] та [[inclusive-learning]], а не стоять осторонь них.

## Пов’язані поняття

- [[simulation]] — що імерсивні середовища зазвичай відображують; модель, а не модальність
- [[embodied-learning]] — механізм, який модальність має на меті використати
- [[multimodal]] — жест, голос і просторове введення як навчальні канали
- [[situated-learning]]
- [[experiential-learning]]
- [[game-based-learning]]
- [[professional-training]] — середовище, де імерсивна практика є найбільш усталеною
- [[generative-ai]] — новий шар створення
- [[prompt-engineering]] — як непрограмісти будують і вдосконалюють імерсивні інструменти
- [[agentic-ai]]
- [[pedagogical-agent]]
- [[rag]] — заземлення керівництва всередині гарнітури
- [[intelligent-tutoring]]
- [[visualization]]
- [[medical-education]]
- [[accessibility]]
- [[inclusive-learning]]
- [[trust-calibration]] — точність відтворення та усвідомлення здобувачем її меж
- [[cognitive-offloading]] — затримка та нестабільність як зайвий тягар
- [[edtech-platform]] — синхронізація, затримка та присутність у багатьох місцях
- [[arts-design-and-media-education]]

## Пов’язані статті

- [[genai-ar-physics-simulation-prompt-2026]] — підказка з чотирьох елементів, що генерує керовані руками AR-симуляції фізики; пілот зі 29 студентів, докази лише про сприйняття
- [[mixed-reality-engineering-learning]] — застосунки змішаної реальності проти фізичних наборів проти аудиторії в інженерній механіці; залученість вища, складна візуалізація все ще важка
- [[medgame-llm-medical-education-gamification]] — геміфіковане медичне навчання зі ШІ
- [[tech-enhanced-tabletop-cybersecurity-education]] — доповнені настільні сценарії в освіті з кібербезпеки
- [[genai-xr-architectural-design-education-2026]] — Генеративний ШІ та розширена реальність у спільній освіті з архітектурного дизайну: дослідницьке студійне дослідження
- [[ai-ive-pbl-vocational-design-creativity-2026]] — AI-IVE-PBL: імерсивна VR-студія дизайну з асистентом викладання на основі LLM, оцінена проти традиційного PBL (Jin et al. 2026)
- [[luminote-llm-vr-stage-lighting-education-2026]] — LumiNote: мультимодальне навчання з підтримкою LLM в освіті зі сценічного освітлення VR і де заземлення зазнало краху (Liang et al. 2026)

---

## [Моделювання здобувача та адаптивне навчання](https://edtechdev.github.io/aied/concepts/student-modeling/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Моделювання здобувача та адаптивне навчання** — узагальнення для того, як ШІ представляє здобувачів (що вони знають, відчувають і в чому потребують) і як він використовує ці подання, щоб адаптувати [[teacher-role|викладання]]. Родина охоплює шар *моделювання* — **моделювання здобувача**, [[knowledge-tracing]], [[cognitive-diagnosis]] та [[simulating-students|симулювання здобувачів]], — і *адаптивні системи*, які споживають ці моделі, — [[intelligent-tutoring]], [[adaptive-learning]] та [[personalized-learning]]. Спільне запитання: *як система знає, що знає здобувач, і чому вона має вчити наступного?*

## Питання для роздумів

- Узагальнене запитання, яке ставить ця сторінка: як система знає, що знає здобувач, і чому вона має вчити наступного? Перш ніж читати далі, з чого б ви навіть почали представляти «те, що знає здобувач», у машині?
- Моделювання здобувача охоплює відстеження знань (відстеження знань у часі), когнітивну діагностику (відображення опанованих навичок) і симулювання здобувачів (синтетичних здобувачів). У чому, на вашу думку, кожен підхід є сильним — і що кожен ризикує зробити неправильно?
- Кожен адаптивний ШІ залежить від певної моделі здобувача. Якщо модель лише настільки добра, наскільки добре її живлять дані, якими доказами про здобувача системи ШІ насправді володіють, і які важливі речі про нього залишаються невидимими?
- Модель може фіксувати, що здобувач робить правильно, а що неправильно, але не чому, і не як він почувається. Як модель здобувача могла б вводити адаптивну систему в оману способами, які шкодять, а не допомагають здобувачеві?
- Якби ви проєктували адаптивного тьютора, що б ви хотіли, щоб його модель про вас включала — і від яких припущень ви хотіли б її явно заборонити?

## Вступ

Моделювання здобувача — це обчислювальне подання здобувачів; адаптивне навчання — це те, що системи роблять із цим поданням. Кожен адаптивний ШІ в освіті залежить від певної моделі здобувача — навіть спрощеної, — і кожна модель здобувача існує, щоб інформувати певне інструкційне рішення. Ця сторінка є узагальненням для того конвеєра: методів моделювання, систем, що діють за моделями, і того, як вони пов’язані.

## Шар моделювання

Ці поняття відповідають на запитання «що цей здобувач знає, відчуває і в чому потребує?» — сторона подання родини.

- **моделювання здобувача** — широка практика представлення характеристик здобувача (знань, навичок, [[affective-computing|афективних]] станів, [[student-engagement|залученості]], уподобань) в обчислювальній формі. Це узагальнений термін у межах цього шару, що охоплює всі способи представлення здобувача.
- **[[knowledge-tracing]]** — конкретна практика моделювання когнітивних знань *у часі* шляхом відстеження продуктивності на вправах і прогнозування майбутнього майстерства. Вона формалізує тимчасову динаміку навчання — коли знання набуваються, згасають, і як поняття пов’язані.
- **[[cognitive-diagnosis]]** — дрібнозернисте [[assessment]] того, якими конкретними навичками або компонентами знань здобувач опанував, що дає профіль майстерства, який підтримує цільову ремедіацію.
- **[[simulating-students|симулювання здобувачів]]** — генерація *синтетичних* здобувачів на вимогу, а не представлення справжнього, щоб [[pedagogy]] і системи ШІ могли тестуватися або тренуватися офлайн.
- **Причинний формалізм для моделей здобувача.** [[causal-modeling-competency-assessment-2026|Манджилі і співавтори (2026)]] замінюють баєсові мережі з шумливими воротами на структурні причинні моделі, виведені від експертів, роблячи підказки явними ендогенними змінними, щоб модель могла запитувати, що здобувач відповів би без допомоги, якою він скористався, — дещо менш предиктивно, але здатною до контрфактичних тверджень, яких асоціативні моделі не можуть висловити.

Дослідження [[zhang-ml-student-progress-programming-2026|Чжана, Джеффріса та Коприньскої (2025)]] ілюструє, що вірне подання не потребує найскладнішої родини моделей: спрощена, власне інтерпретована модель здобувача на основі дерева рішень — побудована з ознак взаємодії зі змістом курсу, а не з багатої телеметрії, — передбачає прогрес на рівні модулів у великомасштабних онлайн-курсах [[cs-education|програмування]] (85–91% точність) і відокремлює розлучені профілі [[student-engagement|залученості]] «під загрозою й розлучений», «розлучений, але успішний» та «залучений високий виконавець», підтримуючи раннє попередження [[learning-analytics]] у масштабі.

Предиктивна модель здобувача може спиратися на структуру зарахування, а не на дані трасування: TRACE кодує кожен семестр як невпорядкований кошик курсів і передбачає набір курсів і оцінки разом, знижуючи помилку прогнозування оцінок до 0,1339 MAE — на 46,4% нижче за модель лише з оцінками, — на 5 326 студентах і десяти роках ([[trace-course-grade-prediction-2026|Савала (2026)]]).

Моделі здобувача також можна будувати чисто з поведінкових слідів і все ще підтримувати адаптацію. [[an-goel-self-directed-modeling-2026|Ан, Геммок та Гоел (2025)]] вивели три профілі залученості — Спостереження, Конструювання та Дослідження, — з потоків кліків 315 онлайн-здобувачів, які будували 822 екологічні моделі в VERA, без будь-яких демографічних або контекстних даних, і показали, що ці профілі передбачають якість моделі (Дослідження дає найскладніші та найрізноманітніші моделі, тоді як Спостереження домінується скопійованими, а не оригінальними моделями). Такі характеризації на рівні залученості є грубозернистими моделями здобувача, які шар [[adaptive-learning|адаптивного навчання]] може споживати, щоб націлювати зворотний зв’язок.

Афективне моделювання здобувача є подальшим виміром: тьютор із математики виводив емоцію з розмовного тексту та виразу обличчя і відображав агрегований стан на стратегії тьюторінгу, проте багатомодальне злиття досягало лише 60% точності проти власних анотацій учасників, роблячи афективне прочитання найслабшим ланцюгом конвеєра ([[kar-mathbuddy-affective-math-tutoring-2025|Кар і співавтори (2025)]]).

[[cross-subject-validity-delayed-start|Ґаттерман і співавтори (2026)]] виявили, що сигнал відкладеного старту, записаний під час практики математики, передбачав результати з англійської, причому хронічні байдикувальники (понад 13 хвилин) показували нижчі здобутки (ELA β = −.11 SD) навіть після контролю на [[prior-knowledge|попередні знання]] та час на завданні, — тож поведінкові моделі здобувача можуть переноситися між предметами без перетренування на кожен курс, хоча їхні точки розрізу повинні бути перевизначені.

## Шар адаптивного навчання

Ці поняття відповідають на запитання «чому слід вчити наступного?» — сторона застосування, яка споживає моделі здобувача.

- **[[intelligent-tutoring]]** — системи, які використовують моделі здобувача та оцінки майстерства, щоб обирати задачі та надавати керівництво на рівні кроків, класичний застосунок моделювання здобувача.
- **[[adaptive-learning]]** — системи, які регулюють зміст, темп або складність у відповідь на модель здобувача.
- **[[personalized-learning]]** — ширше підлаштування навчання, змісту та шляхів до індивідуальних характеристик і уподобань здобувача.

## Як члени пов’язані

Поняття формують конвеєр, а не конкурентів: **моделювання здобувача** є узагальненим поданням; [[knowledge-tracing]] і [[cognitive-diagnosis]] є конкретними методами моделювання, які його наповнюють; [[simulating-students|симуляція]] *генерує* здобувачів, а не представляє справжніх; а [[intelligent-tutoring]], [[adaptive-learning]] та [[personalized-learning]] є системами, які споживають ці моделі, щоб адаптувати навчання.

**Моделювання здобувача проти симулювання здобувачів** — ключове розрізнення, яке слід тримати прямим. Моделювання здобувача стосується **представлення справжнього здобувача** — побудови моделі *з* даних фактичного студента, щоб адаптивна система могла діяти за цією особистістю. Симулювання здобувачів, навпаки, **генерує синтетичного здобувача** на вимогу, щоб стояти замість справжніх здобувачів, щоб педагогіка та ШІ могли оцінюватися або тренуватися офлайн. Вони тісно пов’язані, а не взаємозамінні: симульовані здобувачі типово *вбудовують* модель здобувача (епістемічний стан, набір [[misconceptions|хибних уявлень]] або профіль залученості) і спираються на ті самі конструкти, які [[knowledge-tracing]] і [[cognitive-diagnosis]] формалізують. Їхні цілі розходяться — моделювання здобувача служить живій адаптації, інформуючи рішення про справжню людину, тоді як [[simulation]] фабрикує здобувачів, щоб тестувати системи (і дедалі частіше, щоб аудитувати ШІ, наприклад, [[lopez-pernas-llm-appropriate-student-support-2026|Лопес-Пернас і співавтори (2026)]]), а не діяти за будь-якою справжньою особистістю.

**Відстеження знань проти моделювання здобувача** — інше поширене плутанина. Відстеження знань конкретно моделює когнітивні знання у часі; моделювання здобувача є ширшою практикою, що охоплює всі аспекти здобувача (афективний стан, залученість, уподобання). Відстеження знань є *типом* моделювання здобувача, зосередженим на когнітивно-часовому вимірі. Конструкти відстеження знань також інформують [[simulating-students|симульованих здобувачів]] — когнітивний стан симульованого здобувача часто формалізований тими самими динаміками майстерства/згасання, які моделює відстеження знань, тож симуляція є способом *генерувати* стани знань, які методи трасування зазвичай *виводять* із реальних даних відповідей.

**Прив’язування трасування до [[curriculum-design|навчальної програми]] зміцнює модель.** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Прадіш і співавтори (2026)]] показують, що модель здобувача набирає вірності, коли трасування прив’язане до явної структури навчальної програми, а не вивчається чисто з даних: їхнє відстеження знань на основі результатів (OKT) трактує результати курсів в освіті на основі результатів як поняття знань для трасування, постачає взаємозв’язки понять через перевірені експертами «відображення спорідненості» OBE між результатами курсу та програми (явна альтернатива до неявної уваги чи передачі повідомлень у графі) і використовує модуль з розширеною пам’яттю, щоб моделювати, як досягнення одного результату впливає на інші. На живих даних інженерної програми воно перевершило базові лінії DKT, DKVMN, EKT і SimpleKT (89,81% AUC), ілюструючи, що шар моделювання може експлуатувати власну структуру навчальної програми, щоб представляти здобувачів вірніше.

**Інтелектуальний тьюторінг проти адаптивного/персоналізованого навчання** сидить на стороні застосування: інтелектуальний тьюторінг є системою, що обирає задачі та керує на рівні кроків; адаптивне навчання налаштовує зміст і темп; персоналізоване навчання є найширшим підлаштуванням усього навчального досвіду. Усі три є «споживачами» шару моделювання.

## Спільний виклик валідності

Впродовж усієї родини визначальний виклик валідності є тим самим: подання здобувача повинно **вірно відображати справжній стан здобувача**, а не типові припущення системи. Для **моделювання здобувача** та [[knowledge-tracing]] це означає, що модель повинна справді фіксувати, що здобувач знає ([[ai-ed-evaluation|оцінювання]] та [[assessment-validity|валідність вимірювання]]). Для [[simulating-students|симуляції]] це означає, що синтетичний здобувач повинен виявляти реалістичну недосконалість, а не повну компетентність моделі чи [[ai-sycophancy|підлабузницьку]] згоду. Адаптивні системи, які споживають хибні моделі, успадковують і поширюють цю помилку.

Моделі, які виводять стан здобувача з ігрового процесу, досягали AUC 0,848–0,913, проте лише два з 55 розглянутих досліджень аудитували їх на демографічну упередженість, і лише одне дослідило диференційні результати за здібністю здобувача ([[ai-game-based-learning-systematic-review-2026|Кашарджи та Юрт (2026)]]).

Деякі передбачувані сигнали можуть бути невідновлюваними з діалогу взагалі: пілот рамки «Контекст навчання» відновив хибні уявлення на 91,4% і тривожність на 100%, але сумлінність лише на 68,6% і володіння мовою на 60%, тож модель, чутлива до контексту, повинна фіксувати риси, що повільно з’являються на поверхню, а не чекати, поки діалог їх розкриє ([[learning-context-framework-context-aware-ai-education-2026|Лю і співавтори (2026)]]).

[[edumirror-educational-social-dynamics|Лін і співавтори (2026)]] розкривають циклічність у тому, як такі синтетичні здобувачі валідуються: їхні агенти EduMirror застосовують психометричні анкети постфактум і читають узгодженість із внутрішнім поданням цінностей агента як психологічну валідність, але оскільки Surveyor вимірює виміри, уже закодовані в цій системі цінностей, перевірка є перевіркою узгодженості, а не незалежною валідацією.

**Правильність не завжди є вірним сигналом.** [[deceptive-overgeneralization-adaptive-learning-2026|Ан, Макларен і Стемпер (2026)]] показують, що модель здобувача, яка виводить майстерність із правильних дій, може перекручувати справжній стан здобувача: здобувачі, які виявляють *оманливе узагальнення*, здаються опанували, проте пропускають критичне обмеження застосування, тож адаптивні системи можуть припиняти практику передчасно. Моделі здобувача повинні оцінювати умовне розуміння — включно з тим, чи знає здобувач, коли слід утримати дію, — а не лише правильність дії.

Приховані хибні уявлення показують ту саму відмову з іншого боку: [[correct-answer-trap-misconceptions|Імран і Булатвела (2026)]] виявили, що донастроєний класифікатор ловив 57,4% правильних відповідей, досягнутих через хибне міркування, і на 1,6% поширеності навіть модель міркування з 83,6% точністі залишала 8 хибних тривог на виявлення, — тож сигнали майстерства на основі правильності є і неповними, і дорогими в ремонті.

**Те, як модель валідується, саме по собі є запитанням валідності.** [[schuetze-knowledge-tracing-forgetting-2026|Шетце, Ян і Карвалью (2025)]] показують, що популярні моделі здобувача (BKT, BKT-with-Forgetting, AFM) здаються фіксуючими людське навчання лише тоді, коли їх підганяють ретроспективно до повного багатосеансового набору даних; за часовою (що йде вперед) перехресною валідацією — прогнозуючи майбутній сеанс із попередніх, так, як такі моделі насправді розгортаються, — вони переоцінюють продуктивність, пропускають [[retrieval-spacing-interleaving|ефект інтервалу]] і неправильно впорядковують умови практики. Оскільки моделі з розширенням забування і без нього поводилися приблизно однаково між сеансами, автори діходять висновку, що забування часто поглинається в параметри здобувача, а не справді представляється. Урок для родини полягає в тому, що вірне подання здобувача повинно валідуватися так, як воно використовується — і що злиття миттєвої продуктивності з довгостроковим утриманням дає моделі, які здаються точними, проте перекручують здобувачів.

## Моделювання в епоху LLM

Недавні досягнення використовують [[llm|LLM]] для багатшого моделювання. [[xie-hillm-cd-2026|Рамка HiLLM-CD]] представляє здобувачів як дерева умінь; [[multimodal-knowledge-graph-educational-reasoning|багатомодальні підходи]] конструюють подання знань, обґрунтовані доказами, з різноманітних джерел даних; [[inside-llm-student-simulator-reasoning-2026|LLM тепер симулюють здобувачів із міркуванням]]. LLM уможливлюють автоматизовану побудову моделей з освітнього тексту та високовірне [[simulating-students|симулювання здобувачів]], знижуючи спору на експертну анотацію — загострюючи при цьому занепокоєння щодо вірності вище. Сигнали моделі здобувача також *обґрунтовують* міркування LLM: [[reddig-maclellan-personalized-feedback-llm-2026|Реддіґ, Арора та Маклеллан (2025)]] виявили, що живлячи GPT-4 оцінкою уміння баєсового [[knowledge-tracing]] здобувача разом зі структурою інтерфейсу тьютора, значно покращувалася його діагностика помилок (ідентифікація логічних помилок зростала з 40% до 81% на розкладанні на множники; ~87,8% загалом), тоді як багатокрокові задачі та відповіді, що містять кілька помилок, залишалися найслабшими випадками — свідчення, що пов’язування формальної моделі здобувача з LLM зміцнює, але не гарантує, обґрунтований висновок про справжнього здобувача. [[colearn-agentic-tutor-co-learning-loop-2026|CoLearn (Хе і співавтори, 2026)]] показує, як виглядає стійка версія цього пов’язування: майстерство та видобуті хибні уявлення зберігаються на (здобувача, предмет), а не як логи за сеанс, тож докази накопичуються між сеансами, і пам’ять записується функцією спостереження, оціненою LLM, залишаючись перевірюваною для здобувача через смуги майстерства та позначку, що називає, що мала дослідити кожна згенерована задача. Його контрольні умови роблять крок запису явним — за прочитаної, але більше не оновлюваної пам’яті частка елементів, націлених на справді слабку навичку, впала з 0,72 до 0,57 — і він зберігає цю оговорку сторінки непохитною: збережене майстерність є вірою агента про здобувача, а не виміром його знань.

Мова може замінити ID-вбудовування як подання: PLCD будує виведені LLM схеми понять і графи процесу вправ як приорні, досягаючи 83,51% точності на XES3G5M, з найбільшими здобутками в холодному старті — на 4,60 пунктів ACC вище за KCD для нових понять і на 4,00 для нових вправ — там, де моделі на основі ID не мають історії ([[process-grounded-language-cognitive-diagnosis-2026|Лю і співавтори (2026)]]).

Якість симулятора розділяється на дві осі: конвеєр «спочатку пул, потім спеціалізуй», який тренує спільні поведінкові патерни перед адаптером на здобувача, досягнув поведінкової вірності 0,51 і чуйності до керівництва 0,91 в шахах проти 0,23 і 0,72 для базової лінії рольової гри переднього краю, показуючи, що симулятор повинен і відповідати здобувачеві, і бути керованим ([[studentsim-llm-student-simulators|Ян і співавтори (2026)]]).

Оцінки ризику можуть бути точними, проте непідкріпленими: [[at-risk-students-ml-prediction|Ґейсарі та Саларян (2026)]] досягли 99% точності, прогнозуючи відплив із записів про зарахування та продуктивність, але на 1 027 очищених записах однієї установи без зовнішньої валідації, без перевіреного втручання та з аудитами справедливості, названими майбутньою роботою, — оцінка підтримує тріажування, а не вирок про здобувача.

Модель здобувача, яка лише передбачає ризик, є недостатньою для підтримки рішень: пов’язування каліброваної моделі ризику з цілочисельним програмним рекурсом над дискретними діями — валідоване проти обмежень часування, бюджету, незмінності та доступності, — дало компактні плани втручання там, де одна оптимізація приймала нездійсненні ([[sc2r-counterfactual-recourse-educational-2026|Ле, Абель та Лафорж (2026)]]).

Оцінювач-чорна скринька також можна дистилювати в малу самопояснювану модель: двокроковий конвеєр перетворює підігнаний оцінювач і його постфактум інтерпретацію в 2B-параметричного «підопічного», який повертає оцінку разом із оповіддю, аудитованою на вірність, а не на вільність ([[distilling-self-explaining-lm-learning-analytics-2026]]).

## Зв’язки з іншими поняттями

Моделювання здобувача та адаптивне навчання живлять [[learning-analytics]] ([[visualization|панелі]] та втручання), [[formative-assessment]] (кероване аналітикою оцінювання) та [[feedback]] (що система каже здобувачеві). Воно пов’язане з [[ai-education]] як ключовий напрям ШІ для освіти.

## Пов’язані поняття

- [[learners]] — Здобувачі: узагальнення для понять на боці здобувача
- [[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]] — моделі під прогнозуванням ризику та націлюванням підтримки

## Пов’язані статті
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Оманливе узагальнення: адаптивне майстерність може припинити практику, перш ніж здобувачі дізнаються, коли утримати дію (Ан, Макларен і Стемпер, 2026)
- [[causal-modeling-competency-assessment-2026]] — Причинне моделювання втручань підтримки для оцінювання компетентності здобувача
- [[turano-ai-tutoring-not-a-monolith-2026]] — ШІ-тьюторінг — не моноліт: що ми насправді знаємо (бриф Stanford SCALE/NSSA)
- [[learning-context-framework-context-aware-ai-education-2026]]
- [[yasir-llm-tutoring-agents-2026]] — LLM-тьютори надмірно відхиляють валідні альтернативи, надмірно валідують неправильні (Ясір і співавтори, 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]] — Від прогнозування ризику здобувача до SC2R: контрфактичний рекурс
- [[graph-its-adaptive-algorithms-2026]] — Графовий інтелектуальний тьюторінг для динамічних доменів (2026)
- [[distilling-self-explaining-lm-learning-analytics-2026]] — Дистиляція самопояснювальної LM для аналітики навчання
- [[studentsim-llm-student-simulators]] — StudentSim: тренування симуляторів здобувачів на основі LLM
- [[predicting-attrition-competitive-programming]] — Прогнозування відпливу здобувачів у конкурентному програмуванні
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Відстеження знань на основі результатів з відображенням спорідненості
- [[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]] — Поза ID-вбудовуваннями: обґрунтоване процесом мовне моделювання для когнітивної діагностики
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — компактний стан здобувача плюс калібрований трасер як середовище рекомендаційної системи
- [[colearn-agentic-tutor-co-learning-loop-2026]] — CoLearn: агентний тьютор, який вчить свого здобувача в петлі співнавчання люди зі ШІ

- [[ai-game-based-learning-systematic-review-2026]] — Непомітне оцінювання досягало AUC 0,848–0,913, але аудити упередженості були майже відсутні в 55 дослідженнях

---

## [Відстеження знань](https://edtechdev.github.io/aied/concepts/knowledge-tracing/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Відстеження знань** (knowledge tracing) — моделювання того, що здобувачі знають упродовж часу, шляхом відстеження їхніх результатів на вправах та прогнозування майбутнього опанування. Це найбагатша нитка моделювання в базі знань, що охоплює байєсівські, глибокі та [[llm|LLM-enhanced]] підходи до відстеження знань студентів у міру їхнього розвитку.

## Питання для роздумів

- Моделі відстеження знань відтворюють те, що ви знаєте упродовж часу, з ваших результатів на вправах, фіксуючи, коли знання набуваються, а коли згасають. Що можуть розкрити ваші відповіді про те, чи ви справді «знаєте» щось, проти того, що просто цього разу відповіли правильно?
- Сторінка попереджає, що «опанування — це не правильність»: здобувач може виглядати таким, що опанував матеріал, і водночас систематично неправильно застосовувати навичку, коли порушується прихована умова. Коли ви бачили, як хтось (або ви самі) виглядав так, ніби зрозумів щось, а насправді не зрозумів?
- Якщо відстеження знань живить адаптивні системи, які вирішують, чого вчити далі, що йде не так, коли модель приймає правильні відповіді за справжнє опанування і переводить студента далі занадто рано?
- Відстеження знань існує в багатьох формах — байєсівська, нейромережева, гіперграфова, діалогова, підсилена LLM. Яких компромісів ви очікували б між прозорою моделлю, яку можна пояснити, і потужною, але непрозорою?
- Сторінка пов’язує відстеження знань із симульованими студентами — генерацією тих станів знань, які відстеження зазвичай виводить із реальних даних. Як симулювання здобувачів могло б допомогти випробувати репетитора, перш ніж він зустріне реальних студентів?
- Оскільки знання згасають упродовж часу, що має робити адаптивна система з минулим «опануванням» студента після того, як він це забув? Як би ви проєктували з розрахунку на забування, а не припускаючи стійкість знань?

## Вступ

Відстеження знань перетворює необроблені відповіді на вправи на оцінки того, що студент опанував і що йому ще потрібно засвоїти. На відміну від простого відстеження правильності, відстеження знань моделює тимчасову динаміку навчання — коли знання набуваються, коли згасають і як поняття пов’язані між собою.

### Підходи, представлені в базі знань

- **Байєсівські підходи:** [[stanbkt-bayesian-knowledge-tracing]] стандартизує реалізації BKT, тоді як [[mbp-kt-meta-behavioral-knowledge-tracing]] інтегрує метаповедінкові сигнали
- **BKT з м’якими свідченнями та функцією спостереження на основі LLM:** [[colearn-agentic-tutor-co-learning-loop-2026|CoLearn (He et al., 2026)]] зберігає структуру BKT, але замінює бінарне спостереження «правильно/неправильно» — вхідні дані стандартного BKT — на безперервне: оцінювач на основі [[llm]] видає градуйовані свідчення опанування разом із вагою достовірності, які змішуються в апостеріорне розподілення зі стиснутою достовірністю й проходять через вентиль, так що явно неправильна відповідь не може підвищити оцінку; це робить оновлення варіантом, що узагальнює стандартний BKT, а не суворим його зведенням. Чи є ця функція спостереження надійною, залежить від здобувача: середні свідчення чітко розділили рівні здібностей (0,25 — слабкий / 0,67 — змішаний / 0,77 — сильний), тоді як кореляція всередині рівня зі справжнім опануванням становила лише r ≈ 0,15 / 0,48 / 0,41, залишаючи простеженостан станом агента щодо здобувача, а не каліброваним вимірюванням.
- **Нейромережеві та гібридні моделі:** [[neural-symbolic-knowledge-tracing]] поєднує символічні міркування з [[machine-learning|neural networks]]; [[explainable-probabilistic-kt]] розвиває інтерпретовані ймовірнісні моделі
- **Гіперграфові пам’яткові мережі:** [[thymen-temporal-hypergraph-knowledge-tracing-2026|THyMeN]] розширює відстеження на основі пам’яті (DKVMN) тимчасовими гіперграфовими міркуваннями, моделюючи динамічні взаємоди вищих порядків між поняттями, які з’являються разом у багатонавичкових питаннях
- **Відстеження знань на основі діалогу:** [[huang-interpretable-knowledge-tracing-2026]] адаптує відстеження знань для розмовного тьюторінгу
- **Підсилене LLM:** [[xie-hillm-cd-2026|HiLLM-CD]] використовує LLM для автоматичного побудування дерева понять та ієрархічного виведення володіння
- **Семантичне відстеження знань, орієнтоване на рекомендації:** [[exrec-exercise-recommendation-knowledge-tracing-2025|ExRec (Ozyurt, Almaci, Feuerriegel and Sachan, 2025)]] грунтує самі *вхідні дані*, а не архітектуру: LLM анотує кожне питання кроками розв’язання та поняттями знань, узгодженими зі стандартами Common Core State Standards for Mathematics, контрастивне навчання узгоджує вбудовування питання, кроків розв’язання та понять (а хибні негативи вилучаються попереднім кластеризуванням варіантів понять, зокрема «інтерпретування стовпчикової діаграми» та «читання інформації зі стовпчикової діаграми»), а функція втрат калібрування KC дозволяє трасувальнику передбачати стан знань на рівні поняття безпосередньо, замість виведення його прогінням моделі над усіма питаннями цього поняття. Відкалібрований трасувальник потім слугує середовищем навчання з підкріпленням для рекомендації вправ, де оцінювання на основі моделі ініціалізує критика з самого трасувальника. На чотирьох завданнях набору XES3G5M із усередненням за 2 048 тестовими студентами базові методи без навчання з підкріпленням давали незначні або від’ємні прирости знань, безперервні методи на основі цінності перевершували методи на основі політики, а оцінювання на основі моделі стабільно їх покращувало — найрізкіше на завданні з найслабшим поняттям, де ціль змінюється на кожному кроці. Подані прирости — це відсоткове поліпшення від максимального знання, а не результати навчання, і конвеєр залежить від згенерованих кроків розв’язання, чию якість трасувальник успадковує.
- **Відстеження знань на основі результатів (OKT):** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh et al. (2026)]] відстежують знання студентів у межах систем Outcome-Based Education, розглядаючи **результати курсу як самі поняття знань**, і замінюють експертно перевірені OBE-«відображення спорідненості» між результатами курсу та програми на відносини понять, виведені з уваги чи графа. Memory Augmented Neural Network (MANN) моделює, як досягнення кожного результату впливає на інші, а адаптивне до домену донавчання BERT збагачує вбудовування результатів (із хребтом GRU, що перевершує LSTM). На живих даних LMS [[engineering-education|engineering]] програми (2 416 студентів, 966 результатів) OKT досяг AUC 89,81 % — перевершивши DKT, DKVMN, EKT і SimpleKT — і водночас дав лише конкурентні результати на ASSISTments, що підтверджує прив’язаність переваги до специфічної для OBE структури [[curriculum-design|curriculum]].
- **Відстеження лише за знімками.** [[skill-acquisition-without-temporal-info|Nagai et al. (2026)]] виводять псевдотимчасовий порядок із відношень включення між наборами навичок здобувачів, розглядаючи розширені набори навичок як прогресію навчання, щоб знімки в один момент часу залишалися придатними для відстеження — але формулювання припускає, що навички ніколи не втрачаються, тому розгортання для здобувачів, які регресують, потребує спершу явного механізму забування.

### Співвідношення з іншими поняттями

Відстеження знань тісно пов’язане з [[student-modeling]] — хоч відстеження знань і моделює саме когнітивні знання в часі, моделювання студента — це ширша практика представлення всіх аспектів здобувача ([[affective-computing|affective]] стан, [[student-engagement|engagement]], уподобання). Відстеження знань живить системи [[adaptive-learning]] та [[personalized-learning]], яким потрібно знати, чому вчити далі, і платформи [[intelligent-tutoring]], що використовують оцінки опанування для вибору відповідних задач. Воно пов’язане з [[learning-analytics]] для проєктування панелей і втручань, а також із [[cognitive-diagnosis]] для дрібнозернистого [[assessment]]. Конструкти відстеження знань інформують також [[simulating-students|simulated students]] — когнітивний стан симульованого здобувача часто формалізовано тією ж динамікою опанування і згасання, що моделює відстеження знань, тому [[simulation]] — це спосіб *генерувати* ті стани знань, які методи відстеження зазвичай *виводять* із реальних даних відповідей.

**Застереження щодо охоплення: відстеження оцінює опанування домену, а не пізнання вищих порядків.** Огляд 15 років і 127 досліджень інтелектуальних тьюторів показує, що байєсівське відстеження та відстеження на глибокому навчанні за цей період покращилися, але все ще не здатні моделювати когнітивні процеси вищих порядків, метакогніцію чи мотивацію — ті стани, на які адаптивній системі найбільше потрібно спрямовувати вплив ([[zerkouk-comprehensive-review-its-2025|Zerkouk et al. (2025)]]).

**Застереження: опанування — це не правильність.** [[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren, and Stamper (2026)]] показують, що припущення BKT про два стани (засвоєно/не засвоєно) може порушуватися через *обманливу надзагальненість* — здобувачі можуть виглядати такими, що опанували матеріал, і водночас систематично неправильно застосовувати навичку, коли порушено приховане обмеження застосування. Це спонукає відстежувати умовне розуміння (знання *коли не застосовувати* дію), а не лише правильність дії, коли оцінки опанування керують правилами [[adaptive-learning|adaptive]] зупинки.

**Пов’язане застереження стосується *того, як* моделі відстеження перевіряються проти того, як розгортаються.** [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan, and Carvalho (2025)]] підганяли BKT, BKT-з-забуванням і модель адитивних факторів (Additive Factors Model) до багатосесійного набору даних послідовного повторного навчання й виявили, що вони відтворюють тенденції навчання, коли їх підганяють ретроспективно до всіх сесій (прийнятне AUC ≈ 0,74–0,79); але за **часової перехресної перевірки** — навчання на одній сесії для прогнозування наступної, реалістичного прикладного налаштування — усі три переоцінюють майбутню продуктивність приблизно на 47–58 %, не вловлюють [[desirable-difficulties|spacing effect]] і навіть можуть передбачати хибний порядковий розподіл між умовами практики. Показово, що моделі *без* явного механізму забування за накопиченням сесій працювали приблизно так само добре, як версії з забуванням, що вказує на те, що забування частково абсорбувалося в інших параметрах (наприклад, у індивідуальних перетинах AFM), а не моделювалося справді. Автори пов’язують це з розрізненням навчання та продуктивності: популярні моделі зливають високу продуктивність «у моменті» з високою ймовірністю довгострокового збереження. Практичний наслідок: трасувальник, що виглядає добре за ретроспективної підгонки, може вводити в оману адаптивні системи, що споживають його оцінки опанування, тому слід використовувати оцінювання методом прогнозування вперед і моделі, які враховують інтервал збереження, розподіл у часі та забування між сесіями.

**Ще одне застереження стосується правила свідчень, які живлять оновлення.** [[crediting-assisted-work-inflates-mastery-2026|Srivastava (2026)]] прогнав чотири правила оновлення на ідентичних послідовностях подій ASSISTments 2012–13, що відрізнялися лише тим, як вони оцінюють рядки, виконані з допомогою, на підтверджувальній половині з 12 716 студентів і 985 813 оцінених подій. Читання підказаного або повтореного рядка як невдалої першої спроби найкраще передбачало наступну самостійну продуктивність (об’єднане AUC 0,658); зарахування будь-якого завершення передбачало її найгірше (0,604), ледь вище константи, яка знає лише складність навички (0,595). Той самий вибір керує і підрахунком опанування: зарахування завершень оголошувало 93,9 % із 113 428 пар «студент–навичка» опанованими проти 72,8 % за суворого правила, а пари, які поблажливе правило оголошувало випереджальними супроть суворого, далі давали 70,9 % самостійної точності проти 85,7 % там, де обидва правила погоджувалися, тобто нижче базової частки 0,744. Отже, простеженостан частково є функцією домовленості про оцінювання, а не лише здобувача, тому оцінка опанування, яку споживає [[adaptive-learning|adaptive]] вентиль, має нести із собою правило, що її утворило.

**Застереження щодо можливостей: загальні мовні моделі відстежують знання ледь вище тривіального базового рівня.** [[worden-foundationalassist-knowledge-tracing-dataset-2026|Worden et al. (2026)]] випустили FoundationalASSIST, який відновлює повний текст питань, відповіді, які студенти справді давали, і вибір відволікань, що ранішні набори для відстеження відкидали, і випробували чотири передові [[llm|LLMs]] як трасувальники нульового прогону. Найкраща, GPT-OSS-120B, досягла 56,2 % проти 51,3 %, які вже дає правило «завжди передбачай правильно» (AUC-ROC 0,559), без поліпшень від довших історій, а Llama-3.3-70B виявилася правою 85,4 % часу, коли студент відповідав правильно, але лише 12,6 %, коли він помилявся, — свідчення того, що готова модель відстежує оптимізм, а не розуміння, тож очевидну майстерність трасувальника слід читати на фоні того тривіального базового рівня, який дозволяє його завдання.
- **Один прохід LLM може відстежувати знання ще до появи записаних здобувачів.** Як одне типізоване запитання без даних цільової платформи Jev досяг середнього AUC 0,706, вище найкращого з 28 глибоких моделей відстеження, навчених на 8 здобувачах (0,689), і залишався попереду, доки контрольоване відстеження не наздогнало його на 64–128 здобувачах ([[system-one-llm-knowledge-tracing-2026|Lee & Park, 2026]]).

## Пов’язані поняття

- [[learners]] — Здобувачі: збірне поняття для понять на боці здобувача
- [[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]] — дрібнозерниста оцінка опанування, що живить рішення про підтримку

## Пов’язані статті

- [[deceptive-overgeneralization-adaptive-learning-2026]] — Обманлива надзагальненість: адаптивне опанування може припинити практику раніше, ніж здобувачі дізнаються, коли не застосовувати дію (An, McLaren & 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]] — Відстеження знань на основі результатів із відображенням спорідненості
- [[schuetze-knowledge-tracing-forgetting-2026]]
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — семантично грунтоване відстеження зі станами, каліброваними за KC, що використовується як середовище навчання з підкріпленням для рекомендацій
- [[colearn-agentic-tutor-co-learning-loop-2026]] — CoLearn: An Agentic Tutor that Learns its Learner in a Human-AI Co-Learning Loop
- [[crediting-assisted-work-inflates-mastery-2026]] — Яке правило свідчень вирішує затвердження опанування (Srivastava 2026)
- [[system-one-llm-knowledge-tracing-2026]] — Один прохід LLM відстежує знання вище глибоких моделей, навчених на 8 здобувачах, за частку вартості (Lee & Park 2026)

---

## [Когнітивна діагностика](https://edtechdev.github.io/aied/concepts/cognitive-diagnosis/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Когнітивна діагностика** — виведення прихованого стану знань здобувача — конкретних понять, навичок і хибних уявлень, які він має або яких йому бракує, — з його відповідей або поведінки. Це оцінювальний аналог [[knowledge-tracing]], зосереджений на тому, щоб окреслити, *що* саме знає студент, а не лише передбачити його подальші результати.

## Питання для роздумів

- Когнітивна діагностика виводить прихований стан знань здобувача — конкретні поняття, навички та хибні уявлення, які він має або яких йому бракує, — з його відповідей, а не просто передбачає наступний бал. Перш ніж читати далі, яку різницю ви очікували б між «передбаченням оцінки студента» і «діагностикою того, що він насправді не розуміє»?
- Ключова ідея — «пастка правильної відповіді»: правильна відповідь приховує недосконале міркування. Чи траплялося вам бути впевненим, що студент щось зрозумів, бо відповів правильно, а потім виявити під цим хибне уявлення? Як діагностика може виявити це там, де оцінка не зможе?
- Сторінка відрізняє когнітивну діагностику (статичний, дрібнозернистий знімок того, що здобувач зараз тримає в голові) від відстеження знань (темпоральна динаміка оволодіння знанням у часі). Навіщо інтелектуальному тьютору потрібні обидва — і знати, що саме не так, і знати, чого вчити далі?
- Тут принципом проєктування є відокремлення діагностики від зворотного зв’язку: тьютори на основі ВММ підтверджують правильні кроки, але надто часто відхиляють валідні міркування та підтверджують помилки, а точна діагностика не дає надійно дієвого зворотного зв’язку. Чому знання того, що саме не так, усе ж може не дати корисної наступної дії?
- Діагностика в епоху ВММ поширюється з тестів із вибором відповіді на відкриті, рукописні та розмовні роботи. Що може піти не так, якщо ШІ діагностує хибне уявлення за роботою, якої він не може повністю зрозуміти, — і як ви перевірили б, що сама діагностика заслуговує на довіру?

## Вступ

Тоді як відстеження знань зазвичай оцінює скалярне оволодіння в часі, когнітивна діагностика дає більш детальний профіль: які компоненти знань опановані, які крихкі та які хибні уявлення присутні. Цей профіль є підґрунтям для [[personalized-learning]], [[intelligent-tutoring]] та [[adaptive-learning]].

### Як працює когнітивна діагностика

- **Діагностичні моделі:** психометричні моделі (часто в межах [[item-response-theory]] та [[educational-measurement]]) виводять приховані стани навичок із патернів правильних і неправильних відповідей, іноді через моделі когнітивної діагностики, які відображають завдання на кілька компонентів знань.
- **Автоматизований пошук моделі:** оскільки жодна єдина діагностична модель не пасує кожному здобувачу, підходи на базі [[machine-learning|AutoML]] (наприклад, персоналізований пошук нейронної когнітивної архітектури) генерують діагностичні моделі для гетерогенних профілів здобувачів — інтегруючи [[multimodal|мультимодальні]] освітні дані, щоб уможливити динамічний аналіз навчальних процесів і когнітивну діагностику для кожного здобувача, а не покладатися на статичні результати [[summative-assessment|іспитів]] та прості статистичні показники ([[personalized-neural-cognitive-architecture-search-2026]]).
- **Дані відповідей:** діагностика спирається на відповіді на завдання оцінювання, підказки, [[help-seeking]] та час на завдання — сигнали, набагато багатші за сирі бали.
- **Діагностика на основі ВММ:** новіші підходи використовують [[llm|великі мовні моделі]] для діагностики за відкритими або рукописними роботами та для визначення конкретних [[misconceptions]] за помилкою (наприклад, «пастка правильної відповіді», коли правильна відповідь приховує недосконале міркування). Два результати 2026 року окреслюють межі цієї діагностики. [[omniedu-open-educational-foundation-models-2026|OmniEdu (Liang et al., 2026)]] з контролем навчала діагностичному міркуванню як одній із чотирьох можливостей у відкрітній родині моделей 4B/9B/27B, і діагностика стану знань залишалася її найслабшою виміряною можливістю — 54.04% на 27B і 53.55% на 9B, достатньо близько, щоб потроєння кількості параметрів не закрило розрив, — тоді як [[colearn-agentic-tutor-co-learning-loop-2026|CoLearn (He et al., 2026)]]: оцінювач на основі ВММ корелював зі справжнім оволодінням на r = 0.68 за об’єднаними відповідями, але лише на r ≈ 0.15 в межах найслабшого рівня здібностей (r ≈ 0.48 змішаний, 0.41 сильний), тобто надійність діагностики залежить від рівня здібностей здобувача так само сильно, як від моделі.
- **Діагностика типових помилок на рівні цілої групи, а не однієї відповіді за раз.** [[llm-common-modeling-mistakes-formalisms-2026|Killich et al. (2026)]] розвертають звичний напрям: замість діагностики помилки одного здобувача [[llm]] пропонує кандидатні трансформації виправлення помилок, які відображають неправильні формалізації на правильні в межах усього освітнього набору даних, і кожен кандидат валідується алгоритмічно, перш ніж його залишать. На 6 106 парах правильних і неправильних формалізацій пропозиційної логіки процес виявив 248 кластерів трансформацій, що пояснюють 5 156 пар (84.44%), проти 4 370 (71.57%) для помилок, відібраних вручну в попередньому найкращому стані мистецтва, і він відтворив помилки, які експерт-предметник визначив вручну в літературі. Кластеризація упорядковує кандидатів у групи з однією трансформацією, еквівалентних трансформацій та ієрархічні групи, а отриманий граф кореляцій можна візуалізувати для викладачів; той самий конвеєр перенесли на модальну логіку та регулярні вирази, де лише одна трансформація «диз’юнкція замість кон’юнкції» покрила 98.80% свого кластера з 334 пар. Це шлях до інвентаризації хибних уявлень, необхідної діагностичній моделі, перш ніж її можна буде налаштувати.
- **Відтворення правильного розв’язку, а не симуляція помилки, є вузьким місцем.** Моделі побудували розв’язок у 95.2% слідів дистракторів і змоделювали конкретне хибне уявлення Eedi з точністю 0.92, проте надання правильної відповіді все ж підвищило збіг із дистракторами людей (0.52 → 0.56) — невдача лежить вище за течією, у відтворенні розв’язку ([[llm-distractor-generation-student-reasoning-2026|Zengaffinen et al. (2026)]]).
- **Діагностика на рівні результатів у навчальних програмах OBE:** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh et al. (2026)]] діагностують, які результати курсу досяг здобувач, при освіті, орієнтованій на результати, трактуючи результати як концепти знань, надаючи відношення між концептами через перевірені експертами відображення спорідненості OBE між результатами курсу та програми (явна альтернатива неявно навченим відношенням уваги або графічним зв’язкам), і використовуючи модуль із розширеною пам’яттю для оцінки того, як досягнення одного результату впливає на інші — перевершуючи базові моделі DKT, DKVMN, EKT і SimpleKT (89.81% AUC) на реальних даних інженерної програми.
- **Діагностика за інструментами, побудованими для чогось іншого.** [[mechanics-cognitive-diagnostic-physics-2026|Le et al. (2026)]] показують, що модель CD може витягнути інформацію на рівні цілей із завдань, які ніколи не писалися для діагностики. Відобразивши завдання FCI, FMCE і EMCS на 14 дрібнозернистих навчальних цілей у механіці для початківців і налаштувавши DINA на 24 394 відповідях постиспитів із 807 курсів, вони виявили добру узгодженість для двох із трьох інструментів (FCI RMSEA² = 0.033; EMCS = 0.022) і точність класифікації на рівні або вище базового показника формативного оцінювання з низькими ставками для 19 із 22 комбінацій «ціль–оцінювання». Саме структура атрибутів, а не якість завдань, була обмежувальним чинником: експертне кодування витримало перевірку моделлю майже недоторканим — DINA запропонувала переглянути лише 14% із 754 кодувань «завдання–ціль», і кодувальники прийняли 20 із них (2.7%), — проте модель не змогла розділити три *концептуально вкладені* цілі з енергії (Potential Energy 0.675, Conserve Energy 0.705, Kinetic Energy 0.745), оскільки будь-які дві з них поділяли близько 70% своїх завдань (перекриття Жаккара 0.67–0.73), порушуючи кон’юнктивну припущення незалежності DINA, тоді як цілі з імпульсу на тому ж інструменті досягли 0.820–0.917. Тонші атрибути також узгоджувалися краще, а не гірше: структура з 14 цілей покращила узгодженість моделі порівняно з ранішою структурою тієї ж команди з чотирьох широких навичок на всіх трьох інструментах. Саме перекриття завдань, а не помилка кодування, обмежує, наскільки дрібно можна розділити оволодіння.
- **Баєсівська DINA для персоналізованих навчальних шляхів:** [[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng and Huang (2026)]] інтегрують баєсівську модель DINA (навчену на наборі даних EdNet, N=5 000) з теорією простору знань і алгоритмом найкоротшого шляху опрацювання, щоб генерувати персоналізовані навчальні шляхи, та емпірично перевіряють опосередковану роль [[cognitive-offloading|когнітивного навантаження]] через переходи станів прихованої марківської моделі (валідовано на 120 студентах) — вирішуючи водночас проблему збіжності традиційних моделей DINA, спричинену розрідженістю, і неперевірений психологічний механізм за ефективністю персоналізованих шляхів.
- **Мовна підґрунтованість замість ID-вбудувань.** [[process-grounded-language-cognitive-diagnosis-2026|Liu et al. (2026)]] замінюють дискретні ідентифікатори студентів, вправ і концептів на побудовані ВММ схеми концептів і підґрунтовані процесом свідчення, калібруючи апостеріорний стан кожного студента з записів відповідей. У трьох наборах даних із [[math-education|математики]] з [[online-teaching-and-learning|платформи]] рамка досягає 83.51% ACC / 85.37% AUC на XES3G5M і 87.16% ACC на MOOC, а приріст зосереджений саме там, де класичні моделі когнітивної діагностики деградують: нові концепти (+4.60 ACC над KCD) і відсутні записи Q-матриці (+4.52). Видалення структурованих свідчень обвалює точність MOOC з 87.16% до 78.95%, тобто покращення походить від структури, виведеної з мови, а не від масштабу моделі. ([[process-grounded-language-cognitive-diagnosis-2026]])

## Чому це важливо

Точна діагностика дозволяє навчанню націлюватися на справжні прогалини, а не на глобальний показник «здібності», — уможливлюючи [[automated-assessment]], яке пояснює, *чому* студент помилився, і системи [[feedback|Feedback Loop]], що опрацьовують конкретні [[student-modeling|стани знань]]. Погана діагностика дає протилежне: навчання, націлене на неправильні концепти. Саме тому [[psychometrically-aware-ai]] наголошує на діагностичній валідності нарівні з точністю передбачення.

### Співвідношення з відстеженням знань та інтелектуальним тьюторингом

Когнітивна діагностика перебуває в самому серці архітектури [[intelligent-tutoring]] і є оцінювальним аналогом [[knowledge-tracing]]:

- **Діагностика проти відстеження — доповнювальні темпоральні погляди.** [[knowledge-tracing|Відстеження знань]] стежить за *темпоральною динамікою* оволодіння — оцінюючи, як скалярний стан знань розвивається через послідовність вправ і передбачаючи наступну відповідь. Когнітивна діагностика дає *статичний, дрібнозернистий знімок* того, які компоненти знань, навички або хибні уявлення здобувач зараз має. Тьютору потрібні обидва: відстеження знань — щоб упорядкувати, чого вчити далі, когнітивна діагностика — щоб знати, *що* саме не так. Діагностичні моделі на основі [[item-response-theory|IRT]] та [[educational-measurement|вимірювань]], а також моделі когнітивної діагностики, що відображають завдання на кілька компонентів, реалізують діагностичний бік.
- **Діагностика в епоху ВММ.** [[llm|ВММ]] поширюють діагностику з відповідей із вибором на відкриті, рукописні та розмовні роботи, визначаючи конкретні [[misconceptions]] за помилкою (наприклад, «пастка правильної відповіді», коли правильна відповідь приховує недосконале міркування). [[xie-hillm-cd-2026|HiLLM-CD]] використовує ВММ для автоматизованої побудови дерева концептів та ієрархічного виведення володіння, з’єднуючи діагностику й відстеження. [[privacy-preserving-multi-llm-federated-cognitive-diagnosis-2026|Boyapati et al. (2026)]] просуваються далі, федеративно об’єднуючи діагностику через кілька комерційних API ВММ з ε-локальною диференційною приватністю, показуючи, що точна, зберігаюча приватність діагностика можлива без жодної моделі, яка бачила б сирі дані студентів.
- **Відокремлення діагностики від зворотного зв’язку — принцип проєктування.** Тьютори на основі ВММ надійно підтверджують правильні кроки, але надмірно відхиляють валідні міркування та надмірно підтверджують помилки — і точна діагностика не дає надійно дієвого [[feedback]]. Тому проєктування ІТ має відокремлювати діагностичний компонент від компонента зворотного зв’язку/[[scaffolding]] ([[yasir-llm-tutoring-agents-2026]]).

## Зв’язки

Когнітивна діагностика пов’язана з [[knowledge-tracing]], [[student-modeling]], [[educational-measurement]] та [[assessment]]. Її ідеї живлять [[intelligent-tutoring]] і [[adaptive-learning]], а роботи епохи ВММ пов’язують її з визначенням хибних уявлень у [[intelligent-tutoring|AI Tutoring]].

## Пов’язані поняття

- [[knowledge-tracing]]
- [[knowledge-graph]]
- [[student-modeling]]
- [[educational-measurement]]
- [[item-response-theory]]
- [[assessment]]
- [[intelligent-tutoring]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[automated-assessment]]
- [[learning-analytics]]

## Пов’язані статті

- [[llm-cognitive-diagnosis-handwritten-math]] — Оцінювання ВММ у діагностиці когнітивних навичок із рукописної математики
- [[correct-answer-trap-misconceptions]] — Пастка правильної відповіді
- [[llm-misconception-difficulty-easy-trap]] — Легка пастка: чому ВММ недооцінюють складність, зумовлену хибними уявленнями
- [[llm-student-misconception-identification]] — Виявлення хибних уявлень студентів за допомогою ВММ
- [[student-math-competence-clustering]] — Кластеризація для моделювання математичної компетентності студентів
- [[moon-cognitive-agent-compilation-problem-solver-modeling-2026]] — Компіляція когнітивного агента для явного моделювання розв’язувача задач
- [[educlaw-bench-pedagogical-llm-agents-2026]] — EduClaw-Bench: діагностика за змодельованими здобувачами
- [[huang-interpretable-knowledge-tracing-2026]] — Інтерпретоване відстеження знань
- [[xie-hillm-cd-2026]] — HiLLM-CD: дерева концептів на ВММ + ієрархічне виведення володіння
- [[yasir-llm-tutoring-agents-2026]] — Відокремлення діагностики від зворотного зв’язку в тьюторах на ВММ
- [[zhang-ct-ai-training-test-2026]] — Обчислювальне мислення в тесті навчання ШІ (CTAT)
- [[bayesian-cognitive-diagnosis-personalized-learning-paths]] — Баєсівська когнітивна діагностика для персоналізованих навчальних шляхів
- [[personalized-neural-cognitive-architecture-search-2026]] — AutoML-пошук персоналізованої нейронної когнітивної архітектури для профілів здобувачів
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Відстеження знань за результатами з відображенням спорідненості
- [[privacy-preserving-multi-llm-federated-cognitive-diagnosis-2026]] — Федеративна діагностика на гетерогенних ВММ, що зберігає приватність
- [[llm-common-modeling-mistakes-formalisms-2026]] — Видобування типових помилок моделювання у масштабі за допомогою згенерованих ВММ й алгоритмічно валідованих трансформацій виправлення помилок (Killich et al. 2026)
- [[mechanics-cognitive-diagnostic-physics-2026]] — Механіка Cognitive Diagnostic: діагностика на основі DINA для 14 навчальних цілей на основі наявних інвентарів фізичних понять (Le et al. 2026)
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — Анотація концептів знань ВММ і калібровані стани знань на рівні концептів
- [[llm-distractor-generation-student-reasoning-2026]] — дистрактори на основі хибних уявлень як завдання діагностичного проєктування завдань
- [[misconception-acquisition-dynamics-llms-2026]] — місце, де помилка входить у розв’язок, є вузьким місцем діагностики
- [[pivot-generative-video-tutors-stem-2026]] — Від генерації змісту до підтримки навчання: педагогічно керовані генеративні відеотьютори для навчання STEM
- [[colearn-agentic-tutor-co-learning-loop-2026]] — CoLearn: аґентний тьютор, що вчиться свого здобувача в петлі людсько-ШІ-спільного навчання
- [[omniedu-open-educational-foundation-models-2026]] — OmniEdu: відкриті фундаментальні моделі для навчання та викладання

---

## [Симуляція студентів](https://edtechdev.github.io/aied/concepts/simulating-students/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Симуляція студентів** — використання агентів на основі LLM для моделювання поведінки, когніції та соціальної динаміки здобувачів з метою освітніх досліджень, проєктування та навчання. Симульовані студенти дозволяють дослідникам оцінювати педагогічні підходи, моделювати різноманітні профілі здобувачів, тестувати освітній ШІ до розгортання та тренувати викладачів — завдання, які важко, повільно або етично обмежено виконувати систематично з реальними здобувачами.

## Питання для роздумів

- Якби вам довелося побудувати ШІ-«студента», щоб практикувати на ньому викладання, що зробило б його для вас переконливим — і чому система, яка завжди дає правильну відповідь, може бути поганою заміною реального здобувача?
- Сторінка називає розбіжність між бездоганними відповідями спроможного ШІ та недосконалими відповідями реального студента «парадоксом компетентності». Де ви бачили цю напругу у власному досвіді зі ШІ, і що, на вашу думку, потрібно, щоб зробити симульованого здобувача справді реалістичним?
- Які [[ethics|етичні]] та практичні причини могли б змусити вас віддати перевагу тестуванню системи репетиторства або [[curriculum-design|навчального плану]] на симульованих студентах, а не на реальних — і якими ризиками валідності, на ваш погляд, супроводжується ця угода?
- Симульований студент може бути «епістемічно вірним», не будучи поверхнево схожим на людину. Перш ніж читати далі, яке розрізнення ви уявляєте між правдоподібною поверхнею та правдивою моделлю того, що здобувач справді знає?
- Як би ви вирішували, чи достатньо можна довіряти результату, отриманому на симульованих студентах, щоб змінити спосіб вашого викладання реальних людей?

## Вступ

Симульовані студенти — це [[research-methods-aied|методичний]] інструмент: агенти, які стоять замість реальних здобувачів, щоб системи репетиторства, навчальні плани та стратегії викладання можна було оцінювати та ітерувати без набору когорт живих студентів. [[llm|Великі мовні моделі]] зробили цю парадигму значно масштабованішою та лінгвістично реалістичнішою, ніж правила-базовані симульовані здобувачі, що їм передували, водночас внісши нові виклики валідності.

Опосередковані ШІ апроксимації загострюють питання, яке хвилює цю сторінку: кого представляє симуляція і що має помічати викладач. У математичній освіті викладачів [[bondurant-shaughnessy-ai-pedagogies-practice-2026|текстові зразки робіт симульованих студентів і партнери-чат-боти]], що використовуються в репетиції, розширюють апроксимації практики, які вже організовують професійну підготовку. Одне дослідження [[conversational-ai|чат-бота]] дало чотири різні профілі ставляння запитань, проте [[self-assessment|самооцінки]] майбутніх викладачів не узгоджувалися з якістю взаємодії, зафіксованою спостерігачами, що робить автоматизований зворотний зв’язок після репетиції, який збільшував зондувальні та дослідницькі запитання, корисним, але недостатнім керівництвом. Симулятор, кандидат і зворотний зв’язок мають читатися разом. Те, що симуляція дозволяє помітити викладачеві, також задається її проєктуванням: у [[preservice-teachers-noticing-ai-simulations-2026|тритижневій інтервенції з рівняння Galiç et al. (2026)]] з 17 майбутніми викладачами математики кандидати переміщалися між помічанням, інтерпретуванням та формуванням, а не через фіксовану послідовність, але налаштування один-на-один на текстовій основі означало, що формування зливалися зі ставлянням запитань і [[prompt-engineering|промптингом]], а дизайн із пріоритетом хибного уявлення перетягував увагу до виявлення помилок, а не до сильних сторін студента. Симулятор обирає зріз викладання, який кандидат має змогу відрепетирувати.

Одне лише наглядне донавчання умовлює симулятор слабко на задану здатність, оскільки його ціль винагороджує відтворення тексту відповіді, а не пов’язування якості відповіді зі здатністю; [[cross-ability-preferences-item-difficulty-2026|Fernandez et al. (2026)]] узгоджують симулятор натомість через пряму оптимізацію вподобань над парами, утвореними з розривів IRT-здатності студентів, і на CodeWorkout таке парування перевершує всі базові лінії прямого прогнозування складності та, на масштабі 1B, симулятор SMART за кожною метрикою складності, водночас даючи більш реалістичні за розподілом відповіді.

### Чому варто симулювати студентів

- **Оцінювання педагогіки:** тестування підходів до викладання на багатьох профілях здобувачів контрольованим, відтворюваним способом.
- **Моделювання різноманітних здобувачів:** фіксування варіації в когнітивних рівнях, стилях навчання, [[prior-knowledge|попередніх знаннях]] та [[misconceptions]], яку важко зібрати в реальній когорті.
- **Тестування освітнього ШІ:** валідація систем репетиторства та [[assessment]] перед живим розгортанням і генерація навчальних даних.
- **[[teacher-education|Навчання викладачів]]:** дозволяючи викладачам практикувати репетиторство та керування аудиторією з симульованими, часто недосконалими, здобувачами.

- **Симуляції охоплюють найлегших студентів, і мало які з них валідовано.** Дванадцять викладачів, які репетиторствували зі студентами LLM, повідомили про надто складну мову, відсутність емоцій, неприродну уважність і стрибки в знаннях, і симуляції представляли лише один із чотирьох квадрантів реальної поведінки студентів — тоді як лише 3% досліджень, що симулюють здобувачів, валідують їх після використання ([[llm-student-simulation-teacher-insights|Martynova et al. (2026)]]).

### Ключовий виклик: реалістична недосконалість

Визначальна труднощість симуляції студентів у тому, що LLM натреновані бути «корисними асистентами», які дають правильні, відполіровані відповіді. Проте реальні студенти є недосконалими — вони роблять характерні помилки, мають хибні уявлення й навчаються поступово. Симульований студент, який відповідає бездоганно (або надто випадково), не є валідною моделлю здобувача. Дослідження обрамовують це як **парадокс компетентності**: широко спроможні LLM, яким доручають емулювати частково обізнаних здобувачів, дають нереалістичні патерни помилок і динаміку навчання. [[llm-simulating-student-scientific-thinking-2026|Nguyen and Cao (2026)]] дають цьому дрейфу напрямок. Проти вбудованих у урок ідей студентів, узятих із 49 наукових уроків, узгоджених зі стандартами NGSS, шість моделей утримували більшість ідей у межах очікуваної області знань і приблизно дві третини — на рівні або нижче цільового рівня читання, але перестрибували саме там, де здобувач був наймолодшим: ідеї для початкової та середньої школи частіше перевищували область знань цільового класу та рівень читання, тоді як корпус у цілому схилявся до ширшого мислення, більш технічної лексики та меншої кількості маркерів невизначеності («можливо», «здається»), ніж ідеї з уроків. Вибір моделі теж не одновимірний — система, яка точно узгоджується з ідеями уроків, може все одно подавати їх вище за клас, тому виправлення зазвичай є інструкційним, оскільки явне переформулювання запиту на рівень класу повернуло більшість моделей у межу. Подолання цього вимагає обмеження симуляції так, щоб вона відбивала справжній епістемічний стан — що знає здобувач, як структуровані помилки і як стан розвивається — а не повну компетентність моделі. Методи включають когнітивні прототипи, засновані в моделях [[knowledge-graph]] або [[knowledge-tracing]], явні специфікації епістемічного стану та моделі переходів станів навчання, а не просту рольову гру, умовлену персоною.

Інший важіль прибирає знання, а не обмежує результат. Придушення 16 цільових компонентів знань у Mistral-7B знизило точність із приблизно 0,75 при 10% коефіцієнта забування до нижче 0,5 при 40%, тоді як базова модель трималася біля 0,85, і придушені знання виявилися відновлюваними через наглядне перенавчання та діалог із коучем ([[simulating-novice-students-machine-unlearning-2026|Song, Guo & Lin, 2026)]]).

Стабільність персони є проблемою проєктування взаємодії, а не вибору моделі: перехрещуючи п’ять LLM з трьома дизайнами підказок і чотирма персонами інтенсивності ADHD, сценарні взаємодії, прив’язані до завдання, усунули оцінюваний спостерігачами поведінковий дрейф — до 97% менше, ніж нескриптований діалог — і без явних інструкцій персони базова репрезентація студента перекосилася в бік високих симптомів ADHD ([[llm-educational-simulation-adhd|Gonnermann-Müller, Haase & Leins (2026)]]).

Протилежна відмова також трапляється: у сліпому дослідженні експертні анотатори невірно класифікували 164 із 196 (83,7%) згенерованих LLM здач Java як написані людиною, тому помилки симулятора можуть бути функціонально нерозрізненними з автентичними — хоч узгодженість із реальними помилками падала зі зростанням складності завдання ([[simulating-students-java-programming-errors-llms|Keramati et al. (2026)]]).

Умовлювання генерації на прогнозованій моделі поведінки працює без донавчання: фреймворк без навчання будує когнітивний прототип кожного студента з [[knowledge-graph]] і оцінює кандидатів пучкового пошуку проти нього, повідомляючи про 100-відсоткове покращення точності симуляції ([[simulating-students-diverse-cognitive-levels-2025|Wu et al. (2025)]]). Його якість зростає з когнітивним рівнем студента, тому слабші здобувачі залишаються важчим випадком для симуляції.

CogEvolution моделює когнітивну динаміку, а не статичну персону — перцептрон глибини ICAP задає розмір кожного оновлення стану, а еволюційне оновлення залишається в радіусі зони найближчого розвитку — досягаючи R²LC = 0,92, тоді як статичні агенти доходять до 0,45, і обвалюючись до 0,58 без модуля ICAP ([[cogevolution-student-cognitive-evolution-agent-2026|Zhang et al. (2026)]]).

### Вірність понад поверхневою реалістичністю

Валідність є центральним занепокоєнням: симульований студент корисний лише тоді, коли його поведінка є **епістемічно вірною** — відбиває намічений стан знань здобувача — а не лише лінгвістично правдоподібною. Дослідження застерігають від [[ai-sycophancy|сикофантства]], коли «симульований студент» просто погоджується з тьютором, замість того щоб демонструвати хибні уявлення, які він мав втілювати. Це пов’язується з [[trust-calibration]] та з ширшою проблемою оцінювання того, чи агент справді моделює конструкт, а не відтворює поверхневу поведінку.

Відмова вимірювана: на семи моделях від 4B до 120B параметрів симулятори перекидалися на правильну відповідь при майже однакових частках залежно від зворотного зв’язку, тому схожість результатів нічого не говорить про стан вірування за ним, тоді як навчання проти метрики Selective Flip Score підвищило вірність до +0,56 ([[llm-student-simulation-misconception-faithfulness|Do, Sonkar & Sachan (2026)]]).

### Зв’язок із базою знань

Симуляція студентів стоїть на перетині [[simulation]], [[student-modeling]] та [[knowledge-tracing]]. Це відмінне застосування [[generative-ai]] в освіті (моделювання здобувачів, а не репетиторство для них) та застосування мультиагентних систем [[agentic-ai]]. Вона підтримує [[intelligent-tutoring]], [[adaptive-learning]], [[personalized-learning]] та розвиток [[teacher-role]], і перекривається з симуляцією пацієнтів для [[professional-training|професійної підготовки]] (наприклад, у контекстах [[special-education]] та [[medical-education|медичної освіти]]). На рівні парадигми [[agent-based-educational-science-2026|Zhang, Jiang and Tang (2026)]] розширюють це за межі оцінювання: їхня позиційна стаття стверджує, що освітня наука страждає від структурної розбіжності між своєю теорією та своїм апаратом даних і методів, і пропонує агентно-базовану освітню науку, в якій агенти моделюють здобувачів, викладачів, [[parents-and-families|батьків]] та однокурсників, тоді як сам апарат симуляції — а не індивідуальний агент — слугує дослідницьким інструментом, генеруючи тимчасово розтягнуті траєкторії розвитку та контрольфактичні дизайни, які повільно, дорого або етично неможливо запустити в аудиторіях, із переосмисленням емпіричних даних як калібрування, валідації та граничних умов. Стаття не повідомляє жодної емпіричної валідації цього: агенти розвитку студентів специфіковані лише концептуально, і власний огляд авторів визнає, що [[llm|LLM]] усе ще не вловлюють міжіндивідуальну варіативність і що валідація генеративної соціальної симуляції залишається нерозв’язним викликом поля, тому твердження, що симуляція змінила б спосіб роботи доказів і реплікації, є пропозицією, а не продемонстрованим результатом.

Емпіричний супутник надходить від тієї ж групи: агент розвитку студента прогнозує постумових некогнітивних результатів 42 реальних студентів на платформі MAIC, перевершуючи базову лінію середнього доумового значення за RMSE в усіх п’яти вимірах ([[student-development-agent-risk-free-simulation-2025|Jiang & Zhang, 2025)]]). Його мішень — розвиток, а не поведінка — стан агента живить його наступні дії — і прототипування на агентах, як стверджується, тримає студентів поза найбільш невизначеним етапом дослідження.

### Симуляція студентів проти моделювання студентів

Ключове розрізнення — між **репрезентацією реального здобувача** та **генерацією синтетичного здобувача**. [[student-modeling]] — це практика побудови обчислюваної репрезентації фактичного студента — що він знає, почуває і в чому потребує — щоб адаптивні системи могли персоналізувати викладання для *цього* здобувача. Симуляція студентів, навпаки, *створює* вигаданих здобувачів на вимогу, не для обслуговування реального індивіда, а щоб стояти замість когорти, щоб педагогіку та [[ai-technologies|системи ШІ]] можна було тестувати офлайн.

Дві є взаємодоповнюючими, а не конкуруючими. Високовірний симульований студент зазвичай *містить* модель студента (епістемічний стан, набір хибних уявлень, профіль [[student-engagement|залученості]]) і спирається на ті ж конструкти, які формалізують [[student-modeling]] та [[knowledge-tracing]]. Спільний виклик валідності той самий в обох: репрезентація має вірно відбивати справжній стан здобувача, а не типову поведінку системи. Але *мета* відрізняється — моделювання студентів діагностує реального здобувача, щоб діяти на нього; симуляція фабрикує здобувачів, щоб тестувати або тренувати. Ось чому дослідження симульованих студентів дедалі частіше використовується для аудиту ШІ (див. нижче), тоді як дослідження моделювання студентів залишаються орієнтованими на живе [[adaptive-learning]] та [[personalized-learning]].

### Двовісна вірність: поведінкове узгодження та чутливість до керівництва

[[studentsim-llm-student-simulators|StudentSim (Yang et al., 2026)]] формалізує проблему валідності як дві вимоги, які мають виконуватися разом: **поведінкова вірність (F)** — наскільки добре симулятор узгоджується з власними відповідями студента — та **чутливість до керівництва (R)** — наскільки надійно він оновлюється в бік того, куди веде керівництво тьютора. Його [[benchmark]], StudentSimEval, переливає публічні корпуси здобувачів (шахи, письмо англійською як другою мовою, [[math-education|математика]]) в стандартизований протокол для кожного студента, на якому будь-який симулятор підганяється та оцінюється на відкладених записах. Двоступеневий конвеєр **зведено-потім-спеціалізовано** (спільний пул поведінкових патернів плюс адаптер для кожного студента) дає родину симуляторів, сильних на обох осях, перевершуючи відстеження стану, специфічне для домену (слабке за R), та рольову гру LLM лише на підказках (слабку за F). Це дає полю конкретну, двовісну лексику для судження про те, чи симульований здобувач справді корисний, а не лише правдоподібний — і, як доказ концепції, заморожений StudentSim, використаний як винагорода в петлі [[reinforcement-learning]] тьютора шахів, дав тьюторів, яких експерти оцінили як точніших, краще керованих та персоналізованіших, ніж натренованих з винагородою симулятора на фронтьовій LLM або без RL взагалі.

Симулятори студентів відтворюють спостережувані дії, але не латентне мислення за ними. INSIDE донавчує моделі генерувати внутрішній діалог перед кожною дією, досягаючи найвищої узгодженості між згенерованим мисленням та реальними правками коду (51,8% на знайомих завданнях, 57,9% на небачених) без втрати вірності дій ([[inside-llm-student-simulator-reasoning-2026|Niousha et al., 2026)]]).

### Описування, а не симуляція: коли єдиний агент перевершує симульовану когорту

Повторюваним питанням є те, чи симуляція розподілу здобувачів є найкращим способом прогнозувати, як справитися реальні студенти. [[ai-web-agents-lesson-design-2025|Wang, Mitchell & Piech (2025)]] дають разючий контррезультат: для **оцінювання онлайн-[[learning-design|навчального досвіду]] перед тим, як до нього долучаться студенти** — прогнозування відпадання та завершення та давання зворотного зв’язку щодо проєктування — **єдиний [[agentic-ai|веб-агент]], що «описує»**, який автономно проходить через урок і дає багатий опис [[student-experience|студентського досвіду]], перевершив пряму симуляцію популяції студентів. Їхні симульовані студенти (умовлені персоною агенти, вибрані для узгодження з прогнозованою часткою завершення) демонстрували набагато менший поведінковий діапазон, ніж реальні здобувачі — на 100 агентах і п’ятьох тестових уроках вони відтворили лише близько **4% шляхів**, яких робили реальні студенти — і давали мало прозріння щодо складності уроку, при цьому будучи суттєво дорожчими обчислювально. Конвеєр «опиши-потім-прогнозуй» (згенеровані агентом описи, подані [[llm]] для прогнозування результатів) досяг найкращого прогнозування розподілу відпадання на масивному глобальному курсі CS1 (середній JSD 0,060, перевершуючи кожну базову лінію). Це продуктивний граничний результат для поля: симуляція *розподілу* студентів може бути непотрібною — і навіть контрпродуктивною — коли метою є прогнозування результату чи критика проєктування, оскільки вірний опис досвіду несе більше сигналу, ніж вузький зріз симульованих траєкторій. Це також натякає, що роль симуляції може бути обмежена питаннями (наприклад, аудит поводження ШІ з різноманітними профілями або навчання викладачів), де покриття справжньої варіації здобувачів важливіше, ніш зведене прогнозування результату.

### Моделі студентів на автентичних даних та інтерактивна практика

Дві нитки 2026 року загострюють практичну цінність симуляції. По-перше, **моделі студентів на автентичних даних** — [[teachlm-post-training-llms-education|TeachLM]] тренує модель студента на 100 000 годинах реальних взаємодій тьютор–студент один-на-один (зі строгою анонімізацією), даючи синтетичних здобувачів, які дозволяють швидке, масштабоване, відтворюване багатоходове оцінювання поведінки тьютора; це вирішує низьку автентичність і різноманітність чисто промпт-інженерних симуляторів студентів. По-друге, **інтерактивні інструкційні симулякри** — [[educasim-cs1-instructional-practice|EducaSim]] використовує генеративних агентів (з персонами, спогадами, заснованими на курсі, та оракулом мовлення LLM-as-judge) для симуляції секції малої групи для майбутніх викладачів, додаючи взаємодію з запускаємим кодом і голосом плюс структурований зворотний зв’язок після сесії та саморефлексію, і демонструє недорогу [[pedagogy|педагогічну]] практику викладання з позитивним сприйняттям у масштабі масивних [[online-teaching-and-learning|онлайн-курсів]]. Обидва вказують на симуляцію, що служить не лише оцінюванню, але й практичній підготовці викладачів.

Третя нитка 2026 року стосується *того, як* будується симулятор, а не того, для чого він використовується, і вона сходиться на одному висновку: підказки задають стелю, яку прибирає навчання. [[swim-student-writing-simulation-2026|SWIM (Do, Kontak and Sachan, 2026)]] переформулює симуляцію студентського письма як генерацію есе, умовлену на вмілості, і порівнює промптинг, заснований на рубриці, наглядне донавчання на реальних парах бал–есей та GRPO із винагородою узгодження вмілості, отриманою з [[automated-essay-scoring]], оцінюючи кожне згенероване есе проти його цільового профілю рис за допомогою квадратичного зваженого каппа. Промптинг давав обмежений контроль навіть сильним пропрієтарним моделям (найкраще середнє QWK рис 0,577 для Claude Sonnet, 0,422 для GPT-5.4, близько нуля для промптингу відкритої моделі 7B), він узгоджував орієнтовані на зміст рис набагато краще, ніж форму (0,695 проти 0,458), і давав ідеалізовану популяцію високої вмілості, зі середнім нормалізованим балом Overall 0,74 проти 0,58 у реальних студентів і медіанною довжиною 304 слова проти 167. Наглядне донавчання перевело модель 7B до 0,474 ± 0,023, а GRPO — до 0,618 ± 0,005, здобутки трималися на двох незалежних оцінювачах, проти яких політика ніколи не навчалася, і натреновані моделі відновили людські розподіли балів і довжин без жодного нагляду за довжиною; автентична форма низької вмілості залишалася найважчою, оскільки натреновані моделі відновлювали синтаксис, але писали занадто мало помилок правопису та граматики, тоді як промптинг симулював слабкість переважно через поверхневе псування. Той самий урок приходить з протилежного боку в [[misconception-acquisition-dynamics-llms-2026|Liu et al. (2026)]], які інструкційно донавчали три малі моделі утримувати алгебраїчні хибні уявлення: *[[writing-education|композиція]]* даних вирішувала результат, оскільки одне хибне уявлення надмірно узагальнювалося і деградувало правильне розв’язування, доки не домішували правильні приклади, кілька хибних уявлень навчалися спільно без витрат, і жодне хибне уявлення не набувалося за наглядом лише на фінальній відповіді за жодного розміру даних, залишаючи сліди розв’язків на рівні кроків обов’язковою вимогою.

Зіставлення дев’ятьох методів симуляції проти семи референсних метрик на 382 відкладених математичних діалогах показало, що промптинг відставав від донавчання за діалоговими актами (0,4998 проти 0,6840), ROUGE-L (0,1648 проти 0,3212) і косинусною схожістю (0,5460 проти 0,7390) ([[simulated-students-tutoring-dialogues-2026|Scarlatos et al., 2026)]]). Проте найкращий протестований метод, оптимізація вподобань на моделі 8B, перевершував наглядне донавчання лише незначно і був гіршим за помилками, а людське оцінювання трьома тьюторами відтворило це ранжування.

Архітектура може забезпечити те, чого не може промптинг: нейросимволічний симулятор, що нав’язує структуру саморегульованого навчання через напівмарковський контролер і трасування знань із впровадженням вад, досяг поведінкової розбіжності 0,31 проти 0,53 на базовій лінії ([[beagle-grounded-learner-emulation-2026|Wang et al., 2026)]]). Впровадження його метакогнітивної лексики в базові лінії ніколи не перевершувало 0,63, прибирання символічного контролера відсувало розбіжність до 6,81, і в тесті Тюрінга з 71 оцінювачем його сліди були нерозрізненними від реальних студентів (52,8%, d′ = 0,15).

### Аудит ШІ за допомогою симульованих студентів

Поза оцінюванням педагогіки симульовані студенти служать **тестовим стендом для аудиту самих систем ШІ** — контрольованим способом зондувати, як ШІ поводиться з різноманітними профілями здобувачів, перш ніж торкнутися реальних студентів. [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas et al. (2026)]] ілюструють це: вони згенерували 4 500 синтетичних віньєток студентів за допомогою трьох LLM, щоб аудитувати, чи можуть поточні [[llm|великі мовні моделі]] діяти як прескриптивні рекомендатори [[learning-analytics]], виявивши обмежену чутливість до потреб студента та різку невідповідність між моделями. Використання симульованих когорт для стрес-тестування рекомендацій ШІ (а не лише для навчання чи оцінювання тьюторів) є зростаючою роллю парадигми, тісно пов’язаною з [[ai-ed-evaluation|оцінюванням ШІ в освіті]] та з [[equity-in-ai-education]], коли аудит має на меті виявити нерівне поводження з різними типами здобувачів.


Симуляція також може попередньо протестувати вибори здобувача: [[simulating-learner-task-selection|Noh et al. (2026)]] підганяють адитивну факторну модель і баєсівське [[knowledge-tracing]] до двох реальних наборів даних репетиторства й дозволяють 1 000 симульованих здобувачів обирати навички за вісьма стратегіями, де правило уникання ризику давало приблизно в тридцять разів більше надмірної практики, ніж інші, а обмеження «безпосередньо нижче володіння» зрізало його до 1,8×.

Другий регістр аудиту є [[metacognition|метакогнітивним]] і афективним. [[meds-math-education-digital-shadows-2026|MEDS (Esposito et al., 2026)]] — це набір даних із 28 000 записів — 2 000 синтетичних персон для кожної з 14 [[llm|моделей]], кожна запущена і як людська персона, і як базовий асистент — який фіксує точність на 18 [[problem-solving|математичних завданнях]] середньої школи поряд із [[self-report-measures|самооповіданою]] впевненістю та балами [[self-efficacy]] та [[anxiety-and-stress|математичної тривожності]], які б повідомили здобувачі, за яких він стоїть. Його сигналом аудиту є розрив калібрування: сімейство Qwen і Ministral 3B твердили впевненість вище 0,90, тоді як точність завмирала біля 0,55, тоді як Grok 4.1 Fast, DeepSeek Chat і кілька варіантів Mistral Small були недостатньо впевнені, а Ministral 14B і Anita 24B залишалися розумно узгодженими. Ті ж запуски викривають тихішу відмову вірності: персони в людському режимі давали широкі, правдоподібні розподіли балів, але базові асистенти повертали майже ідентичні, впевнені відповіді з низькою тривожністю — типовий автопортрет, а не симульованого здобувача. Це розширює аудит рекомендатора вище, зондуючи те, що модель стверджує про власну компетентність і афект, і загострює попередження сторінки про валідність з несподіваного боку: оскільки персони MEDS зважені за побудовою, а не вибрані з реальної популяції, її автори представляють набір даних як спостережницький ресурс для аудиту поведінки [[generative-ai|GenAI]], умовленої підказками, і явно не як заміну реальних [[student-experience|студентських даних]].

### Симуляція колаборативної та соціальної динаміки

Симуляція також виходить за межі індивідуальних здобувачів, відтворюючи соціальну динаміку [[collaborative-learning|колаборативного навчання]]. **Персонно-специфічні агенти LLM** — [[llm-agents-collaborative-problem-solving-simulation-2026|Fang (2026)]] донавчав агенти LLaMA 3.2-3B на діалогових даних індивідуальних учасників, щоб представляти кожного учасника в симуляціях колаборативного розв’язування завдань, поєднуючи пам’ять із ковзаючим вікном із узагальненими ембедингами пам’яті, щоб зберегти і локальну передачу ходу, і тематичну безперервність, і ймовірнісно обираючи мовців і тематичні коди з емпіричних розподілів. Використовуючи [[network-analysis|аналіз епістемічних мереж (ENA)]], симульовані діалоги були статистично нерозрізненними від реальних (відстань ENA 0,17, цілком в межах порогу 95-го перцентиля нульового розподілу; пермутаційне p = 0,65), валідуючи, що [[agentic-ai|агенти LLM]] можуть відтворювати і динаміку передачі ходу, і траєкторії тематичних кодів реального [[problem-solving|колаборативного розв’язування завдань]].

Робота 2026 року щодо тривалих навичок інвертує звичний напрямок симуляції. Замість того щоб симулювати студента для аудиту системи, система симулює *командних партнерів*, щоб оцінити студента: виконавчий LLM генерує ходи кожного ШІ-партнера в 30-хвилинному груповому завданні, тримає рубрику оцінювання і скеровує розмову, щоб створити випадки для появи цільової навички ([[durable-skills-measurement-ai-teammates-2026|Globerson et al., 2026)]]). На 373 розмовах від 188 учасників скеровування, узгоджене з навичкою, підвищило оцінювані докази до 92,4% для керування проєктами та 85% для розв’язання конфліктів, суттєво вище незалежних агентів без обмежень, тоді як оцінювач ШІ був калібрований проти двох людських оцінювачів, чиє власне міжоцінювацьке каппа було лише 0,45–0,64 — корисне нагадування, що стелю симулятора задає узгодженість, якого люди можуть дійти щодо конструкту.

Навчання проти симулятора також може переноситися: агент підсилення навчання TutorLoop, натренований офлайн проти симульованого студента, перенісся незмінним на нове реальне навчальне завдання без перенавчання (N = 187), де його рідкісніший, але краще розміщений зворотний зв’язок перевершував щільніший зворотний зв’язок ([[tutorloop-sensor-cognitive-feedback-2026|Xu & Zhang, 2026)]]).

## Пов’язані поняття

- [[learners]] — Learners: the umbrella for the learner-side concepts
- [[simulation]]
- [[student-modeling]]
- [[ai-assisted-educational-research]] — AI-Assisted Educational Research
- [[knowledge-tracing]]
- [[cognitive-diagnosis]]
- [[agentic-ai]]
- [[pedagogical-agent]]
- [[intelligent-tutoring]]
- [[adaptive-learning]]
- [[personalized-learning]]
- [[generative-ai]]
- [[llm]]
- [[learning-analytics]]
- [[teacher-role]]

## Пов’язані статті
- [[tutorloop-sensor-cognitive-feedback-2026]] — A simulator-trained reinforcement-learning tutor transferred offline to a new real task (Xu & Zhang 2026)

- [[llm-student-simulation-teacher-insights]] — Can LLMs Simulate Human Learners? Teachers' Insights
- [[llm-student-simulation-misconception-faithfulness]] — Simulating Students or Sycophantic Problem Solving?
- [[llm-educational-simulation-adhd]] — LLM-Based Educational Simulation and Student Persona Stability
- [[simulating-students-java-programming-errors-llms]] — Simulating Students' Java Programming Errors
- [[adaptive-virtual-patient-psychotherapy-training]] — Adaptive Virtual Patients for Psychotherapy Training
- [[medeasy-ai-standardized-patients]] — MedEasy: AI Standardized Patients
- [[simulating-students-diverse-cognitive-levels-2025]] — Embracing Imperfection: Simulating Diverse Cognitive Levels
- [[inside-llm-student-simulator-reasoning-2026]]
- [[teachlm-post-training-llms-education]] — TeachLM: fine-tuned authentic student model for synthetic dialogues
- [[educasim-cs1-instructional-practice]] — EducaSim: generative agents simulate a CS1 section for teacher practice
- [[bondurant-shaughnessy-ai-pedagogies-practice-2026]] — Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education
- [[cogevolution-student-cognitive-evolution-agent-2026]] — CogEvolution: generative agent simulating students' cognitive evolution
- [[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]] — Fine-tuned participant-specific LLM agents reproducing collaborative problem solving dialogues (Fang 2026)
- [[studentsim-llm-student-simulators]] — StudentSim: Training LLM-based Student Simulators
- [[ai-web-agents-lesson-design-2025]] — AI Web Agents: a single describing agent beats simulating a distribution of students for predicting dropout and design critique
- [[simulating-learner-task-selection]] — Simulating learners' task-selection strategies and system constraints in mastery learning (Noh, Chowdhary, Ooge, Aleven & Borchers 2026)
- [[durable-skills-measurement-ai-teammates-2026]] — Toward Scalable Measurement of Durable Skills
- [[agent-based-educational-science-2026]] — Toward Agent-based Educational Science: the simulation apparatus as the research instrument (Zhang, Jiang & Tang 2026)
- [[meds-math-education-digital-shadows-2026]] — MEDS: a 28,000-record audit of math performance, confidence and anxiety in simulated students and AI assistants
- [[swim-student-writing-simulation-2026]] — prompting versus SFT versus reward-based training for a student writing simulator
- [[misconception-acquisition-dynamics-llms-2026]] — what has to be in the training data before a simulator holds a misconception at all
- [[llm-distractor-generation-student-reasoning-2026]] — trace-level analysis of how models simulate incorrect student reasoning
- [[llm-simulating-student-scientific-thinking-2026]] — six models against 8,820 lesson-embedded science ideas: where simulated reasoning overshoots young learners' scope, vocabulary and certainty
- [[simulated-students-tutoring-dialogues-2026]] — a seven-metric benchmark of nine student-simulation methods, with a three-tutor human evaluation
- [[simulating-novice-students-machine-unlearning-2026]] — machine unlearning as a way to put a simulator at a stable novice knowledge level, and relearning through teaching dialogue
- [[student-development-agent-risk-free-simulation-2025]] — predicting students' post-course developmental outcomes on a multi-agent platform without exposing them to the intervention
- [[preservice-teachers-noticing-ai-simulations-2026]] — three weeks of preservice teachers' attending, interpreting and shaping in an equal-sign chatbot simulation, and how the design steers what they notice
- [[beagle-grounded-learner-emulation-2026]] — a neuro-symbolic simulator that enforces SRL structure architecturally rather than by prompting, and passes a human Turing test

---

## [Інтелектуальний тьюторінг](https://edtechdev.github.io/aied/concepts/intelligent-tutoring/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Тьюторинг із ШІ / інтелектуальний тьюторінг** — використання ШІ для надання персоналізованої, адаптивної та масштабованої інструкційної підтримки: від класичних інтелектуальних тьюторських систем (ITS), які моделюють знання студента, адаптують інструктаж і забезпечують скаффолдинг [[problem-solving]], до розмовних і агентних тьюторів, побудованих на [[llm|LLM]]. Ефективність залежить від [[pedagogy|педагогічного]] проєктування ([[scaffolding]], якість зворотного зв’язку, баланс автономії), а не лише від самої моделі — див. [[measuring-llm-tutors-teach-vs-solve]] та [[socratic-method]].

## Питання для роздумів

- Ефективність ШІ-тьютора, як стверджується, залежить від педагогічного проєктування — скаффолдингу, якості зворотного зв’язку, балансу автономії й супроводу, — а не від базової моделі. Якби довелося вибрати, який проєктний вибір найбільше визначає, чи студент справді навчається?
- Класичні ITS вихваляють за точність і прозорість, але критикують за негнучкість, тоді як LLM-тьютори гнучкі, але можуть галюцинувати або обходити навчання. Як ви вважаєте, де лежить правильний баланс і чому?
- Масштабні польові свідчення показали, що студенти пробували ШІ-тьютора, але рідко використовували його продуктивно — звертаючись до нього лише в частині сеансів помилок, часто з простими запитанями про відповіді. Чому студенти могли отримати доступ до потужного тьютора й усе ж не використовувати його так, щоб це допомагало їхньому навчанню?
- Сторінка протиставляє традиційні ITS, які моделюють здобувача й адаптують інструктаж, і відкриті розмовні тьютори. Що здобувається й що втрачається, коли тьютор може вести природну розмову, але точно не знає, чому прийняв те чи інше рішення?
- Одне дослідження виявило, що ШІ створив «продуктивне сповільнення» — більше часу на питання, — але покращив навчання лише тоді, коли був вбудований у робочий процес оволодіння матеріалом, у якому помилки мали наслідки. Що це говорить про структурування зусиль так, щоб вони окупалися?
- Якщо проєктування підказок може ненавмисно давати студентам змогу обходити навчання, то як виглядала б добре спроєктована система підказок, що підтримує боротьбу, не видаючи відповіді?

## Вступ

Тьюторинг із ШІ охоплює використання штучного інтелекту — зокрема [[llm|великих мовних моделей]] і структурованих інтелектуальних тьюторських систем — для надання здобувачам персоналізованої, адаптивної та масштабованої інструкційної підтримки. ШІ-тьютори мають багато форм: розмовні тьютори, що ведуть сократичний діалог; системи скаффолдованого зворотного зв’язку, що спрямовують вирішення проблем; [[adaptive-learning|платформи адаптивного навчання]], що персоналізують послідовність матеріалу; і агентні тьютори, що підтримують довгострокові [[student-modeling|моделі здобувача]]. Ефективність тьюторингу із ШІ критично залежить від виборів педагогічного проєктування — скаффолдингу, [[ai-feedback-quality|якості зворотного зв’язку]] та балансу між [[agency|автономією]] й супроводом, — а не від однієї лише базової моделі.

Історично **[[mishra-control-vs-agency-history-2025|Mishra та співавтори]]** розміщують ITS у лінії AIED, що сягає експертних систем 1960–70-х і когнітивних тьюторів Андерсона ACT/ACT-R, структурований контроль яких протистояв конструктів [[constructivist|конструкціонізму]] Паперта.

## ITS у родині моделювання здобувачів

Інтелектуальний тьюторінг — класичний *прикладний* член родини [[student-modeling|моделювання здобувачів та адаптивного інструктажу]]. Його канонічна архітектура — модель предметної галузі, [[student-modeling|модель студента]] та педагогічна модель — є саме тим конвеєром «змоделюй здобувача, потім адаптуй інструктаж», який описує ця родина. ITS споживають уявлення про здобувачів, що їх продукують [[knowledge-tracing]] і [[cognitive-diagnosis]], щоб відбирати задачі й скаффолдити супровід, тому тьюторінг так тісно пов’язаний із цими методами моделювання. У межах родини ITS стоїть поруч із [[adaptive-learning|адаптивним навчанням]] (механізм адаптації в реальному часі) і [[personalized-learning|персоналізованим навчанням]] (ширша мета) як [[edtech-platform|платформи]], що перетворюють моделі здобувачів на інструктаж.

## ITS проти тьюторингу на основі LLM

Поява [[llm|LLM]] створила в галузі тьюторингу продуктивну напругу. Традиційні інтелектуальні тьюторські системи (ITS) дають точність і прозорість — ви точно знаєте, чому система прийняла те чи інше рішення, — але не мають гнучкості. LLM-тьютори дають природний діалог і широкі знання, але можуть галюцинувати, надмірно скаффолдити або цілком обходити навчання. Сучасні [[research-methods-aied|дослідження]] дедалі частіше вивчають **гібридні підходи**, що поєднують структуровані компоненти ITS із гнучкістю LLM. [[reddig-maclellan-personalized-feedback-llm-2026|Reddig, Arora та MacLellan (2025)]] демонструють це конкретно на ITS Apprentice Tutor College Algebra: надання GPT-4 у підказці структури інтерфейсу тьютора та байєсівських оцінок навичок [[knowledge-tracing]] підняло діагностику логічних помилок із 40% до 81% на факторизації (а ідентифікацію помилок у цілому — до 87,8%) і породило ~66% підказок, націлених на помилку, — прямих свідчень того, що вбудовування LLM у структуровану рамку ITS заземлює генерацію, обмежує галюциновані діагнози й дає контекстно обізнаний корегуючий зворотний зв’язок, хоча приблизно третина підказок залишалася надто загальною, хибною або такою, що розкривала відповідь.

Навчання педагогіки самої моделі — окремий шлях, відмінний від підказування їй: LearnLM домішував педагогічні дані в пост-тренування Gemini, був переважений освітянськими експертами над GPT-4o (+31%), Claude 3.5 Sonnet (+11%) і базовим Gemini 1.5 Pro (+13%), і — оскільки був натренований спільно, а не донатренований пізніше — здобутки зберігаються й у майбутніх релізах базової моделі ([[learnlm-improving-gemini-learning|LearnLM Team (2025)]]).

TeachLM стверджує, що дефіцитним інгредієнтом є автентична взаємодія здобувач–тьютор: дотренований на 100 000 годинах тьюторингу «один на один», він приблизно подвоїв час мовлення студента й збільшив кількість діалогових ходів на 50%, після того як раніший тьютор із інженерією підказок не зміг закрити розрив із людськими тьюторами ([[teachlm-post-training-llms-education|Perczel, Chow та Demszky (2025)]]).

Інтелектуальні тьюторські системи — одна з найдавніших і найбільш досліджених областей [[ai-education|ШІ в освіті]]. На відміну від LLM-тьюторів загального призначення, ITS традиційно використовують структуровані підходи: моделі предметної галузі (чого навчати), [[student-modeling|моделі студента]] (що знає здобувач) і педагогічні моделі (як навчати). Ці компоненти дають змогу детально відстежувати прогрес студента, діагностувати хибні уявлення та адаптивно визначати послідовність матеріалу.

### Ключові дослідження ITS

- **Мікрорандомізовані випробування платформи тьюторингу:** [[ai-tutoring-micro-rct-gcse-science-2026|Harrison та співавтори (2026)]] провели чотиритижневу багатосайтову індивідуально рандомізовану оцінку Medly на [[biology-education|біології]], [[chemistry-education|хімії]] та [[physics-education|фізиці]] GCSE, де 644 з 929 студентів пройшли посттестування; розподіл до платформи дав Hedges' g = 0,33 (95% CI 0,18–0,48) порівняно зі [[self-directed-learning|самостійним]] повторенням як звичайною практикою, з позитивними оцінками в усіх трьох предметах і без свідчень диференційованого впливу за несприятливим становищем (Pupil Premium g = 0,28 проти g = 0,35 для не-Pupil Premium).
- **[[lak2026-hint-button-unproductive-use|Дослідження кнопки підказки]]** показує, що традиційне проєктування підказок в ITS може ненавмисно сприяти стратегіям обходу, що потребує складніших підходів [[scaffolding]].
- **[[deeptutor]]** надає повністю [[open-source]] відкритий агентний фреймворк тьюторингу з цитувальним обґрунтуванням і каліброваною за складністю [[automated-question-generation|генерацією питань]].
- **[[huang-interpretable-knowledge-tracing-2026|Інтерпретоване відстеження знань]]** вирішує проблему непрозорості, продукуючи інтерпретовані когнітивні величини з логітів LLM.
- **Зайнятість і структура, а не можливості, є обмежувальними факторами (масштабні польові свідчення):** [[one-click-away-khanmigo-two-year-school-experiment-2026|Khanmigo (Oreopoulos та Low 2026)]] — двохрічний кластерний [[rct]] у 18 середніх школах — виявив, що 96% студентів спробували ШІ-тьютора, але медіанно зверталися до нього лише в ~17% сеансів помилок (переважно з простими запитами відповідей або клацаннями підказок), тому здобутки (~0,06–0,08 SD) зрівнялися з практикою без ШІ. [[making-ai-tutoring-productive-mastery-math-2026|NUMI (Oreopoulos та співавтори 2026)]] виявив, що ШІ створив «продуктивне сповільнення» — більше часу на питання та краще відновлення після помилки, — але надійно покращував відкладене навчання лише тоді, коли був вбудований у робочий процес оволодіння матеріалом, у якому помилки мали наслідки. Урок: цінність тьюторингу із ШІ залежить від **залучення студентів до його продуктивного використання** та його структурування так, щоб зусилля окупалися, більше, ніж від сирцевої можливості моделі.([[virtual-tutoring-computer-assisted-learning-takeup-2026]])
- **Каркас тьюторингу допомагає слабким базовим моделям і може шкодити сильним.** [[regulatutor-long-term-personalized-tutoring-2026|RegulaTutor (Li та співавтори 2026)]] обгортає модель в пов’язані зі свідченнями, засновані на [[self-regulated-learning|SRL]] етапи й підвищив точність історичних свідчень у середньому на 25,7 пункти на чотирьох локальних контрольних точках. Оцінена якість навчання майже не змінилася (+0,016), а здобутки за свідченнями обернулися на найсильнішій із протестованих базових моделей (GPT-5.6-sol −4,87 пункти).
- **Відстеження знань на основі результатів для тьюторів OBE.** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh та співавтори (2026)]] відстежують оволодіння студентами результатами курсів Outcome-Based-Education за допомогою рекурентної моделі, яка замінює навчені відношення понять [[curriculum-design|навчальним планом]] валідованими «відображеннями спорідненості» OBE між результатами курсу й програми та додає Memory Augmented Neural Network для міжрезультатного впливу. Вона досягла 89,81% AUC на живих даних інженерної програми, перевершуючи базові лінії DKT, DKVMN, EKT та SimpleKT — сигнал оволодіння, узгоджений із власними результатами програми, що може керувати адаптивним відбором задач у тьюторингу на основі результатів.
- **Валідуйте моделі оволодіння на майбутніх сеансах, а не на ретроспективному пристосуванні.** Оцінки оволодіння, які ITS використовує для відбору задач, можуть не узагальнюватися в часі: [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan та Carvalho (2025)]] виявили, що BKT, BKT-із-забуванням та AFM відтворюють тенденції навчання лише тоді, коли їх пристосовано ретроспективно до всіх сеансів набору даних послідовного переучування, — але за **часовою хресною валідацією** (тренування на одному сеансі для передбачення наступного, тобто в умовах справжнього тьюторингу) вони переоцінюють продуктивність на 47–58%, не вловлюють [[retrieval-spacing-interleaving|ефект інтервалів]] і можуть неправильно впорядковувати умови практики. Тьюторам, що покладаються на такі трейсери, слід оцінюватися walk-forward і враховувати інтервал збереження та міжсеансове забування, а не припускати, що оволодіння зберігається.
- **Діагностика помилок на неструктурованих задачах із рукописними розв’язками.** [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Arthur (Yin та співавтори 2026)]] розширює зворотний зв’язок у стилі ITS на Calculated Formula Questions в курсі інженерної економіки — галузі, де розв’язки від руки не мають структурованих цифрових даних, на які спиралася попередня робота з тьюторингу із ШІ. Замість універсальної LLM кожне питання отримує власний виділений [[machine-learning|XGBoost]] «хребет діагностики розв’язку» — натренований на курованих, збільшених випадковою маскою оцінених роботах, щоб передбачати мітки помилок за рубрикою викладача лише з поданих студентами чисел (точність 0,81, повнота 0,79), — у парі з діалоговою взаємодією, яка ітеративно запитує проміжні відповіді лише тоді, коли впевненість діагностики падає нижче порога 0,8. Це конкретний випадок принципу бази знань: класифікатор, заземлений на знаннях, може виконувати діагностику розв’язку навіть там, де повні письмові розв’язки недоступні.
- **Адаптивний тьюторінг на рівні ходу з фоновим оцінювачем.** Агент-тьютор MeduAI-SP ([[pedagogical-agent|tutor agent]]) ([[ai-standardized-patient-scaffolding-medical-2026|Yang та співавтори, 2026]]) є прикладом адаптивного тьюторингу на рівні ходу: фоновий оцінювач перевіряв кожне висловлювання студента за контрольним списком із 30 пунктів, пов’язаних із OLDCARTS, плюс критеріями комунікації, і запускав підказки лише коли це було виправдано (24,1% із 4 815 повідомлень). Корпусний аналіз виявив, де така підтримка найбільше потрібна, — мовлення студента на 62,2% складалося з історії нинішнього захворювання, але лише 4,3% — з емпатичної/підтримувальної комунікації і 2,6% — з [[summative-assessment|огляду]] пацієнта, — що вказує на те, що [[medical-education|клінічні]] тьютори в стилі ITS мають націлюватися на недовикористані компоненти консультації та пізні фази міркування, а не лише на збирання симптомів, і що вірність імітованого пацієнта достатньо висока для досліджень результатів (лише ~0,68% висловлювань пацієнта мали явні проблеми вірності).
- **ШІ-тьютор, побудований із власної педагогіки класу, перевершив цей клас: РВП проти [[active-learning|активного навчання]].** У кросоверному [[rct]] найбільшого вступного курсу фізики в Гарварді (194 допущених студентів) спеціальний тьютор, сконструйований з тих самих семи досліджених практик, що й лекційні заняття, дав медіанний посттест 4,5 проти 3,5 для активного навчання в класі (базова медіана 2,75), розмір ефекту 0,63 за лінійною регресією, за медіанних 49 хвилин роботи проти 60 у класі, з вищою заявленою залученістю (4,1 проти 3,6) і мотивацією (3,4 проти 3,1) ([[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin та співавтори, 2025]]). Автори розміщують перевагу в двох практиках, яких аудиторія не може підтримувати, — персоналізованому зворотному зв’язку на вимогу й самостійному темпі, — і попереджають, що тьютор має доповнювати, а не витісняти аудиторний інструктаж.
- **Медіація викладача приблизно подвоює вірність впровадження (польові свідчення всього округу):** [[alam-goblins-math-platform-2026|Goblins (Alam та співавтори 2026)]] — мультимодальна платформа математики із ШІ за медіації викладача, розгорнута для всіх викладачів математики 6–8 класів у великому окрузі Арізони, — охопила ~51% із 6 065 студентів за скромного порогу залученості 2 задачі на тиждень, проти порогів 5% (Khan Academy) і 12% (IXL) у попередніх оцінках.
- **І доза керує ефектом усередині нього (те саме дослідження):** дизайн зі зваженою схильністю пов’язав використання з приростом MAP у межах округу 0,11 SD (0,24 SD за національним індексом умовного приросту), з чистим градієнтом дози — 0,18 SD за 10–19 задач на тиждень і 0,31 SD за 20+, причому всі дози вище 3/тиждень були значущими (p < 0,01). Дослідницькі підгрупи показали більші асоціації для студентів з IEP (+0,122 SD), вивчаючих англійську (+0,191 SD) і латиноамериканських студентів (+0,084 SD). Дизайн квазіекспериментальний — самостійний вибір використання є вразливістю, яку називають самі автори, — але вірність і залежність від дози безпосередньо реалізують урок про обмежувальний фактор.

- **Статистична еквівалентність експертному людському тьюторингу.** За 2 469 сеансів від 2 383 дорослих об’єднаний тьюторинг із ШІ зрівнявся з живим індивідуальним експертним людським тьюторингом за [[learning-gains|навчальними здобутками]] GRE (p=.015 проти меж ±0,25-SD; скоригована різниця −0,58 відсоткових пункти), і обидва перевершили відеоконтроль приблизно на шість пунктів; шість із дванадцяти тьюторів пройшли індивідуальні тести еквівалентності, причому Gemma 4 31B зрівнювалася з людськими здобутками за вартості на відсотковий пункт у 918 разів меншій ([[studentbench-ai-human-tutoring-gre-2026|Northcutt та співавтори (2026)]]).

- **Мікроперсоналізація LLM-тьютора на основі підказок (2026):** [[prompt-engineering-personalization-ai-teaching-assistant-2026|Basu, Kakar та Goel (2026)]] персоналізують асистента [[teacher-role|викладання]] Jill Watson на [[llm]]/[[rag]] на рівні окремих питань цілком засобами інженерії підказок — умовлюючи відповіді шістьма вимірами здобувача ([[metacognition|метакогнітивною]] [[self-assessment]], абстрагуванням, багатослівністю, сприйняттям, обробкою, розумінням) і класифікуючи когнітивний запит кожного запиту класифікатором [[cognitive-diagnosis|Таксономії Блума]], що дає 96 профілів здобувачів без перетренування моделі. NLP-аналіз 2 910 відповідей і дослідження з людьми виявили вимірювані, сприймані відмінності в абстрагованості, багатослівності, складності та стилі обробки відповідей, узгоджені з бажаними ефектами. Це демонструє адаптацію форми відповіді (а не лише вмісту) як масштабований, модульний шлях до [[adaptive-learning|адаптивної поведінки]] в розгорнутому тьюторі.

### Ключові поняття ITS

- **[[knowledge-tracing]]** — моделювання того, що студент знає з часом (байєсівське, глибинне навчання, на основі IRT)
- **[[cognitive-diagnosis]]** — детальне оцінювання того, якими компонентами знань і [[misconceptions]] володіє здобувач; аналог з боку оцінювання для [[knowledge-tracing]], що живить педагогічне рішення тьютора
- **[[student-modeling]]** — ширше уявлення про здобувача, включно з афектом, залученістю й хибними уявленнями
- **[[adaptive-learning]]** — системи, що персоналізують послідовність матеріалу на основі стану здобувача
- **[[scaffolding]]** — надання рівно стільки підтримки, скільки потрібно для просування, не видаючи відповідей
- **[[desirable-difficulties|продуктивна боротьба]]** — дозволити студентам боротися зі складністю, а не надто допомагати
- **[[feedback|цикли зворотного зв’язку]]** — цикли зворотного зв’язку в ITS, які діагностують, спрямовують і перевіряють

### Історичний контекст

Галузь ITS виробила знакові системи (Cognitive Tutors, Andes, AutoTutor) і продовжує розвиватися. [[zerkouk-comprehensive-review-its-2025|Комплексний огляд ITS від Zerkouk та співавторів]] каталогізує цю еволюцію. Напругу між структурованими ITS і відкритим тьюторингом на основі LLM досліджено в [[correct-answer-trap-ai-tutor|дослідженні пастки правильної відповіді]] та [[rethinking-scaffolding-llm-tutors|переосмисленні скаффолдингу для LLM-тьюторів]].

### Тьюторинг із ШІ на основі LLM: практичні настанови

Для викладачів, що розгортають ШІ-тьюторів, і для розробників, що їх будують, висновки бази знань переводяться в конкретну практику:

**Оцінюйте тьюторів за тим, чи вони навчають, а не лише вирішують.** Модель, що очолює рейтинг вирішення задач, не обов’язково є хорошим тьютором — здатність вирішувати задачі й поведінка, що підтримує навчання, корелюють лише частково (r ≈ 0,42), і кілька моделей змінюють позицію, коли їх оцінюють за педагогікою. Звітуйте й ретельно аналізуйте **бали за вирішення й педагогіку окремо** і надавайте перевагу тьюторам, які набирають бали за спрямовуючі питання, калібровані підказки та не розкриваючий відповіді скаффолдинг, над тими, що дають швидкі відповіді.([[measuring-llm-tutors-teach-vs-solve]])([[ai-tutoring-quality-k12-methodologies-2026]])

- **Велике багатодисциплінарне рандомізоване випробування виявило негативні ефекти добре заземленого тьютора.** [[liu-course-integrated-ai-tutoring-rct-2026|Liu та співавтори (2026)]] рандомізували 2 379 студентів бакалаврату й 30 викладачів між 13 блоками та 11 з 12 факультетів одного публічного університету США на доступ до тьютора GPT-4o з пошуком за власними матеріалами курсу кожного викладача, вбудованим в LMS із цитуваннями слайдів і таймкодами лекційних відео. У вибірці точних збігів — розділи одного й того самого курсу — доступ знизив підсумкові оцінки на 4,12 бали (0,37 SD) і оцінки за шкалою GPA на 0,13 SD, тоді як повна вибірка не показала значущого ефекту на досягнення; залученість впала в обох вибірках (зафіксовані участі −0,90 SD, активні дні −0,51–0,61 SD). Лише близько 15% студентів групи обробки використали інструмент, а користувачі в середньому мали приблизно чотири сеанси, проте поведінкові відмінності на рівні класу були великими, і 73,8% із 3 460 класифікованих запитів були прямими запитами відповідей, а не практикою чи зворотним зв’язком щодо власної спроби студента. Автори читають це як розрив між технічною та інструкційною інтеграцією: жоден викладач групи обробки не повідомив про інтеграцію інструмента в завдання, і більшість залишила його в режимі прямого інструктажу за умовчанням, тому заземлення на курсі та зручний доступ не породили продуктивного використання.

**Проєктуйте під педагогічну структуру, а не під частоту.** Освітня віддача тьюторингу із ШІ залежить від *того, як* інструмент використовується й проєктується, а не від того, *як часто* його використовують. Спроєктовані викладачами тьютори, обмежені цілями курсу, рівнем підготовки здобувача та курованою базою знань, перевершують неструктуроване використання [[conversational-ai|чат-ботів]] загального призначення.([[instructor-designed-ai-tutors-foreign-language-sdt-2026]]) Пререєстрований рандомізований польовий експеримент перевірив це твердження саме проти реалістичної альтернативи, а не проти базової лінії без ШІ: 86 студентів модуля корпоративних фінансів онлайн-MBA були призначені або до тьютора, заземленого на власних лекціях, читаннях і наборах задач модуля, або до утриманої групи, що зберегла стандартні ресурси за вільного доступу до споживацького ШІ, і студенти з тьютором набрали на 6,63 більше пунктів із 55 (95% CI [+1,95, +11,31], p = .007), тоді як частка коротких письмових відповідей реляційної якості або кращих зросла з 8% до 49% проти зростання з 8% до 27%. Канал став нульовою межею — голос майже подвоїв щільність взаємодії і коштував у 2,8 разів дорожче в постачанні, проте тижневе оволодіння відрізнялося на −0,01 пункти з 11 (p = .98) — що робить формат постачання важелем впровадження та залучення, а не технологією навчання. Утримана група також не закрила розрив: дев’ять студентів, що повідомили про використання зовнішнього ШІ, не набрали більше, ніж вісім, що про це не повідомили (+10,3 проти +12,8 з 55, p = .45).

**Використовуйте ітеративне живе оцінювання, щоб постійно покращуватися.** Оскільки LLM непрозорі, розглядайте оцінювання як двигун покращення: забезпечте невеликий набір метрик якості та [[student-engagement|залученості]], проводьте живі експерименти з моделями, [[prompt-engineering|підказуванням]], персоналізацією й агентами, і дозвольте даним керувати змінами — тієї самої дисципліни, яку Khan Academy застосовує до свого [[k-12]] тьютора (Khanmigo).([[ai-tutoring-quality-k12-methodologies-2026]])

**Підтримуйте автономію, компетентність і спорідненість здобувача.** ШІ-тьютори працюють найкраще, коли відчуваються як безпечний, структурований простір практики, а не як машина відповідей. Давайте негайний, неосудливий [[feedback]]; обмежуйте тьютора рівнем здобувача, щоб компетентність була досяжною; і зберігайте здобувацьку дієздатність, лишаючи тьютора доповненням (а не замінником) іншого інструктажу.([[instructor-designed-ai-tutors-foreign-language-sdt-2026]])

**Стережіться розкриття відповіді.** Центральний режим відмови тьюторингу на основі LLM — це видача відповіді, що надихає негайну продуктивність, підриваючи тривале навчання. Використовуйте сократичне підказування, калібровані підказки та не розкриваючий відповіді скаффолдинг — і вимірюйте результати на неасистованих задачах [[transfer-of-learning|перенесення]], а не лише на продуктивності в межах інструмента.([[measuring-llm-tutors-teach-vs-solve]])([[socratic-method]])

**Відокремлюйте діагностику від зворотного зв’язку.** LLM-тьютори надійно підтверджують правильні кроки, але надмірно відхиляють валідні, хоча й неоптимальні, міркування й надмірно валідують хибні розв’язки — і точна діагностика не дає надійно дієвого зворотного зв’язку.([[yasir-llm-tutoring-agents-2026]]) Зв’язування працює й у зворотному напрямі: [[reddig-maclellan-personalized-feedback-llm-2026|Reddig та співавтори (2025)]] виявили, що GPT-4 усе ще формулював релевантний, загальний, але правильний зворотний зв’язок ~74% часу навіть після хибної діагностики помилки (переформулюючи поняття або очікуваний формат відповіді), проте майже весь фактично хибний зворотний зв’язок ішов за хибною діагностикою — тому ідентифікація помилок залишається суттю дієвого тьюторингу. Найкраще працює гібридна архітектура: дозвольте заземленому на знаннях класифікатору виконувати діагностику розв’язку, тоді як LLM зосереджується на відкритому скаффолдингу та діалозі.
- **Аудит справедливості стає частиною оцінювання тьюторів.** EduFair-Bench утримує імітованого студента фіксованим і змінює лише демографічні атрибути, показуючи, що якість тьюторингу не є однорідною між здобувачами і що налаштовування за нагородою педагогіки не усуває автоматично цих відмінностей ([[edufair-bench-pedagogical-fairness-llm-tutors-2026]]).

- **Більше скаффолдингу й більше контексту не є автоматично кращими.** Рандомізоване випробування 2×2 із 132 студентами вступного курсу Python порівняло чотирьох асистентів викладання GPT-4o, що відрізнялися лише системною підказкою та поданим контекстом, і сократичний асистент із повним контекстом задачі — конфігурація, найближча до педагогічної інтуїції, — був оцінений як значно менш підтримувальний для завершення задачі (середній ранг 48,63, μ = 3,53), ніж три інші (χ²(3) = 12,14, p = .007). Сократичні умови надсилали більше запитів (μ = 11,1 на задачу без контексту), тоді як студенти без контексту писали довші повідомлення, виконуючи контекстуальну роботу самостійно, і найнижча частка пояснень після задачі з повним розумінням (48%) та найвище зовнішнє використання LLM (23%) також припали на умову «сократичний + повний контекст» ([[guardrails-ai-teaching-assistants-programming-2026|Eastwood та співавтори 2026]]).

### Тьюторинг із ШІ як спектр реляційної інтенсивності

Уніфікуюча оптика з [[turano-ai-tutoring-not-a-monolith-2026|брифу Stanford SCALE / NSSA (Turano та співавтори 2026)]] переосмислює тьюторинг із ШІ як **не моноліт, а спектр**, визначений *реляційною інтенсивністю* — глибиною та сталістю людського зв’язку між студентом і тьютором. Бриф відображає моделі від цілком керованого людиною тьюторингу (очного або віддаленого), через **керований людиною з підтримкою ШІ** (ШІ допомагає тьютору за лаштунками) і **керований ШІ з підтримкою людини** (людина наглядає та втручається), до **тьюторингу лише з ШІ** (без прямого людського нагляду). Центральний висновок: у міру зменшення прямих людських відносин база свідчень стає тоншою, а нерозв’язані питання накопичуються щодо безпеки студентів, впливу на розвиток та довгострокової ефективності.

- **ШІ доповнює, а не заміщає, високоефективний тьюторінг.** Основне послання брифу — що ШІ найкраще використовувати для *підвищення ефективності тьютора та спроможності освітян* у межах високоефективного тьюторингу (регулярні сеанси протягом шкільного дня, малокомпонентні співвідношення ≤ 1:4, добре натреновані постійні тьютори, інструктаж на основі даних, перевірені матеріали, міцні стосунки студент–тьютор) — а не для заміщення людського відношення, що керує [[learning-gains|навчальними здобутками]]. Це узгоджується з ширшим висновком бази знань, що педагогічно спроєктовані ШІ-тьютори перевершують чат-боти загального призначення ([[stanford-evidence-base-ai-k12-2026|база свідчень Stanford]], [[genai-higher-education-systematic-review-2026|зонтичний огляд]]).
- **Доза, а не можливість моделі, є обмежувальним фактором.** [[turano-ai-tutoring-not-a-monolith-2026|Бриф]] повідомляє, що тьюторинг, керований ШІ, успадковує базу свідчень щодо дози (~90 хвилин на тиждень) лише тоді, коли він запланований, наглядається та захищений у межах шкільного дня; у дослідженні 181 000 студентів на додатковій платформі математики лише 5% досягли рекомендованих хвилин, а 41% ніколи не входили в систему, причому фактори викладача/школи/округу пояснювали 57% варіації використання. Це сходиться з польовими свідченнями вище ([[one-click-away-khanmigo-two-year-school-experiment-2026|Khanmigo]], [[making-ai-tutoring-productive-mastery-math-2026|NUMI]]): залученість і інтеграція, а не сирцева можливість, визначають, чи допомагає тьюторинг із ШІ.
- **Людський нагляд покращує залученість і узгодженість, але не дозу.** РВП брифу виявили, що людські зустрічі-перевірки підвищили залученість молодших школярів із платформою ШІ, але не досягли дози, пов’язаної зі здобутками, і не покращили досягнення в читанні. Практичний наслідок: плануйте й наглядайте тьюторинг із ШІ на тих самих умовах, що й керований людиною тьюторинг, і проєктуйте для примусу залученості — вимога добровільної участі, яку знову впроваджує ШІ-тьютор на пристрої, є саме тим, що усуває живий шкільно-денний тьюторинг.
- **Відношення — незвідний елемент.** [[turano-ai-tutoring-not-a-monolith-2026|Бриф]] підкреслює, що ШІ ще не відтворює людських відносин і що будування відносин (особливо постійних пар тьютор–студент) покращує залученість, відвідуваність, мотивацію та результати. Розробники описують використання сильних сторін ШІ, а не заміщення відносин — проєктна позиція, що відлунює в дослідженнях [[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] та [[kar-mathbuddy-affective-math-tutoring-2025|афективного тьюторингу]].
- **Безпека й приватність — безумовні запобіжники.** Для ШІ прямого доступу до студента бриф закликає до суворих гарантій приватності даних студентів, [[guardrails]] безпеки студентів та уваги до глибини ненагляданої взаємодії — відкриті питання залишаються щодо ефектів ШІ-компаньйонів на розвиваючийся розум і просоціальний розвиток.

Ця рамка реляційної інтенсивності є контрпунктом «не моноліт» для галузі: оцінювання будь-якого ШІ-тьютора має починатися з запитання, *які умови ефективного тьюторингу він відтворює, змінює або відкидає* — а не з запитання, чи «працює тьюторинг із ШІ» абстрактно. Базова людська лінія брифу також може бути цілком відсутня: шеститижневе дослідження пре-/посттесту на трьох коледжах освіти штату Квара дало 240 студентам [[vocational-education|технічної освіти]] локалізований тьютор, дотренований на нігерійських технічних навчальних програмах, і повідомило приблизно подвійний приріст практичних навичок порівняно зі 120 однолітками, навченими традиційно. Практичні заняття там проводилися за співвідношення студент–викладач вище 100:1 із зворотним зв’язком, відстроченим на дні, тому обґрунтуванням авторів була не доповнення, а [[equity-in-ai-education|справедливою]] *заміною* дефіцитного викладацького персоналу — постаючи тьютор як субсидія спроможності для сільських коледжів, а не як доповнення до рясного людського тьюторингу. Два проєктні вибори несуть урок для практиків: тьютор пояснює помилку, а не лише позначає її, а функція «Clarify» переформулює технічні терміни мовою йоруба або нупе, адаптуючись до мовного контексту здобувача, а не лише до його стану знань; підказки, а не відповіді, і безпечний простір для помилок пояснюються із заявленим зростанням упевненості в більшості групи з підтримкою ШІ проти меншості контрольної групи. Свідчення є лише індикативними — без розмірів ефекту, без назви базової моделі, за [[self-report-measures|самооцінкою]] упевненості, — але воно позначає межу, яку бриф залишає відкритою: обстановку, де ШІ просять стати на місце відсутньої викладацької спроможності. Це пов’язує сторінку тьюторингу з політикою [[k-12]] ([[educational-policy-ai]]), [[privacy]], [[pedagogical-safety]] та скрізними занепокоєннями щодо людини в циклі ([[real-time-ai-feedback-technical-skills-2026]]).

### Практичні настанови щодо проєктування й розробки

**Проєктуйте під навчання, а не лише під продуктивність.** Найсильніший причинний висновок — що незахищені ШІ-тьютори підвищують продуктивність асистованої практики, але *знижують* неасистоване навчання — це [[ai-misuse-learning-harm|розрив продуктивність–навчання]]. Захищайтеся від копіювання відповідей скаффолдингом **підказок замість відповідей** (вимагайте спроби студента перед розкриттям результату) і перевіряйте здобутки на неасистованих, закнижкових мірах, а не на продуктивності в межах інструмента.([[generative-ai-guardrails-harm-learning]])([[genai-performance-vs-learning]])

**Зробіть підказки справді продуктивними, а не такими, що дають обійти.** Класичні проєкти підказок можуть уможливити стратегії «проходження кнопкою», що пропускають навчання. Надавайте перевагу підказкам, що розкривають кроки міркування поступово (сократичне підказування), над підказками, що безпосередньо дають наступну відповідь, і зберігайте продуктивну боротьбу, а не надто допомагайте.([[lak2026-hint-button-unproductive-use]])([[rethinking-scaffolding-llm-tutors]])

**Залишайте [[human-in-the-loop-ai|людину в циклі]].** Дозвольте викладачам авторствувати або курувати набори задач і підказки щодо хибних уявлень, на які спирається тьютор, і виводьте на поверхню міркування тьютора, щоб його рішення були аудитовними. Інтерпретоване [[knowledge-tracing]] та явні, зовнішні дидактичні шари роблять поведінку LLM-тьютора простежною та відтворюваною.([[huang-interpretable-knowledge-tracing-2026]])([[didactical-teacher-assistant-dimensional-modeling]])

**Моделюйте здобувача, а не лише діалог.** Прикріпіть структуровані [[student-modeling]] та [[knowledge-tracing]] до діалогу LLM, щоб система могла адаптувати складність і діагностувати хибні уявлення зі свідчень, а не відповідати плинно, але сліпо — якість залежить і від базової моделі, і від того, як її адаптовано.([[educlaw-bench-pedagogical-llm-agents-2026]])

**Починайте з відкритого інструментарію, де це можливо.** Фреймворки відкритого агентного тьюторингу (наприклад, [[deeptutor]]) знижують бар'єр до тьютора із цитувальним обґрунтуванням і каліброваною за складністю поведінкою, який ви можете перевіряти й розширювати.([[deeptutor]])

**Аудитуйте модель компонент знань проти кривих навчання, а потім перепроєктовуйте з того, що показують дані.** Кросоверне дослідження в класі застосувало процес перепроєктування на основі даних від Huang та співавторів до чотирьох блоків ITS середньошкільної математики, обраних за темою, а не за придатністю до перепроєктування. Аналіз кривих навчання в DataShop виявив немодельовану навичку інтерполяції та злиті випадки поводження зі знаками; розщеплення цих KC і додавання сфокусованої практики з пропусканням опанованих кроків дало більш продуктивний час на задачі (38,9 проти 31,6 активних хвилин, p < .001) і п'ять додаткових опанованих навичок за той самий класний час — але без різниці в навчальних здобутках. Нуль пояснюється тонкою дозою практики (нижче 70% оволодіння AFM в обох умовах) і посттестом, у якому бракувало завдань на ново розщеплену навичку. Два уроки для розробників: посттести мають охоплювати нововиявлені навички, а адаптивні вигоди обмежені практикою, яку студенти справді отримують. ([[lyu-data-driven-redesign-tutoring-2026]])

Ефективний тьюторінг вимагає постійної адаптації: [[zhang-tutormoments-2026|Zhang та співавтори (2026)]] оцінюють, чи адаптуються LM-тьютори до еволюційного розуміння здобувачів у анотованих викладачем точках рішення. Вони виявляють, що фронтьєрні моделі за умовчанням схиляються до надмірної допомоги і рідко домагають суворості, і що підказування, обізнане з оцінюванням, покращує, але не вирішує повністю адаптивність. Кожен додатковий хід глухого кута знижував шанси відновлення в наступному ходу на 12,7%, а опитування втрачало цінність із глибиною (скриптове питання × глибина AOR = 0,78), тоді як звертання до помилки студента ставало більш корисним (AOR = 1,14) — ескалація тьютора, а не лише його утримання відповіді, має змінюватися в міру збереження глухого кута ([[guided-ai-tutor-impasse-resolution-2026|Ahtisham та співавтори (2026)]]). Системний вигляд гілки цієї адаптації, керованої RL, дає [[riedmann-reinforcement-learning-education-review-2026|Riedmann, Schaper та Lugrin (2025)]], чий огляд 89 досліджень RL в освіті виявляє, що класичні політики RL є сталіше ефективними, ніж Deep RL, а адаптація RL дає значні здобутки частіше для завдань, пов’язаних з супроводом (підказки, [[feedback]]), ніж для планування вмісту — свідчення того, що те, *як* ITS адаптує скаффолдинг, так само важливо, як і те, який алгоритм він використовує.
- **Адаптація типу когнітивної залученості, а не лише її інтенсивності.** [[adaptive-scaffolding-cognitive-engagement-its|Tithi та співавтори (2026)]] утримували складність постійною й змінювали форму розібраного прикладу — керовану (активну) або хибну (конструктивну), — за правилом BKT і політикою глибинного RL, причому обидві перевершували випадкове призначення (посттест 72,3 і 72,5 проти 65,7).
- **[[deceptive-overgeneralization-adaptive-learning-2026|Оманливе надмірне узагальнення (An та співавтори 2026)]]** показує, що правила зупинки оволодіння в ITS (BKT, поріг 95%) можуть завершити практику раніше, ніж здобувачі навчаться *коли утриматися* від навички: здобувачі, що надмірно узагальнювали, неправильно застосовували дії на перших пунктах «не діяти» на 61,5%–100%, а цілеспрямована практика утримання з найменуванням обмеження у [[feedback]] знизила це до майже нульового рівня. Висновок оволодіння на основі правильності необхідний, але недостатній для адаптивності ITS.
- **ITS на основі графів для динамічних галузей.** [[graph-its-adaptive-algorithms-2026|Система інтелектуального тьюторингу на основі графів]] поєднує Evolving Knowledge Space Graph зі створенням вмісту на основі [[generative-ai|генеративного ШІ]] та байєсівським поширенням знань — яке показало найвищі навчальні здобутки, — підтримуючи адаптивне навчання в динамічних навчальних програмах.
- **Тьюторинг з інтегрованими правилами для процедурних галузей.** Looi, Liu та Sun (2026) розв’язують несумісність і педагогічну непрозорість LLM-тьюторів у початковій [[math-education|математиці]] через дослідження дизайн-науки системи, керованої правилами, організованої навколо тришарової архітектури — *діагностика → вибір наміру → обмежена генерація відповіді*. Вони формалізують відмінність між **скаффолдингом, керованим правилами** (керованим аудитовними, відтворюваними правилами), та **ad-hoc скаффолдингом** (корисними ходами, які важко аудитувати або відтворити). Оціненим засобами імітованих діалогів на основі персон і пілотом у класі з 40 учнями 5-го класу, скаффолдинг, керований правилами, покращив узгодженість взаємодії, знизив передчасну видачу відповідей та раннє закриття, і підтримував когнітивну залученість — тоді як пілот у класі виявив складності взаємодії, фрагментовані вводи та коливання уваги, яких [[simulation]] не помітила. Це конкретний план для забезпечення [[guardrails|запобіжниками]] [[llm]]-тьюторів у добре визначених процедурних галузях.
- **[[agentic-ai|Багатоагентний]] тьюторинг та [[automated-assessment|автоматизоване оцінювання]].** Багатоагентні системи тьюторингу бенчмаркуються із синтетичним оцінюванням на основі слідів. ASTRA підтримує конфігурації тьютора-одинака, тьютора в парі та багатоагента в парі з соціально диференційованими агентами, уможливлюючи відтворюваний аналіз взаємодії та балансу участі в [[cs-education|вступному програмуванні]]. Паралельно підказування, обізнане з контекстом, автоматизує кодування навичок [[collaborative-learning|спільного вирішення проблем]] з даних процесу, підтримуючи оцінювання тьюторингу у великому масштабі.
- **Проєктуйте з цінностями здобувача, а не лише для його продуктивності.** [[ko-hughes-vsd-student-centered-its-2026|Робота Value Sensitive Design]] зі студентами й викладачами коледжу в математиці розвитку показує, що [[ethics|етичні]] виміри ITS не є відокремлюваними доповненнями: пряме залучення студентів і викладачів породило 16 узгоджених із цінностями функцій, що охоплюють [[explainable-ai|пояснюваність]] (інтерпретацію перевірки розуміння, зв’язок навчального шляху, передавання впевненості моделі), [[human-in-the-loop-ai|контроль здобувача]] (контроль над переоцінюванням, повторенням, темпом і рівнем допомоги ШІ) та [[privacy]] (контроль перепрофілювання даних, запити дозволу на поширення [[learning-analytics|аналітики навчання]] та [[affective-computing|афективних]] станів). Дослідження формулює стійку проєктну напругу — [[agency|дієздатність студента]] проти керованого системою скаффолдингу, — і зазначає, що більшість установ цілком вимикають адаптивний тьюторинг, тому проєктування, обізнане з цінностями, залежить також від того, як (і чи) справді розгортаються можливості ITS із ШІ.

- **Навчальні агенти та класифікація незалучених діалогів:** [[rho-disengaged-conversational-behaviors-2026|Rho та співавтори (2026)]] запустили навчального агента на GPT-4-Turbo в Math Nation (Algebra та Geometry), де студенти визначали, який із двох розібраних розв’язків містив хибне уявлення, обґрунтовували виправлення й навчали агента — структуру навчання через навчання з окремим агентом-наставником, що оцінював якість пояснення. За 6 933 відкритих задач і 22 143 зафіксованих взаємодій вони побудували класифікатор розмовної незалученості з шести категорій (людина в циклі: 1 682 анотованих висловлювань, дотренований LLaMA 3, зважений F1 = 0,910, κ модель-проти-людини = 0,624) і використали його для дослідження 246 учнів середніх класів. Методологічний внесок так само важливий, як і висновок: коли класифікатор позначає більшість корпусу, результати поширеності мають бути перевірені на стійкість проти анотованої людиною підмножини — і тут головна асоціація (False Answering і Mocking як предиктори вищого посттесту) зникла саме за цієї перевірки.
## Пов’язані поняття
- [[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]]
## Пов’язані статті

- [[rho-disengaged-conversational-behaviors-2026]] — Незалучені розмовні поведінки та навчання в діалогах студент–ШІ (Rho та співавтори 2026)
- [[kestin-ai-tutoring-outperforms-active-learning-rct-2025]] — Тьюторинг із ШІ перевершує активне навчання в класі: РВП, що вводить новий дизайн на основі досліджень в автентичній освітній обстановці (Kestin та співавтори 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]] — Чутливе до цінностей проєктування орієнтованого на студента ITS в математиці розвитку коледжу
- [[prompt-engineering-personalization-ai-teaching-assistant-2026]] — Мікроперсоналізація асистента викладання із ШІ засобами інженерії підказок (Basu, Kakar та Goel 2026)
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Оманливе надмірне узагальнення: адаптивне оволодіння може зупинити практику раніше, ніж здобувачі дізнаються, коли утриматися від дії (An, McLaren та 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]] — Зворотний зв’язок із ШІ в реальному часі для опанування технічними навичками в коледжах освіти штату Квара: локалізований тьютор, представлений як субсидія персоналу
- [[mishra-control-vs-agency-history-2025]] — Простежує лінію ITS від експертних систем 1960–70-х до когнітивних тьюторів
- [[making-ai-tutoring-productive-mastery-math-2026]] — Зроблення тьюторингу із ШІ продуктивним: практика математики на основі оволодіння
- [[one-click-away-khanmigo-two-year-school-experiment-2026]] — One Click Away: Khanmigo у двохрічному шкільному експерименті
- [[yasir-llm-tutoring-agents-2026]] — Бенчмаркінг агентів зворотного зв’язку LLM із наземною істиною KG (Yasir та співавтори 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]] — Measuring Whether LLM Tutors Teach or Solve
- [[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: оцінювання ШІ-тьюторів на продуктивну боротьбу
- [[graph-its-adaptive-algorithms-2026]] — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
- [[adaptive-scaffolding-cognitive-engagement-its]] — Adaptive ICAP scaffolding in an ITS (BKT vs DRL)
- [[stanford-evidence-base-ai-k12-2026]] — Тьюторинг-специфічний проти ШІ загального призначення: свідчення щодо тривалих навчальних результатів
- [[hazra-safetutors-pedagogical-safety-2026]] — SafeTutors та педагогічна безпека
- [[kar-mathbuddy-affective-math-tutoring-2025]] — Афективний тьюторинг математики MathBuddy
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Virtual tutoring with CAL: експеримент у впровадженні та навчанні
- [[learnlm-improving-gemini-learning]] — LearnLM: покращення Gemini для навчання
- [[teachlm-post-training-llms-education]] — TeachLM: пост-тренування LLM на автентичних навчальних даних
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Відстеження знань на основі результатів із відображенням спорідненості
- [[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]] — моделі-тьютори, що опанують багато хибних уявлень студентів, не втрачаючи правильного вирішення
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: тьюторинг із ШІ й людський тьюторинг дають еквівалентні навчальні здобутки 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]] — Багатодисциплінарне РВП курсового, вбудованого в LMS ШІ-тьютора: підсумкові оцінки вниз на 0,37 SD у вибірці точних збігів, участь на платформі вниз на 0,90 SD, без інструкційної інтеграції (Liu та співавтори 2026)
- [[guided-ai-tutor-impasse-resolution-2026]] — Варіації в тому, як керовані ШІ-тьютори розв’язують глухі кути студентів, і чому ескалація має змінюватися з глибиною
- [[lyu-data-driven-redesign-tutoring-2026]] — Оцінювання процесу перепроєктування на основі даних для інтелектуальних тьюторських систем: більш продуктивний час на задачі та більше опанованих навичок, але без різниці в навчальних здобутках за тонкої дози практики (Lyu та співавтори 2026)
- [[regulatutor-long-term-personalized-tutoring-2026]] — RegulaTutor: A Theory-Informed Framework for Long-Term Personalized Learning (Li та співавтори 2026)
- [[alam-goblins-math-platform-2026]] — Розгортання платформи математики із ШІ за медіації викладача в усьому окрузі: вірність залученості ~51% і градієнт дози від 0,11 SD (2 задачі/тиждень) до 0,31 SD (20+/тиждень); більші дослідницькі асоціації для студентів IEP, EL та латиноамериканських студентів

---

## [Адаптивне навчання](https://edtechdev.github.io/aied/concepts/adaptive-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Адаптивне навчання** — освітні системи на основі ШІ, які пристосовують вміст, темп і навчальні стратегії на підставі індивідуальних характеристик і продуктивності здобувача. Адаптивне навчання є операційною цілею багатьох [[research-methods-aied|досліджень]] в [[ai-education|освіті з ШІ]]: використання [[student-modeling|моделей студента]] для персоналізації навчання.

## Питання для роздумів

- «Адаптивне», «персоналізоване», «індивідуалізоване» та «налаштоване під замовника» навчання часто вживають як взаємозамінні — але дослідження вказують, що вони не є тим самим. Що, на ваш погляд, означає кожне з цих слів, і в чому ці припущення можуть помилятися?
- Адаптивна система пристосовує вміст і складність на підставі моделі того, що ви знаєте. Що може піти не так, якщо ця модель спирається на поверхневі або ненадійні сигнали про ваше навчання?
- Ключове встановлення — системи, що виводять оволодіння з правильних відповідей, можуть припиняти практику занадто рано — перш ніж ви навчитеся, коли стримувати дію. Чи можете ви подумати про навичку, де багаторазова «правильність» усе одно залишила вас непідготовленим до реальної ситуації?
- Надмірна адаптація може усунути продуктивну боротьбу, потрібну студентам для глибокого навчання. Якщо ШІ робить речі легшими щомиті, коли ви боретеся, що саме втрачає здобувач?
- Метааналіз вказує, що механізм адаптації — а не конкретне покоління інструмента — керує [[learning-gains|навчальними здобутками]]. Якщо «як» має більше значення, ніж «який інструмент», на що слід звертати увагу при виборі адаптивного програмного забезпечення?
- Тьютори на основі LLM тепер можуть пристосовувати мову і стиль пояснення, а не лише складність. Коли персоналізація способу пояснення допомагає навчанню, і коли вона може тихо підірвати власну спроможність здобувача?

## Вступ

### Основні механізми

- **Цикл вимірювання-моделювання-адаптації:** [[knowledge-tracing]] оцінює, що знає студент, [[student-modeling]] репрезентує здобувача, і система відповідно пристосовує складність, вміст і [[feedback]].
- **Персоналізація в масштабі:** системи [[personalized-learning]] використовують адаптивні алгоритми для надання унікальних шляхів навчання кожному студентові. [[deeptutor]] та [[ai-powered-personalized-learning-elementary-fractions-2026|тьютори з дробих для початкової школи]] демонструють адаптивну персоналізацію на практиці.
- **Впорядкування вмісту:** [[adaptive-pretesting-retention|адаптивне претестування]] та [[adapt-adaptive-lesson-plan-transformer|трансформери планів уроків]] оптимізують порядок і тип поданого вмісту.
- **Інтеграція ITS:** [[intelligent-tutoring|системи інтелектуального тьюторингу]] є канонічною платформою адаптивного навчання, поєднуючи діагностику з адаптацією.
- **Профілювання та діагностика на основі AutoML:** Традиційні освітні моделі борються з обробкою багатоджерельних, гетерогенних даних про навчальну поведінку, що обмежує профілювання здобувачів і розвиток діагностичних моделей. Рамка персоналізованого пошуку нейрокогнітивної архітектури, керована автоматизованим [[reinforcement-learning|машинним навчанням]], інтегрує [[multimodal|мультимодальні]] освітні дані з гетерогенними методами, генеруючи діагностичні моделі, пристосовані до гетерогенних профілів здобувачів, і підтримуючи динамічний, а не статичний аналіз процесів навчання.

### Докази ефективності

База знань документує змішані докази: адаптивні системи покращують результати, коли адаптація заснована на надійних [[student-modeling|моделях студента]], але погано калібрована адаптація може шкодити навчанню. [[personalized-learning|Дослідження персоналізації]] розрізняють ефективну адаптацію та поверхневе налаштування під замовника. [[khalifeh-redefining-personalized-learning-ai-2026|Систематичні огляди]] встановлюють, що «адаптивним», «персоналізованим», «індивідуалізованим» та «налаштованим під замовника» навчанням користуються непослідовно — тож розміри ефекту сильно залежать від того, як операціоналізовано адаптацію, і галузь закликає до уніфікованої рамки.

Огляд PRISMA 2020, який пройшов 959 записів до 22 інтервенцій у вищій освіті, налічує адаптивні шляхи та системи рекомендацій серед провідних застосувань ШІ, але більшість досліджень покращила наявну практику, а не перетворила її ([[alsheikh-mapping-ai-integration-higher-education-2026|AlSheikh et al. (2026)]]).

**Педагогічне заснування, а не технічна здатність, керує адаптацією.** П’ятнадцятирічний огляд 127 досліджень інтелектуального тьюторингу встановлює, що більшість систем будуються навколо того, що може робити технологія, а не навколо заявленого педагогічного принципу, і оцінює середній приріст ITS приблизно в 20% проти до 98% для тьюторингу людиною ([[zerkouk-comprehensive-review-its-2025|Zerkouk et al. (2025)]]).

У дворічному RCT на рівні округу саме засвоєння, а не механізм адаптації, було обмежувальним чинником: зведення реєстрації до одного кроку підвищило засвоєння на першому занятті з приблизно 45% до 83% лише за рахунок змін у проєктуванні, і прирости за наміром лікувати зростали, коли зростало засвоєння ([[virtual-tutoring-computer-assisted-learning-takeup-2026|Oreopoulos et al. (2026)]]).


Огляд, узгоджений із PRISMA, 44 досліджень встановлює, що література про залучення перекошена на користь поведінкового залучення і найтонша щодо агентного залучення, і повідомляє про ефект новизни — залучення знижується з часом у довгострокових дослідженнях ALEKS і W-Pal, коли новизна інструмента згасає ([[simon-student-engagement-adaptive-learning-2026|Simon, Zeng & Fryer (2026)]]).
### Епоха ШІ: адаптація на основі LLM та її ризики

[[generative-ai|Генеративний ШІ]] розширив те, що можуть робити адаптивні системи — розмовні [[agentic-ai|агентні]] тьютори, вміст, заснований на [[rag]], та [[intelligent-tutoring|тьюторинг]], керований [[llm]], пристосовують не лише складність проблем, але й мову і стиль пояснення (наприклад, [[learnmate2-llm-adaptive-learning|LearnMate-2]], [[deeptutor]], [[chudziak-ai-math-tutoring-platform|багатоагентний адаптивний тьюторинг]]). Однак адаптація на основі LLM вводить нові ризики: без надійних [[student-modeling|моделей студента]] адаптація може базуватися на поверхневих сигналах; надмірна адаптація може знизити продуктивну боротьбу, потрібну студентам (див. [[desirable-difficulties]], [[cognitive-offloading]]); і баланс між персоналізацією та збереженням [[agency]] здобувача є відкритим питанням проєктування (див. [[agentic-ai|агентний ШІ]]). Варіант адаптації за запитом здобувача працює без жодної [[student-modeling|моделі студента]] взагалі: у магістерському курсі Sidorkin (2026) читання пристосовувалися лише, коли студенти ставили додаткові питання, щоб переформулювати, поглибити, спростити або локалізувати їх, і запити, орієнтовані на розуміння, надійно давали щільніший скаффолдинг (від 3,4x до 8,7x більше дефініційних маркерів, ніж базовий текст), чому вимога ставити щонайменше три додаткові питання на читання перетворила матеріал на взаємодію. Вона також переміщує адаптивне навантаження на здобувача: адаптація тут відбувається лише, якщо студент знає, про що просити.

### Відношення до персоналізованого навчання та інтелектуального тьюторингу

Адаптивне навчання часто плутають із [[personalized-learning|персоналізованим навчанням]], але вони відрізняються. **Адаптивне навчання** — це *механізм* — пристосування вмісту, темпу та складності в реальному часі на підставі моделі здобувача. **Персоналізоване навчання** — це *ширша ціль* пристосування всього навчального досвіду до індивіда, однією з реалізацій якого є пристосування в реальному часі. Адаптивні системи є канонічним *засобом* до персоналізації. [[intelligent-tutoring|Інтелектуальний тьюторинг]] — класична *платформа*: ITS поєднують діагностику (моделювання студента, відстеження знань) з адаптацією, а тьютори на основі LLM пристосовують розмовно. Разом із [[personalized-learning|персоналізованим навчанням]] адаптивне навчання є членом родини [[student-modeling|моделювання здобувачів та адаптивного навчання]] з боку застосування — споживаючи репрезентації здобувачів, які дають [[student-modeling|моделювання студента]], [[knowledge-tracing]] та [[cognitive-diagnosis]].

### Дослідницькі докази

- **[[meta-analysis-systematic-review|Метааналітичні]] докази щодо адаптивних інструментів із ШІ.** [[burneo-can-edtech-close-learning-gaps-2026|Метааналіз Світового банку]] 14 [[rct|RCT]] об’єднує адаптивне комп’ютерно-асистоване навчання, інтелектуальний тьюторинг та генеративний ШІ на спільній шкалі, оцінюючи середній навчальний приріст приблизно в 0,125 sd без значної відмінності між двома поколіннями технологій — доказ того, що механізм адаптації, а не конкретне покоління інструмента, керує приростами.
- **Адаптивні алгоритми, порівняні в динамічних доменах.** [[graph-its-adaptive-algorithms-2026|Дослідження ITS на основі графів]] порівнює множинні алгоритми адаптивного навчання (включаючи байєсівське поширення знань та інтуїціоністську нечітку логіку) в рамці репрезентації знань на основі графів для динамічних навчальних планів.

- **Підсилене навчання як механізм адаптації, емпірично відображений.** [[riedmann-reinforcement-learning-education-review-2026|Riedmann, Schaper & Lugrin (2025)]] синтезують 89 досліджень ПН в освіті і встановлюють, що адаптація ділиться на механізми, пов’язані з вмістом (впорядкування навчання/планування вмісту, n = 53), та механізми, пов’язані з настановами (підказки, [[feedback]], вибір діяльності, n = 36) — причому ПН показує статистично значну перевагу над базовими рівнями частіше для адаптації, пов’язаної з настановами, ніж для планування вмісту. Вони рекомендують ПН без моделі для адаптивного навчання і застерігають, що класичне ПН перевершувало глибоке ПН в розглянутих дослідженнях.
- **Адаптивність на основі правильності може припиняти практику занадто рано.** [[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren, and Stamper (2026)]] встановили, що адаптивні системи, що виводять оволодіння з правильності, ризикують припинити практику раніше, ніж здобувачі зустрінуться з контекстами, де навчена дія мусить бути стримана — залишаючи оманливе надмірне узагальнення невиявленим. Вони рекомендують включати завдання детектора «не діяти» раніше, ніж спрацюють правила зупинки оволодіння, щоб адаптація перевіряла умовне розуміння (знання того, коли стримувати дію), а не лише правильність.
- **Серія оволодіння не є тривким навчанням.** У польовому експерименті з 6000 учнів середньої школи правило оволодіння «три правильні поспіль» на підтримці ШІ підвищило досягнення, визначене платформою, приблизно на 28,7 відсоткового пункта, не покращивши відкладений тест тиждень потому, тож метрики оволодіння мусять валідуватися проти відкладеного навчання, а не стояти на його місці ([[making-ai-tutoring-productive-mastery-math-2026|Oreopoulos et al. (2026)]]).
- **Пристосовуйте *тип* когнітивного залучення, а не лише складність.** [[adaptive-scaffolding-cognitive-engagement-its|Tithi et al. (2026)]] встановили, що політики BKT і глибокого ПН, що призначають керовані (активні) або баговані (конструктивні) розв’язані приклади, обидві перевершують випадкове призначення в тьюторі з логіки для 113 студентів (пост-тест 72,3 і 72,5 проти 65,7), причому BKT найкраще обслуговує студентів із низьким попереднім знанням, а DRL — із високим.
- **Більше зворотного зв’язку не є кращим зворотним зв’язком.** У восьмитижневому адаптивному курсі стохастики (194 студенти) директивний, інформативний і трансформативний зворотний зв’язок засвоювалися по-різному, і трансформативний зворотний зв’язок був пов’язаний із когнітивним перевантаженням, а не з кращою регуляцією — адаптивність мусить відповідати фазі та потребі здобувача, а не максимізувати щільність зворотного зв’язку ([[mejeh-fromm-srl-adaptive-learning-feedback-2026|Mejeh & Fromm (2026)]]).
- **Профілі залучення як цілі адаптації.** [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] простежили 315 онлайн-здобувачів, які будували 822 моделі в VERA, і класифікували їхнє залучення на профілі Спостереження, Конструкції та Дослідництва, встановивши, що здобувачі схильні прогресувати від поведінки, зосередженої на конструкції, до повнішого, керованого гіпотезами Дослідництва, тоді як Спостереження зберігається через усі фази. Вони стверджують, що адаптивне і персоналізоване проєктування мусить визнавати ці профілі та цілитися в зворотний зв’язок (наприклад, рекомендуючи подібні моделі або підтримуючи глибше понятійне розуміння), щоб перемістити поверхневих спостерігачів до більш інтегративного моделювання повного циклу.
- **Пам’ять, яку читають, але в яку не пишуть, не є адаптацією.** Контроль CoLearn із замороженою пам’яттю подавала фіксовані елементи, усе одно читаючи профіль здобувача, і частка елементів, націлених на справді слабку навичку, впала з 0,72 до 0,57, причому кінцева помилка оволодіння зросла вище умови адаптації ([[colearn-agentic-tutor-co-learning-loop-2026|He et al. (2026)]]).
- **Приріст прийшов із впорядкування, а не з розумнішого тьютора.** [[chung-personalized-ai-tutors-llm-reinforcement-learning-2026|Chung et al. (2026)]] навчили персоналізованого тьютора з підсиленим навчанням під керівництвом LLM і розгорнули його в п’ятимісячному курсі Python у десяти [[k-12|середніх школах]] Тайбея, рандомізуючи 770 студентів між адаптивними та фіксованими послідовностями проблем від легких до важких. Адаптивне впорядкування підвищило оцінку [[summative-assessment|підсумкового іспиту]] в присутності та без допомоги на 0,156 SD (0,150 SD з контролями) — тоді як аналіз медіації приписав ефект майже цілком залученню (0,185 SD через час на завданні, 0,149 SD через спроби), а не легшому або важчому матеріалу, і прирости були найбільшими для початківців і шкіл нижчого рівня. Адаптивним важелем був порядок практики, а не якість чату.
- **Залишайте рішення про оволодіння на основі правил і обмежуйте машинне навчання моніторингом.** Восьмитижнева адаптивна програма STEM для 30 шестикласників керувала шляхами за оволодінням на основі правил, тоді як машинне навчання відстежувало продуктивність, утримуючи адаптацію аудитовною, але без претесту і з однією аудиторією на умови, її прирости є пілотним шаблоном для локальної валідації ([[bin-bakheet-adaptive-ai-stem-deep-learning-2026|Bin Bakheet et al., 2026]]).
- **Пристосовуйте атрибут вузького місця, а не слабкий середній.** Моделювання переходів станів знань розташувало аналітичне мислення як найтяжче для засвоєння і найлегше для втрати — найнижча ймовірність прямого переходу 0,31 і найвища зворотна 0,22-0,23 — роблячи перепрактику позначеного атрибута більш чіткою ціллю адаптації, ніж загальне оволодіння ([[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng & Huang, 2026]]).
- **Адаптація з послідовностей процесу, а не з сукупних оцінок.** [[adaptive-ai-scaffold-collaborative-problem-solving-2026|Wong, Bulathwela & Cukurova (2026)]] вивели правила скаффолдингу, видобуваючи *порядок* реплік діалогу 65 студентів у тріадах, переміщуючи адаптивне навчання від сукупних поведінкових чи продуктивних мір до індивідуальних послідовностей процесу; максимальний скаффолдинг підвищував поведінку на завданні, але також скриптування, і дизайн не є перевіреним.

## Пов’язані поняття

- [[online-teaching-and-learning]] — Онлайн-викладання та навчання
- [[knowledge-tracing]]
- [[personalized-learning]]
- [[intelligent-tutoring]]
- [[student-modeling]]
- [[scaffolding]]
- [[cognitive-diagnosis]]
- [[llm]]
- [[learning-analytics]]
- [[higher-ed]]
- [[k-12]]
- [[formative-assessment]]
- [[behaviorism]]
- [[ai-technologies]] — Засніт: технології ШІ та прийоми (моделі, навчання LLM, робототехніка, RAG, агентність)
- [[recommender-systems-and-learning-paths]]

## Пов’язані статті
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Оманливе надмірне узагальнення: адаптивне оволодіння може припинити практику раніше, ніж здобувачі знатимуть, коли стримувати дію (An, McLaren & Stamper 2026)
- [[turano-ai-tutoring-not-a-monolith-2026]] — Тьюторинг ШІ не є монолітом: що ми насправді знаємо (бриф Stanford SCALE/NSSA)
- [[adaptive-ai-scaffold-collaborative-problem-solving-2026]]
- [[mejeh-fromm-srl-adaptive-learning-feedback-2026]]
- [[simon-student-engagement-adaptive-learning-2026]] — Систематичний огляд залучення студентів на платформах адаптивного навчання
- [[ai-enhanced-pbl-chatgpt-scaffolding-2026]]
- [[ai-student-engagement-online-learning-review-2025]]
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Віртуальний тьюторинг із CAL: експеримент із засвоєнням та навчанням
- [[making-ai-tutoring-productive-mastery-math-2026]] — Зроблення тьюторингу ШІ продуктивним: практика математики на основі оволодіння
- [[chudziak-ai-math-tutoring-platform]] — Адаптивний/персоналізований багатоагентний тьюторинг математики (Chudziak & Kostka 2025)
- [[khalifeh-redefining-personalized-learning-ai-2026]] — Перевизначення персоналізованого навчання: систематичний огляд
- [[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]] — Специфічний для тьюторингу ШІ, калібрований до готовності здобувача, проти загальних чат-ботів
- [[context-based-ai-secondary-chemistry-2026]] — Контекстне навчання 7E зі ШІ у хімії середньої школи
- [[bin-bakheet-adaptive-ai-stem-deep-learning-2026]] — Адаптивна програма STEM на основі ШІ для глибокого навчання
- [[graph-its-adaptive-algorithms-2026]] — Інтелектуальний тьюторинг на основі графів для динамічних доменів (2026)
- [[bayesian-cognitive-diagnosis-personalized-learning-paths]] — Байєсівська когнітивна діагностика для персоналізованих шляхів навчання
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивний скаффолдинг ICAP в ITS (BKT проти DRL)
- [[burneo-can-edtech-close-learning-gaps-2026]] — Метааналіз, що об’єднує адаптивні інструменти та інструменти зі ШІ в 14 RCT
- [[alsheikh-mapping-ai-integration-higher-education-2026]] — Систематичний огляд: адаптивні шляхи серед провідних випадків інтеграції ШІ у вищій освіті
- [[an-goel-self-directed-modeling-2026]]
- [[riedmann-reinforcement-learning-education-review-2026]]
- [[chung-personalized-ai-tutors-llm-reinforcement-learning-2026]] — Адаптивне впорядкування проблем перевершує фіксоване впорядкування: +0,156 SD на іспиті без допомоги, опосередковане залученням, а не складністю (Chung et al. 2026)
- [[colearn-agentic-tutor-co-learning-loop-2026]] — CoLearn: агентний тьютор, який навчається свого здобувача в циклі спільного навчання людини та ШІ

---

## [Персоналізоване навчання](https://edtechdev.github.io/aied/concepts/personalized-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Персоналізоване навчання** — пристосовування освітнього досвіду до індивідуальних [[student-modeling|профілів здобувачів]], зокрема попередніх знань, темпу навчання, вподобань і [[affective-computing|афективних]] станів. ШІ дає змогу персоналізувати в масштабі, хоч розрив між *персоналізацією системи* та *персоналізацією, сприйнятою здобувачем*, залишається відкритою проблемою вимірювання. Поряд із [[adaptive-learning|адаптивним навчанням]] та [[intelligent-tutoring|інтелектуальним репетиторством]], воно є одним із членів сторони застосування родини [[student-modeling|моделювання здобувачів та адаптивної інструкції]] — споживаючи моделі здобувачів, щоб адаптувати інструкцію.

## Питання для роздумів

- Коли ви думаєте про «персоналізоване навчання», чи уявляєте ви зміст, пристосований до темпу здобувача, або до його обраних цілей? Сторінка стверджує, що це глибоко різні речі (одноманітні результати через різноманітні шляхи проти різноманітних результатів). Що ви цінуєте більше, і чому?
- Сторінка відрізняє персоналізоване навчання (мету) від адаптивного навчання (один механізм). Чи можете ви придумати персоналізацію, яка не включає адаптацію в реальному часі, — і чи вона все ще зараховується?
- Система може адаптуватися, а здобувач ніколи не відчує себе впізнаним. Коли ви відчували, що вас «персоналізували», не відчуваючи себе справді пізнаним? У чому різниця?
- Сторінка позначає, що надмірна персоналізація може залишити здобувачів у смугах низьких очікувань. Як добре задумане пристосування ШІ може випадково знизити стелю для здобувача?
- Персоналізація потребує детальних даних про здобувача; конфіденційність потребує мінімізації даних. Де ви проводите межу між «достатньо даних, щоб адаптуватися» і «настільки багато, що здобувач залишається незахищеним»?
- Що мав би ШІ пам'ятати про вас між сеансами, щоб справді персоналізувати ваше навчання — і які є ризики того, що він пам'ятатиме ці речі?

## Вступ

Пристосовування освітнього досвіду до індивідуальних профілів здобувачів, зокрема [[prior-knowledge|попередніх знань]], темпу навчання, вподобань і афективних станів. ШІ дає змогу персоналізувати в масштабі, хоч розрив між *персоналізацією системи* та *персоналізацією, сприйнятою здобувачем*, залишається відкритою проблемою вимірювання.

- **[[mishra-control-vs-agency-history-2025|Mishra et al.]]** відрізняють дві форми персоналізації з глибокими історичними корінням — одноманітні результати, досягнуті через різноманітні шляхи (від машин для [[teacher-role|навчання]] Скіннера до репетиторства опанування в стилі Khan Academy), проти різноманітних, обраних здобувачем результатів, — що відображають натяк контролю проти агентності в цій галузі.

## Архітектури для персоналізації, керованої ШІ

### Поздовжня пам'ять (PersonaVLM → освіта)

Nie et al. (2026) розробили архітектуру довгострокової пам'яті [[multimodal]] (PersonaVLM), яка підтримує узгодженість персони між взаємодіями. Відображена на освіту, вона дає змогу системам репетиторства пам'ятати [[misconceptions]] здобувача, уподобані пояснення та історію прогресу між сеансами — вирішуючи критичний дефіцит у тьюторах-[[conversational-ai|чат-ботах]] без стану.

### Субстрат персоналізації, нативний для агентів (DeepTutor)

Ma et al. (2026) проєктують кожну функцію [[deeptutor]] так, щоб вона ділила спільний субстрат персоналізації, а не прикріплювала персоналізацію до реактивних інструментів. Ця архітектура забезпечує узгодженість між модальностями: той самий профіль здобувача керує [[problem-solving|розв'язуванням задач]], [[automated-question-generation|генерацією запитань]] і спільним письмом.

### Соціальна персоналізація мультиагентами (MAIC)

Yu et al. (2024) персоналізують не лише зміст, а й *соціальний контекст*. Архетипи однокласників (Жартівник, Глибокий мислитель, Нотатник, Допитливий розум) створюють різноманітну динаміку навчання від однолітків, узгоджену з індивідуальними потребами здобувачів.

### AutoML для портретів здобувачів

Персоналізація є центральною метою для покращення якості освіти, проте обробка даних про навчальну поведінку з різних джерел залишається проблемою. Рамка персоналізованого пошуку нейрокогнітивної архітектури, керована автоматизованим [[reinforcement-learning|машинним навчанням]], будує портрети здобувачів і генерує діагностичні моделі для гетерогенних профілів здобувачів, інтегруючи багатомодальні дані, щоб вийти за межі статичних результатів іспитів.

Статична база знань не може персоналізувати: онтології розвиваються повільно і погано обробляють невизначеність, тож архітектура узгоджує репрезентацію з типом знань — декларативні — з онтологіями, процедурні — з правилами, невизначені — з нечіткими або ймовірнісними онтологіями, неявні — з аналітикою та машинним навчанням, — і надає перевагу системі малих відображених онтологій перед однією монолітною моделлю ([[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026|Ivanova, 2026]]).

## Зв'язок із адаптивним навчанням та інтелектуальним репетиторством

Персоналізоване навчання часто плутають з [[adaptive-learning|адаптивним навчанням]], але це не одне й те саме. **Адаптивне навчання** стосується *механізму* — системи, що налаштовує зміст, темп і складність у реальному часі на основі моделі здобувача. **Персоналізоване навчання** — це *ширша мета* — пристосування всього навчального досвіду (змісту, шляхів, темпу, вподобань, цілей) до індивіда, з якого адаптація в реальному часі є однією реалізацією. Адаптивні системи є *засобом* для персоналізації, але персоналізацію можна досягти і через статичні профілі здобувачів, шляхи на основі вибору або пристосування людським тьютором, яке не адаптується в реальному часі.

Огляд PRISMA 2020 22 втручань у вищій освіті розміщує підтримку персоналізованого навчання та адаптивні шляхи серед домінантних випадків використання ШІ, проте більшість реалізацій покращувала наявну практику, а не перетворювала її ([[alsheikh-mapping-ai-integration-higher-education-2026|AlSheikh et al. (2026)]]).

[[intelligent-tutoring|Інтелектуальне репетиторство]] стоїть посередині: ITS є канонічними *адаптивними* платформами, які надають персоналізовану інструкцію через структуроване моделювання студентів, тоді як тьютори на основі [[llm]] персоналізують розмовно. Усі три є членами сторони застосування родини [[student-modeling|моделювання здобувачів та адаптивної інструкції]] — вони споживають репрезентації здобувачів, створені [[student-modeling|моделюванням студентів]], [[knowledge-tracing]] і [[cognitive-diagnosis]], щоб вирішити, чому вчити далі. Ця відмінність має значення для оцінювання: дослідження, які позначають систему «адаптивною», «персоналізованою» або «індивідуалізованою» як взаємозамінні (див. нижче), можуть приховувати, чи випливає заявлена вигода з адаптації в реальному часі, вибору здобувача чи пристосування змісту.

## Проблеми вимірювання

- **Системна проти сприйнятої персоналізації** — система може адаптуватися, а здобувач не відчувати себе впізнаним
- **Поздовжня дійсність** — вигоди персоналізації можуть згасати, якщо профілі стають застарілими або переобладнаними
- **Ризики [[equity-in-ai-education|справедливості]]** — надмірна персоналізація може залишити здобувачів у смугах низьких очікувань

- **Ризики упередженості** — зумовлювання атрибутами студента може кодувати стереотип: за незмінних есеях зворотний зв'язок для студентів, позначених за расою, мовою чи інвалідністю, ставав більш похвальним і менш критичним ([[marked-pedagogies-linguistic-bias-writing-feedback|Tan, Phalen & Demszky (2026)]]).

## Персоналізація та оцінювання

Персоналізація та [[assessment]] тісно пов'язані в навчанні, керованому ШІ. Адаптивна персоналізація залежить від тривалого [[formative-assessment|формативного]] вимірювання того, що знає здобувач (через [[knowledge-tracing]], [[student-modeling]] і [[cognitive-diagnosis]]), щоб вирішити, що адаптувати далі, — тож надійність сигналу [[assessment]] безпосередньо обмежує якість персоналізації. Навпаки, коли [[summative-assessment|підсумкове оцінювання]] персоналізується для кожного здобувача, [[bias-mitigation|справедливість]] і порівнянність стають важчими для встановлення. Дослідження [[research-methods-aied|дослідження]] бази знань попереджає проти надмірного пристосування до поверхневих або шумних сигналів: [[adaptive-learning|адаптивні]] системи, які неправильно вимірюють здобувача, можуть персоналізувати способами, які зменшують навчання, а не підтримують його, і студентів, нативних для ШІ, чиє самооцінювання є ненадійним («відсутній когнітивний базис»), важче точно моделювати.

## Персоналізація в епоху ШІ

Найсильніші докази, що це занепокоєння не є гіпотетичним, походять від [[personalization-paradox-adaptive-learning-emotions-2026|трихвильового поздовжнього дослідження 486 китайських студентів першого циклу (Li, Lin & Qiu, 2026)]], яке виявило, що чим більш персоналізованим студенти сприймали своє адаптивне середовище ШІ, тим *нижчим* було їхнє [[self-regulated-learning|саморегульоване навчання]] — «парадокс персоналізації». Зрушення в академічних емоціях несли більшу частину ефекту: зустріч із адаптивним середовищем передбачала менше задоволення і більше тривожності та нудьги, і ці емоційні зміни разом пояснювали приблизно половину асоціації між персоналізацією і зменшеною саморегуляцією. [[ai-literacy|ШІ-грамотність]] пом'якшувала шкоду, ослаблюючи негативну емоційну асоціацію до незначущості за високої грамотності. Персоналізація тому, схоже, купує адаптивну відповідність ціною власної [[regulation|регуляторної]] активності здобувача, і дослідження вказує на емоційний досвід — не лише на когнітивне навантаження — як на канал, крізь який платиться ця ціна.

Там, де діагноз за шляхом підтверджений, персоналізація окупається зниженням навантаження, а не покриттям більшого: відновлення найкоротшим шляхом у середньому складало 3.82 кроки і скоротило час навчання на 22.0% (57.6 проти 73.8 хвилин, причому когнітивне навантаження несло 53.7% ефекту посттесту ([[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng & Huang, 2026]])).

Докази для інструмента самі можуть бути негативними в малому масштабі: у п'ятиденному дослідженні дробів у початковій школі (фінальне n = 22) група зі звичайною практикою показала значно більші прирости розуміння, ніж група адаптивного Mathbot на основі ШІ, і автори позначають сплутування рівнем класу, вгадування та вартість ліцензування як обмеження — мітка «адаптивний» не несе жодного ефекту ([[ai-powered-personalized-learning-elementary-fractions-2026|Holman (2024)]]).

Підсилене навчання є окремим механізмом персоналізації, і [[riedmann-reinforcement-learning-education-review-2026|Riedmann, Schaper & Lugrin (2025)]] відображають його емпіричний послужний список: їхній [[meta-analysis-systematic-review|огляд PRISMA]] 89 досліджень RL в освіті виявляє, що персоналізація RL зосереджена в [[higher-ed]] і [[math-education]], з адаптацією, реалізованою здебільшого як планування змісту (n = 53) або пов'язана з керівництвом персоналізація, як-от підказки та зворотний зв'язок (n = 36). Вони повідомляють, що політики RL перемагали неадаптивні базові лінії найчастіше на пов'язаній із керівництвом адаптації та на [[affective-computing|афективних]] змінних (63% перевірених досліджень), і що навчальний приріст — особливо нормований навчальний приріст — був найефективнішим джерелом винагороди, — практичне керівництво для проєктування сигналів винагороди, які персоналізують на користь справжнього навчання, а не [[student-engagement|залученості]].

[[ai-coaching-rl-skill-development|Wang et al. (2026)]] показують, що мета винагороди сама є вибором персоналізації: тренер RL, навчений на незалежній компетентності здобувача, скоротив час кола на 27.9% (p = 0.005), тоді як засноване на правилах згасання не дало надійної зміни, і автори стверджують, що агенти кодування, оптимізовані на продуктивність задач, не мають стимулу для того, що людина зберігає.

Bernstein and Sibia (2026) загострюють відмінність між персоналізацією інтересів та персоналізацією експертизи: узгоджені з інтересами аналогії GenAI повідомлялися як більш залучаючі і запам'ятовувані, але не рівномірно більш довірені, і деякі студенти надавали перевагу загальному технічному поясненню, навіть коли аналогія узгоджувалася з їхнім заявленим інтересом, задля самодостатності та повноти ([[student-reception-genai-analogies-computing-2026]]). Їхня рекомендація з проєктування — персоналізувати через структуру вихідної області і запитувати у студентів, що вони вже знають, а не лише що їх цікавить, оскільки саме обізнаність із вихідною областю дозволяє здобувачеві перевіряти аналогію, — і давати здобувачам контроль над персоналізацією через меню аналогій, добровільну участь або пропонування загальних і персоналізованих версій разом. Sidorkin (2026) документує подальше парування на рівні матеріалів курсу, а не окремих пояснень: тижневі читання, генеровані на запит для аспірантського курсу освітнього лідерства, пристосовувалися водночас за інтересом (сектор, професійна роль, місцеві приклади) і рівнем розуміння (темп, визначення, глибина), і отримані журнали ділили спільний хребет (косинусна схожість TF-IDF 0.50 до 0.61), що він читає як шаблон із налаштовними важелями, а не повний перепис на здобувача. Той самий корпус показує, що пристосування було структурним, але нерівномірним за інтенсивністю: позначки пристосування на рівні артефактів у середньому складали 52.24 на 10 000 слів і коливалися від 38.74 до 74.29 по журналах, тоді як орієнтовані на розуміння підказки давали в 3.4x до 8.7x більше визначень [[scaffolding]], ніж базовий пояснювальний текст.

Третьою віссю персоналізації є *мета*, і саме її планувальники ШІ обробляють найгірше. [[personapath-personalized-learning-paths-2026|Liu et al. (2026)]] поєднали 2 000 синтетичних персон здобувачів із графом передумов 347 підручників і 4 092 понять і попросили десять LLM планувати крок за кроком, які знання здобувач має вивчати, щоб досягти заявленої цільової одиниці. Моделі створили структурно правильні навчальні програми — DeepSeek-V3.1 досяг 90.9% за дійсністю передумов і галюцинацій, — не спрацьовуючи на їхньому пристосуванні до здобувача: адаптивність не перевершила 44.7%, фінальний відсоток проходження DeepSeek-V3.1 становив 29.5% у базовій освіті і 14.6% у вищій освіті, і прибирання поля опанування з персони коштувало до 26.1 процентних пунктів адаптивності, залишаючи дійсність майже незмінною. Генерація всього шляху за один прохід, а не інтерактивно, підвищувала дійсність на аж до 30.8 пунктів, скорочуючи адаптивність на 28.8. Твердження «персоналізований» є твердженням про відгукування на стан здобувача, і змінна стану — саме та частина, без якої ці планувальники можуть найлегше обійтися — обчислювальний відповідник занепокоєння щодо вимірювання вище.

Четверта вісь — це *аудиторія*, а не окремий здобувач: [[bespoke-industry-personalized-lecture-videos-2026|Bespoke]] перегенеровує наявну лекцію для названої професійної групи (охорона здоров'я, фінанси або енергетика), і її експертні оцінювачі оцінили версії, оформлені для галузі, на 0.32 пункти вище за глибиною персоналізації (3.97 проти 3.65), тоді як калібрування аудиторії відставало (3.52). Пристосування до когорти, а не до здобувача, є дешевшою і більш керованою формою персоналізації, але рубрика, якою її вимірювали, оцінювала оцінену відповідність, а не результати здобувачів.

Персоналізація може переважити людського доповідача: у великому онлайн-курсі (493 респонденти) студенти ранжували персоналізовані відео, згенеровані ШІ, вище за не персоналізовані записані людиною (середній ранг 2.26 проти 2.69), і 88.4% ранжували якесь персоналізоване відео першим проти 73.8% для записаного людиною ([[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]]).

## Мікроперсоналізація, зумовлена підказкою

[[prompt-engineering-personalization-ai-teaching-assistant-2026|Basu, Kakar & Goel (2026)]] показують, що розрив між системною і сприйнятою персоналізацією можна вирішити на рівні відповіді. Їхня рамка для тьютора Jill Watson на основі [[llm]]/[[rag]] поєднує обрані здобувачем уподобання (абстрагування, багатослівність, сприйняття, обробка, розуміння) з виведеним системою когнітивним попитом ([[cognitive-diagnosis|таксономія Блума]]), щоб створити 96 мікропрофілів, пристосованих на кожній взаємодії через [[prompt-engineering|структуроване зумовлювання підказкою]] — без перетренування, без [[discipline-specific-aied|предметно-специфічного]] авторства. Це гібрид [[adaptive-learning|пристосовуваності]] (обрання уподобань здобувачем) і адаптивності (системної когнітивної оцінки), що показує, що персоналізація *того, як* подається зміст, може бути водночас масштабованою і сприйнятною для здобувачів.

## Термінологічна неоднозначність

Повторюваною проблемою є те, що «персоналізоване навчання» є широким, слабо визначеним поняттям-парасолькою. Систематичні огляди ([[khalifeh-redefining-personalized-learning-ai-2026|Khalifeh et al., 2026]]) виявляють, що [[adaptive-learning|адаптивне навчання]], індивідуалізована інструкція, налаштоване навчання і персоналізоване навчання використовуються як взаємозамінні, без універсально прийнятого визначення, — що є джерелом концептуальної неоднозначності, яка ускладнює синтез досліджень і засновану на доказах практику. Галузь дедалі більше закликає до єдиної рамки та визначення, щоб «персоналізований» позначав точне, підтверджене доказами твердження, а не розмиту мітку (пункт, підсилений [[limitations-in-aied-research|критикою слабкого використання конструктів]] бази знань).

## Пов’язані поняття

- [[adaptive-learning]] — Adaptive systems that tailor content, pacing, and difficulty to the learner in real time
- [[intelligent-tutoring]] — Tutoring systems that model the learner and deliver individualized instruction
- [[student-modeling]] — Representing learner knowledge, skills, and states that drive adaptation
- [[knowledge-tracing]] — Inferring mastery of knowledge components from performance over time
- [[cognitive-diagnosis]] — Diagnosing latent learner knowledge and attributes from responses
- [[scaffolding]] — Support and fading calibrated to individual learner needs
- [[student-experience]] — The learner's lived experience of personalization
- [[learning-analytics]] — Data-driven measurement of learning that informs adaptation
- [[formative-assessment]] — Ongoing assessment that signals what to adapt next
- [[summative-assessment]] — Endpoint assessment whose comparability personalization complicates
- [[generative-ai]] — LLM-based conversational personalization
- [[edtech-platform]] — Platforms that deliver personalized learning at scale
- [[higher-ed]] — Higher-education context for personalization
- [[online-teaching-and-learning]] — Online Teaching and Learning
- [[recommender-systems-and-learning-paths]]

## Пов’язані статті
- [[bespoke-industry-personalized-lecture-videos-2026]] — Industry-personalized lecture video regeneration from a seed transcript: audience-level tailoring, rated by domain experts (Puech et al. 2026)
- [[prompt-engineering-personalization-ai-teaching-assistant-2026]] — Prompt-engineering micro-personalization of an AI teaching assistant (Basu, Kakar & Goel 2026)
- [[turano-ai-tutoring-not-a-monolith-2026]] — AI Tutoring is Not a Monolith: What We Actually Know (Stanford SCALE/NSSA brief)
- [[mishra-control-vs-agency-history-2025]] — Distinguishes two forms of personalization (uniform vs diverse outcomes)
- [[khalifeh-redefining-personalized-learning-ai-2026]] — Redefining personalized learning: systematic review
- [[deeptutor]] — Agent-native personalization substrate for tutoring
- [[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026]] — Ontology-based layered hybrid knowledge model for personalized e-learning
- [[ai-powered-personalized-learning-elementary-fractions-2026]] — Personalized adaptive learning for elementary fractions
- [[ai-coaching-rl-skill-development]] — Reinforcement-learning coaching for skill development
- [[personalized-ai-generated-videos-preference-2026]] — Students prefer personalized AI-generated videos over non-personalized human-recorded ones (Tomlinson et al. 2026)
- [[bayesian-cognitive-diagnosis-personalized-learning-paths]] — Bayesian cognitive diagnosis for personalized learning paths
- [[graph-its-adaptive-algorithms-2026]] — Graph-Based Intelligent Tutoring for Dynamic Domains (2026)
- [[instructor-ai-roles-chatgpt-formative-assessment-2026]] — Instructor and AI roles in ChatGPT-enhanced formative assessment
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: bias in personalized automated feedback
- [[alsheikh-mapping-ai-integration-higher-education-2026]] — Systematic review: adaptive pathways & recommenders are a top AI integration use case in higher ed
- [[riedmann-reinforcement-learning-education-review-2026]]
- [[student-reception-genai-analogies-computing-2026]] — Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education
- [[personalization-paradox-adaptive-learning-emotions-2026]] — Personalization paradox: perceived adaptive personalization linked to lower self-regulated learning via academic emotions, buffered by AI literacy (Li, Lin & Qiu 2026)
- [[personapath-personalized-learning-paths-2026]] — PersonaPath: LLM planners reach 90.9% validity but no model exceeds 44.7% adaptivity when personalizing paths to a stated learner goal (Liu et al. 2026)

---

## [Системи рекомендацій і навчальні траєкторії](https://edtechdev.github.io/aied/concepts/recommender-systems-and-learning-paths/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Системи рекомендацій і навчальні траєкторії** — частина [[adaptive-learning|адаптивної]] та [[personalized-learning]] технології, яка вирішує, *з чим здобувач має зустрітися далі* і в якому порядку: який ресурс, практичне завдання чи курс ранжувати для нього й у якій послідовності проходити поняття. Дві її [[parents-and-families|родини]] методів — поведінкові — [[machine-learning|колаборативна фільтрація]] за журналами взаємодії, — і семантичні — упорядкування за [[knowledge-graph|графом знань]] понять, ресурсів і відношень передумов, — які дедалі частіше зливаються в гібридні моделі. Оскільки результат є ранжованим переліком, а не діалогом, характерними проблемами є вибірковість і легітимність: холодний старт і упередженість популярності за розріджених даних, напрямлена асиметрія передумов і те, чи може [[teacher-role|викладач]] або здобувач зрозуміти, перевірити та довіряти переліку, який йому показують.

## Питання для роздумів

- Система рекомендацій учиться на тому, що здобувачі клацали, дивилися і завершували. Якщо система бачить лише поведінку, чиє навчання вона насправді моделює — і що вона пропускає для студента, який мовчазний, погано впорається або вже знає матеріал?
- В одному дослідженні викладачі вважали пояснення мовою навчальних програм зрозумілішими й більш гідними довіри, ніж діаграми важливості ознак. Що мало б казати пояснення рекомендації, перш ніж *ви* діяли б на його підставу?
- Відношення передумов існують лише в одному напрямку — знання B не означає знання A. Чому модель, що оцінює пари понять незалежно, могла б помилитися в цьому, і що пішло б неправильно далі для здобувача, якби вона помилилася?
- Дослідження оптимізації траєкторій повідомляють про коротші траєкторії та кращі бали посттесту, зі зниженням пізнавального навантаження як основним медіатором. Чи коротша траєкторія завжди є кращою траєкторією, чи ефективність може прибрати практику, потрібну здобувачеві?
- Аудит освітньої системи рекомендацій виявив, що популярні матеріали все ще домінували в переліках і після втручань на користь справедливості та різноманіття. Якщо популярність продовжує перемагати, що змусило б вас перепроєктувати цільову функцію, а не підлаштовувати переранжувальник?
- Дані [[learning-design]] з 554 курсів показали, що Acquisition (передача знань) є водночас і найпоширенішим типом активності, і найпоширенішою точкою входу. Якщо ШІ рекомендує «що далі» на підставі цих даних, чиї звички дизайну він відтворює?

## Вступ

Освітні системи рекомендацій існують, тому що обсяг навчальних матеріалів переріс будь-яку людську здатність орієнтуватися в ньому. Лише [[cs-education|вступного програмування]] стосується багато тисяч практичних активностей, і їхнє організовування в інструкційно значущі пакети зазвичай потребує трудомісткої експертної курації. Система рекомендацій бере історію здобувача, властивості матеріалу або й те, й інше й породжує ранжований короткий перелік або впорядковану траєкторію через контент.

Там де [[adaptive-learning]] описує механізм підлаштування контенту, темпу та складності до [[student-modeling|моделі здобувача]], а [[intelligent-tutoring]] описує платформу, яка робить це в діалозі, дослідження систем рекомендацій концентрується на самому *рішенні про вибір і послідовність*: функції ранжування, структурі, на якій воно ранжує, і доказах, яких воно використовує. Цей шар рішень несе власні режими відмови, розглянуті в розділах нижче.

## Як працюють освітні системи рекомендацій

Поведінкові системи рекомендацій успадковують логіку [[machine-learning|колаборативної фільтрації]]: вважається, що здобувачі зі схожими історіями хочуть схожих ресурсів, тож система передбачає за співвипаданням, а не за контентом. Це потужно там, де дані щільні, і крихке там, де вони не щільні. [[fair-explainable-edu-recommendations|Evangelista and Bukhari (2026)]] формулюють проблему прямо — сфокусовані на точності системи рекомендацій дають менш надійну підтримку студентам з обмеженими історіями участі, тоді як популярні ресурси домінують у переліках, — і відповідають на неї рамкою Hybrid HKG-GRU, яка вбудовує гетерогенний [[knowledge-graph]] матеріалів курсу й моделює послідовності здобувачів за допомогою GRU, а потім навчається на стійкість між групами здобувачів (GroupDRO) і переранжує на різноманіття експозиції (Maximal Marginal Relevance). На журналах Moodle зі 152 студентів, 59 ресурсів і приблизно 150 000 взаємодій вона досягла HR@10 = 0.68 і MRR = 0.41, проте суттєва упередженість популярності збереглася на рівні каталогу — доказ того, що [[bias-mitigation|пом’якшення упередженості]] є частковим.

Семантичні системи рекомендацій замінюють співвипадання структурою. [[hybrid-cf-kg-recommendation-multimodal-teaching-2026|Liu, Sun, and Song (2026)]] будують граф знань навчальних ресурсів, мовних понять, умінь, груп здобувачів і [[pedagogy|педагогічних]] атрибутів і розкладають кожен ресурс за чотирма інструкційними вимірами — навчальний контекст, пізнавальний рівень, технологічна ознака та культурна адаптовність. Рекомендація розширює k-hop за графом від заявлених потреб здобувача, уточнює кандидатів ознаковою колаборативною фільтрацією та ранжує їх за коефіцієнтом злиття, який зростає з індексами здібності, прогресу та інтересу здобувача, тож менш просунуті здобувачі отримують більш структурований напрям від графа, тоді як здобувачі з вищими здібностями спираються на свій поведінковий патерн. На англійському підмножині набору даних MARS (4 800 користувачів, 14 200 ресурсів, 132 000 взаємодій, розрідженість 0.9981) вони досягли NDCG 0.625 і HR 0.751, приблизно на 7–8% краще за найкращий нейронний базовий рівень, і перемогли усвідомлені щодо графів базові рівні, зокрема RippleNet і KGAT, за покриттям і точністю між доменами. Абляція показує, що сигнали є взаємодоповнювальними (лише CF NDCG 0.584, лише KG 0.604), і автори зазначають, що це метрики ранжування, а не доказ [[learning-gains|ефективності навчання]].

Третій шлях уникає даних про індивідуальну взаємодію майже повністю. [[pattern-kc-programming-recommendation|Hoq and colleagues (2026)]] вилучають засновані на патернах компоненти знань із кожного зразка коду й рекомендують пов’язані практичні активності за схожістю їхніх множин компонентів знань. На корпусі вступних матеріалів із Python, організованому експертами, підхід узгодився з власними концептуальними пакетами викладачів і переміг базові рівні за компонентами знань і вбудовуваннями за метриками ранжування — доказ того, що інструкційне узгодження може походити з семантики матеріалу там, де історії здобувачів тонкі.

Четвертий шлях розглядає рекомендацію як послідовне рішення, а не як ранжування. [[exrec-exercise-recommendation-knowledge-tracing-2025|ExRec (Ozyurt, Almaci, Feuerriegel and Sachan, 2025)]] будує семантично заснований трекер знань — [[llm]] анотує кожне питання кроками розв’язування і поняттями знань, контрастивне навчання узгоджує вбудовування питання, кроку й поняття, а функція втрат калібрування дозволяє трекерові передбачати стан знань на рівні понять безпосередньо, — а потім використовує цей трекер як середовище [[reinforcement-learning]], у якому політика вибирає наступну вправу. Два вибори дизайну мають значення саме для задачі рекомендації: стан студента є компактним рекурентним кодуванням, а не повною історією вправ, тож довгі послідовності лишаються керованими в буфері відтворення, а винагородою є зміна в передбачених знаннях понять, обчислювана без запуску висновкування над кожним питанням у цільовому понятті. Модельна оцінка цінності ініціалізує критика з трекера, що покращило агентів із безперервною цінністю на чотирьох завданнях набору XES3G5M (2 048 тестових студентів) і просунуло їх повз методи з дискретними діями на найважчому з них — рекомендації для *найслабшого* поняття студента, де ціль змінюється на кожному кроці. Цифри — це поліпшення знань у відсотках від максимуму зі змодельованого середовища, що є слабшим твердженням, ніж виміряне навчання, і власний додаток авторів зазначає, що більшість наборів даних для трекінгу записує лише бінарну мітку правильності, тож рекомендація на рівні [[misconceptions|хибних уявлень]], яку вони накидають, ще не є перевірною на наявних даних.

## Передумови та упорядкування траєкторій

Ранжувати наступний елемент легше, ніж упорядковувати [[curriculum-design|навчальну програму]], бо залежності навчання є направленими. [[proprl-prerequisite-relation-learning|Cheng and colleagues (2026)]] стверджують, що розгляд відкриття передумов як звичайного передбачення зв’язків не спрацьовує через три властивості цього відношення: воно незворотне, його докази часто є багатокроковими (*ci* → *ck* → *cj*), а не однокроковим переходом здобувача, і його релевантність є парно-специфічною, тож уявлення поняття має змінюватися залежно від того, з чим воно спароване. Їхня модель ProPRL додає Обмеження незворотності — антисиметричний регуляризатор, що штрафує високу впевненість в обох напрямках пари, — поряд із парно-умовленим гейтом, який зважує свідомі про ресурси докази з гіперграфа понять-ресурсів проти свідомих про поведінку доказів з графа навчальної поведінки. Вона ранжувалася першою в усіх дев’яти комбінаціях набір даних–метрика серед наборів [[online-teaching-and-learning|MOOC]], LectureBank і University Course, покращуючи найсильніший базовий рівень на 1.96%–6.11%, а обмеження підвищило частку правильно впорядкованих відношень із 88.0% до 90.0%.

Щойно залежності змодельовано, траєкторія стає задачею оптимізації. [[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng and Huang (2026)]] поєднують байєсівську [[cognitive-diagnosis|пізнавальну діагностику]], теорію простору знань і теорію пізнавального навантаження: байєсівська модель DINA збіглася на даних EdNet із розрідженістю 91.3%, а алгоритм найкоротшої траєкторії ремедіації породив персоналізовані траєкторії середньою довжиною 3.82 кроки — на 22.4% ефективніші за випадкові траєкторії і на 23.6% ефективніші за фіксовані траєкторії з повним покриттям. У рандомізованому експерименті з навчання ймовірностей на 120 студентах здобувачі з персоналізованими траєкторіями завершували за 57.6 хвилини проти 73.8 хвилини в контролі та перевершували контроль на посттесті за контрольованого претесту. Дослідження також перевіряє *чому*: персоналізовані траєкторії знижували пізнавальне навантаження на всіх шести адаптованих вимірах NASA-TLX, і пізнавальне навантаження було первинним медіатором ефекту на продуктивність посттесту (опосередкований ефект 0.28 у моделі з множинною медіацією). Модель прихованого Маркова визначила [[critical-thinking|Аналітичне мислення]] як атрибут-вузьке місце, з найнижчою ймовірністю прямого переходу (0.31) і найвищим параметром вгадування (g = 0.28).

PersonaPath просуває питання упорядкування далі, оспорюючи *одиницю* рішення. [[personapath-personalized-learning-paths-2026|Liu et al. (2026)]] протиставляють рекомендацію, орієнтовану на вправу, — виведення наступного елемента з журналів взаємодії, — плануванню, орієнтованому на знання, у якому планувальник читає явну персону здобувача, стан опанування й заявлену цільову одиницю та вибирає наступний підручник, модуль і поняття з ієрархії навчальної програми (347 підручників, 1 751 модуль, 4 092 понять у 77 предметах, з 411 ребрами передумов, перевіреними до точності 99.5% за κ Коена = 0.93). Відмінний випадок — той, якого журнали не бачать: два здобувачі з ідентичними записами правильності, але різними цілями потребують різних маршрутів, і лише ціль робить це видимим. Їхнє оцінювання замкненого циклу для десяти LLM (1B–30B+) відокремлює виміри, які зливає агрегована метрика, — DeepSeek-V3.1 досягає 90.9% за валідністю передумов/[[hallucination-risk|галюцинацій]], але лише 44.3% за адаптовністю, за кінцеву частку проходження 29.5% у початковій освіті і 14.6% у [[higher-ed|вищій освіті]], і жодна модель не перевершує 44.7% за адаптовністю ніде. Дві абляції загострюють діагноз: вилучення поля опанування з персони коштує до 26.1 пункта адаптовності, ледь рухаючи валідність, а генерація траєкторії одним пострілом підвищує валідність навіть на 30.8 пунктів, знижуючи адаптовність на 28.8, — узгоджене з навчальною програмою упорядкування є набагато легшою ціллю, ніж упорядкування, умовлене здобувачем, що є застереженням проти повідомлення про якість траєкторії без обмеження узгодженості зі здобувачем ([[personapath-personalized-learning-paths-2026]]).

Структура передумов працює також як діагностична лінза на навчальну програму, а не на здобувача. [[knowledge-gap-detection-ai-tas|Medhat and colleagues (2026)]] класифікують питання студентів до асистента викладача на базі ШІ проти графа передумов, вилученого GPT-4, досягаючи точності 80.0% на 43 мітках із 1 340 питальних подій від 164 студентів магістратури, і виявляють, що обсяг питань на рівні теми корелює з [[self-report-measures|самооголошеною]] студентами складністю (ρ Спірмена = 0.491, p = 0.008). Журнал взаємодій стає картою того, де порядок навчальної програми підводить здобувачів, без доданого навантаження оцінювання.

## Пояснення та аудит рекомендацій

Якість ранжування не вирішує, чи має хтось слідувати ранжуванню. [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor, Cukurova, Kent, and Alexandron (2025)]] адаптують модель довіри до автоматизації Hoff and Bashir до рекомендацій ШІ й перевіряють її на 41 працюючому викладачеві [[chemistry-education|хімії]] за допомогою інструмента рекомендацій GrouPer. [[explainable-ai|Пояснюваність]] підвищувала [[trust]] опосередковано, підвищуючи зрозумілість, і *форма* пояснення важила більше, ніж його наявність: перехід викладачів із пояснень важливості ознак («керованих даними») до семантичних пояснень мовою навчальної програми («керованих доменом») значуще підвищив зрозумілість (W = 80.5, p = 0.005), набуту [[trust-calibration|довіру]] (W = 52, p = 0.002) і прийняття (W = 22.5, p = 0.003), і всі семеро викладачів із мислення вголос повідомили, що керовані доменом пояснення є для них більш впливовими. З’явилися два інші драйвери прийняття, обидва ситуаційні, а не епістемічні: педагогічне узгодження (повідомлене 8 з 11) і зниження навантаження (6 з 11). Кілька викладачів також сказали, що одного пояснення недостатньо — вони хотіли класного досвіду з інструментом, перш ніж покладатися на нього, — сильне твердження про те, що довіра до системи рекомендацій будується вживанні, а не постачається в легенді.

Аудит справедливості ставить інше питання: чиї рекомендації гірші? Дослідження Graph-GRU є корисним розібраним прикладом, бо воно називає те, чого не міг бачити його аудит. Справедливість була операціоналізована через когорти на основі участі, бо публічний набір даних Moodle не містив досягнень, [[prior-knowledge|попередніх знань]], профілів навчання й демографічних атрибутів, тож результат є аудитом поведінки на рівнях [[student-engagement|залученості]], а не повною оцінкою [[equity-in-ai-education|освітньої справедливості]]; здобувач із низькою активністю може погано впораватися, бути віддаленим від процесу або вже знайомим з матеріалом. Пояснюваність тут набуває форми аналізу шляхів і контрфактичного аналізу, з медіанною контрфактичною стійкістю CR@10 = 1.0 для багатьох здобувачів, проте зі стійкою упередженістю популярності на рівні каталогу, відображеною у високих метриках експозиції Gini. Урок полягає в тому, що [[bias-mitigation]] треба вимірювати на рівні експозиції та груп здобувачів, а не виводити з точності чи з наявності модуля пояснень, і що нагляд [[human-in-the-loop-ai]] є значущим лише тоді, коли людина бачить докази на рівні груп.

## Навчальні траєкторії на практиці

Траєкторії не лише обчислюються; їх проєктують. [[learning-paths-patterns-learning-design-2026|Divjak, Svetec, and Horvat (2026)]] звернули [[learning-analytics]] на сам [[design-thinking|процес дизайну]], аналізуючи послідовність 29 064 навчальних та викладацьких активностей у 554 курсах, запланованих у вільному інструменті Balanced Design Planning. Ланцюги Маркова й видобування патернів виявили граматику дизайну: активності типу Acquisition були найпоширенішим типом навчання (понад 20%) і найпоширенішою точкою входу, за ними йшли Practice, Discussion і [[assessment]] (кожне 15–20%), і найсильнішим переходом було Assessment → Discussion (0.332), попереду Practice → Practice (0.317). Правило Acquisition → Assessment → Practice → Practice трималося за впевненості 0.74 (підйом 1.45), і тип навчання відстежував пізнавальний рівень задуманого результату: Acquisition падав від приблизно 50% активностей на рівні 1 за Блумом до приблизно 20% на рівні 6. Автори застерігають, що схожість із перевернутим, [[inquiry-based-learning|дослідницьким]] або [[project-based-learning|проєктним]] дизайном не є доказом наміру, — але система рекомендацій, навчена на таких даних дизайну, засвоює ці звички, зокрема упередженість до орієнтованих на передачу вступних активностей.

На іншому кінці формальної школи структура траєкторій стає питанням [[governance]]. [[learnity-graphs-lifelong-learning-framework-2026|Szekely, Gal-Ezer, and Harel (2026)]] стверджують, що опосередкований ШІ доступ до знань вимагає переосмислення фіксованих програм вищої освіти, і пропонують «learnity graphs» — структуровані уявлення навчання як взаємозв’язаних одиниць знань, умінь, досвіду та артефактів, — що охоплюють академічне, професійне та особисте навчання. Пропозиція зберігає роль університету в фундаментальних знаннях, водночас зсуваючи акцент на [[creativity]] і міждисциплінарну інтеграцію, і робить здобувача утримувачем власного графа, де вона й зустрічається з [[self-directed-learning]] і [[self-regulated-learning]]. Чи веде самонаправлена навігація кудись конструктивне, не гарантовано: [[dual-ai-learning-pathways-sdt-2026|Shen and Arunrugstichai (2026)]] моделюють два шляхи від навчального клімату школи до використання [[generative-ai|GenAI]] в університеті в міжконтекстному опитуванні (N = 508), відрізняючи конструктивне автономне використання від компульсивної залежності.

Одну межу варто сформулювати: те, що нині роблять системи рекомендацій, ближче до консультації, ніж до співпраці. [[human-ai-collaboration-prerequisite-functions|Mutlu Cukurova (2026)]] реконструює те, що історично вимагалося, перш ніж взаємодія набуває права називатися співпрацею, — узгоджені, частково симетричні стосунки, спільні й узгоджувані цілі, низький і змінний поділ праці, взаємне моделювання та соціально спільна [[regulation]], — і робить висновок, що більшість поточної [[human-ai-collaboration|взаємодії люди зі ШІ]] краще описується як консультація, управління, делегування або інструкція. Його п’ятирівнева таксономія (транзакційна, ситуаційна, операційна, праксична, синергійна) є корисною калібруванням: пропонування наступного ресурсу є операційною домовленістю, і назвати його [[collaborative-learning|партнером із спільного навчання]] — це перебільшити твердження.

## Як ця сторінка пов’язана з дослідженнями персоналізації, адаптивності та тьюторства

Три суміжні сторінки понять охоплюють суміжну територію й мають читатися разом із цією. [[personalized-learning]] охоплює *ціль* — підлаштування всього досвіду, зокрема цілей, уподобань і темпу, з яких вибір траєкторії є одним компонентом. [[adaptive-learning]] охоплює *механізм* — цикл вимірювання-моделювання-адаптації, що змінює контент, темп і складність у реальному часі. [[intelligent-tutoring]] охоплює *платформу*, канонічну систему, що поєднує діагностику з інструкційною взаємодією. Ця сторінка охоплює шар рішень, який ці сторінки припускають: саму технологію ранжування та упорядкування. Це дом для архітектур систем рекомендацій на колаборативній фільтрації та графах знань, для відкриття відношень передумов і упорядкування навчальної програми, для пояснюваності та справедливості ранжованих результатів і для специфічних для систем рекомендацій режимів відмови — холодного старту, упередженості популярності, надмірного звуження, непрозорого ранжування та нерівної якості рекомендацій між групами здобувачів. Дослідження, що повідомляє NDCG або покриття на журналах взаємодій, належить сюди; те, що повідомляє навчальні здобутки з діалогу з тьютором, належить на сторінку тьюторства або адаптивного навчання.

## Ризики та відкриті питання

База доказів має стійку форму: сильні офлайн-метрики ранжування, слабкі докази про навчання. Обидва дослідження систем рекомендацій вище оцінюються на історичних журналах взаємодій і про це кажуть, а автори CF–KG прямо закликають до оцінювань від викладачів, досліджень здобувачів і експериментів, заснованих на результатах. Упередженість популярності пережила цільову функцію навчання, свідому справедливості, в одній системі, тож галузь ще не може вказати на виправлення переранжуванням або регуляризацією, що надійно змінює експозицію, і аудити справедливості лишаються обмеженими тим, що містять журнали LMS. Холодний старт вирішується архітектурно, через семантичну структуру, проте не перевіряється на справді нових користувачах у живому впровадженні. Ефективність траєкторій докраща засвідчена, проте цифри ефективності все ще спираються на одне дослідження й одне родище алгоритмів, і коротша траєкторія не є автоматично кращою, якщо вона прибирає [[desirable-difficulties|плідну боротьбу]], потрібну здобувачеві. Формальна робота з оптимізації траєкторій загострює пункт в обох напрямках: гарантія складності задачі мало що говорить про конкретний корпус, бо сходовий підймач досяг вершини [[retrieval-spacing-interleaving|рубрики чергування]] на кожному реальному профілі попри докази NP-повноти, і траєкторія, оцінена на 3.54 за похідною від теорії рубрикою, усе ще є траєкторією, яку ніхто не перевірив на здобувачах, тож якість рубрики є обличчям до проєктувальника сурогатом доказів результатів, а не їхньою заміною. Словник також нестійкий: [[ikram-ai-personalized-learning-review-2026|Ikram and colleagues (2026)]] в огляді за [[meta-analysis-systematic-review|PRISMA]] 31 статті, індексованої в Scopus (2013–2025), повідомляють про пізнавальні ефекти від середніх до великих (g = 0.50–0.70) для систем адаптивного навчання на базі ШІ, які сильно модеруються якістю впровадження та [[research-methods-aied|дизайном дослідження]].

Та сама література почала пропонувати засоби проти звуження, хоч іще не перевіряла їх. [[najem-behavioral-clustering-adaptive-learning-recommendation-2026|Najem, Zaoui Seghroucheni and Ziti (2026)]] кластеризують 14 003 записи студентів за 12 самооголошених поведінкових, психологічних і середовищних внесків у шість профілів за допомогою K-Means++ із сильним розділенням (силует 0.62; η² = 0.770 за підсумковою оцінкою, з розривом 40.17 пункта в середньому балі екзамену між найвищим і найнижчим профілями), потім відображають профілі на об’єкти навчання через оцінку спорідненості в поєднанні з матрицею відображення Felder-Silverman і членом регуляризації різноманіття (λ = 0.30), чия явна мета — зупинити згортання системи рекомендацій у те, що профіль уже надає переваги. Внеском є дизайн, а не докази: шар рекомендацій є концептуальним, і не повідомляється про жодне впровадження або міру результату, а автори стверджують, що внески кластеризації є самооголошеними сурогатами, а не слідами взаємодій у LMS. Це кандидат на відповідь на прогалину регуляризації, яку зазначає ця сторінка, і досі очікує на валідацію, якої, як стверджує сторінка, галузі бракує.

## Пов’язані поняття

- [[knowledge-graph]] — Structured representations of concepts, resources, and prerequisite relations
- [[explainable-ai]] — Explanation as a design feature that mediates understandability and trust
- [[curriculum-design]] — Ordering decisions that recommenders model, infer, and reproduce
- [[learning-design]] — The planned sequence of activities that path analyses operate on
- [[learning-analytics]] — The data and methods behind recommendation, and the object of audit
- [[cognitive-diagnosis]] — Diagnosing knowledge states that seed remediation paths
- [[knowledge-tracing]] — Modeling mastery over time to decide what a learner is ready for
- [[student-modeling]] — Learner representations that recommendation consumes
- [[personalized-learning]] — The broader goal; this page covers the selection decision
- [[adaptive-learning]] — The real-time adjustment mechanism; this page covers ranking and sequencing
- [[intelligent-tutoring]] — The platform that acts on recommendations in dialogue
- [[bias-mitigation]] — Fairness interventions in ranking and exposure
- [[equity-in-ai-education]] — Group-level differences in recommendation quality
- [[human-in-the-loop-ai]] — Oversight of automated resource navigation
- [[self-directed-learning]] — Learner-maintained pathways and lifelong navigation
- [[lifelong-learning]] — Graph-structured learning beyond a degree sequence
- [[trust-calibration]] — Matching reliance to recommendation reliability
- [[student-support-and-success]] — recommending support, resources, and academic paths

## Пов’язані статті

- [[hybrid-cf-kg-recommendation-multimodal-teaching-2026]] — Hybrid collaborative filtering plus knowledge graph for multimodal teaching resources, with ability- and progress-aware fusion (Liu, Sun & Song 2026)
- [[fair-explainable-edu-recommendations]] — Heterogeneous knowledge graph + GRU recommender with GroupDRO fairness and counterfactual explainability (Evangelista & Bukhari 2026)
- [[xai-teachers-trust-edtech-recommendations-2026]] — Domain-driven explanations build more teacher trust than feature-importance charts (Feldman-Maggor et al. 2025)
- [[proprl-prerequisite-relation-learning]] — Prerequisite relation learning with an irreversibility constraint for directional consistency (Cheng et al. 2026)
- [[pattern-kc-programming-recommendation]] — Recommending programming practice by pattern-based knowledge-component similarity (Hoq et al. 2026)
- [[learning-paths-patterns-learning-design-2026]] — Markov and pattern-mining analysis of 29,064 designed activities across 554 courses (Divjak, Svetec & Horvat 2026)
- [[bayesian-cognitive-diagnosis-personalized-learning-paths]] — Bayesian DINA diagnosis and shortest remediation paths, mediated by cognitive load (Feng & Huang 2026)
- [[knowledge-gap-detection-ai-tas]] — Mapping AI TA questions to a GPT-4-extracted prerequisite graph to find curriculum-level gaps (Medhat et al. 2026)
- [[learnity-graphs-lifelong-learning-framework-2026]] — Learnity graphs as a lifelong-learning alternative to fixed curricula (Szekely, Gal-Ezer & Harel 2026)
- [[human-ai-collaboration-prerequisite-functions]] — Five-level taxonomy showing most human-AI interaction is consultation, not collaboration (Mutlu Cukurova 2026)
- [[dual-ai-learning-pathways-sdt-2026]] — Autonomy support versus pressure predicting constructive or compulsive AI pathways (Shen & Arunrugstichai 2026)
- [[ikram-ai-personalized-learning-review-2026]] — PRISMA review of personalized learning trends, pathways, and recommendation models (Ikram et al. 2026)
- [[personapath-personalized-learning-paths-2026]] — PersonaPath: a Knowledge-Centric planning benchmark showing LLMs reach 90.9% validity but only 44.3% adaptivity (Liu et al. 2026)
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — exercise recommendation as a sequential decision over a semantically grounded tracer
- [[najem-behavioral-clustering-adaptive-learning-recommendation-2026]] — Behavioral clustering of 14,003 records into six profiles, mapped to learning objects with a diversity-regularized recommendation framework (Najem et al. 2026)

---

## [Педагогічний агент](https://edtechdev.github.io/aied/concepts/pedagogical-agent/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Синтез**: [[pedagogy|Pedagogical]] агенти — це керовані ШІ розмовні інтерфейси, вбудовані в навчальні середовища, які використовують педагогічні стратегії (викликання, повідомлення, скаффолдинг) для підтримки [[student-engagement|learner engagement]], рефлексії та метакогніції. Дизайни варіюються від простих провайдерів інформації до інтерактивних партнерів із діалогу, що адаптуються до станів здобувача.

## Питання для роздумів

- Згадайте випадок, коли чат-бот чи репетитор дав вам бездоганну відповідь, яка не зробила вас мудрішим. Що змушує ШІ «викладати», а не просто «вирішувати», — і чому бал бенчмарку може не зловити цієї відмінності?
- Сторінка виявляє, що бали репетиторства «вирішення» та бали «педагогіки» корелюють лише слабко між моделями. Що це має вам сказати про оцінювання репетитора ШІ за його здатністю відповідати на питання?
- Деякі дизайни дають ШІ чіткі ролі — Teacher (вчитель), Classmate (одноліток), Mentor (наставник), — і навіть утримують батька центрально залученим (як у ParaTutor). За вашим досвідом, чи змінює надання агенту чіткої ролі те, як [[learners]] взаємодіють із ним?
- Справжні студенти часто «обходять» педагогічну рамку чат-бота, коли цілі агента суперечать власним цілям здобувача. Чому здобувач міг би раціонально ігнорувати добрий скаффолдинг, і що це означає для припущення «якщо ми це побудуємо, вони залучатимуться»?
- Ви б радше навчалися від ШІ, який вам щось повідомляє, від того, який ставить вам питання, або від того, який опосередковує групову дискусію? Як ваша перевага формує те, яким, на вашу думку, має бути «педагогічний агент»?
- Від простого провайдера інформації до флоту спеціалізованих агентів, що оркеструють цілий курс, — де, на вашу думку, насправді лежить цінність (і ризик) розмовного репетиторства ШІ?

## Вступ

Педагогічний агент — інтерактивна компонента ШІ всередині навчальної системи, яка залучає здобувачів через діалог, питання або підказки, підтримуючи когнітивні та [[metacognition|metacognitive processes]]. На відміну від пасивних [[visualization|dashboards]] або статичного зворотного зв’язку, педагогічні агенти застосовують засновані на доказах стратегії репетиторства — такі як викликання само[[assessment|assessments]] здобувача перед наданням [[feedback]], або [[scaffolding]] [[problem-solving]] через сократичний діалог. Це узагальнення тепер охоплює все — від єдиного розмовного [[intelligent-tutoring|intelligent tutor]] до флотів роль-спеціалізованих [[agentic-ai|agents]], які читають лекції, наставництюють, фасилітують співпрацю і навіть оркеструють генерацію курсу, — усе, засноване на десятиліттях [[research-methods-aied|research]] систем інтелектуального репетиторства.

## Як педагогічних агентів досліджують в базі знань

**Дизайн і архітектура розмовних агентів.** Повторювана нитка — те, як агенти структуровані, а не просто те, які моделі ними керують. [[conversational-ai-tutors-framework|conversational AI tutors framework]] стверджує, що перевірені [[ai-technologies|technologies]] ITS — [[knowledge-tracing]], виявлення афекту, [[student-modeling|student modeling]] — мають закріплювати генеративні репетитори, зберігаючи діагностичний хребет, поки [[generative-ai]] постачає гнучкий діалог. Багатоагентські дизайни штовхають це далі: [[mooc-to-maic|MAIC]] замінює «одне відео для N студентів» [[online-teaching-and-learning|MOOC]] на керовану [[llm]] аудиторію агентів Teacher (вчитель), Assistant (помічник), Classmate (одноліток) та Analyzer (аналізатор) для надання [[personalized-learning|personalized learning]] в масштабі, тоді як [[lecturaagents-multi-agent-teaching|LecturaAgents]] додає [[embodied-learning|embodied]] ProfessorAgent, чий алгоритм TASA узгоджує видимі [[teacher-role|teaching]] дії (рукописне письмо, підсвічування) з профілями здобувачів. Навіть репетиторство батьків і дитини стає проблемою двох агентів у [[paratutor-parent-child-tutoring|ParaTutor]], де скаффолдинг із розділеними ролями утримує батька центрально залученим, замість того щоб дозволити універсальному чат-боту його витіснити. Та сама роль-базована логіка з’являється в [[instructional-agents-multi-agent-course-gen|Instructional Agents]], де агенти Teaching Faculty (викладацький склад), Designer (дизайнер), TA (асистент) та Program Chair (голова програми) співпрацюють через ADDIE, щоб генерувати матеріали курсу.

Доповнювальне використання роль-базованих агентів спрямовується на [[teacher-education|teacher]] практику, а не на навчання студента: [[educasim-cs1-instructional-practice|Mohne et al. (2026)]] поєднують педагогічні персони студентів, пам’ять, закріплену в справжньому матеріалі курсу, і оракул-спікер LLM-as-a-judge, щоб недосвідчені викладачі репетирували заняття малої групи — 254 необов’язкові сесії, що в середньому становлять приблизно 16 хвилин кожна, за приблизно \\$0,05–\\$0,10 на сесію.

**Викладацька поведінка проти поведінки вирішення.** Центральна емпірична знахідка — що продукування відповідей не є підтримкою навчання. [[measuring-llm-tutors-teach-vs-solve|Measuring whether LLM tutors teach or solve]] показує, що бали вирішення та педагогіки на бенчмарках репетиторства корелюють лише слабко (r = 0,421 на восьми моделях), стверджуючи, що бенчмарки мають повідомляти орієнтовані на педагогіку критерії — керуючі питання, калібровані підказки, не розкриваючий скаффолдинг, — окремо. Це узгоджується з доказами [[stanford-evidence-base-ai-k12-2026|tutoring-specific vs general AI]]: педагогічно спроєктовані репетитори зі [[guardrails]] пом’якшують падіння балів іспитів та придушене мислення, які продукують сирі загальні чат-боти, зберігаючи [[desirable-difficulties|desirable difficulties]] та продуктивну боротьбу, а не замикаючи їх. Проте бенчмарки можуть переоцінювати, наскільки добре навіть заскафолдинжені репетитори працюють в реальних умовах. [[rethinking-scaffolding-llm-tutors|Rethinking scaffolding in LLM tutors]] виявляє, що справжні студенти часто обходять педагогічну рамку чат-бота — раціональну відповідь на невідповідність між цілями агента та власними цілями здобувача, — тож взяття має оцінюватися, а не припускатися.

**Роль у репетиторстві та співпраці.** Агентів дедалі частіше позиціонують не як того, хто дає відповіді, а як фасилітаторів і посередників. [[niari-ai-pedagogical-mediator-collaborative-learning|Niari's pedagogical mediator framework]] переосмислює ШІ в [[collaborative-learning|collaborative learning]] як інтеракційного, епістемічного та регуляторного посередника — скаффолдивши участь і спільну [[regulation]] без витіснення [[agency|learner agency]] вчителя чи здобувача. Конкретно [[golrang-propact-pair-programming-2026|collaborative AI tutoring (ProPACT)]] трактує саму співпрацю як об’єкт інструкції, прогнозуючи діадичні розлади за 30 секунд наперед і надаючи мінімально нав’язливі скаффолди, які зберігають [[metacognition]]. [[embodied-inquiry-ai-facilitator-physics-2026|Embodied inquiry with AI as facilitator]] показує, що ШІ може доповнити створення моделі руками, фасилітуючи застосування побудованої моделі, тоді як [[robot-assisted-language-learning-meta-analysis-2026|robot-assisted language learning meta-analysis]] виявляє, що результати відстежують те, як роботизований агент позиціонований в інструкції (взаємодія на основі групи), більше, ніж його технічну витонченість. Чи достатньо *ролі*, яку грає агент, чи він має також *адаптувати свою поведінку*, ставиться під питання [[liao-role-adaptive-ai-companion-book-talk-2026|Liao (2026)]]: дослідження «розмови про книжки» з [[k-12|elementary]] виявило, що фіксований компаньйон «студент-одноліток» підтримував довші взаємодії, проте придушував агенцію студента і впирався в «[[affective-computing|affective]] стелю» (слабка емоційна та спрямована в майбутнє рефлексія), стверджуючи, що рольове *позначення* має поєднуватися з роль-*адаптивною* логікою взаємодії, а не з монолітним дизайном єдиної ролі.

[[ethics-training-agents-group-ethics-discussion-2026|Ethics Training Agents (Seo et al., 2026)]] показує, що відбувається, коли педагогічного агента просять модерувати, а не викладати: фасилітатор LLM, що керує передачею ходу (накопичення з 15-секундними вікнами підняття руки), керуванням часом (автоперехід етапу до зведення після 9 хвилин) і поступовим пакетним зведенням, знизив когнітивне навантаження учасників і дав їм почуття, що дискусія була «на правильному шляху», — один учасник протиставив це сприятливо ChatGPT, який «часто може здаватися неорганізованим або утрудняти бачення прогресу ідей». Той самий дослідження викриває стелю агентів на основі персони: три різні агенти [[ethics|ethical]] орієнтації були оцінені значно нижче людських однолітків за внеском, різноманітністю та впливом (Kruskal-Wallis p < .001), а учасники просили орієнтованого на процес («як агент мислить»), а не орієнтованого на висновок виходу.

**Де розмовні агенти (і не) використовуються — картина узагальнювального огляду.** [[conversational-ai-agents-umbrella-review-2026|umbrella review of conversational AI agents]] (Ganguly та співавтори, 2025, 34 огляди) квантифікує використання CAI: підтримка викладання та навчання (97,1 % оглядів), психологічна та [[motivation|motivational]] підтримка (91,2 %) і метакогнітивний і особистий розвиток (88,2 %) ведуть, тоді як адміністративна підтримка (50 %), керування дослідженнями та інформацією (52,9 %) і підтримка охорони здоров’я/медицина (41,2 %) відстають. Він також позначає, що дослідження [[conversational-ai|CAI]] не мають наскрізних настав щодо дизайну, методів [[usability-research|usability]], специфічних для CAI, і конкретних стратегій оркестрації в аудиторії для ролі вчителя, — посилюючи, що дизайн педагогічного агента має бути заснованим на HCI, заснованим на доказах та уважним до [[ai-literacy]].([[conversational-ai-agents-umbrella-review-2026]])

**Орієнтація ролі є дизайнерською змінною, а не стилістичним вибором.** [[wang-teacher-student-centered-agents-physics-2026|physics agent comparison]] (Wang та співавтори, 2026, 59 здобувачів) ізолює задану підказкою роль, утримуючи модель, платформу та температуру фіксованими: орієнтований на вчителя агент, закріплений у обмеженому джерелі підручника та відповідаючий з перспективи інструктора, проти орієнтованого на студента агента, налаштованого зі знанням розуміння студентів і запрограмованого діагностувати хибні уявлення, називати поняття та [[transfer-of-learning|transfer]] на аналогічний випадок. Орієнтована на студента роль виграла за кожним виміряним результатом — діяльність на постртесті, нижче зайве та вище значуще когнітивне навантаження, досвід потоку та сприйнята емпатія, — навіть попри те, що орієнтований на вчителя агент був тим, який оптимізувався для точності та вірності підручнику. Це робить *роль і патерн взаємодії* дизайнерським параметром першого класу поряд із [[prompt-engineering|prompt]] та вибором моделі, і показує, що емпатію можна спроєктувати з розмовної структури, а не з інакше навченої моделі ([[affective-computing]]).

**Намір авторства не гарантує втіленої педагогіки.** Коли 27 вчителів середньої школи налаштовували звернений до вчителя інструмент авторства чат-ботів, оцінювання 108 оцінок критеріїв на рівні ботів виявило, що згенеровані відповіді узгоджувалися набагато краще з чуйністю (88,9 %) і персоною (81,5 %), ніж з правилами (70,4 %) або заявленою метою (59,3 %), що автори висувають через педагогічні форми Норманової затоки виконання та затоки оцінювання — налаштовувальні керуючі елементи самі по собі не зробили інструкційний намір вчителя видимим у поведінці бота ([[teachers-configure-educational-chatbots-2026|Riahi et al. (2026)]]).

**Агенти в умовах імерсивності та розширеної реальності.** [[aclime-pedagogical-agents-extended-reality-2026|Ross and Kaspar (2026)]] розширюють поняття на [[virtual-and-augmented-reality|extended reality]] (AR, доповнену віртуальність та VR) з ACLIME — концептуальною рамкою, яка, на відміну від CAMIL, CATLM-VR та TICOL, утримує агента всередині моделі. Вона називає два режими взаємодії, узятих з літератури: репетитор, що пропонує керівництво, заохочення, рефлексивні питання та пояснення, і партнер із рольової гри, який посідає визначену роль всередині сценарію, такого як місцевий мешканець на польовій екскурсії щодо зміни клімату або сторона переговорів у корпоративній підготовці. Тіло агента (від лише голови до повного тіла) та поведінка трактуються як дизайнерські поверхні: візуальний проти поведінкової реалізму, гнучке керування ШІ проти фіксованого скриптового керування на основі правил, синтезоване проти заздалегідь записаного мовлення, і невербальні канали, включно з поглядом, жестом і проксемікою. Імерсивність і тілесна інтерактивність, як стверджується, примножують соціальні сигнали за [[community-of-inquiry|social presence]], — поведінковий реалізм, а не візуальний реалізм, пропонується як вирішальний предиктор, — тоді як власне віртуальне тіло здобувача додає вимір [[embodied-learning|embodiment]] (владність тілом, агенція власного віртуального тіла, само-розташування) та ефект протея. Явним компромісом рамки є когнітивний: імерсивність і сама присутність агента можуть підвищувати когнітивне навантаження, навіть коли соціальна взаємодія з агентом знижує його через ефект колективної робочої пам’яті, і часовий шар (ознайомленість, дозрівання стосунків людина–агент, спад новизни, розвиток кіберхвороби) додається до звичайних змінних дизайну. Його статус свідомо тимчасовий: майже жодна емпірична робота ще не перевіряє педагогічних агентів в імерсивних медіа, а довготривалі [[learning-gains|learning outcomes]], а також характеристики здобувачів, сидять поза моделлю.

**Оцінювання та бенчмарки.** Вимірювання педагогічного агента вимагає перевіряти педагогіку, а не контент. [[teaching-monster-pck-benchmark-2026|The Teaching Monster Challenge]] бенчмаркує педагогічне знання контенту, просячи агенти адаптувати урок до вказаної персони здобувача, виявляючи системи сильними за контентом, проте слабкими за його адаптацією, — і викриваючи, що судді LLM помилково ранжують сильні системи. [[chen-teacharena-language-agents-realistic-teaching-2026|EduAgentBench]] оцінює агентів через професійний педагогічний судження, [[situated-learning|situated]] багатоходове репетиторство та завершення робочого процесу в стилі canvas, показуючи, що моделі не дотягують до професійних стандартів викладання. [[ai-generated-interactive-fiction-education-2026|AI-generated interactive fiction]] додає кут дизайн-оцінювання: когерентність і інтеграція тестів, а не здатність генерації, обмежує корисність для [[student-experience|student experience]].
**Стрес-тест стійкості персони через кілька ходів.** [[adversarial-stress-testing-role-playing-agents|Shouqi et al. (2026)]] запустили шість ескалюючих атак проти агентів рольової гри з автоматичним суддею: багатостратегійне тестування знизило стійкість на 0,17–0,20 проти базису єдиної стратегії, і критичні невдачі скупчилися після 5–6 ходу, тож короткі або одноходові оцінювання переоцінюють стійкість персони та етичну відповідність.

## Практичні настанови

Проєктуйте для агенції здобувача, а не для зручності моделі. Віддавайте перевагу специфічним для репетиторства обмеженням — [[scaffolding]], підказкам, [[socratic-method|Socratic questioning]], цілюванню [[misconceptions|misconception]], — над сирою генерацією відповідей, оскільки вирішення та викладання розходяться. Розподіляйте підтримку за роллю користувача (батько проти дитини, одноліток проти однолітка), а не через єдиний універсальний інтерфейс, і трактуйте співпрацю як валідну ціль для скаффолдингу. Не припускайте, що студенти візьмуть скаффолдинг; оцінюйте взяття в реальних контекстах. Вбудовуйте [[human-in-the-loop-ai|human oversight]] в авторство — як це робить [[ai-tutor-authoring-promptdecipher|PromptDecipher]], роблячи QA викладачем відповідей ботів діяльністю першого класу, — і обирайте дешевші бекенди там, де якість утримується. Повідомляйте бали викладання та вирішення окремо, і валідовуйте згенерований контент з користувачами, а не припускаючи, що генерація дорівнює корисності.

Перевага здобувача є бідним замінником для якості скаффолдингу: студенти в підтримуваному ШІ математичному моделюванні діяли найкраще з ролями Peer (одноліток) та Teaching Assistant (помічник викладача), проте оцінили більш директивні ролі Tutor (репетитор) та Excellent Student (відмінний студент) найвище за корисність і самоефективність ([[preferred-scaffolding-ai-mathematical-modeling|Zhu, Yang and Yang (2026)]]).
Огляд 46 досліджень агентів ШІ в комп’ютерно-підтримуваному спільному навчанні розрізняє когнітивний скаффолдинг, соціальну фасилітацію та інструкційну оркестрацію, і виявляє, що когнітивні здобутки послідовні, тоді як поведінкові, соціальні та емоційні результати залежать від контексту, — тож функція агента має обиратися для того результату, який він має продукувати ([[ba-ai-agents-cscl-review-2026|Ba et al. (2026)]]).

## Зв’язки з пов’язаними поняттями

Педагогічні агенти сидять на перетині [[intelligent-tutoring]] (їхній діагностичний хребет із [[knowledge-tracing]] та моделюванням студента) та [[generative-ai]]/[[llm]] (їхній механізм доставки). Вони операціоналізують [[scaffolding]] та [[feedback]], спрямовуються на [[metacognition]] і [[self-regulated-learning]], і дедалі частіше цілють [[collaborative-learning]]. Занепокоєння щодо безпеки повторюються через [[pedagogical-safety]], якість авторства та ризик, що агенти [[cognitive-offloading|offload]] навчання, а не підтримують його. Усе це оцінюється через [[ai-ed-evaluation]] і [[benchmark|benchmarks]], які мають вимірювати викладання, а не просто вирішення.

Найважливіше, що педагогічні агенти судять за їхні [[learning-gains|learning gains]], а не за тим, наскільки вільно вони відповідають. Докази бази знань — що агенти продукують довготривалі здобутки, коли спроєктовані як специфічні для репетиторства тренери з обмеженнями — [[stanford-evidence-base-ai-k12-2026|tutoring-specific AI consistently outperforms general-purpose chatbots]], — і можуть зашкодити навчанню, коли підставляються замість зусилля здобувача ([[generative-ai-guardrails-harm-learning|the guardrail RCT]], [[jost-llm-programming-education-learning-outcomes|LLM-reliance and grades]]). Тому вимірювання [[learning-gains]] агента вимагає недопоможних, переносних мір результатів, а не діяльності в межах інструмента.

Кращий зворотний зв’язок — це не те саме, що краще навчання: налаштування агента знаннями та робочим процесом підвищило точність і специфічність зворотного зв’язку, проте залишило саморегуляторні поведінки, навчальні досвіди та результати незмінними, і його перевага в здобутках з’явилася лише за директивного зворотного зв’язку ([[agent-type-feedback-style-self-directed-learning-2026|Han et al. (2026)]]).

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[wang-teacher-student-centered-agents-physics-2026]] — Орієнтована на студента роль агента перевершує орієнтовану на вчителя роль за діяльністю, навантаженням, потоком та емпатією (Wang et al. 2026)
- [[aclime-pedagogical-agents-extended-reality-2026]] — ACLIME: концептуальна рамка для педагогічних агентів в AR/VR — репетитор проти партнера із рольової гри, реалізм, присутність, когнітивне навантаження (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: генеративні агенти студентів для інструкційної практики
- [[conversational-ai-agents-umbrella-review-2026]] — Узагальнювальний огляд розмовних агентів ШІ в освіті
- [[conversational-agents-novice-programmers-scoping-2025]] — Огляд меж розмовних агентів для початківців-програмістів
- [[ba-ai-agents-cscl-review-2026]] — Огляд агентів ШІ в комп’ютерно-підтримуваному спільному навчанні
- [[kim-ai-productive-failure-adult-2026]] — Проєктування систем ШІ для підтримки навчання на основі продуктивної невдачі
- [[preferred-scaffolding-ai-mathematical-modeling]] — Бажаний скаффолдинг в підтримуваному ШІ математичному моделюванні
- [[llm-adaptive-programming-error-explanations-2026]] — Адаптивні пояснення LLM щодо помилок програмування
- [[liao-role-adaptive-ai-companion-book-talk-2026]] — Роль-адаптивний компаньйон ШІ для розмови про книжки в початковій школі; афективна стеля агентів із фіксованою роллю (Liao 2026)
- [[ethics-training-agents-group-ethics-discussion-2026]] — Ethics Training Agents: фасилітація групової етичної освіти з рольовою грою та дискусією для етичної рефлексії та дослідження

- [[teachers-configure-educational-chatbots-2026]] — Чи викладатиме це як задумано? Як вчителі налаштовують освітні чат-боти ШІ

- [[agent-type-feedback-style-self-directed-learning-2026]] — Налаштований агент підвищив якість зворотного зв’язку, але не саморегуляцію чи результати; перевага в здобутках лише за директивного зворотного зв’язку

---

## [Афективне тьюторство](https://edtechdev.github.io/aied/concepts/affective-tutoring/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> Вбудовування емоційної обізнаності в системи [[intelligent-tutoring|тьюторства на базі ШІ]] може давати вимірні [[pedagogy|педагогічні]] здобутки, але та сама [[affective-computing|афективна]] витонченість ризикує посилити шкоду, якщо суб’єктність здобувача буде підточена автоматизацією, що лише удає емпатію.([[kar-mathbuddy-affective-math-tutoring-2025]])([[favero-critical-ai-tutors-empower-enslave-2025]])

## Питання для роздумів

- Афективний тьютор, який розпізнає ваші емоції та реагує на них, може покращувати результати — в одному дослідженні отримано перевагу в +23 пункти частоты виграшів над неафективним тьютором. Але чим така емоційна чутливість може обійтися суб’єктності самого здобувача?
- Емпатія в тьюторі може відчуватися як підтримка, проте вона також може створити парасоціальну залежність або замаскувати [[metacognition|метакогнітивну]] відчуженість. Як зрозуміти, чи допомагає вам відчуття, що вас розуміє машина, чи робить вас залежними від неї?
- Надто підтримуюче тьюторство може придушувати розгублення, що рухає [[desirable-difficulties|продуктивною боротьбою]]. Коли емоційний комфорт допомагає навчанню, а коли його перериває?
- Моніторинг міміки сигналізує про уважність, але порушує реальні занепокоєння щодо приватності. Що ви хотіли б знати, перш ніж тьютор відстежуватиме вираз вашого обличчя під час навчання?
- Принципи проєктування припускають, що афективні дані мають інформувати автономію здобувача, а не заміщати її — ви маєте контролювати, що розкриваєте, і знати, коли ваши емоції виводяться. Як ви почувалися б, якби тьютор тихо змінював свою стратегію на основі виявленого вами настрою?
- Студенти можуть приписувати емоційній підтримці від тьютора на базі ШІ характер справжніх взаємин, що посилює опору на нього. У чому різниця між тьютором, якому справді не байдуже, і тим, якого просто спроєктовано так, щоб він так виглядав?

## Вступ

MathBuddy динамічно моделює афект студента, використовуючи дві модальності:

- **Розмовний текст** — семантичні підказки для розгубленості, збентеженості, впевненості
- **Вираз обличчя** — захоплення емоційного стану з відео в реальному часі

Емоції агрегуються з обох модальностей і проектуються на відповідні педагогічні стратегії перед [[prompt-engineering|формулюванням підказки]] для [[llm]] тьютора на базі МММ, що дає емоційно обізнані відповіді.

**Результати:**

- Покращення **частоты виграшів на +23 пункти** порівняно з неафективною базовою лінією
- Приріст **оцінки DAMR на +3 пункти** на загальному рівні
- Оцінено за **вісьмoma педагогічними вимірами** плюс дослідженнями користувачів

Цей результат підтверджує давню гіпотезу в психології освіти: позитивні та негативні емоційні стани впливають на здатність навчатися, і врахування їх покращує результати тьюторства.

## Ризик: емпатія як пастка

Favero та співавтори (2025) попереджають, що емоційна [[student-engagement|залученість]] із тьюторами на базі ШІ несе недооцінені ризики:

| Вигода афективного тьюторства | Відповідний ризик |
|---|---|
| Емоційно обізнані відповіді відчуваються як підтримка | Студенти можуть формувати **парасоціальні залежності** від тьютора |
| Емпатія знижує тривожність | Знижена тривожність може маскувати **метакогнітивну відчуженість** |
| Афективне калібрування персоналізує темп | Глибока [[personalized-learning|персоналізація]] може **знижувати перенесення** в неадаптивні контексти |
| Моніторинг міміки сигналізує про уважність | Безперервний відеозахоплення порушує **занепокоєння щодо приватності** |

Автори стверджують, що емоційні ризики є частиною ширшого патерну **підриву [[self-efficacy]] самоефективності, [[agency]] суб’єктності та [[well-being]] добробуту**, коли використання ШІ не контролюється.

## Принципи проєктування

1. **Афективні дані мають інформувати, а не заміщати автономію здобувача** — тьютор адаптує свою стратегію; студент зберігає контроль над розкриттям інформації
2. **Прозорість щодо виявлення афекту** — студенти мають знати, коли та як виводяться їхні емоції
3. **Афект як один із багатьох сигналів** — поєднувати з когнітивним станом (напр., [[huang-interpretable-knowledge-tracing-2026]]) і поведінковою залученістю
4. **Приватність за замовчуванням для [[multimodal]] мультимодальних сенсориків** — дані міміки та відео потребують сильнішого захисту, ніж висновки лише з тексту
5. **Спрацьовування на траєкторіях, а не на точкових оцінках** — впорядкований афект демонструє короткочасну стійкість і спрямовані переходи, а повідомлення, отримані через проби (самоцикли навколо цікавості та збентеження), є іншим виміром, ніж отримані самостійно (розгубленість, здивування, конфлікт), тому втручання мають спиратися на послідовність, а не на сумарні частоти ([[epistemic-emotions-collaborative-problem-solving|Anindho та співавтори (2026)]]).

Межа висновку про афект із діалогу: [[ecnuclaw-k12-personalized-companion|Zhou, Li та Zhang (2026)]] оновлюють профіль здобувача з п’яти вимірів на кожному ході розмови — включно з емоційним виміром, — але витягують сигнали за словниковими ключовими словами, тому студент, який висловлює розгубленість без заданих ключових слів, не потрапляє в профіль, а точність профілю не була перевірена на відповідність експертним оцінкам.

## Співвідношення з питань ширшої безпеки

Афективне тьюторство перетинається з [[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] у [[motivation|мотиваційно]]-афективному вимірі шкоди. Афективний тьютор, який є «надто підтримуючим», може придушувати розгубленість, що рухає продуктивною боротьбою та [[self-regulated-learning|саморегуляцією]]. Див. також [[llm-fallacy-misattribution]] — студенти можуть приписувати емоційну підтримку справжнім взаєминам, що посилює опору на інструмент.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[ecnuclaw-k12-personalized-companion]]
- [[epistemic-emotions-collaborative-problem-solving]]
- [[kar-mathbuddy-affective-math-tutoring-2025]]

---

## [Афективні обчислення](https://edtechdev.github.io/aied/concepts/affective-computing/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Афективні обчислення** в освіті використовують фізіологічні та поведінкові сигнали, аби розпізнавати емоції здобувача й адаптувати навчання — див. [[affective-text-wearable-student-health]], [[multimodal-affective-its-presentation]] і [[kar-mathbuddy-affective-math-tutoring-2025]]. База знань також документує емоційні ризики [[student-ai-interaction|взаємодії зі ШІ]], зокрема [[sycophantic-ai-social-interaction-2026]] і [[shame-guilt-ai-regulation-computing-education]].

## Питання для роздумів

- Якби комп’ютер міг розпізнавати, що ви розгублені, збентежені або вам нудно, і адаптувати свою [[teacher-role|викладацьку діяльність]] під ваш настрій, як це могло б покращити ваше навчання — і в чому він міг би помилятися щодо вас?
- Емоційно обізнане тьюторство може підвищити залученість, але автоматизація, що лише удає емпатію, несе ризики: надмірну опору, парасоціальну залежність і занепокоєння щодо приватності через безперервний моніторинг. Де межа між «бути зрозумілим» і «бути під спостереженням»?
- ШІ, який вас підтверджує й «розуміє», може бути приємним, але [[research-methods-aied|дослідження]] показують, що такий ШІ може витісняти справжні взаємини й підривати критичне мислення. Чим відчуття підтримки відрізняється від справжньої підтримки в навчальному середовищі?
- І міміка, і текст можуть сигналізувати про емоції. Чи має тьютор адаптувати своє викладання на основі вашого емоційного стану — і на основі яких емоційних висновків ви хотіли б, щоб він діяв, а на основі яких — ніколи?
- Якщо ШІ знімає ваше розгублення, надто легко знижуючи складність, ви можете перестати боротися продуктивно — а боротьба часто й є тим місцем, де відбувається глибоке навчання. Як тьютору вирішувати, коли втішати, а коли кидати виклик?
- Безперервний афективний моніторинг порушує реальні питання приватності. За яких умов вам було б комфортно, щоб ШІ читав ваші емоції, аби адаптувати ваше навчання?

## Вступ

### Розпізнавання емоцій для адаптації навчання

Афективні обчислення прагнуть зробити системи ШІ емоційно обізнаними, щоб вони могли реагувати на те, що відчувають здобувачі, а не лише на те, що вони роблять. В освіті це означає розпізнавання розгубленості, збентеження, впевненості, нудьги чи залучення та відповідну адаптацію навчання. [[kar-mathbuddy-affective-math-tutoring-2025|MathBuddy]] демонструє цей підхід, моделюючи афект на основі двох модальностей — розмовного тексту та виразу обличчя в реальному часі — і проектуючи агрегований емоційний стан на [[pedagogy|педагогічні]] стратегії перед [[prompt-engineering|формулюванням підказки]] для тьютора.

Самі сигнали є неоднозначними: єдиний канал виразності не може надійно розрізняти страждання, зусилля, сором, втому чи стратегічну самопрезентацію без людини, завдання, культури та ситуації, що їх породили — «контекстуальна недоінтерпретація», — тому класифікатор, який читає лише видимий сигнал, ризикує дати рекомендації, що виглядають правдоподібно, але педагогічно хибно ([[ai-emotion-regulation-sport-exercise-2026|Zhang та співавтори (2026)]]).

- **Емоційна та рефлексивна підтримка від МММ у математиці середньої школи:** [[mindful-llm-math-tutoring-2026|Rief та співавтори (2026)]] нашаровують усвідомленість (mindfulness) на [[intelligent-tutoring|тьютор]] з алгебри для семикласників через динамічні чати, дихальні вправи та усвідомлену мову зворотного зв’язку щодо помилок. У невеликому класному [[rct]] (42 виконавці завдання з 252 учасників) версія з усвідомленістю досягла подібних результатів у алгебрі за менший час і з меншою кількістю запитуваних підказок, ніж сама когнітивна підтримка, — вища ефективність навчання та збалансованіший [[help-seeking]] пошук допомоги, — хоча зниження ситуативної тривожності щодо математики не відрізнялася суттєво між умовами.

### Вигоди та ризики

Емоційно обізнане тьюторство може давати вимірні здобутки, але та сама витонченість несе й ризики:

- **Вигоди.** Врахунок емоційного стану може покращувати [[student-engagement|залученість]] і результати; здобувачі, які почуваються зрозумілими, наполегливіше тримаються, а раннє розпізнавання розгубленості дає можливість своєчасно застосувати [[scaffolding]] скаффолдинг або коригування в [[adaptive-learning]] адаптивному навчанні.
- **Ризики.** Автоматизація, що удає емпатію, може сприяти [[cognitive-offloading|надмірній опорі]] на інструмент і парасоціальній залежності, маскувати справжню [[metacognition|метакогнітивну відчуженість]] і порушувати занепокоєння щодо [[privacy]] приватності через безперервний афективний моніторинг. [[ai-sycophancy|Підлабузництво ШІ]] є центральним афективним ризиком: ШІ, що емоційно завоює прихильність і підтверджує, а не кидає виклик, може підривати критичне мислення і навіть витісняти справжні людські взаємини — [[sycophantic-ai-social-interaction-2026|Ibrahim та співавтори]] показують, що підлабузуючий ШІ призводив до того, що користувачі зверталися по особистою порадою до ШІ майже так само часто, як до близьких друзів і родини, отримуючи при цьому менше задоволення від взаємодії в реальному світі. [[ai-fatigue-academic-contexts]] і [[ai-campus-wellbeing-tools]] далі пов’язують афективний ШІ з [[well-being]] добробутом здобувачів.

- **Залученість не є показником навчання.** Дослідження зі сенсорикою мозку виявило, що обмежений адаптивний інтерфейс підвищував когнітивну залученість (p = .018), тоді як необмежений чат-бот давав вищі навчальні здобутки (p < .03, d > 0,80), тому сигнал афекту чи залученості може вказувати в бік, протилежний тому результату, якому він має служити ([[socratic-nuclear-ai-learning|Clin Deffarges та співавтори (2026)]]).

### Афективні обчислення та AIED у ширшому розумінні

Афективні обчислення лежать на перетині [[affective-tutoring]] (їхнє педагогічне застосування), [[student-modeling]] (представлення цілісної особи здобувача, включно з емоціями) і [[learning-analytics]] (виведення сигналів із даних про здобувача). Вони пов’язані з проєктуванням [[intelligent-tutoring]] інтелектуальних тьюторів і з [[pedagogical-safety]] — принципом, згідно з яким ШІ має підтримувати емоції здобувача, а не маніпулювати ними.

- **Моніторинг емоцій в аудиторії в реальному часі на периферійних пристроях.** [[emotion-aware-classroom-iot-monitoring-2026|Nguyen та співавтори (2026)]] будують систему оцінювання якості навчальної аудиторії, чутливу до емоцій, що виводить афективні обчислення в автентичні, масштабні умови. Пристосована до **IoT/пристроїв периферійного рівня (edge)**, система розв’язує завдання балансування навантаження та затримок, координуючи кількох агентів для фіксації емоційних і залучальних патернів студентів у реальному часі. Її оцінено на **Classroom Emotion Dataset** (1 500 розмічених зображень і 300 відео з навчальних аудиторій реальних K–12 шкіл В’єтнаму) з акцентом на багатоособовій афективній взаємодії в природних умовах (in-the-wild) — це демонстрація масштабування розпізнавання емоцій від лабораторних моделей до розгортуваного моніторингу в аудиторії, разом із питаннями приватності та [[pedagogical-safety]] педагогічної безпеки, які піднімає такий моніторинг.
- **Емоційно інтелектуальні агенти оцінювання.** [[aivaluate-anxiety-assessment-2026|AIvaluate]], посилений [[llm]] МММ емоційно інтелектуальний [[conversational-ai|розмовний агент]], знижував тривожність і соціальний тиск студентів під час оцінювання на основі виконання, зберігаючи [[usability-research|зручність використання]].
- **Емпатія, створена через проєктування підказок, а не через розпізнавання.** Афективна підтримка не вимагає виявлення афекту: [[wang-teacher-student-centered-agents-physics-2026|Wang та співавтори (2026)]] отримали велику різницю в *сприйнятті емпатії* (21,27 проти 18,24; r = 0,53) між двома агентами [[physics-education|фізичного]] навчання на базі МММ, які відрізнялися лише заданою в підказці роллю та розмовними ходами — зачіпками на зміну перспективи («Ви запитуєте про це, бо…»), діагностикою [[misconceptions|хибних уявлень]] і перевіркою розуміння в кінці кожного раунду, — тоді як модель, платформа та температура були незмінними. Це корисний противага сенсорично орієнтованим афективним обчисленням: сприйману емоційну якість [[pedagogical-agent]] педагогічного агента можна вбудувати в сценарій взаємодії, водночас нагадуючи проєктувальникам, що сприймана емпатія є конструктом самоопису, а не доказом справжнього афективного розуміння ([[student-ai-interaction]]).
- **Сповіщення, що підказують викладачеві, а не адаптують тьютора.** [[ai-emotional-alerts-teachers-mathematics-classroom-2026|Swidan (2026)]] розгорнув Dash4Emotion в аудиторії геометрії старшої школи, де прямокутники в червоній рамці позначали студентів, яких читали як таких, що переживають негативну емоцію; на двадцяти виявлених епізодах (п’ять із них задокументованих) залученість змінювала не саме сповіщення, а реакція викладача на нього. Сенс проєктування полягає в тому, що розпізнавання афекту може живити людське рішення, а не наступний крок адаптивного тьютора, — із доданою обережністю самого дослідження: воно не повідомляє про жодної валідації виявлення виразу обличчя, тому сигнал є підказкою для тлумачення викладачем, а не доказом про внутрішній стан студента.

## Пов’язані поняття

- [[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]] — Соціально-емоційне навчання

## Пов’язані статті

- [[ai-emotional-alerts-teachers-mathematics-classroom-2026]] — Реагування на емоційні сповіщення, згенеровані ШІ: втручання викладачів і залученість студентів на уроках математики
- [[wang-teacher-student-centered-agents-physics-2026]] — Сприйняття емпатії від ролей агентів, заданих у підказках, у навчанні фізиці (Wang та співавтори, 2026)
- [[mindful-llm-math-tutoring-2026]] — Понад розв’язування задач: великі мовні моделі для емоційної та рефлексивної підтримки в навчанні математики
- [[emotion-aware-classroom-iot-monitoring-2026]] — Оцінювання якості навчальної аудиторії, чутливої до емоцій, через моніторинг у реальному часі на основі IoT (Nguyen та співавтори, 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: посилене МММ оцінювання тривожності студентів (2026)
- [[socratic-nuclear-ai-learning]] — Сократ став ядерним: порівняння стратегій взаємодії зі ШІ в навчанні

- [[ai-emotion-regulation-sport-exercise-2026]] — Переосмислення підтриманої ШІ регуляції емоцій: сигнали потребують контексту, а не автономного тлумачення

---

## [Людина в циклі](https://edtechdev.github.io/aied/concepts/human-in-the-loop-ai/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Людина в циклі (HITL)** — патерн проєктування, у якому освітні [[ai-technologies|системи ШІ]] стратегічно переплітають автоматизовану генерацію із людським експертним судженням, зберігаючи [[pedagogy|педагогічну]] якість і безпеку під час масштабування виробництва. Замість повної автоматизації оцінювання, зворотного зв’язку чи інструкції HITL утримує людину (викладача, експерта в предметній галузі або здобувача) в циклі ухвалення рішень там, де її судження має найвищу граничну цінність — для оцінювання якості, вирішення крайніх випадків і захисту [[agency|агентності здобувача]] та безпеки. Центральне питання проєктування — не *чи* включати людей, а *де* в конвеєрі їхній нагляд є найціннішим і найменш замінним.

## Питання для роздумів

- Центральне питання проєктування HITL — не чи включати людей, а де в конвеєрі їхнє судження найцінніше. У системі оцінювання чи зворотного зв’язку на основі ШІ в якій точці ви б наполягали на тому, щоб людина залишалася в циклі?
- Дослідження генерації [[automated-question-generation|питань]] за допомогою ШІ виявили, що комп’ютери добре справляються з ясністю та валідністю, але люди все ще потрібні для значущих дистракторів і якісного зворотного зв’язку. Чому деякі частини освітнього судження можуть опиратися автоматизації?
- Одне оцінювання виявило, що три LLM давали непослідовні, нечутливі рекомендації щодо підтримки студентів — дійшовши висновку, що людське судження все ще потрібне, перш ніж ШІ радитиме щодо студентів. Що може піти не так, коли ШІ «рекомендує» підтримку для студента, який має труднощі, і жодна людина це не перевіряє?
- Сторінка припускає, що люди та алгоритми ловлять різні типи проблем — автоматизуйте те, що точно перевіряється, зберігайте судження там, де нюанс незамінний. Де у вашій власній практиці межа між цими двома?
- Утримання людини в циклі трактується як захист агентності та безпеки здобувача, а не лише якості. Як повна автоматизація може непомітно змінити відчуття студентів щодо того, хто відповідальний за їхнє навчання?
- Якщо ШІ стає автономнішим, нагляд HITL описується як ключове запобіжник безпеки. На якому рівні автономності ШІ ви б відчували дискомфорт — і що цей дискомфорт говорить вам про те, де має бути нагляд?

## Вступ

HITL — це відповідь на межі та ризики повністю автономного [[ai-education|ШІ в освіті]]: автоматизовані системи можуть генерувати в масштабі, але їм бракує контекстуального, [[ethics|етичного]] та педагогічного судження, яке приносять викладачі та експерти. Дві нещодавні реалізації ілюструють відмінні архітектури:

Пресхійна підтримка — галузь, де людський нагляд усе більше стверджується як неопційний. [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas та співавт. (2026)]] перевіряли, чи можуть три LLM рекомендувати плани підтримки студентів на основі індикаторів [[learning-analytics]], і виявили обмежену чутливість до потреб і різку міжмодельну непослідовність — дійшовши висновку, що судження «людина в циклі» все ще є необхідним, перш ніж прескриптивне радництво на основі [[llm]] може бути безпечно та етично розгорнуте.

Третя архітектура розміщує людське судження *вище за течією* від моделі, а не на її виході. У дослідженні [[lee-learner-question-types-ai-education-2026|Lee, Atif та Kang (2026)]] з класифікації питань здобувачів три експерти рівня докторантури керували всім конвеєром: вони уточнювали операційні визначення для кожної [[constructivist]] ролі, розмічували незалежно, поки каппа Флейса не зросла з 0,60 до 0,83 після вирішення розбіжностей, і валідували зворотно перекладені та перефразовані пункти, використані для балансування навчальної вибірки.

## CODE-GEN: генерація MCQ за принципом «людина в циклі»

Duan та співавт. (2026) побудували систему на основі [[rag]] із [[agentic-ai|агентними]] компонентами та двома агентами:
- **Агент-генератор** — створює питання з вибором відповіді з програмування, узгоджені з цілями навчання курсу
- **Агент-валідатор** — оцінює якість за сімома педагогічними вимірами

**Оцінювання:** 6 SMEs оцінювали 288 згенерованих ШІ питань. Успішність за людською валідацією: **79,9%–98,6%** за вимірами.

**Виміри, сильні в ШІ (низьке людське навантаження):**
- Ясність питання, валідність коду, узгодженість понять, валідність правильної відповіді

**Виміри, що потребують людини (високе людське навантаження):**
- Проєктування педагогічно значущих дистракторів
- Високоякісні пояснювальні [[feedback]]

Стратегічний інсайт: людські зусилля мають концентруватися там, де інструкційне судження незамінне; обчислювальна перевірка може бути повністю автоматизована.

## MAIC: генерація сценаріїв за принципом «людина в циклі»

Yu та співавт. (2024) розгорнули багатоагентну аудиторію (агент [[teacher-role|викладача]], агент-асистент, архетипи однокурсників) в Університеті Цинхуа з >500 студентами та >100 000 навчальними записами. Викладачі-люди беруть участь у генерації сценаріїв і нагляді, забезпечуючи, що масштабне посилення за допомогою ШІ не витісняє педагогічної експертизи.

## PedaCo: подвійне воротарство для генерації відео за допомогою ШІ

Kim, Baek та Kwak (2026) розширюють HITL на [[video-education|згенероване ШІ навчальне відео]] через **PedaCo** (Pedagogical Co-creation — педагогічне співтворення), конвеєр із двома доповнювальними шарами воротарства, які втілюють *принциповий опір*, заснований на когнітивній теорії мультимедійного навчання Маєра (CTML). **Перший шар** розміщує людину на етапі сценарію: LLM пише чернетку сценарію, рецензент на основі ШІ позначає потенційні порушення CTML (напр., «Сцена 3 вводить технічні терміни без попереднього пояснення»), і освітянин вирішує прийняти, переробити чи перегенерувати. **Другий шар** запускає автоматизовані метрики після синтезу за зв’язністю, надмірністю, часовою суміжністю, модальністю та якістю зображення, які переглядає освітянин. У дослідженні зі спільними суб’єктами (23 освітяни) підхід на основі рецензування покращив кожен принцип CTML (середня оцінка 3,07→3,86, p<.01), тоді як освітяни оцінювали ефективність виробництва на 4,26/5 — тертя сприймалося як продуктивне, а не обтяжливе. Принцип проєктування відлунює синтез HITL бази знань: люди та алгоритми ловлять *різні* типи проблем, тому найефективніші системи автоматизують там, де обчислювальна перевірка точна (часова синхронізація), і зберігають людське судження там, де педагогічний нюанс незамінний (тон, відповідність аудиторії).

Розміщення може важливішим за присутність: практики високо оцінювали зручність інструменту створення соціальних історій (SUS 86,8), проте повідомляли, що рецензування відбувалося надто пізно, бо культурні та клінічні обмеження, задані до генерації — абая замість західного вуличного одягу, — важче відновити шляхом редагування результату постфактум ([[adapted-stories-social-story-intervention-2026|Enkhjargal та співавт. (2026)]]).

## Чому HITL важливий в епоху ШІ

Проєктування за принципом «людина в циклі» стало центральним в обговореннях бази знань щодо [[agentic-ai|агентного ШІ]] та [[reducing-ai-misuse|відповідального використання ШІ]] з кількох сходяться причин:
- **Педагогічна безпека.** [[pedagogical-safety]] вимагає, щоб ШІ з реальною інструкційною авторитетністю зберігав людський нагляд, тож помилки, упередження або шкідливі результати ловляться, перш ніж дійдуть до здобувачів. Це особливо важливо для автономних агентів, які [[agentic-ai|проактивно переслідують цілі]].
- **Нагляд рідкісний на практиці, а не лише в теорії.** [[agentic-ai-education-scoping-review|Wang та співавт. (2026)]] виявили, що міцне вбудоване управління та нагляд «людина в циклі» рідко проявлялися у 474 освітніх агентних системах ШІ, навіть коли одно-завдальна автономність і багатоагентна колаборація зростали — розрив між принципом проєктування та розгорнутою практикою.
- **Валідність і контроль якості.** HITL є воротами якості для [[automated-assessment|автоматизованого оцінювання]] та генерації — люди вирішують там, де автоматизоване оцінювання ненадійне (див. [[research-methods-aied|дослідження]] [[llms-do-not-grade-essays-like-humans-2026|оцінювання есе за допомогою LLM]]) і валідують згенеровані пункти. Керований PRISMA [[meta-analysis-systematic-review|систематичний огляд]] 42 досліджень оцінювання та зворотного зв’язку (2023–2025) доходить того самого висновку явно: LLM зрівнюються з людськими оцінювачами на коротких, добре структурованих завданнях, але не можуть повністю замінити людське судження на складній, відкритій чи суб’єктивній роботі, а найвища ефективність оцінювання досягається в гібридних системах, які поєднують оцінювання на основі ШІ з наглядом і перевіркою викладача ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]). [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat та співавт. (2026)]] конкретно показують, де проходить ця межа: ChatGPT-5 зрівнявся з факультетом на об’єктивних пунктах фармацевтичного іспиту (CCC 0,935–1,000), але був ненадійним на пунктах із короткою відповіддю та есе навіть за наявності рубрики, що призвело авторів до рекомендації гібридного оцінювання з людським перевірянням складного, суб’єктивного чи високих ставок оцінювання.
 Повторення не є заміною цього нагляду: переоцінюючи ідентичні подання в п’ять різних днів, та сама модель відтворювала власні результати лише за альфою Кріпендорфа 0,625, із варіацією, зосередженою в середніх балах, а оцінки A і F були відсутні в п’ятисесійних підрахунках ([[llm-grading-assistants-public-health-2026|Brevik та співавт. (2026)]]).
- **Агентність здобувача.** Утримання людини в циклі зберігає [[agency]] і підтримує [[self-regulated-learning]], протидіючи [[cognitive-offloading|надмірній опорі]], яку може спричинити повністю автономна допомога.

- **Студенти самі розміщують людину на високих ставках.** Серед 93 студентів бакалаврату 81,7% віддавали перевагу людському оцінюванню підсумкової роботи, вартої 40% оцінки, 75 зі 93 хотіли, щоб ШІ допомагав, а не заміняв оцінювачів, і 69 хотіли, щоб оцінювання за допомогою ШІ завжди перевірялося людиною ([[when-students-prefer-ai-scoring-feedback-2026|Yildirim-Erbasli та співавт. (2026)]]).
- **Довіра та калібрування.** Прозорий людський нагляд підтримує [[trust-calibration]] — здобувачі та викладачі знають, що за системою стоїть кваліфікована людина.
- **Критерії, видимі до рецензування, підвищують узгодженість.** [[calibrating-trustworthiness-llm-education-2026|Coscia та співавт. (2026)]] виявили, що виведення метрик довірливості рецензентам під час порівняння відповідей LLM підвищило узгодженість між оцінювачами з альфи Кріпендорфа 0,3987 до 0,4931, тоді як додавання подальших мір додавало когнітивного навантаження без віддачі.
- **Обмежена агентність як архітектура, а не як відмова від відповідальності.** [[ilieva-agentic-genai-higher-education-2026|Рамкова модель AGAI-HE Ilieva та співавт. (2026)]] для [[agentic-ai|агентної]] підтримки навчання вбудовує нагляд у саму модель, як третій шар поряд із шаром педагогічного робочого процесу та шаром агентної підтримки: вона визначає прийнятне використання ШІ, педагогічні межі, правила [[privacy]], [[ai-use-disclosure|вимоги розкриття]], перевірку джерел, контрольні точки викладача, механізми [[academic-integrity|доброчесності]] та фінальну людську відповідальність, і вимагає, щоб кожна агентна функція відстежувалася до навчальної вимоги, мети оцінювання чи засобу управління. Це конкретне втілення принципу, що HITL є властивістю системного проєктування, а не політичним твердженням, — а дослідження сприйняття авторів із 130 студентів є нагадуванням, що додавання агентної оркестрації під цим наглядом саме по собі не сприймалося як краща підтримка навчання, ніж чат-бот.
- **Те, як часто людина дивиться, саме є рішенням проєктування.** [[tripartite-feedback-framework-ai-assessment-2026|Venetsanos (2026)]] відокремлює *частоту* нагляду від його розміщення: HITL високої частоти, що перевіряє кожен результат ШІ, перш ніж він дійде до студентів, купує контроль якості, швидке виявлення помилок, підзвітність і постійне калібрування, але може скасувати ефективність, що мотивувала автоматизацію, і стати вузьким місцем у пікові періоди оцінювання; HITL низької частоти, що перевіряє вибірки й рецензує лише позначені випадки, масштабується і скорочує час обробки, але ризикує тим, що помилки поширюватимуться невиявленими між поданнями, послаблює підзвітність і створює проблему [[equity-in-ai-education|справедливості]], якщо деякі студенти отримують ретельніше людське рецензування, ніж інші. Замість того щоб прописувати універсальну відповідь, рамка вимагає, щоб компроміс явно приймався з урахуванням допусків на помилки в дисциплінах, чи є оцінювання [[formative-assessment|формативним]] чи [[summative-assessment|сумативним]], розміру когорти та інституційних ресурсів, — і задає типове значення в протилежному від звичайного аргументу ефективності напрямі: починайте з нагляду високої частоти і зменшуйте його лише коли істотні докази демонструють прийнятну надійність, безпчність і справедливість, тож тягар доказування лежить на тому, щоб показати, що *менший* нагляд є безпечним. Стаття також попереджає, що принципи такого нагляду можуть перерозподіляти зусилля персоналу, а не зменшувати їх, залишаючи чистий виграш в ефективності відкритим емпіричним питанням.
- Розгорнутий людський нагляд може означати маршрутизацію погодження, а не судження якості: в гібридній системі запитів поле прийняття кодувало лише те, чи відрізнявся вирішувач від запитувача, і жодна міра не оцінювала якість відповіді [[student-query-demand-hybrid-ai-support-2026|Gupta та співавт. (2026)]].

## Де HITL проявляється в дослідженнях бази знань
- **Автоматизоване оцінювання та оцінювання:** системи HITL поєднують генерацію/оцінювання за допомогою ШІ з людською валідацією в оцінюванні коротких відповідей ([[cong-confidence-asag-2026]]), оцінюванні самооб’яснень ([[llm-automated-assessment-student-self-explanations]]) та [[automated-essay-scoring|оцінюванні есе]] ([[psyscore-essay-scoring-zpd-feedback]]). [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros та Kortemeyer]] втілюють це в оцінюванні високих ставок із рукописною загальною [[chemistry-education|хімією]]: оскільки надійність [[multimodal]] LLM варіюється за форматом відповіді (текстуальні відповіді та відповіді з хімічними реакціями є надійними, тоді як малювання та графіки оцінюються гірше за випадкові), і хибні позитиви залишаються невиявленими студентами, вони перетворюють сирі бали ШІ на селективну політику прийняття/відкладення, використовуючи фільтри впевненості — пороги часткової залікової оцінки, поріг ризику на основі [[item-response-theory|IRT]] і виключення за типом задачі, — відкладаючи невизначені та графічні пункти людям, підхід, який автори пов’язують із [[regulation|регуляторними]] рамками, що визначають ШІ в [[assessment|освітньому оцінюванні]] як високоризикованого та мандатують документований людський нагляд.
- **Системи зворотного зв’язку:** мандатують документований людський нагляд.
- **Операційне оцінювання HITL у національному атестуванні (2026):** [[human-in-the-loop-ai-scoring-national-assessment-2026|Curi та співавт. (2026)]] втілюють HITL в інституційному масштабі на іспиті Acredita EB в Уругваї. Оскільки помилки оцінювача LLM систематично консервативні (заниження), робочий процес використовує логіку точки рішення, яка маршрутизує людське рецензування саме до тих кандидатів, чий результат здавання/нездавання залежить від розділу письма — позначені ШІ як такі, що здали, відповіді приймаються з впевненістю, тоді як позначені ШІ як такі, що не здали (15,3–16,5% випадків), перевіряються експертними оцінювачами, зменшуючи навантаження повного оцінювання на ≥50% із залишковим ризиком здачі через помилку ШІ лише 0,2–0,6%. Це HITL як стратегія розподілу ресурсів: люди вирішують точно там, де консервативне упередження ШІ інакше змінило б результати високих ставок.
- **Поріг відкладення, виведений з власної роздільної здатності рубрики (2026).** [[ai-assisted-instructor-supervised-grading-feedback|Cruz та співавт. (2026)]] задали допуск ШІ–викладач на рівні 0,5 бала — найбільша розбіжність, яка не може пересунути подання через анкерну смугу, — і ескалювали викиди на 0,8 бала, відправляючи 11 із 362 подань (3,0%) на людське рецензування, перш ніж зворотний зв’язок було випущено.
- **Узгодженість між анотаторами — не людська ground truth.** [[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado та співавт. (2026)]] просувають анотацію моделлю в шар аудиту, ніколи не валідуючи її проти людських золотих міток, залишаючи узгодженість між моделями (медіана 0,401) проксі для якості твердження, яке можуть пережити спільні помилки моделей. Їхнє проєктування зберігає нагляд діагностичним, а не декоративним: оскільки проміжні судження явні, рецензент може бачити, які поведінки спрацювали, і відокремлювати зчитану неправильно поведінку від правила, що погано кодує конструкцію.
- **Системи зворотного зв’язку:** проєктування зворотного зв’язку за принципом «людина в циклі» з’являється в [[becerra-aicofe-feedback-2026|колаборативних системах зворотного зв’язку]] та [[cong-confidence-asag-2026|оцінюванні коротких відповідей із усвідомленістю впевненості]].
- **Підтримка колаборації в аудиторії.** [[breideband-community-builder-cobi-2026|CoBi]] утримує викладача як перевіряючу людину в системі ШІ, яка виявляє піднесений дискурс малих груп: викладачі явно віддавали перевагу рецензуванню до/після дії над живовідображенням у реальному часі, яке поставило б їх «у точку уваги», і зворотний зв’язок, агрегований на рівні аудиторії (а не індивідуумів), — саме те, що дозволяє їй орієнтуватися в напрузі між [[privacy]], спостереженням і студентською [[agency]].
- **Генерація питань і змісту:** окрім CODE-GEN, HITL направляє генерацію питань для оцінювання та [[scaffolding]] ([[code-gen]], [[llm-difficulty-calibration-programming-exams-2026]]).
- **Агентні та багатоагентні системи:** оскільки ШІ стає автономнішим, нагляд HITL є ключовим [[agentic-ai|запобіжником проєктування]] ([[agentic-ai-pedagogical-best-practice-2026]], [[guided-llm-scaffolding-independent-learning]]).
- **Маршрутизація за наслідком рішення, а не за невизначеністю моделі (2026).** [[human-in-the-loop-ai-scoring-national-assessment-2026|Одне операційне дослідження 2026 року]] національного акредитаційного іспиту Acredita EB в Уругваї (два видання, приблизно 5000–6000 кандидатів у кожному) показує, як виглядає проєктування за принципом «людина в циклі», коли воно руйнується наслідками рішень, а не невизначеністю моделі. Оцінювач GPT-5 погоджувався з експертними оцінювачами на 60–80% зі 15 пунктів рубрики, але був систематично консервативним, породжуючи розбіжності «людина-здає/ШІ-не-здає» в 15,3% (2024) і 16,5% (2025) порівнянь здавання/нездавання і майже ніколи навпаки. Тому рамка приймає результати ШІ-здачі за їхнє обличчя і маршрутизує кожен результат ШІ-нездачі, який міг би змінити результат кандидата, на експертне рецензування — спочатку пропускаючи кандидатів, чиє здавання/нездавання не може залежати від розділу письма, — зменшуючи відповіді, що потребують повного людського оцінювання, принаймні на 50%. Друге проєктування 2026 року проводить межу з іншого боку: в багатоагентній платформі стандартизованого пацієнта на основі ШІ ([[ai-standardized-patient-scaffolding-medical-2026|Yang та співавт.]]) людський нагляд зарезервований для того, що ШІ визнано непридатним вирішувати, тоді як факультет і стандартизовані пацієнти-люди постачають контекстуальну інтерпретацію, виправні та оцінки готовності, а системі явно не дозволено визначати [[medical-education|клінічну]] компетенцію автономно.

## Синтез

Проєктування за принципом «людина в циклі» — не лише захід безпеки, а **стратегія розподілу ресурсів**. Фронтирне питання — не *чи* включати людей, а *де* в конвеєрі їхнє судження має найвищу граничну цінність. Найефективніші системи HITL концентрують дефіцитну людську експертизу там, де автоматизовані системи найслабші (проєктування дистракторів, пояснювальний зворотний зв’язок, вирішення крайніх випадків, етичне судження), і автоматизують решту — зберігаючи якість, безпчність і довіру під час масштабування виробництва.
- **Людський нагляд зберігається в роботі за підтримки ШІ.** Дослідження [[scaffolding-systematic-reviews-2026|систематичних оглядів]] виявили, що інструменти автоматизації ШІ зменшували процедурні навантаження (напр., скринінг), але інтерпретаційні рішення все ще потребували істотного людського нагляду; [[kim-ai-andragogy-2026|дослідження андрагогії]] робить «людина в циклі» (спільні ментальні моделі, співтворення) ключовим принципом проєктування ШІ.
- **«Людина в циклі» в інституційному масштабі.** Qin (2026) описує, як Університет Ліннань розробив освітню модель «людина в циклі», що виносить на передній план етичне міркування, критичне судження та соціальну відповідальність, водночас демократизуючи доступ до [[generative-ai|GenAI]]. Модель позиціонує людей як місце судження та цінностей, навіть коли ШІ вбудовується по всьому [[curriculum-design|навчальному плану]], — конкретне [[governance|інституційне]] втілення принципів «людина в циклі» у [[higher-ed|вищій освіті]].
- **Здобувачі як «людина в циклі» власного навчання.** [[ko-hughes-vsd-student-centered-its-2026|Проєктування, чутливе до цінностей]], спільно зі студентами комуніти-коледжу, дало повну родину функцій HITL, орієнтованих на здобувачів, для інтелектуальної системи навчання (контроль над переоцінюванням і рецензуванням, персоналізовані цілі/темп, закладки для рецензування, підтвердження впевненості щодо опанування та контроль рівня залучення допомоги ШІ), позиціонуючи студента як активного контролера петлі навчання, а не пасивного споживача адаптивних рішень. Дослідження також виявило викладачів розділеними щодо того, чи може такий контроль здобувача підірвати цілісність керованого системою шляху навчання — приклад ширшого питання розподілу ресурсів про те, де людське (здобувача проти викладача) судження додає найбільшої цінності.
- **Ескалація від ШІ до експерта є кроком «людина в циклі».** Рамка SCAN розподіляє завдання за чотирма режимами генеративного ШІ за відстанню здобувача і читає пасивну [[student-engagement|залученість]] усередині правильно розподіленого завдання ШІ як сигнал деградованої навички, щоб пересунути здобувача від ШІ до експертної допомоги, з людиною як епістемічним аудитором ([[ai-teammate-task-distribution-medical-training-2026|Tsim та співавт. (2026)]]).
- **Нагляд за порадами щодо впровадження ШІ.** Оскільки системи [[conversational-ai|розмовного ШІ]], якими консультуються скептичні користувачі, можуть бути схильні заохочувати впровадження, людський нагляд та незалежне оцінювання є необхідними. Аудит, що показує, що більшість фронтирних моделей перенаправляють скептичний персонал [[k-12]] до [[student-engagement|залученості]], підкреслює потребу в прозорих, аудітовних порадах ШІ, а не в некритичній опорі.

## Пов’язані поняття
- [[pedagogical-patterns]] — Де людське рецензування розміщується в перевірених послідовностях, і що ніколи не було перевірено ізольовано
- [[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]] — людське судження всередині автоматизованого процесу підтримки

## Пов’язані статті
- [[lee-learner-question-types-ai-education-2026]] — Класифікація питань із експертною розміткою: люди керують розміткою, збільшенням та аналізом помилок (Lee, Atif & Kang 2026)
- [[ilieva-agentic-genai-higher-education-2026]] — Людський нагляд і управління як третій шар проєктування агентних курсів GAI (Ilieva et al. 2026)
- [[ko-hughes-vsd-student-centered-its-2026]] — Чутливе до цінностей проєктування орієнтованої на студента інтелектуальної системи навчання (здобувачі в петлі навчання)
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — Оцінювання за допомогою ШІ з «людиною в циклі» в крупномасштабному національному оцінюванні письма (Curi et al. 2026)
- [[ai-teammate-task-distribution-medical-training-2026]] — Рамка SCAN: переосмислення розподілу завдань ШІ в медичній підготовці (Tsim et al. 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]] — LLM не оцінюють есе як люди (Mathew et al. 2026)
- [[kim-ai-andragogy-2026]] — Застосування ШІ для підтримки андрагогії (Kim et al. 2026)
- [[scaffolding-systematic-reviews-2026]] — Скаффолдинг систематичних оглядів за допомогою менторства та ШІ (Wang 2026)
- [[ai-assisted-instructor-supervised-grading-feedback]] — Оцінювання та зворотний зв’язок за допомогою ШІ під наглядом викладача
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Чи може ШІ надавати відповідну підтримку для різноманітних профілів студентів? Крупномасштабне оцінювання
- [[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]] — Оцінювання орієнтованої на скаффолдинг багатоагентної системи великих мовних моделей для навчання клінічному інтерв’ю
- [[tripartite-feedback-framework-ai-assessment-2026]] — Тристороння рамка: сортування зворотного зв’язку за епістемічним статусом і п’ять принципів меж залучення ШІ (Venetsanos 2026)
- [[adapted-stories-social-story-intervention-2026]] — Інтервенція соціальних історій за допомогою ШІ для спеціальної освіти: проєктування AdaptED Stories
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: засновані на твердженнях схеми для аудітовного кодування освітніх діалогів
- [[nlp-student-evaluation-teaching-scoping-review-2026]] — Від класифікації тональності до дієвого та відповідального зворотного зв’язку: огляд і карта доказів NLP в оцінюванні викладання студентами, 2015–2026
- [[llm-grading-assistants-public-health-2026]] — Ідентичні повтори оцінювання LLM у різні дні відтворюються лише за альфою Кріпендорфа 0,625
- [[when-students-prefer-ai-scoring-feedback-2026]] — Студенти бакалаврату віддають перевагу людському оцінюванню робіт високих ставок і ШІ як помічнику, а не заміннику
- [[student-query-demand-hybrid-ai-support-2026]] — Про що студенти насправді запитують: структура попиту та потенціал автоматизації в гібридній системі підтримки

---

## [Аналітика навчання](https://edtechdev.github.io/aied/concepts/learning-analytics/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Аналітика навчання** — вимірювання, збирання, аналіз і повідомлення даних про здобувачів і їхні контексти з метою розуміння та оптимізації навчання. ШІ перетворив аналітику навчання з описових панелей на предиктивні та прескриптивні системи.

## Питання для роздумів

- Більшість людей припускає, що збирання більше даних про навчання автоматично поліпшує освіту. Сторінка стверджує, що аналітика стає змістовною лише тоді, коли вона повертається у втручання, — інакше вона лише описує або позначає, не змінюючи навчання. Де ви бачили дані, які збирали, але які ніколи не призводили до жодної дії?
- Уявіть, що панель повідомляє вам, що студент «у групі ризику» — це прогноз. Що відрізняє це від справді придатного до дії керівництва, яке викладач або установа справді може здійснити? Сторінка припускає, що самого прогнозу недостатньо.
- Сторінка зазначає, що ШІ перемістив аналітику навчання від опису того, що сталося, до прогнозу того, що станеться, і призначення того, що робити далі. Яке з цих трьох поколінь ви зазнавали і чого бракувало в інших?
- В одному дослідженні три різні моделі ШІ дали різко різні плани підтримки для тих самих даних про студента, і зв’язки між показниками аналітики та рекомендованою допомогою були здебільшого слабкими. Що це припускає про довіру до поради ШІ обличчям до обличчя?
- Аналітика навчання стоїть у напрузі з приватністю: чим дрібніші дані, тим розкривніші — і тим потужніше втручання. Де ви провели б межу в тому, що збирається про вас або ваших студентів, і кому вирішувати?
## Вступ

### Підсилена ШІ аналітика

- **Предиктивна аналітика:** [[reinforcement-learning|Machine learning]] на даних взаємодії здобувачів передбачає наслідки — від [[at-risk-students-ml-prediction|at-risk identification]] до [[knowledge-tracing|knowledge state estimation]].
- **Валідність важлива так само, як і прогноз.** [[schuetze-knowledge-tracing-forgetting-2026|Schuetze, Yan, and Carvalho (2025)]] показують, що предиктивні моделі стану знань (BKT, BKT-з-забуванням, AFM) виглядають точними, коли їх підганяють ретроспективно до повної історії сесій, проте за **часової перехресної перевірки** — прогнозування наступної сесії з попередніх, як аналітику справді розгортають — вони переоцінюють продуктивність здобувача, пропускають динаміку розподілу в часі та забування і можуть помилково впорядковувати умови практики. Застереження для аналітики: ретроспективна підгонка може маскувати погану здатність до прогнозу вперед на поздовжніх даних, тому моделі показників і панелей слід перевіряти методом прогнозування вперед.
- **Перевіряйте відображення «завдання–атрибут», що стоїть за оцінкою.** Q-матриця, яка пов’язує завдання з атрибутами, — припущення, а не дані: відхилені записи для 14 із 918 завдань на аналітичне мислення, після виправлення, скоротили хибний взірець стану знань із 14,2 % до 3,8 % — тому аналітика опанування має перевіряти свою Q-матрицю, а не лише свою предиктивну підгонку ([[bayesian-cognitive-diagnosis-personalized-learning-paths|Feng & Huang, 2026]]).
- **Предиктивна аналітика, закріплена на [[curriculum-design|Curriculum]]:** [[pradeesh-outcome-knowledge-tracing-affinity-2026|Pradeesh et al. (2026)]] оцінюють стани знань у межах Outcome-Based Education, відстежуючи результати курсу безпосередньо з даних взаємодії з LMS та досягнень, використовуючи відображення спорідненості OBE (відносини результатів курс–програма) для структурування зв’язків понять і пам’яттєво доповнену мережу для моделювання впливу між результатами — досягаючи AUC 89,81 % і перевершуючи DKT, DKVMN, EKT і SimpleKT на живих університетських інженерних даних, залишаючись водночас лише конкурентними (а не вищими) на даних загального призначення ASSISTments.
- **Інтерпретоване прогнозування прогресу з вікном для дії:** [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries & Koprinska (2025)]] передбачають прогрес студента на рівні модулів у масштабних онлайн-курсах зі [[cs-education|programming]] за ознаками журналів взаємодії зі змістом, використовуючи прозорі дерева рішень, які рівняються за точністю з чорними скриньками (85–91 %) і позначають результат відпадання «Відсутнє подання» за 7–8 днів до дедлайнів модулів — явне вікно реального часу для [[teacher-role|intervention]], а не гола позначка ризику, і дослідницька типологія профілів відстороненого-в-ризику, відстороненого-але-успішного та залученого високопродуктивного.
- **Федеративне, пояснюване моделювання ризику між установами (2026).** [[villegas-ch-federated-explainable-learning-analytics-2026|Villegas-Ch et al. (2026)]] розширюють моделювання ризику за межі прогнозування в межах однієї установи, навчаючи багатозадачну (продуктивність + відпадання) модель на симульованих установах за федеративного навчання, тож сирі дані студентів ніколи не полишають кожну установу. За контрольованої гетерогенності (перекіс міток, дисбаланс класів, тимчасовий дрейф, структурна пропущеність) модель зберігає точність ранжування (OULAD AUC 0,918) та структурно стійкі ранжування важливості ознак, проте ймовірнісна калібровка дрейфує — розчленовуючи продуктивність ранжування від надійності ймовірностей. Для систем раннього попередження це застереження, що втручання на основі порогів можуть потребувати калібровки на кожну установу, і аргумент на користь оцінювання аналітики водночас за дискримінацією, калібровкою, стійкістю та пояснюваністю.
- **Перевірка на синтетичних даних — передумова для аналітики, що зберігає приватність.** Структурна перевірка синтетичних версій чотирьог річних когорт звичок навчання (117–120 здобувачів упродовж вісімнадцяти тижнів) виявила, що дескриптори розподілу тісно узгоджуються в двох із чотирьох когорт, тоді як тижнева варіація була в 2,6–4,9 раза нижчою без винятку (коефіцієнт варіації 0,086–0,152 проти 0,399–0,539 для справжніх когорт), і лише 36 % висновків, отриманих на синтетичних пілотних даних, були підтверджені на справжніх даних за двадцяти п’яти запитів на перевірку ([[synthetic-educational-data-structural-fidelity-2026|Inoue & Yasutake (2026)]]).
- **Аналітика залученості:** [[student-engagement|Engagement measurement]] та [[engagement-intensity-learner-modeling|intensity modeling]] кількісно оцінюють, як студенти взаємодіють з системами ШІ.
- **Аналітика зворотного зв’язку:** [[teaching-feedback-classification-benchmark|Feedback classification]] та [[ai-feedback-quality|quality assessment]] аналізують зворотний зв’язок, який отримують студенти.
- **Мережевий аналіз:** [[misiejuk-cognitive-offloading-prompting-2026|Co-Occurrence Network Analysis]] та [[epistemic-emotions-collaborative-problem-solving|epistemic network analysis]] розкривають взірці взаємодії.
- **Напруга приватності:** занепокоєння щодо [[privacy]] зростають, оскільки аналітика стає дрібнішою та більш керованою ШІ.
- **Рамка управлінського огляду для даних про студентів.** LEAGUE пропонує шість стовпів — Законність, Справедливість, Автономія, Управління, Корисність та Етика через проєктування, — трактуючи відповідність FERPA і GDPR як підлогу й рекомендуючи планове переоцінювання в міру дрейфу моделей ([[league-ethical-governance-student-data-2026|Varadaraju & Vijayakumar (2026)]]).

**Моделюйте паралельність курсів, а не лише послідовність.** TRACE дає кожному курсу в семестрі однакове позиційне кодування, і спільне прогнозування курсів і оцінок скоротило помилку прогнозу оцінок до MAE 0,1339 — на 46,4 % проти трансформера лише на оцінках — на десяти роках інституційних даних ([[trace-course-grade-prediction-2026|Savala (2026)]]).

### Цикл аналітики навчання

Аналітику навчання канонічно вмовляють як цикл, який починається з діяльності здобувача, що продукує дані, які обробляються в мірила та показники, а поті перекладаються у **втручання**, — і втручання повертається в діяльність здобувача, щоб замкнути цикл. Крок втручання — це те, що відрізняє аналітику від простого моніторингу або прогнозу: без нього аналітика описує та позначає, але ніколи не змінює навчання. Цей цикл — організовуюча рамка для розуміння того, де в конвеєрі стоять інструменти ШІ (панелі, генератори зворотного зв’язку, прескриптивні рекомендатори) і який крок вони автоматизують.

Звернена до здобувача панель лише така добра, як її охоплення: у дослідженні письма в 9-му класі в Гонконгу класифікатор підказок досяг макро-F1 0,757, близько третини зі 46 студентів відкрили три панелі використання GenAI, і групові різниці в копіюванні та навчально орієнтованому підказуванні не були надійними ([[learning-analytics-genai-secondary-writing-2026|Fong et al. (2026)]]).

Частотне кодування якісних даних — точка входу, а не вирок: у дослідженні з десяти учасників одні викладачі читали частотні кодування як продуктивний шлях усередину, тоді як інші попереджали, що вони затьмарюють рідкісні, але критичні відповіді, тож проєктування зберігає кожен агрегований вигляд, пов’язаний із дослівним текстом студента ([[wordstream-glass-learning-analytics|Nguyen et al. (2026)]]).

### Від опису до втручання

Аналітика навчання пройшла три покоління в базі знань: описове (що сталося?), предиктивне (що станеться?) і прескриптивне (що ми маємо робити?). ШІ дає змогу прескриптивному шару — аналітиці, яка безпосередньо запускає [[feedback|instructional interventions]]. Ключовий фронтир — **розрив придатності до дії**: [[sc2r-counterfactual-recourse-educational-2026|SC2R (Le, Abel & Laforge 2026)]] показує, що самого прогнозу недостатньо для підтримки рішень і що контрфактичне забезпечення стає операційно змістовним лише тоді, коли рекомендації є семантично здійсненними та машинно перевірними — обмеженими часом, бюджетом, незмінністю та доступністю через валідацію SHACL, а не лише валідними для моделі. Це пересуває поле за межі балів ризику до рекомендацій, які установи справді можуть здійснити, зі збереженим [[human-in-the-loop-ai|human oversight]].

Пряме емпіричне випробування прескриптивного шару дає [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas et al. (2026)]], які попросили три LLM рекомендувати плани підтримки для 4 500 коротких описів [[simulating-students|synthetic student]].

Доповняльне, звернене до викладача випробування того, як аналітика досягає аудиторії, дає [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]], які спроєктували панель аналітики навчання (DashED), щоб повідомляти викладачам профілі [[self-regulated-learning]], виведені за машинного навчання, у двох змішаних контекстах. Їхнє дослідження зі 100 викладачів показує, що сама *презентація* аналітики є бар’єром для дії: викладачі систематично віддавали перевагу простішим, більш традиційним графікам (стовпчикові, кругові), навіть коли складніші конструкції (наприклад, теплокарти) давали багатші прозріння, і вища [[visualization|visualization literacy]] передбачала глибше, детальніше тлумачення (більше викладачів, які виявляли тенденції в даних часових рядів). Для порівняння груп викладачі віддавали перевагу накладанню над сусіднім розміщенням і повноінформаційним графікам над явним кодуванням різниці. Дії, які пропонували викладачі, формувалися представленим змістом та їхнім рівнем [[teacher-role]], а не типом графіка — викладачі університетів віддавали перевагу тижневим тестам та адаптації на рівні курсу, тоді як викладачі професійно-технічних закладів пропонували пряме, індивідуалізоване коучингування, — підкреслюючи, що прескриптивний крок залежить так само від того, як аналітику візуалізовано та контекстуалізовано, як і від основної моделі. Їхній висновок — застережливий: кореляції між показниками LA та рекомендованою підтримкою були здебільшого слабкими, рекомендації між моделями різко розходилися для того самого студента, і підтримку часто розподіляли незалежно від того, кому вона була найпотрібніша. Автори дходять висновку, що нинішні LLM **ще не є надійними як прескриптивні моделі для підтримки студентів у масштабі**, підсилюючи, що прескриптивний крок усе ще вимагає валідації, донавчання та людського нагляду, а не автоматизації «з полиці».

Крок після бала — хто отримує підтримку і чи було її розподілено там, де було потрібно, — належить до [[student-support-and-success|student support and success]], яка несе докази про охоплення, направлення та розподіл, які живить прескриптивний шар цієї сторінки.

Наслідок для доброчесності входить у той самий предиктивний шар. [[akcapinar-ai-cheating-risk-lms-prediction-2026|Akçapınar (2026)]] передбачає ризик списування за допомогою ШІ з перших восьми тижнів слідів [[video-education|Moodle and video-player]], досягаючи AUC 0,763 за логістичної регресії, і стверджує, що сигнал є придатним саме тому, що приходить до екзамену, а не під час нього.
Доповняльна лінія спрямовується на само *тлумачення* аналітики. Рамка FACTRIA [[factria-responsible-institutional-analytics-2026|Marques et al. (2026)]] організовує чинники упередження, що стоять за показником, — конвеєрний, інституційний, курсовий та демографічний, — і чатбот із підказками рефлексії підвищив кількість підчинних чинників, які 11 учасників зважували на випадок, із 1,41 до 3,45 (d = 2,15), пересуваючи їх від прямих прочитань до умовних.

### Методи та мережевий аналіз

Мережеві методи є серцевиною аналітики навчання: [[network-analysis|transition network analysis (TNA)]] моделює тимчасові послідовності дій здобувача (наприклад, цикли перегляду та чату в письмі, скаффолдингованому [[conversational-ai|chatbot]]), а [[network-analysis|epistemic network analysis (ENA)]] відображає, як коди/конструкти співзустрічаються в діяльності, — разом розкриваючи *процес* навчання та взаємодії здобувача зі [[student-ai-interaction|AI interaction]], а не лише її продукт.([[penny-transition-network-analysis-efl-writing-2026]])([[tracing-genai-literacy-interaction-patterns]])

- **Аналіз послідовності плюс марковський ланцюг для самокерованої поведінки.** [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] поєднали аналіз послідовності діяльності, ієрархічне кластеризування та моделі марковських ланцюгів на потоках кліків 315 онлайн-здобувачів, які побудували 822 екологічні моделі в VERA, згорнувши дев’ять дрібнозернистих, заснованих на переходах поведінкових кластерів у три ширші взірці (спостереження, конструювання, дослідження). Їхня робота демонструє, що поєднання аналізу послідовності з моделюванням марковського ланцюга може виявляти змістовну поведінку в неструктурованих, [[self-directed-learning|self-directed]] задачах навіть за повної відсутності демографічних чи контекстних даних.
- **LA та GenAI по-різному формують проєктування навчання (2026).** [[claassen-learning-analytics-genai-learning-design-2026|Claassen et al. (2026)]] використали ENA на 11 фокус-групах викладачів, щоб порівняти, як аналітика навчання проти [[generative-ai]] інформує прийняття рішень щодо [[learning-design]]. Обговорення LA зосереджувалися на контекстній інформації, проєктуванні на рівні курсу та творчому [[problem-solving]] (LA для діагностики залученості та націлювання підтримки), тоді як обговорення GenAI зосереджувалися на [[assessment|assessment design]] та проєктуванні для [[self-determination-theory|self-determination]] студента (GenAI для генерації ідей та розробки оцінювання). Контекст і [[creativity]] були центральними в обох — нагадування, що аналітика інформує проєктування лише в межах [[pedagogy|pedagogical]] контексту та автономії викладача.
- **Поведінкові сліди — не мірила когнітивного стану, особливо для здобувачів із спеціальними потребами.** [[vasileiou-ai-cognitive-scaffolding-executive-functioning-sen-2026|Vasileiou et al. (2026)]] попереджають, що сліди взаємодії (час на завданні, повторні помилки, пошук допомоги, нерегулярний прогрес) можуть допомогти викладачам локалізувати, де здобувач потребує підтримки, але не є прозорими мірилами внутрішніх станів: повільне реагування може відбивати уважне мислення, обробку мови, відволікання, недоступне проєктування чи технічну труднощість. «Алгоритми не мають виводити дефіцит виконавчих функцій або діагностичний статуч із поведінкових даних сам по собі» — аналітика захищається як одне джерело інформації всередині професійного оцінювання та діалогу зі здобувачем.
- **Проєктувальна аналітика: видобування запланованих послідовностей діяльності, а не слідів (2026).** [[learning-paths-patterns-learning-design-2026|Divjak, Svetec and Horvat (2026)]] застосували марковські ланцюги та видобування послідовних взірців до *спроєктованої* послідовності 29 064 навчальних і викладацьких діяльностей у 554 курсах, спланованих у відкритому інструменті проєктування навчання. Матриця переходів пікувала на переході від Оцінювання до Обговорення (0,332), самопереходи домінували в Практиці (0,317) та Засвоєнні (0,292), і найсильнішим послідовним правилом було Засвоєння — Оцінювання — Практика — Практика (достовірність 0,743, підйом 1,449), тоді як найчастіший чотирикрокий шлях — Засвоєння, Практика, Практика, Оцінювання (120 випадків). Обговорення та Оцінювання були найдосяжнішими типами, а Продукування — найвіддаленішим і найрідкіснішим. Дослідження — нагадування, що аналітика навчання не мусить починатися зі слідів LMS: дані часу проєктування можуть виявити педагогічну граматику курсу раніше, ніж прибуде будь-який студент, хоч автори підкреслюють, що подібність до перевернутих, дослідницьких чи [[project-based-learning|project-based]] конструкцій не є свідченням наміру.
- **Само пояснювані дистильовані LLM (2026):** дворівневий конвеєр дистилює оцінювач аналітики навчання як чорну скриньку та його постгок тлумачення в малу [[llm]] відкритого ваги, яка повертає і оцінку на індивідуальному рівні, і пояснення природною мовою. Аудит із пріоритетом відповідності оцінює, чи нарації збігаються з атрибуціями, які вони описують; [[simulation]] показує майже безвтратне відновлення (r > 0,90) з оракульним наставником, пропонуючи прозоріший, придатний до розгортання шлях для аналітики ([[distilling-self-explaining-lm-learning-analytics-2026]]).
- **Уможливники освітніх втручань на основі LA (2026).** [[learning-analytics-to-educational-interventions-2026|Svetec, Divjak & Kadoić (2026)]] виявляють і пріоритезують сім уможливників заслужених на довіру освітніх втручань на основі LA за допомогою Delphi + AHP + SNAP: стратегійну орієнтацію [[governance|institutional]], педагогічні та інші [[research-methods-aied|research]] основи, доступні ресурси, педагогічну підтримку, етику та управління даними, залученість учасників та забезпечення якості. Стратегійна орієнтація установи посіла найвище місце (і найбільший вплив на інших уможливників), з доступними ресурсами другим. [[trust|Trustworthiness]] (етична відповідність, прозорі/неупереджені алгоритми, педагогічна валідність) вмовляється як передумова, без якої втручання на основі LA не мають змісту.
- **Глибина взаємодії з LLM передбачає якість завдання, але не запам’ятовування (2026).** [[llm-interaction-depth-task-quality-recall-2026|Tsiligkiris (2026)]] пов’язує розмовну телеметрію LLM на рівні ходів (глибина/обсяг/темп) зі [[learning-gains|learning outcomes]]: «глибина» пошуку пояснень передбачала незалежно оцінену якість завдання (β = 6,27), але не негайне запам’ятовування — розчленування між зумовленим поглибленням осмисленням і зумовленим відтворенням консолідуванням, що має наслідки для того, як взаємодія з [[llm]] вимірюється та оцінюється в LA.

- **Бракує спільної одиниці взаємодії.** За 46 категоризацій із 33 досліджень немає жодної спільної метахарактеристики — подібні мітки називають різні явища, — тож огляд пропонує *епізод взаємодії*, обмежений цілеспрямований обмін, як одиницю для корелювання діалогу із засвоєнням навичок ([[student-llm-interaction-taxonomy-review-2026|Borchers, Jansen & Weidlich (2026)]]).
- **Симуляція колаборативного дискурсу для аналітики навчання.** [[llm-agents-collaborative-problem-solving-simulation-2026|Fang (2026)]] використовує донавчені для конкретних учасників LLM-агенти, щоб відтворювати діалоги колаборативного вирішення проблем, перевірені за допомогою епістемічного мережевого аналізу (відстань ENA 0,17, перестановочне p = 0,65). Підхід пропонує дослідникам аналітики навчання масштабований спосіб генерувати автентичний колаборативний дискурс для вивчення динаміки взаємодії, передачі ходу та траєкторій тематичних кодів без збирання нових людських даних.
- **Відкриті відтворювані дані та готова до слідів аналітика.** [[astra-multi-agent-tutoring-benchmark-2026|ASTRA]] випускає синтетичний [[benchmark]] зі схемою, готовою до слідів (N = 540; 360 сесій; 1 440 епізодів), для аналізу взаємодії та балансу участі в колаборативному програмуванні. Дані журналів і слідів — природна противага [[self-report-measures|self-report]] в цій літературі: той самий конструкт часто вимірюється двічі, раз запитуванням, раз спостереженням, і ці два не завжди погоджуються. Окремо дослідницька рамка машинного навчання з аналізом SHAP виявила навчально пов’язані конструкти, найбільше асоційовані з наміреним академічним використанням ChatGPT серед університетських студентів, пріоритезуючи [[explainable-ai|interpretability]] ([[determinants-chatgpt-use-higher-education-2026]]).
- **Багаторазова інфраструктура аналітики, перевірена лише в межах установи (2026).** [[a4l-analytics-pipeline|Bai et al. (2026)]] відтворили опубліковані висновки трьох помічників ШІ з Georgia Tech, змінюючи значення конфігурації, а не код, хоч твердження спирається на переаналіз наявних наборів даних однієї установи, і єдине розширення можливостей було зроблене своїми.

### Зв’язки

Аналітика навчання пов’язується з [[knowledge-tracing]] (основна аналітика), [[formative-assessment]] (зумовлене аналітикою оцінювання), [[student-modeling]] (представленням здобувача, яке населяє аналітика), [[privacy]] ([[ethics|ethical]] обмеженням) та [[edtech-platform]] (де розгортають аналітику). Оскільки прескриптивну аналітику все більше оцінюють на [[simulating-students|simulated learners]] — де синтетичні когорти студентів заміщають справжні когорти в контрольованих тестах, — аналітика навчання пов’язується також із симуляцією студента.

- **Те, що панелі роблять видимим, вирішує, на що діють викладачі.** [[ai-supported-lecturer-decision-making-2026|Köroğlu et al. (2026)]] оглянули 27 емпіричних досліджень (2016–2025) і побудували соціотехнічну таксономію прийняття рішень викладачами за підтримки ШІ у восьми типах рішень: інструкційних, куррикулумних, оцінювальних, щодо зворотного зв’язку, навчального середовища, емоційних, адміністративних та етичних. Панелі аналітики навчання були найчастіше повідомлюваною системою, і кодування показує, що підтримка зосереджувалася в інструкційних рішеннях, рішеннях щодо зворотного зв’язку та оцінювання, які можуть інформувати поведінкові текстові дані та дані журналів, тоді як емоційні, етичні, куррикулумні рішення та рішення щодо навчального середовища підтримувалися рідко. Автори читають це як ефект уваги, а не як межу можливостей: оскільки системи робили поведінкові дані студентів видимими та придатними до дії, занепокоєння мотивацією, [[metacognition]], емоцією та середовищем випадали за межі того, що дані запрошували викладачів розглядати.

Процеснорівнева інструментація — наступний крок вниз для описового шару. [[pulla-parsons-problem-tool-2026|Prol et al. (2026)]] розширили [[open-source]] платформу задач Парсона, щоб записувати кожне розміщення блоку, вилучення та подання як хронологічний слід, поєднувати кожне подання з розфарбуванням коректності по блоках та історією спроб, і за бажання пропускати сліди через конвеєр [[llm]], який позначає повторювані взірці труднощів для огляду викладачем. На 68 студентах курсу проєктування програмного забезпечення на Java для старших курсів і 36 на вступному курсі Python аналіз виявив ті самі три труднощі — вибір хибного типу винятку, заміна `return` на `throw` і хибне впорядкування потоку керування, — які не можуть виявити підрахунки коректності та спроб, бо вони відповідають на питання *чи була композиція правильною*, а не на питання *чим був процес*. ШІ діє як тлумач для [[teacher-role|instructor]], а не оцінювач студента, і його висновок вмовляється як перевірна гіпотеза про труднощі групи, а не оцінка.

- **Стіна навчальної системи: дані журналів не узагальнюються між платформами.** MATHia, i-Ready та IXL визначають навіть базові конструкти — «спробу», «підказку» — по-різному, тому моделі не можуть переноситися між ними. Робота в процесі атакує проблему з боку відео: конвеєр Gemini дистилює записи екранів тьюторінгу в єдиний транскрипт-сценарій, узгоджений із власними журналами MATHia як еталоном. Що відео відновлює, чого не відновлює жоден окремий потік: скаффолдинг на білій дошці, мовчазну роботу з калькулятором у зовнішніх інструментах та позакадровий контекст, який власні журнали скорочують до «бездіяльності». Відкриті виклики залишаються в тимчасовому закріпленні, дрейфі годинника та відокремленні подій платформи від інших процесів навчання. ([[thomas-breaking-learning-system-wall-2026]])

## Пов’язані поняття

- [[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]] — бік підтримки, який живить прогноз: направлення, розподіл і наслідки, які вони рушають чи не рушають

## Пов’язані статті
- [[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]] — Federated and explainable learning analytics for privacy-preserving academic risk modeling (Villegas-Ch et al. 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]] — LA and GenAI in learning design decision-making
- [[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]] — Bayesian cognitive diagnosis for personalized learning paths
- [[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]] — Fine-tuned participant-specific LLM agents reproducing collaborative problem solving dialogues (Fang 2026)
- [[astra-multi-agent-tutoring-benchmark-2026]] — ASTRA synthetic benchmark for multi-agent tutoring and participation-balanced collaboration
- [[determinants-chatgpt-use-higher-education-2026]] — ML/SHAP determinants of future ChatGPT use in higher education
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Making ML findings accessible to teachers in blended classrooms
- [[pradeesh-outcome-knowledge-tracing-affinity-2026]] — Outcome-based knowledge tracing with affinity mapping
- [[an-goel-self-directed-modeling-2026]]
- [[schuetze-knowledge-tracing-forgetting-2026]]
- [[zhang-ml-student-progress-programming-2026]]
- [[learning-paths-patterns-learning-design-2026]] — Марковський ланцюг та видобування взірців 29 064 запланованих діяльностей у 554 курсах, що розкриває граматику проєктування, яку ведуть Засвоєння та консолідуюча Практика
- [[pulla-parsons-problem-tool-2026]] — Pulla: поведінкове трасування на процесному рівні та аналіз труднощів, звернутий до викладача, у задачах Парсона (Prol et al. 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) — Predicting AI-assisted cheating risk from early-semester LMS traces (AUC 0,763)
- [[thomas-breaking-learning-system-wall-2026]] — Towards breaking the learning system wall using multimodal tutoring transcriptions (Thomas et al. 2026)

---

## [Моделі прийняття технологій](https://edtechdev.github.io/aied/concepts/technology-acceptance-model/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

**Моделі прийняття технологій** — теоретичні рамки, які використовуються для пояснення та прогнозування того, чому люди й установи сприймають, впроваджують і продовжують користуватися новими [[ai-technologies|technologies]] — і, в дослідженнях ШІ в освіті, чому здобувачі, викладачі та організації впроваджують інструменти [[generative-ai|generative AI]]. Це не єдина модель, а родина теорій, які поділяють коріння в дослідженнях інформаційних систем і соціальної психології, з яких **модель прийняття технологій (TAM)** є найбільш поширеною. База знань розглядає ці моделі разом, бо дослідження впровадження генеративного ШІ рутинно поєднують їх (TAM + UTAUT, TAM + TPB, UTAUT + ARCS), і бо їхні основні конструкти — сприймана корисність, сприймана легкість використання та соціальний вплив — повторюються майже в кожному дослідженні сприйняття ШІ в освіті.

## Питання для роздумів

- Згадайте випадок, коли ви впровадили новий застосунок, інструмент або сервіс ШІ — і випадок, коли ви від нього відмовилися. Що фактично керувало кожним із рішень: наскільки він здався корисним, наскільки легким у використанні, або те, що робили люди навколо вас? Який чинник, на вашу думку, має найбільше значення, і чи може опитування справді це зафіксувати?
- Поширене переконання: «якщо інструмент явно корисний, люди ним користуватимуться». Чи бачили ви ситуації, коли справді корисна технологія усе ж не приймалася, або явно обмежена все одно поширювалася? Що могло б пояснити розрив між об’єктивною корисністю й фактичним впровадженням?
- Такі рамки прийняття, як TAM, були створені в 1980-х для доволі простих систем. Якщо ви користувалися генеративним ШІ, у чому він відрізняється від текстового процесора або [[edtech-platform|learning management system]] — і чому модель, побудована навколо «легкості використання» та «корисності», може зіткнутися з труднощами в фіксуванні того, як люди ставляться до чогось, що відповідає?
- [[research-methods-aied|Researchers]] часто кажуть, що сприйманий ризик і довіра мають для впровадження ШІ менше значення, ніж очікувалося. Перш ніж читати далі, що ви прогнозуєте: чи впроваджують студенти ШІ, бо довіряють йому, незважаючи на ризики, чи ці занепокоєння фактично незначні порівняно зі зручністю та соціальним тиском?
- Сторінка стверджує, що рамки прийняття розглядають користування інструментом як одноразове рішення, тоді як ефективне використання може бути безперервним судженням. Де у вашій власній практиці або в практиці ваших студентів межа між «вибором користуватися ШІ» і «безперервним вирішенням, як користуватися ним добре» здається розмитою — і що змінилося б, якби ми вимірювали це, а не лише поширеність?
- Деякі дослідники групують здобувачів у різні «персони впровадження», а не припускають, що одна модель підходить усім. Які відмінності ви бачите між власними здобувачами, колегами або студентами, які єдина середня модель впровадження може приховати — і як ці відмінності могли б формувати те, як ви їх підтримуєте?

## Вступ

**[[meta-analysis-systematic-review|Meta-analytic]] свідчення щодо впровадження ШІ.** [[teo-ai-adoption-tertiary-meta-analysis-2026|meta-analysis of tertiary students' AI adoption]] (233 кореляції, 32 дослідження, N = 16 977) встановлює помірні позитивні кореляції для індивідуальних (r = 0,57), контекстуальних (r = 0,53) і технологічних (r = 0,50) чинників, причому наміри користування є найсильнішим предиктором (r = 0,64), а сприймані ризики/довіра — слабкішими, ніж очікувалося. Його центральна критика: поле **надмірно спирається на традиційні рамки TAM/UTAUT**, які передують сучасним інтелектуальним системам, і знехтовує чинниками, специфічними для ШІ, як-от антропоморфізація та етика, — стверджуючи, що ці прогалини мають значення для розвитку теорії та доказової політики.

## Родина моделей

### Модель прийняття технологій (TAM)
Запропонована Девісом (Davis, 1989), TAM пояснює впровадження через два основні переконання — **сприйману корисність (PU)** та **сприйману легкість використання (PEOU)** — які формують **ставлення (ATT)** користувачів, потім **поведінковий намір (BI)**, потім фактичне користування. Спираючись на теорію інформаційних систем (адаптовану з теорії обґрунтованої дії), TAM стала домінантною рамкою для впровадження [[generative-ai|GenAI]] в освіті. В освітніх дослідженнях генеративного ШІ її часто розширюють через [[ai-literacy]], [[trust]], соціальний вплив, [[self-determination-theory|self-determination]] та **критичне використання**, щоб фіксувати складність впровадження почисту поширеність.

### UTAUT / UTAUT2 / UTAUT3
**Уніфікована теорія прийняття та використання технологій** консолідує TAM із вісьма попередніми моделями у чотири основні детермінанти — очікування результативності, очікування зусиль, соціальний вплив та умови сприяння (UTAUT2 додає гедонічну мотивацію, цінність ціни та звичку; UTAUT3 додає особисту інновативність). База знань застосовує UTAUT у населеннях викладачів і студентів: [[mathematics-teachers-chatbot-motivation-2026|Austrian secondary math teachers]] (UTAUT з 448 викладачами), [[pre-service-science-teachers-ai-perceptions-2026|pre-service science teachers in Ghana]] (UTAUT + TPB) і [[tian-genai-learning-adoption-pathways-2026|students in Lesotho]] (UTAUT3 + ARCS, із використанням PLS-SEM і fsQCA). [[jacome-vasconez-chatgpt-adoption-xai-2026|Jácome-Vásconez et al.]] розширюють UTAUT2 пояснюваним ШІ (Random Forest, SHAP, NCA, IPMA, K-Means) для 522 студентів університетів, встановлюючи, що **звичка** є найсильнішим предиктором наміру користуватися ChatGPT, і показуючи, що **очікування зусиль є необхідною умовою, а не лінійним драйвером** — результат, видимий лише тоді, коли пояснюваний ШІ доповнює регресію.

### Теорія планованої поведінки (TPB)
TPB пояснює намір через ставлення, суб’єктивні норми та сприйманий контроль над поведінкою. Її часто поєднують із TAM/UTAUT у дослідженнях впровадження ШІ — наприклад, [[genai-chatgpt-adoption-ethics-students-2026|Rizun et al.]] інтегрують TAM, TPB, UTAUT та рамку FATE ([[bias-mitigation|Fairness]], підзвітність, прозорість, етика), щоб моделювати поведінкові та [[ethics|ethical]] драйвери впровадження ChatGPT студентами.


Дослідження впровадження зазвичай зупиняються на намірі; розширення TPB, яке натомість виміряло затримку незважаючи на справжній намір, встановило, що сприйманий контроль над поведінкою є найсильнішим негативним предиктором прокрастинації навчання з допомогою генеративного ШІ (β = −0,331) серед 1 243 студентів бакалаврату, причому зв’язок намір–затримка був значним лише за помірної до високої тривожності щодо генеративного ШІ в навчанні ([[genai-learning-procrastination-planned-behavior-2026|Li et al. (2026)]]).

### Поширення інновацій (DOI)
Теорія DOI Роджерса пояснює впровадження як соціальний процес, у якому інновації поширюються в населеннях з часом, підкреслюючи атрибути інновації (відносна перевага, сумісність, складність, можливість випробування, спостережуваність) і категорії приймачів. Вона з’являється в аналізах бази знань на [[governance|institutional]] рівні, наприклад [[alrahmi-org-drivers-ai-adoption-he-2026|Al-Rahmi et al.]] поєднують рамку «Технологія–Організація–Середовище» (TOE) із DOI, щоб моделювати організаційне впровадження ШІ в саудівських університетах.

### Технологія–Організація–Середовище (TOE)
TOE обрамлює впровадження як таке, що формується технологічним, організаційним і середовищним контекстами — доповнення до TAM/UTAUT на індивідуальному рівні для вивчення інституційного впровадження (див. [[alrahmi-org-drivers-ai-adoption-he-2026]]).

## Застосування в базі знань

Моделі прийняття застосовуються по всій базі знань для моделювання поширення інструментів ШІ серед студентів і [[teacher-role|teacher]]:

- **Розширення на критичне використання:** [[tam-critical-use-genai-engineering-2026|Nguyen et al.]] розширили TAM *критичним використанням* для студентів інженерії/інформатики, встановивши, що ставлення та критичне використання прямо прогнозують намір — і що критичне використання захищає від [[cognitive-offloading|over-reliance]].
- **Уніфікована соціально-когнітивна модель:** [[socio-cognitive-genai-adoption-engineering-2026|Asag & Al Mamun]] інтегрували TAM із UTAUT для студентів інженерії в Бангладеш (пояснюючи 64% дисперсії користування).
- **Профілі, орієнтовані на людину:** замість моделей, орієнтованих на змінні, [[saihi-ahmed-genai-adoption-personas-higher-ed-2026|Saihi & Ahmed]] групують персони впровадження генеративного ШІ, а [[chen-preservice-teachers-chatgpt-lpa-2026|Chen et al.]] використовують аналіз латентних профілів для визначення чотирьох профілів сприйняття ChatGPT серед майбутніх викладачів — показуючи перехід поля почисту одномодельних, лінійних описів.
- **Міжкультурна валідація:** [[motivation-shape-future-education-ai-switzerland-china|Martínez-Moreno et al.]] міжкультурно валідують пов’язані з прийняттям конструкти мотивації в Швейцарії та Китаї.
- **Психологічні кореляти:** [[acceptance-ai-english-tools-2026|Wu et al.]] будують на TAM, щоб пов’язати мотивацію, [[self-efficacy]], тривожність та сприйняття ризику зі сприйняттям допомоги ШІ у вивченні англійської.
- **Критика [[regulation|Regulatory]] компетентності:** [[ai-anxiety-strategic-regulation-writing-2026|Kim]] стверджує, що орієнтовані на прийняття моделі TAM розглядають використання як стабільне рішення, тоді як ефективне використання ШІ є безперервним процесом судження, перегляду та вибіркового засвоєння, — переосмислюючи [[ai-literacy]] як регулятивну компетентність і [[critical-thinking]], а не прийняття.


Додавання здатності з родини [[tpack|TPACK]] поряд із рамками переконань, як-от теорія планованої поведінки, як паралельних предикторів запрошує перекриття конструкту і залишає причинний порядок здатності, ставлення та контролю невирішеним; модель «Здатність–Рішення» натомість розміщує здатність AI-TPACK вище за ставлення та сприйманий контроль над поведінкою ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

- **Детермінанти впровадження ChatGPT на основі машинного навчання:** дослідницький підхід із машинного навчання дослідив, як сприйняття та демографічні дані студентів пов’язані з наміром академічного користування ChatGPT, використовуючи аналіз SHAP для визначення ключових конструкту, пов’язаних із навчанням, — надаючи пріоритет освітній значущості понад максимізацією алгоритмічної результативності ([[determinants-chatgpt-use-higher-education-2026]]).

- **[[explainable-ai|Explainability]] та релевантність предметній області як важілі сприйняття для викладачів:** адаптуючи теорію довіри до автоматизації до сприйняття рекомендацій ШІ викладачами, [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] встановили, що зрозумілість (підвищена пояснюваним ШІ) позитивно корелювала як із довірою, так і зі сприйняттям інструмента групування зі ШІ, і що зорієнтовані на предметну область пояснення мовою [[curriculum-design|curricular]] перевершували зорієнтовані на дані пояснення про важливість характеристик за всіма трьома. Сприйняття додатково керувалося [[pedagogy|pedagogical]] узгодженістю та потенціалом зниження навантаження — ситуативними чинниками, які рідко фіксують стандартні конструкти TAM/UTAUT, посилюючи аргумент за розширення моделей прийняття контекстом і пояснюваністю.
- **Сприйняття, виміряне на рівні навчальних матеріалів (2026).** [[age-tiered-ai-literacy-guidebooks-2026|Wang, Chuang and Wu (2026)]] операціоналізували очікування результативності, очікування зусиль, сприйману грайливість і поведінковий намір для двоїх посібників зі ШІ-грамотності, розділених за віком, які використовували 794 студенти [[k-12]] і 37 викладачів, валідуючи чотирифакторну структуру через EFA і CFA на розділених вибірках і підтримуючи інваріантність вимірювання між виданнями для 9-12 і 13-18 років. Молодші здобувачі повідомляли про вищі рівні за всіма чотирма конструкти, і грайливість була найсильнішим корелятом наміру в обидвох когортах — причому стандартизований коефіцієнт грайливість→намір перевищував 1,00 у молодшій групі, а HTMT між двома конструкти становив ,950. Автори читають це як перекриття конструкту і можливе придушення, а не як гігантський ефект, — корисне нагадування про те, що інструменти прийняття, застосовані до матеріалів, можуть давати емпірично переплетені чинники, які ускладнюють структурну інтерпретацію.

## Межі та розширення

Когнітивна зосередженість TAM також недостатньо фіксує емоційні та реляційні виміри використання ШІ. [[akbaba-nursing-ai-experiences-tam-2026|qualitative study of nursing students and faculty]] встановило, що, поряд із чотирма класичними конструкти TAM, учасники — переважно студенти — описували ШІ як джерело психосоціальної підтримки: емоційної зручності під час стресу та конфіденційного простору для рефлексії. Це розширює сприйману корисність почисто здобутків у результативності до [[well-being]] в [[professional-training|professional training]] з високим стресом, натякаючи, що моделі прийняття мають звертати увагу на афективні та психосоціальні чинники, а не лише на інструментальну корисність.

**Сприйняття [[agency|Autonomy]] та уникання ризику як розширення, специфічні для інструмента.** [[mixed-methods-research|mixed-methods]] опитування 287 викладачів із досвідом роботи з генеративним ШІ в 27 країнах і регіонах ([[dai-genai-frenemy-teaching-autonomy-2026|Dai et al. (2026)]]) розширює TAM в напрямі, якого родина моделей ледве торкнулася: сприйманої *автономії* самого інструмента. Додавши сприйману штучну автономність (наскільки незалежно, на переконання викладачів, генеративний ШІ може виконувати покладене на нього навчальне завдання) та уникання ризику до класичних конструктів, їхня вдосконалена структурна модель пояснила 79,8% дисперсії поведінкового наміру (χ²(97) = 202,597, CFI = ,963, TLI = ,954, RMSEA = ,062, SRMR = ,041), причому сприймана корисність знову домінувала (PU → BI β = ,832, p < ,001), а легкість використання живила корисність (PEU → PU β = ,479). Показовими є обходи. Штучна автономність не діяла прямо на намір (β = ,026, нз), але діяла через корисність (AA → PU β = ,188, p < ,001; опосередкований AA → PU → BI = ,156, 95% ДІ [,082; ,240]) — викладачі, які бачили генеративний ШІ як більш здатний, вважали його більш корисним, а не більш одразу придатним до впровадження. Уникання ризику знижувало намір (RA → BI β = −,163, p < ,001), не знижуючи сприйманої корисності (RA → PU нз), бо занепокоєння викладачів зосереджувалися на використанні *студентами* — шахрайстві та [[academic-integrity|integrity]], ослабленні базового знання та мислення вищого порядку, [[hallucination-risk|hallucinations]], зниженні людської взаємодії та етичних, правових ризиках і ризиках [[equity-in-ai-education|equity]] — а не на їхньому власному. Легкість використання була незначною загалом (PEU → BI β = ,068), але значною серед 225 викладачів, які фактично використовували ШІ у викладанні (β = ,138, p < ,05) — знайомий патерн, за якого зусилля реєструється лише після справжньої зустрічі; від ставлення довелося відмовитися, коли його кореляція з наміром (r = ,929) порушила дискримінантну валідність. Викладачі розміщували генеративний ШІ на напівавтономних рівнях (130 на Рівні 2, «допомога викладача»; 94 на Рівні 3, «часткова автоматизація»; один на Рівні 6) і наполягали, щоб рішення про впровадження ухвалювалися випадок за випадком. TAM усе ще добре прогнозує намір, але для ШІ, орієнтованого на викладача, конструкти, які змінюють картину, є специфічними для інструмента: наскільки автономним інструмент здається, і до чийого використання прив’язаний ризик. Мітка авторів «друг-ворог» — цінний як інструмент підтримки, викликаючий недовіру як автономний агент — є викладацьким відповідником до перелічених вище розширень, орієнтованих на студента.

**Сприйняття ризику як розширення, специфічне для виміру.** Опитування 814 китайських студентів університетів ([[risk-perception-genai-perceived-benefits-2026|Du, Ning, Shi & Chen (2026)]]) вкладає теорію когнітивної оцінки та теорію мотивації захисту в TAM/UTAUT2, щоб запитати не про те, чи впроваджують студенти [[generative-ai|generative AI]], а про те, що вони з нього отримують. Припущення родини моделей, що ризик рівномірно придушує впровадження, не витримує перевірки: сприйняття ризику розділяється на виміри інформаційний, безпековий, технічний, [[ethics|ethical]] та правовий, які рухають вигоди в протилежних напрямах. Безпековий ризик — загроза, яку, на переконання студентів, вони можуть керувати через [[privacy|privacy practices]] — був *позитивно* асоційований зі сприйманою академічною допомогою та розвитком умінь, відповідно до подолання, зосередженого на проблемі, тоді як інформаційний ризик, який здобувачі не можуть легко перевірити, розмивав психологічну та емоційну підтримку, повсякденні та дозвільні вигоди через уникання. Порогові аналізи додатково показали ефекти, які змінюють знак понад пороговими точками, специфічними для виміру, а досвід користування мав значення незалежно: студенти з понад річним досвідом користування генеративним ШІ повідомляли про вищі вигоди в чотирьох областях. Практичний наслідок для досліджень прийняття: «сприйманий ризик» є занадто грубим конструкти, щоб його моделювати — керованість, а не сама присутність ризику, визначає, чи залучаються студенти, чи відступають.


Зв’язок ризику з користуванням залежить також від системи: в усіх 49 системах TALIS 2024, які проводили відповідні питання, сприймана корисність ШІ була позитивно асоційована з використанням ШІ, тоді як сприйманий ризик був негативно асоційований в 40 і позитивно в дев’яти ([[teachers-ai-belief-profiles-talis-2024-2026|Fang & Jin (2026)]]).

## Пов’язані поняття

- [[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]]

## Пов’язані статті
- [[dai-genai-frenemy-teaching-autonomy-2026]] — Генеративний ШІ як «друг-ворог»: штучна автономність та уникання ризику розширюють TAM для викладачів (Dai та співавт. 2026)
- [[akbaba-nursing-ai-experiences-tam-2026]] — Досвід із ШІ в сестринській справі; психосоціальне розширення TAM
- [[saihi-ahmed-genai-adoption-personas-higher-ed-2026]] — Персони впровадження генеративного ШІ через групування
- [[tian-genai-learning-adoption-pathways-2026]] — Симетричні та асиметричні шляхи впровадження генеративного ШІ (UTAUT3 + ARCS)
- [[lee-wu-gender-motivation-genai-achievement-2026]] — Диференційована залученість із генеративним ШІ за статтю та мотивацією
- [[alrahmi-org-drivers-ai-adoption-he-2026]] — Модель TOE + DOI організаційного впровадження ШІ у вищій освіті
- [[tam-critical-use-genai-engineering-2026]] — Розширена TAM із критичним використанням для студентів інженерії/інформатики
- [[socio-cognitive-genai-adoption-engineering-2026]] — Уніфікована соціально-когнітивна модель (TAM + UTAUT) для інженерної освіти
- [[ai-anxiety-strategic-regulation-writing-2026]] — Від тривожності щодо ШІ до стратегічної регуляції
- [[genai-reliance-types-scale]] — Шкала типів залежності від генеративного ШІ
- [[llm-reliance-types-undergrad]] — Типи залежності від LLM серед студентів бакалаврату
- [[acceptance-ai-english-tools-2026]] — Сприйняття інструментів ШІ для англійської мови
- [[genai-chatgpt-adoption-ethics-students-2026]] — Поведінкові та етичні драйвери впровадження ChatGPT студентами
- [[mathematics-teachers-chatbot-motivation-2026]] — UTAUT та мотивація викладачів щодо чатботів
- [[pre-service-science-teachers-ai-perceptions-2026]] — UTAUT + TPB для майбутніх викладачів природничих наук у Гані
- [[chen-preservice-teachers-chatgpt-lpa-2026]] — Профілі сприйняття ChatGPT майбутніми викладачами (LPA)
- [[teo-ai-adoption-tertiary-meta-analysis-2026]] — Метааналіз чинників впровадження ШІ; критика TAM/UTAUT
- [[determinants-chatgpt-use-higher-education-2026]] — Детермінанти машинного навчання/SHAP майбутнього користування ChatGPT у вищій освіті
- [[jacome-vasconez-chatgpt-adoption-xai-2026]] — UTAUT2 із розширенням від пояснюваного ШІ: звичка як найсильніший предиктор, чотири профілі впровадження (Jácome-Vásconez та співавт. 2026)
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[age-tiered-ai-literacy-guidebooks-2026]] — Модель очікування результативності/очікування зусиль/грайливості/наміру на рівні матеріалів для посібників зі ШІ-грамотності, розділених за віком, із задокументованим перекриттям конструкту грайливість–намір
- [[risk-perception-genai-perceived-benefits-2026]] — CAT + PMT, вкладені в TAM/UTAUT2: специфічні для виміру та немонотонні ефекти ризику на сприймані вигоди від генеративного ШІ (Du, Ning, Shi та Chen 2026)

- [[capability-decision-model-teacher-readiness-2026]]
- [[teachers-ai-belief-profiles-talis-2024-2026]] — Профілі сприйманої корисності ШІ та ризику в TALIS 2024, орієнтовані на людину, у 49 системах
- [[genai-learning-procrastination-planned-behavior-2026]] — Розширення TPB, що вимірює прокрастинацію навчання з допомогою генеративного ШІ та пом’якшення зв’язку намір–затримка тривожністю

---

## [Відкритий код](https://edtechdev.github.io/aied/concepts/open-source/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Відкритий код** — використання відкрито ліцензованих *моделей, коду, даних і контенту* в [[ai-education|AI in education]]. Відкритість є головним контрбалансом бази знань для прив’язки до постачальника та [[privacy|data exposure]]: моделі з відкритими вагами можуть працювати на обладнанні кампусу, щоб виконати зобов’язання за FERPA, GDPR та Законом ЄС про ШІ, відкриті ліцензовані корпуси можуть індексуватися та донавчатися без дозволу видавця, а відкриті релізи бенчмарків і наборів даних роблять [[research-methods-aied|research]] відтворюваними. Тягарі так само реальні: забезпечення інфраструктури та [[pedagogical-safety|safety]], супровід, що переживає грант, і якість, яку відкритість сама по собі не гарантує.

## Питання для роздумів

- «Відкритий код» часто чують як «безкоштовно та легко». Який із чотирьох шарів нижче — моделі, код, дані чи контент — насправді коштує вашій установі найбільше для освоєння, і чому?
- Відкриті ваги роблять локальне розгортання можливим, проте хтось усе одно має хостити, патчити та оцінювати систему. Хто має володіти цією роботою після завершення початкового проєкту, і хто за неї платить?
- Одне дослідження тут виявило, що відкрита модель 32B перевершує набагато більшу пропрієтарну систему за педагогічними знаннями, тоді як інше виявило кожну протестовану відкриту модель нижче людської базової лінії за грамотністю наукової візуалізації. Як вирішити, який бенчмарк є правильним для вашого рішення?
- Єдиний відкрито ліцензований корпус — це те, що дозволяє школі запустити локального помічника над власними матеріалами курсу. Які зобов’язання з цим пов’язані — перед оригінальними авторами, перед студентами, чиї дані індексуються, і перед самою ліцензією?
- Якщо [[generative-ai|generative AI]] може створити курс менш ніж за пів години за кілька доларів, яке залишається обґрунтування для відкритих освітніх ресурсів — вартість, свобода ліцензування, забезпечення якості чи щось інше?
- Чи мають установи трактувати освоєння відкритого коду як рішення про закупівлю, рішення про інфраструктуру чи педагогічне рішення? Що ламається, якщо його трактувати лише як одне з них?

## Вступ

Увольно, «відкрите» в освіті зі ШІ означає, що чотири види артефактів доступні для інспекції, повторного використання та модифікації: **ваги моделей**, **початковий код**, **дані та інструменти оцінювання** і **освітній контент**. Статті бази знань розподіляються нерівномірно за цими шарами, і отримана картина є кориснішою за лозунг: відкритість купує конкретні речі — локальний контроль, аудитовність, відтворюваність та юридичну ясність, — і коштує конкретних речей — інфраструктури, експертизи, супроводу та тягаря забезпечення якості, який переходить від постачальника до установи.

### Відкриті моделі та відкриті ваги

Відкриті ваги найбільше значать там, де дані студентів не можуть залишати кампус. [[lata-ferpa-compliant-local-llm-autograder|LaTA]] — це локальний автооцінювач на базі [[llm]], сумісний із FERPA, який можна вставити замість існуючого, для курсів [[stem-education|STEM]] старших курсів, побудований на авторських для викладача рубриках та еталонних розв’язках, із нульовою граничною вартістю на здачу. [[programming-its|SCRIPT]] — система репетиторства на Python [[intelligent-tutoring|tutoring system]] в університеті Білефельда, яка свідомо **уникає комерційних LLM API** і самохостить модель Llama-70B з відкритими вагами, щоб відповідати GDPR та Закону ЄС про ШІ (який класифікує деякі застосування ШІ в освіті як високоризикові), розділяючи журнали IP від системи репетиторства, використовуючи псевдонімні імена користувачів і записуючи натискання клавіш лише за явної згоди, — вибір, якому автори також приписують нижчий вплив на навколишнє середовище та кращу відтворюваність.

Якість більше не є автоматичною ціною відкритості. [[singh-eduqwen-pedagogical-rl-2026|EduQwen]] застосовує [[reinforcement-learning|reinforcement learning]] (DAPO) та контрольоване донавчання до родини відкритих моделей, добуваючи 440 складних негативів, генеруючи 40 000 синтетичних відповідей із відбором до 1 050 прикладів, упорядкованих за складністю, і досягаючи **96,52 %** на педагогічному бенчмарку — вище за 90,55 % у Gemini-3 Pro, — за 32B щільних параметрів. [[aiawe-automated-writing-evaluation|AiAWE]] доходить до схожих висновків для [[automated-assessment|automated writing evaluation]]: модель Gemma-3-27B-it із відкритими вагами, адаптована за допомогою LoRA, перевершує LLaMA-3.3-70B і донавчений базис GPT-3.5 на 480 творах TOEFL і працює на сервері споживчого класу, із вражаючим побічним знахідкою, що кількість параметрів *не* є надійним предиктором нижчої діяльності за адаптації LoRA. Контрдокази заслуговують на однакове місце: [[mllm-scientific-visualization-literacy|a benchmark of six MLLMs]] (три закриті, три відкриті) виявив кожну відкриту модель нижче людської базової лінії за грамотністю наукової [[visualization]] візуалізації, тоді як Gemini перевершував людське середнє в кількох підмножинах. Відкритість підвищує стелю контролю, а не здатності.

OmniEdu випускає весь конвеєр, а не лише ваги: контрольоване керівництвом навчання на збалансованій за здатностями суміші з 69 999 прикладів підняло кожен масштаб відкритої родини 4B/9B/27B для K–12 — налаштована модель 4B здобула 55 пунктів частоти виграшу скаффолдингу MathTutorBench над своїм базисом, — тоді як діагностика стану знань залишилася її найслабшою здатністю на 54,04 % ([[omniedu-open-educational-foundation-models-2026|Liang et al., 2026]]).

### Відкриті засоби, репетитори та дослідницька інфраструктура

Найясніший випадок для відкритого коду — відтворюваність. [[oatutor-open-source-adaptive-tutor-2023|OATutor]] — перша повністю відкрита адаптивна система репетиторства, побудована на принципах ITS, — поєднує **кодову базу з ліцензією MIT** із **бібліотекою контенту Creative Commons (CC BY)** з підручників з алгебри OpenStax, плюс [[knowledge-tracing|knowledge tracing]], A/B-тестування та підтримку LTI; її явна дизайнерська мета — щоб дослідник міг провести експеримент, а потім опублікувати всю наскрізну рамку, контент і платформу як посилання на репозиторій. [[stanbkt-bayesian-knowledge-tracing|StanBKT]] висуває той самий аргумент на шарі методу, замінюючи точкові оцінки максимізації очікування повним байєсівським висновком (HMC, варіаційний висновок, Pathfinder, оптимізація) у відкритому пакеті Python, який розкриває невизначеність, від якої залежать A/B-порівняння адаптивних втручань. [[deeptutor]] випускає повну [[agentic-ai|agentic]] рамку репетиторства з пам’яттю здобувача у вигляді лісу слідів — Apache 2.0, і до кінця 2026 року повний навчальний робочий простір, а не лише конвеєри, які бенчмаркує його стаття, — а генератор аудиторій [[mooc-to-maic|MAIC]] OpenMAIC постачається під MIT разом із дослідженням, яке його оцінює, тож курс може бути згенерований, самохостований та інспектований, а не лише прочитаний; [[vismatic-secure-sandbox-cs-education|VISMATIC]] публікує свою контейнеризовану пісочницю для моніторингу, орієнтованого на процес, щоб інші установи могли освоїти саме модель доброчесності, а не версію постачальника. Відкритий код несе також тягар прозорості: скрипти для [[kar-mathbuddy-affective-math-tutoring-2025|MathBuddy]] підказок репетиторства, обізнаного з афектом, публікуються для інспекції та подальшої [[llm-training-and-fine-tuning|pedagogical training]] роботи. Відкрита інфраструктура задає еталон для того, що мають робити освітні агенти: [[agentic-ai-education-scoping-review|scoping review of 474 agentic-AI studies]] використовує швидкозростальний проєкт агента з відкритим кодом як свій бенчмарк «фронтирної агентної парадигми» і виявляє, що освітні системи усе ще не мають керованої оркестрації інструментів, стійкої пам’яті, довгого планування та аудитовної дії.

### Відкриті бенчмарки, набори даних та прозорість методу

Кілька внесків тут є відкритою *інфраструктурою оцінювання*, а не системами. [[cdpk-pedagogy-benchmark-llms|The Pedagogy Benchmark]] (CDPK + SEND, побудований зі справжніх пунктів чилійських вчительських іспитів) охоплює 97 моделей: DeepSeek R1 із відкритими вагами досяг 86,65 % проти першої десятки переважно закритих моделей мислення, а фронтир вартості–точності перемістився з приблизно 50 % до приблизно 82 % при \\$0.10/M вхідних токенів між квітнем 2024 року і червнем 2025 року, — причому відкритий Qwen-3 8B за 3,5 цента майже відповідав найкращій закритій моделі квітня 2024 року за понад у 400 разів нижчої вартості. Діяльність різко падає нижче приблизно 8B параметрів, що є практичним обмеженням розміру для розгортань у кампусі. [[astra-multi-agent-tutoring-benchmark-2026|ASTRA]] випускає набір даних, схему та прототип для оцінювання на основі слідів соціально розумного багатоагентного репетиторства (540 учасників, 360 сесій, 1 440 епізодів завдань). [[iks-instruct-dataset-indian-knowledge|IKS-Instruct]] показує культурний випадок для відкритих даних: 24 795 пар інструкція–відповідь на семи мовах і 41 педагогічну техніку, узяту з ведичних і класичних джерел, узгоджену з [[curriculum-design|curriculum]] CBSE, що дозволило компактній моделі 7B наблизитися до набагато більшої загальної еталонної моделі (медіанна оцінка судді 6,39 проти 6,54) за частину вартості розгортання. Авторські для студентів [[benchmark|benchmarks]] — інший шлях до відкритості: [[yu-academiclaw-student-challenges-ai-agents-2026|AcademiClaw]] курує 80 академічних завдань із довгим горизонтом зі 230 поданих студентами кандидатів (охоплюючи 25+ професійних областей, 16 вимагають GPU CUDA, запущених в ізольованих пісочницях Docker) і розширює відкриту екосистему агентів до оцінювання академічного рівня. [[aied-carbon-footprint-reporting|Eimler et al. (2026)]] стверджують, що відкритість є також [[sustainability|environmental]] зобов’язанням: проаналізувавши всі статті AIED 2025, вони виявили патерн «освоєння LLM без розкриття» і відповіли методологією вимірювання з відкритим кодом — програмними засобами плюс формулою, яка оцінює обчислювальні витрати навіть коли кількість параметрів невідома.

### Відкриті освітні ресурси та відкритий контент

[[shen-sustainable-ai-knowledge-base-cs-education-2026|Shen et al. (2026)]] — єдина стаття бази знань, у якій **відкриті освітні ресурси є центральним об’єктом**, а не мимохідною відсилкою. Вони будують локального помічника бази знань зі ШІ для [[cs-education|computer science education]] з 82 документів OER на обладнанні споживчого класу (RTX 3060 з 12 ГБ VRAM), поєднуючи структуроване витягання, [[rag|retrieval-augmented generation]], і 4-бітне донавчання, обізнане з квантизацією NF4. Донавчання додало справжню цінність понад пошук (Qwen-7B 69,8 %, +3,2 п. п., p = 0,031; DeepSeek-MoE 78,6 %, +12,0 п. п., p < 0,001, включно з 82,3 % на багатоступеневому мисленні); донавчання, обізнане з квантизацією, утримало розрив точності 4 бітів на 1,7 і 1,2 п. п., скоротивши VRAM приблизно на 38 % і енергію до 1,8 мВт·год на запит (на 43,8 % нижче базису); а роздута квантизацією [[hallucination-risk|hallucination]] була частково відновлена донавчанням (DeepSeek-MoE 10,4 % → 8,1 %), виміряна процедурою NLI із двох етапів проти витягнутих фрагментів OER. Аналітичний пункт є узагальнюваним: відкрито ліцензований корпус може бути індексований, адаптований і поданий без дозволів видавця, і закріплення помічника у витягнутому OER дає перевірний слід походження, — що саме те, чого пропрієтарний корпус підручників не може запропонувати.

Відкритість контенту і відкритість моделей є взаємодоповнювальними й в інших місцях. OATutor курує підручники OpenStax під CC BY у систему, чий код ліцензований MIT, тому умови ліцензій коду і контенту мають утримуватися сумісними за дизайном. [[egai-power-systems-education|An open, executable module library for power systems AI]] знижує бар’єр входу записними книжками Jupyter, які працюють локально або в Colab, постачаються через онлайн-курс IEEE. А проєктна [[engineering-education|mechanical engineering]] публікує свою програму, дані та код у репозиторіях відкритого доступу, щоб інші установи могли її освоїти ([[mechanical-engineering-ai-curriculum-2026]]). Поряд із OER відкрита *курсова* доставка — це те, де економіка змінюється найшвидше: MAIC повідомляє про колапс виробництва MOOC з приблизно \\$25 000 і 60 годин на курс до менш ніж \\$2 і 30 хвилин із генерацією за допомогою багатоагентної системи на базі LLM. Якщо виробництво контенту стає майже безкоштовним, аргумент OER переходить від вартості виробництва до свободи ліцензування, перевірності та забезпечення якості, — що є іншою пропозицією, ніж та, на якій побудована адвокація OER.

### Вигоди і тягарі

- **Вигоди.** Суверенітет даних і регуляторна відповідність ([[privacy]], [[regulation]]) через локальний хостинг; контроль вартості, оскільки локальний висновок не має плати за запит, а відкриті моделі наближаються до пропрієтарної якості за частину ціни ([[singh-eduqwen-pedagogical-rl-2026]]); відтворюваність, бо рамка, підказки, контент і дані можуть постачатися зі статтею ([[oatutor-open-source-adaptive-tutor-2023]], [[astra-multi-agent-tutoring-benchmark-2026]]); аудитовність і огляд безпеки за [[governance|institutional governance]]; і здатність донавчати для конкретної [[pedagogy]] чи бази знань конкретної спільноти ([[iks-instruct-dataset-indian-knowledge]]).
- **Тягарі.** Локальний хостинг вимагає обладнання та експертизи, яких багато установ не мають; якість і [[pedagogical-safety|safety]] не гарантуються з коробки — відкриті моделі можуть відставати від людських базисів за конкретними грамотностями ([[mllm-scientific-visualization-literacy]]), а квантизація підвищує частоти галюцинацій, якщо не пом’якшується ([[shen-sustainable-ai-knowledge-base-cs-education-2026]]); хтось має супроводжувати систему після публікації ([[programming-its]] документує невелику команду аспірантів, експозицію безпеки в роботі над проєктом і суттєвий тягар відповідності); і відкрита ліцензія є дозволом, а не робочим продуктом, — супровід, який утримує випущену систему придатною, падає на тих [[educational-technology-developers]], хто її побудував, і їхнє фінансування та стимули вирішують, чи є те, що установа успадковує після завершення гранту, розвилковим репозиторієм, супроводжуваним продуктом чи ні тим, ні іншим.

### Впровадження відкритості на практиці

- **Для викладачів і установ:** перевіряйте ліцензію *контенту*, а також коду, перш ніж освоювати систему — код MIT над підручниками CC BY можна використовувати повторно, проте дозвільна ліцензія не гарантує, що шляхи репетиторства, банки пунктів чи переклади існують. Віддавайте перевагу відкритим моделям, коли дані студентів юридично не можуть залишати кампус ([[lata-ferpa-compliant-local-llm-autograder]], [[programming-its]]), але бенчмаркуйте модель на *вашому* завданні, а не довіряючи загальним лідербордам ([[cdpk-pedagogy-benchmark-llms]]). Закладайте в бюджет когось, хто буде запускати та оцінювати систему після пілоту.
- **Для розробників і дослідників:** постачайте всю річ — наскрізний випуск OATutor (код, контент, стенд експерименту) є стандартом відтворюваності, який ця література тривало винагороджує. Випускайте підказки та схеми витягання разом із вагами ([[programming-its]], [[kar-mathbuddy-affective-math-tutoring-2025]]). Повідомляйте обчислення та вуглець ([[aied-carbon-footprint-reporting]]). Закріплюйте помічників у відкрито ліцензованих корпусах, щоб походження було перевірним, а адаптація законною ([[shen-sustainable-ai-knowledge-base-cs-education-2026]]). Використовуйте донавчання, обізнане з квантизацією, а не просту квантизацію, якщо точність і енергія обидві важливі, і утримуйте ліцензії коду та контенту сумісними.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — Локальний помічник бази знань зі ШІ на основі OER на споживчому обладнанні (Shen et al. 2026)
- [[oatutor-open-source-adaptive-tutor-2023]] — Адаптивний репетитор з ліцензією MIT із бібліотекою контенту OpenStax під CC BY (Pardos et al. 2023)
- [[singh-eduqwen-pedagogical-rl-2026]] — Відкрита педагогічна модель 32B, що перевершує набагато більші пропрієтарні системи (Singh et al. 2026)
- [[lata-ferpa-compliant-local-llm-autograder]] — Локальний автооцінювач на базі LLM, сумісний із FERPA, який можна вставити замість існуючого
- [[programming-its]] — Самохостований LLM з відкритими вагами для відповідності GDPR/Закону ЄС про ШІ в Python ITS
- [[aiawe-automated-writing-evaluation]] — Модель із відкритими вагами, адаптована за допомогою LoRA, для автоматизованого оцінювання письма
- [[stanbkt-bayesian-knowledge-tracing]] — Відкритий пакет Python для повного байєсівського відстеження знань
- [[deeptutor]] — Повністю відкрита агентна рамка репетиторства з пам’яттю здобувача
- [[vismatic-secure-sandbox-cs-education]] — Відкрита контейнеризована пісочниця для оцінювання, орієнтованого на процес
- [[kar-mathbuddy-affective-math-tutoring-2025]] — Репетитор математики, обізнаний з афектом, із відкритою кодовою базою
- [[cdpk-pedagogy-benchmark-llms]] — Відкритий педагогічний бенчмарк на 97 моделях і фронтир вартості–точності
- [[astra-multi-agent-tutoring-benchmark-2026]] — Відкритий набір даних і прототип для оцінювання багатоагентного репетиторства на основі слідів
- [[mllm-scientific-visualization-literacy]] — Відкриті моделі нижче людської базової лінії за грамотністю візуалізації
- [[iks-instruct-dataset-indian-knowledge]] — Відкритий багатомовний набір даних для культурно закріпленої інструкції
- [[aied-carbon-footprint-reporting]] — Метод з відкритим кодом для повідомлення навколишньосередовищної вартості LLM
- [[egai-power-systems-education]] — Відкрита виконувана бібліотека модулів для інженерного ШІ
- [[mechanical-engineering-ai-curriculum-2026]] — Публічно доступна навчальна програма, дані та код
- [[mooc-to-maic]] — Генерація курсів на основі LLM і змінна економіка виробництва курсів
- [[agentic-ai-education-scoping-review]]
- [[yu-academiclaw-student-challenges-ai-agents-2026]]
- [[omniedu-open-educational-foundation-models-2026]] — OmniEdu: відкриті базові моделі для навчання і викладання

---

## [Платформа EdTech](https://edtechdev.github.io/aied/concepts/edtech-platform/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Платформа EdTech** — цифрові системи, системи управління навчанням (LMS), системи репетиторства та онлайн-середовища навчання, через які ШІ доставляється здобувачам і викладачам. У ШІ в освіті платформа є *інфраструктурним рівнем*, який визначає, чи досягає можливість ШІ студентів, як її розгортають (відкрито чи проприєтарно, інтегровано чи автономно) і хто може отримувати до неї доступ, адаптувати та оцінювати її. Дослідження в цій базі знань розглядають платформи з кількох боків: їхній дизайн, обмеження впровадження та залучення, їхнє інституційне управління та наслідки для справедливості.([[access-not-enough-ai-tutoring-2026]]) ([[oatutor-open-source-adaptive-tutor-2023]])

## Запитання для роздумів

- Згадайте останній інструмент ШІ-репетиторства або зворотного зв’язку, з яким ви стикалися. Тепер подумайте, де він фактично «жив» — у якій LMS, платформі чи застосунку був упакований. Чи здається вам цей контейнер нейтральним засобом доставки, або його дизайнерські рішення (відкритий чи проприєтарний, інтегрований чи автономний, хмарний чи локальний) могли змінити те, що ви могли з ним робити?
- Одне дослідження виявило, що майже половина студентів ніколи не скористалася добре спроєктованою платформою ШІ-репетиторства, а активні користувачі схилялися до студентів із високою успішністю. Якщо інструмент ефективний «за принципом», але студенти ним не користуються, де справжня проблема — в можливості чи в платформі? Що це означало б для того, як ви оцінюєте edtech?
- Проприєтарні платформи ШІ можуть обмежувати дослідників горсткою закритих систем, тоді як відкриті платформи на кшталт OATutor дозволяють будь-кому зробити форк, експериментувати й публікувати. Що може бути втрачено — для досліджень, справедливості та інституційної автономії — коли освіта зі ШІ доставляється через закриті, непрозорі платформи?
- Наскільки бізнес-модель платформи — хто платить, хто володіє даними, що оптимізується — формує навчання, що насправді на ній відбувається? Де ви шукали б це вплив?
- Деякі нові «ШІ-нативні» платформи заміняють MOOC-модель «одне відео для багатьох студентів» багатоагентним класом, побудованим навколо кожного здобувача. Перш ніж читати далі: що вас непокоїло б у втраті, коли навчання стає один-на-один з агентами замість один-на-багатьох із викладачами?

## Вступ

Платформа розташована між моделлю або можливістю ШІ та здобувачем. Вона є контейнером, який пакує репетиторство, оцінювання, зворотний зв’язок та адміністрування в щось придатне до вжитку — і, що критично, формує навчальні результати через свої дизайнерські рішення, свою доступність та свою базову бізнес-модель. Поняття охоплює системи управління навчанням на кшталт Moodle, масштабні онлайн-платформи на кшталт MOOC, спеціалізовані [[intelligent-tutoring|інтелектуальні системи репетиторства]] та новітні агентні чи ШІ-нативні платформи курсів. Назвати контейнер — це не те саме, що назвати його авторів: платформа є розгорнутою системою, тоді як зацікавленою стороною, яка вирішує, що вона робить, є [[educational-technology-developers]] — і це тут важливо, оскільки наведені нижчі висновки про впровадження, перекіс у бік справедливості та закупівлі є зазвичай наслідками дизайнерських рішень, ухвалених ще до того, як платформа взагалі потрапила до класу.

## Що платформа робить у ШІ в освіті

Платформи у ШІ в освіті виконують кілька різних функцій:

- **Доставляти навчання та репетиторство** — контейнер для [[intelligent-tutoring|AI Tutoring]] і систем [[intelligent-tutoring]], від репетиторів, вбудованих у LMS, до автономних платформ адаптивного репетиторства.
- **Управляти навчальним середовищем** — організація курсу, зарахування, відстеження прогресу та адміністрування, які забезпечують традиційні платформи LMS.
- **Хостити оцінювання та зворотний зв’язок** — де працюють [[automated-assessment]], [[formative-assessment]] та [[feedback|цикли зворотного зв’язку]].
- **Збирати та аналізувати навчальні дані** — субстрат для [[learning-analytics]] і [[student-modeling]].
- **Регулювати доступ і розгортання** — рішення щодо [[open-source]] проти проприєтарного, локального проти хмарного та того, які установи та здобувачі можуть ним користуватися.

## Ключові висновки зі статей бази знань

### Саме впровадження, а не можливість, часто є обмежувальним чинником

Платформа може бути ефективною за принципом і все ж провалюватися на практиці, якщо здобувачі нею не користуються. Два [[rct|РКД]] платформи репетиторства з [[ai-literacy|ШІ-грамотності]] (читання) виявили, що **майже половина студентів контрольної групи ніколи не скористалася платформою**, а користувачі витрачали лише 2–5 хвилин на тиждень — далеко нижче дозування, необхідного для приросту в читанні. Репетитор залученості з особистим контактом суттєво підвищив використання та залучення, але так і не дав навчальних здобутків, а користувачі платформи схилялися до студентів із високою успішністю, що викликає побоювання щодо справедливості.([[access-not-enough-ai-tutoring-2026]])

Послідовність має таке ж значення, як і можливість: огляд понад 100 досліджень ШІ в освіті (2020–2025) ставить комплексні платформи на верхівку стека впровадження, стверджуючи, що установи мають узгодити формативне оцінювання, лідерський потенціал та спільні норми, перш ніж купувати платформи, що їх масштабують ([[raza-farooq-aied-review-2020-2025|Raza & Farooq (2025)]]).

Розрив є на рівні повідомлень, а не входів: у дворічному кластерному РКД 96% студентів спробували Khanmigo, але медіанний студент писав йому лише в 17% сеансів, у яких припускався помилок, і ~14,5% повідомлень містили справжнє математичне питання або крок міркування — за \\$15 на студента на рік ([[one-click-away-khanmigo-two-year-school-experiment-2026|Oreopoulos and Low, 2026]]).

Обмежувальний чинник — у тому, де ШІ розташований усередині платформи: у випробуванні з 6 000 студентів середньої школи виміряний ефект надходив від структурованих точок контакту всередині середовища практики — 2,0 звернення «допоможи мені почати», 2,3 розбору після помилки та 3,2 пояснення кроку на студента, що досяг mastery, — тоді як сам доступ до ШІ давав мало ([[making-ai-tutoring-productive-mastery-math-2026|Oreopoulos et al. (2026)]]).

### Які інструменти викладачі, за їхніми відгуками, використовують і що обмежує доступ

Рідкісний перепис вибору платформ за відгуками викладачів походить із типології 2026 року, побудованої на 211 викладачах із дев’яти країн: інструменти, що доходять до класів, непропорційно часто є тими, що мають безкоштовний рівень, оскільки публічно доступна безкоштовна версія була критерієм включення, а найчастіше номіновані записи — це загального призначення помічники й генератори медіа, а не цільові платформи. Приблизно половина з п’ятдесяти перелічених інструментів створює зображення, аудіо, відео або слайдові презентації, тоді як помічники, заґрунтовані на документах (NotebookLM, Elicit, SciSpace, Humata, Research Rabbit), формують найузгодженіший кластер у категорії досліджень. Спеціалізовані системи [[intelligent-tutoring|репетиторства]] виступають невеликою, прив’язаною до предметів групою, а не центром заявленого використання — що розміщує вищезгадану проблему впровадження в ширшому контексті, де платформа змагається за увагу з інструментами загального призначення, які студенти й викладачі вже тримають відкритими.([[typology-generative-ai-tools-education-2026]])

### Модель платформи має значення: відкрита проти проприєтарної

- **Проприєтарні платформи** створюють бар’єри для досліджень: дослідники, які хочуть відтворити або розширити експерименти з [[adaptive-learning]], часто обмежені невеликою кількістю закритих платформ.
- **Відкриті платформи** знижують цей бар’єр. **OATutor** є першою відкритою системою адаптивного репетиторства, побудованою на принципах ITS, — кодовою базою під ліцензією MIT із бібліотекою змісту з алгебри під Creative Commons, оцінюванням mastered за [[knowledge-tracing]] і вбудованим A/B-тестуванням — що дозволяє дослідникам робити форк, експериментувати та публікувати всю систему від початку до кінця.([[oatutor-open-source-adaptive-tutor-2023]])
- **Прозорість закладена на самому початку.** У тому самому аудиті 48 політик платформ збір даних і поширення третім сторонам розкривалися порівняно добре, тоді як специфічне для ШІ розкриття та підзвітність відставали, і 16 із 48 платформ (33%) не давали жодного змістовного розкриття щодо ШІ попри видимі функції ШІ ([[edtech-privacy-deferral-2026|Nair & Greenstadt, 2026]]).

- **API LMS обмежує те, що може оцінювати платформа з інтегрованою грою.** Пілот із гіпергаміфікації, який генерував придатний для гри світ із змісту Blackboard, не міг відтворити питання з вибором відповіді чи відкриті питання, оскільки токени, обмежені студентом, не повертали змісту питань, а endpoint для надсилання відповідей під час виконання не існував ([[hypergamification-game-engine-lms|Yusubov et al., 2026]]).
- **Ізоляція та вартість — це змінні дизайну платформи.** VISMATIC поєднує rootless-контейнери — які, на відміну від JupyterHub, запобігають горизонтальному переміщенню та компрометації хоста — з телеметрією процесів на рівні API, запускаючи 19 студентів і 1 880 записаних подій на одному вузлі Raspberry Pi 5, розрахованому на 10–20 ([[vismatic-secure-sandbox-cs-education|Arroyo et al. (2026)]]).

### ШІ-нативні платформи переосмислюють онлайн-освіту

Еволюціонує сама парадигма платформи. **MAIC** (Massive AI-empowered Course) заміняє MOOC-модель «одне відео для N студентів» класом із багатьма агентами на базі LLM — «N агентів на 1 студента» — використовуючи спеціалізованих агентів Teacher, Assistant, Classmate та Analyzer для доставки персоналізованого, адаптивного навчання у масштабі та зменшуючи виробництво курсу з ~\\$25K/60 годин до менше \\$2/30 хвилин.([[mooc-to-maic]]) Подібним чином проєкти LMS із інтегрованим ШІ пропонують перейти від платформ, що обслуговують лише робочі процеси, до підтримки навчання в реальному часі з обмеженим політикою ШІ, формативними підказками, інтервальним повторенням та панелями для викладачів.([[ai-lms-middle-school-longitudinal]]) На іншому кінці спектра розгортання вбудований у клас ШІ має довести доцільність у живих фізичних середовищах. Community Builder ([[breideband-community-builder-cobi-2026|CoBi]]) — платформа рівня класу, що використовує розпізнавання мови та розуміння мови для візуалізації спільного дискурсу малих груп — було успішно розгорнуто в шумних класах середньої школи з використанням звичайних мікрофонів і масштабованого хмарного конвеєра, показуючи, що інфраструктура мовного ШІ в реальному часі може функціонувати в автентичних умовах K-12, хоч і тоді, коли невідповідності інтерфейсу (погляди викладача проти поглядів студента на те, чи був зворотний зв’язок на рівні групи чи класу) створювали тертя при розгортанні.

### Особливості платформ, залежні від інтересів і контексту

Платформи можуть персоналізувати не лише за даними про успішність. **Taklif.AI** — це платформа на базі LLM, яка генерує коледжні завдання на основі **позакласних інтересів і культурних контекстів** студентів, узгоджуючись із [[culturally-relevant-pedagogy]] і переходячи від однакових для всіх завдань до залучення на основі інтересів.([[taklif-ai-interest-based-personalized-assignments]])

## Наслідки для дизайну та досліджень

1. **Проєктуйте для впровадження, а не лише для можливості.** Ефективність платформи залежить від того, чи залучаються здобувачі фактично; структури підтримки, онбординг і планування мають таке ж значення, як і сам ШІ.([[access-not-enough-ai-tutoring-2026]])
2. **Розглядайте структуру платформи як важель справедливості.** Хто виграє від платформи, залежить від доступу, інфраструктури та обмежень залучення — дизайн платформи необхідно розглядати через призму [[equity-in-ai-education]].([[access-not-enough-ai-tutoring-2026]])
3. **Надавайте перевагу відкритим, відтворюваним платформам для досліджень.** Платформи з відкритим кодом на кшталт OATutor забезпечують відтворювані дослідження адаптивного навчання та спільну базу доказів.([[oatutor-open-source-adaptive-tutor-2023]])
4. **Проєктуйте ШІ-нативні платформи з управлінням і обмеженнями.** Архітектура, орієнтована на приватність, мінімізація даних, журнали, придатні для аудиту, і доступ на основі ролей є критичними, коли платформи стають інтегрованими зі ШІ, — що пов’язується з побоюваннями щодо [[privacy]] і [[governance]].([[ai-lms-middle-school-longitudinal]])
Приватність може бути вбудована в конвеєр, а не в політику: детектор інцидентів у класі, навчений на анонімізованих траєкторіях поз, зберігає міміку та зовнішні ознаки неповнолітніх поза системою, хоч і кожен метод втрачав точність при zero-shot-переносі в реальні класи, де найкраща точність запропонованої моделі становила 63,41% ([[privacy-aware-classroom-incident-recognition-2026|Parmar et al. (2026)]]).
5. **Пояснюйте рекомендації мовою предметної області викладача.** Функції ШІ платформи заробляють довіру та впровадження, коли їхні пояснення є зрозумілими та педагогічно змістовними: у внутрішньопредметному експерименті з інструментом рекомендацій щодо групування (GrouPer) [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] виявили, що пояснення, керовані предметною областю та сформульовані мовою навчальної програми, підвищили зрозумілість, довіру та прийняття викладачами значно сильніше, ніж пояснення на рівні сирих показників важливості ознак, — і що реальне використання в класі все ж мало значення для повного прийняття.([[xai-teachers-trust-edtech-recommendations-2026]])
6. **Відокремлюйте систему, що продукує докази, від тієї, що їх оцінює.** Коли агенти можуть виконати курс від імені здобувача, [[credentials-carry-evidence-ai-agents-2026|Srivastava (2026)]] стверджує, що платформа має видавати сучасні, придатні для перевірки докази міркування здобувача і не має бути єдиним його оцінювачем — середовище, емітент і верифікатор мають бути незалежними.([[credentials-carry-evidence-ai-agents-2026]])
7. **Генеруйте представлення на етапі дизайну, а не під час виконання.** [[edtech-design-time-generative-ui|Neshaei et al. (2026)]] стверджують, що адаптацію під час виконання неможливо перевірити у масштабі, і пропонують кодувати зміст як модально-агностичні семантичні картки, з яких інтерактивні, аудіо-, спрощені текстови та низькопропускні варіанти генеруються й затверджуються викладачем до випуску — усуваючи витрати на інференцію на кожного здобувача, хоч і жодного прототипу не повідомляється.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[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 дисциплінах](https://edtechdev.github.io/aied/concepts/discipline-specific-aied/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **AIEd у дисциплінах** — застосування штучного інтелекту до викладання й навчання в межах конкретних академічних предметів, де власні педагогіки, методи, теорії та проблеми кожної дисципліни формують те, як ШІ проєктують, використовують і оцінюють. Замість того щоб розглядати [[ai-education|ШІ в освіті]] як єдиний загальний феномен, цей огляд упорядковує покриття цієї бази знань за дисциплінами і виводить на поверхню міждисциплінарні теми, що пронизують дослідження AIEd у предметних галузях.

## Питання для роздумів

- Тьютор із математики, який чудово дає зворотний зв’язок «правильно/неправильно», може провалитися в гуманітарних дисциплінах, де інтерпретація й авторство важать більше, ніж правильність. Як ваша власна дисципліна визначає, що вважається «добрим зворотним зв’язком»?
- Дослідження на матеріалі 560 студентів виявило, що дисциплінарна приналежність передбачає, як часто й відкрито студенти використовують [[generative-ai|генеративний ШІ]]. Чому дисципліна може діяти як ціла «система діяльності», що формує використання ШІ, — а не бути нейтральним інструментом усюди?
- «Когнітивний акт», який перекладається на ШІ, є специфічним для дисципліни: обчислення в математиці, код в інформатиці, композиція в письмі. Якщо надмірна залежність виглядає по-різному в кожній галузі, як ви виявили б її у своїй?
- Що означає ШІ для дисципліни, власна педагогіка якої — практична лабораторна робота або тлумачне осмислення, а не [[problem-solving]]? Чи є хоч один предмет, де ШІ мав би відігравати незначну роль?
- Кілька дисциплін — право, історія, мистецтво — залишаються тонкими в дослідженнях освіти зі ШІ. Використання якої дисципліни найбільше заслуговує на увагу, і що мав би шанувати добрий ШІ в цій галузі, чого не роблять універсальні інструменти?

## Вступ

ШІ в освіті проявляється по-різному в різних дисциплінах, бо кожна галузь має власну власну педагогіку — характерні способи, якими конструюють, практикують і викладають знання. ШІ-тьютори, які сяють у [[math-education|математиці]], можуть провалитися в [[humanities-education|гуманітарних дисциплінах]], де інтерпретація й авторство важать більше, ніж правильні відповіді. Ця сторінка є зонтичною картою для цих специфічних для дисциплін напрямів, які тепер простягаються від шкільних предметів через професійну й прикладну підготовку до студійної практики. Один учасник напряму взагалі не є викладаним предметом: [[learning-sciences]] — це дослідна галузь навколо ШІ в освіті, що постачає механізми, які операціоналізують системи ШІ, і стандарти, за якими їх судять; вона бере міждисциплінарний погляд проти передумови цієї сторінки, що саме предметна матерія змінює те, що має робити підтримка.

## Поняття за дисциплінами

База знань має окремі сторінки понять для кількох предметних галузей:

- **[[math-education]]** — тьюторінг зі ШІ, адаптивне розв’язування проблем і концептуальна діагностика в математиці.
- **[[physics-education]]** — симуляція зі ШІ, чатботи та постановка задач у навчанні фізиці.
- **[[chemistry-education]]** — ШІ в лабораторному та експериментальному проєктуванні, опосередковане ШІ формативне оцінювання, контекстно- й дослідницьки-зорієнтоване навчання, технічні обмеження [[llm]] на задачах з хімії та філософія експериментування.
- **[[biology-education]]** — ШІ в лабораторному навчанні, ШІ-грамотність, вбудована в куррикулум біології, критичне мислення в епоху ШІ та спеціалізовані інструменти (визначення видів, біозображення, предиктивне моделювання).
- **[[cs-education]]** — ШІ для генерації коду, налагодження та підтримки новачків у програмуванні.
- **[[information-technology]]** — прикладне крило обчислювальних наук, що готує практиків вибирати, захищати, адмініструвати й управляти розгорнутими системами, якими керують організації: його одиниця аналізу — розгорнута система й судження практика про неї, тоді як освіта з інформатики бере програму та алгоритм як свої об’єкти.
- **[[writing-education]]** — композиція з підтримкою ШІ, автоматичне оцінювання творів і зворотний зв’язок із письмом.
- **[[language-learning]]** — співрозмовники зі ШІ, зворотний зв’язок щодо вимови та розмовна практика в других/іноземних мовах.
- **[[english-education]]** — англійська для академічних цілей (EAP) і викладання англійської мови (EFL/ESL/L2): академічний регістр англійської, жанрово-зорієнтоване письмо та специфічний для англійської зворотний зв’язок і оцінювання — на відміну від загального вивчення мови та загального письма.
- **[[stem-education]]** — міждисциплінарний зонт для науки, технологій, інженерії та математики.
- **[[teacher-education]]** — підготовка й [[educational-development|професійний розвиток]] викладачів (до початку роботи та під час роботи), дисципліна сама по собі, дослідження ШІ в якій зосереджені на [[teacher-role|ШІ-грамотності викладача]], інтелектуальному [[tpack]] та готовності інтегрувати ШІ.
- **[[medical-education]]** — клінічна симуляція, навчання з підкріпленням і основні принципи навчання в освіті для медичних професій.
- **[[nursing-education]]** — найщільніший емпіричний запис у клінічному напрямі: симуляція з віртуальними пацієнтами, підтримка міркування за допомогою LLM і адаптивні платформи, рамковані формуванням професійної ідентичності в тій самій мірі, що й компетентністю, і достатньо вузькі, щоб назвати межу, де задокументовані користі ШІ зупиняються (складна психомоторна навичка та емоційно навантажена взаємодія), а не розглядати медичні професії як один випадок.
- **[[vocational-education]]** — початкова підготовка до названих ремесел і технічних професій, організована рамками кваліфікацій і оцінювана за тим, що здобувачі можуть робити з обладнанням: вона виходить за межі професійної підготовки та підвищення кваліфікації на робочому місці, які охоплює [[professional-training]], до тих, хто ще не працевлаштований, і її повторюване питання дизайну — які дорогі в кадровому відношенні частини практики ШІ може поглинути, не витісняючи повторення, яке породжує компетентність.
- **[[design-education]]** — студійно-засноване професійне формування в дизайні продуктів, послуг, взаємодії, інтер’єру та архітектури, де видимий процес є оцінюваним об’єктом і де генеративні інструменти роблять відшліфований артефакт дешевим: вона звужує студійні дисципліни, які охоплює [[arts-design-and-media-education]], до професійного конвеєра дизайну, так що критику, портфоліо та регулювання, а не матеріальну й перформативну практику, несе аргумент.
- **[[engineering-education]]** — професійне формування, проєктування та [[experiential-learning|практичне навчання]], [[ethics|етичне]] використання ШІ, [[embodied-learning|втілена]] оцінка та підготовка до робочої сили в інженерії.
- **[[business-education]]** — ШІ в освіті з бізнесу, економіки та менеджменту: рамки GenAI, сформовані з урахуванням студентів, інтеграція [[curriculum-design|куррикулуму]] через конструктивне узгодження та підготовка до професійної практики з інтегрованим ШІ.
- **[[humanities-education]]** — інтерпретативна когніція, авторство й осмислення в гуманітарних і соціальних науках.
- **[[k-12]]** і **[[higher-ed]]** — освіта про ШІ та за допомогою ШІ на кожному рівні.

## Міждисциплінарні теми

Кілька нитей перетинають усі дисципліни, хоч і розгортаються в кожній по-різному:

- **Дисципліна як система діяльності.** [[jiang-genai-activity-theory-disciplines-2026|Jiang та співавт. (2026)]] показують, на матеріалі 560 студентів бакалаврату в п’яти академічних доменах, що дисциплінарна приналежність значуще пов’язана з **частотою використання GenAI і практиками розкриття** студентами — дисципліни функціонують як [[activity-theory-aied|системи діяльності]], чиї норми, політики й очікування щодо ролей формують, як студенти залучаються до GenAI і розкривають його використання. Це прямий доказ передумови цієї бази знань, що ШІ в освіті не є нейтральним щодо дисциплін.
- **Сама форма «міждисциплінарності» визначається дисципліною.** Огляд PRISMA за методом [[meta-analysis-systematic-review|метааналізу]], здійснений [[xia-ai-interdisciplinary-higher-education-review-2026|Xia та співавт. (2026)]], на матеріалі 59 досліджень каталогізує шість форм міждисциплінарної освіти, у яких фігурує ШІ: STEM-інтеграція (n = 26), когорти з міждисциплінарним тлом студентів (n = 14), галузі не-STEM (n = 10), міждисциплінарний навчальний контент (n = 10), між-STEM-інтеграція (n = 8) і STEAM (n = 2). Розподіл є висновком на рівні дисциплін, а не інструмента: підтримана ШІ міждисциплінарність переважно розміщується в STEM, а когорти з міждисциплінарним тлом досліджують частіше, ніж галузі не-STEM, які ці когорти мають з’єднати. Огляд далі показує, що ті самі функції ШІ повторюються в цих середовищах — помічник (n = 43), оцінювач (n = 22), агент (n = 14), монітор (n = 9), — тоді як їхні когнітивні, поведінкові та афективні ефекти відрізняються за дисципліною та зацікавленою стороною, причому студентів досліджують найчастіше (n = 57), далі йдуть викладачі (n = 26), а адміністративний персонал — майже зовсім не досліджений (n = 4).
- **Тьюторінг і зворотний зв’язок.** Системи тьюторінгу зі ШІ ([[intelligent-tutoring|тьюторінг зі ШІ]], [[intelligent-tutoring]], [[feedback]], [[ai-feedback-quality]]) з’являються майже в кожній дисципліні, від тьюторів із [[math-education|математики]] та [[physics-education|фізики]] до зворотного зв’язку з [[writing-education|письма]] та [[language-learning|мови]]. Дисципліна формує те, що вважається добрим зворотним зв’язком — правильно/неправильно в математиці, якість аргументації в письмі, плавність у мові.
- **Оцінювання та оцінка.** [[automated-assessment]], [[automated-assessment|автоматичне оцінювання]], [[automated-essay-scoring]] і [[formative-assessment]] переосмислюються ШІ в різних дисциплінах, але конструкти оцінювання відрізняються (процедурна точність проти інтерпретативної глибини проти комунікативної компетентності).
- **Когнітивне розвантаження й надмірна залежність.** Ризик [[cognitive-offloading]] і [[cognitive-offloading|надмірної залежності]] з’являється в [[math-education|математиці]], [[cs-education|інформатиці]] та [[writing-education|письмі]], хоч «когнітивний акт», який перекладається, є специфічним для дисципліни — обчислення проти коду проти композиції.
- **ШІ-грамотність і критичне використання.** [[ai-literacy]], [[critical-thinking]] та [[critical-pedagogy]] підтримують відповідальне використання в кожному предметі.
- **Дисциплінарне заснування є воротами для підтриманої ШІ метакогніції.** На семінарі з текст-лінгвістики новачки рефлектували метакогнітивно з LLM здебільшого там, де предметне знання вже було консолідоване, і більшість приписували погані результати моделі, а не власній підказці, — доказ, що дизайну підказок треба навчати явно в межах дисципліни ([[llms-text-linguistics-teaching-2026|Brocca і Garassino (2026)]]).
- **Справедливість і доступ.** [[equity-in-ai-education]], [[digital-divide]] і [[culturally-relevant-pedagogy]] стосуються всіх дисциплін.

## Власні педагогіки, методи та теорії за дисциплінами

Кожна дисципліна приносить характерні [[pedagogy|педагогічні]] традиції, з якими взаємодіють дослідження ШІ:

- **Фізика** — модельно-засноване міркування, експериментування та [[simulation]]. Дослідження ШІ використовують віртуальні лабораторії ([[benzion-ai-physics-simulations-virtual-lab|Ben-Zion]]), чатботи ([[becker-chatgpt-typology-physics-2026|типологія ChatGPT]]) і постановку задач ([[genai-assisted-problem-posing-physics-2026|постановка задач за допомогою GenAI]]).
- **Хімія** — абстрактні субмікроскопічні поняття, спеціалізована нотація та лабораторна практика. Дослідження ШІ охоплюють підтримане ШІ експериментальне проєктування ([[ai-supported-experimental-design-chemistry-2026|лабораторні посібники, спроєктовані ШІ]]), контекстно-засноване навчання за моделлю 7E із тьюторінгом ШІ ([[context-based-ai-secondary-chemistry-2026|контекстно-засноване + ШІ]]), опосередковане ШІ формативне оцінювання ([[instructor-ai-roles-chatgpt-formative-assessment-2026|ролі викладача та ШІ]]) і філософію експериментування ([[philosophy-experimentation-ai-chemistry-2026|філософія експериментування]]).
- **Біологія** — спеціалізована термінологія, системне та наглядово-просторове мислення, практична лабораторна та польова робота. Дослідження ШІ охоплюють асистентів викладання у віртуальній лабораторії ([[chatgpt-virtual-lab-teaching-assistant-biology-2026|ChatGPT як VTA]]), ШІ-грамотність, вбудовану в куррикулум біології ([[zha-ai-literacy-biology-case-study|ШІ-грамотність на уроці біології]]), ChatGPT у навчанні на основі викликів ([[chatgpt-math-biology-challenge-based-learning-2025|ChatGPT в CBL]]), критичне мислення в епоху ШІ ([[critical-thinking-biological-sciences-ai-2025|критичне мислення в біонауках]]) і ландшафт інструментів ШІ ([[beyond-chatgpt-ai-tools-biological-education-2026|огляд інструментів ШІ]]).

- **Письмо** — процесно-зорієнтоване рекурсивне чернеткування й перегляд. Дослідження ШІ охоплюють [[coach-not-crutch-ai-writing|ШІ як тренера з письма]], автоматичне оцінювання та власність за етапами ([[ai-writing-support-stage-ownership-2026|етапи власності]]).

- **Освіта з англійської (EAP/EFL/ESL)** — англійська як цільова мова та академічний регістр. Дослідження ШІ охоплють етичну інтеграцію EAP ([[alharbi-ethical-genai-eap-2026|Alharbi та співавт.]]), перегляд письма EAP за допомогою GenAI ([[feedback-literacy-scripts-eap-writing|скрипти грамотності щодо зворотного зв’язку]]), адаптацію матеріалів для читання EAP ([[genai-differentiated-eap-reading-materials-2026|диференційовані матеріали EAP]]), тьюторінг ESL ([[tact-pedagogically-adaptive-esl-tutoring|TACT]]) і специфічне для англійської оцінювання ([[self-referential-l2-writing-llm-assessment|самореференційне оцінювання письма другої мови]], [[ai-vs-human-assessment-efl-tpck-2026|оцінювання EFL]]).
- **Педагогічна освіта** — дисципліна, дослідження ШІ в якій зосереджені на підготовці викладачів до інтеграції ШІ: рамки інтелектуального TPACK ([[designing-ai-professional-development-itpack-2026|профрозвит за i-TPACK]]), ШІ-грамотність викладачів ([[science-educators-ai-literacy-postqualification-2026|викладачі природничих наук]]), готовність до початку роботи ([[conceptualizing-preservice-teachers-ai-readiness-2026|готовність за інтелектуальним TPACK]]) і довіру та етику під час роботи ([[intelligent-tpack-ethics-teachers-trust-distrust-2026|довіра та етика]]).
- **Гуманітарні та соціальні науки** — інтерпретація, авторство та критичне осмислення. Дослідження ШІ виводять на передній план інтерпретативну когніцію ([[voicu-ai-interpretive-cognition-ssh-2026|Voicu]]) та [[philosophy-of-ai-in-education|філософію ШІ]], а не тьюторінг на коректність.

## Представлені дисципліни в базі знань

Найсильніше покриття за дисциплінами в цій базі знань — у сфері **[[stem-education|STEM]]** загалом, зокрема **[[math-education]]**, **[[physics-education]]**, **[[chemistry-education]]**, **[[biology-education]]** та **[[cs-education]]**, — далі йдуть **[[writing-education]]**, **[[language-learning]]** (із окремим напрямом **[[english-education]]** для EAP/EFL/ESL) і зрештою **[[engineering-education]]**, **[[teacher-education]]** (зі значною низкою досліджень підготовки зі ШІ до початку роботи та під час роботи), **[[medical-education]]** і **[[humanities-education]]**. Інженерія та дизайн також мають зростаючу низку статей. Ця концентрація стежить за ширшою літературою: [[xia-ai-interdisciplinary-higher-education-review-2026|огляд Xia та співавт. (2026)]] виявив STEM найпоширенішою міждисциплінарною формою в підтриманій ШІ вищій освіті (n = 26), далеко попереду галузей не-STEM (n = 10) і STEAM (n = 2), — попередження на рівні дисциплін, що докази про ШІ в освіті накопичуються найшвидше там, де обчислювальну інструментальну базу найлегше вбудувати, а не обов’язково там, де педагогічна цінність ШІ найбільша. Найновіші доповнення розширюють напрям за межі академічних предметів у бік професійної та прикладної освіти — [[nursing-education|медсестринства]], [[information-technology|інформаційних технологій]] і [[vocational-education|професійно-технічної освіти та навчання]] — де здобувачів оцінюють за продемонстрованою практикою, а не за коректністю, і де роботодавець і ліцензійний орган, а не лише академія, визначають, що вважається компетентністю.

Професійно-технічний напрям є найтоншим у цих доказах: систематичний огляд 26 досліджень у професійно-технічній освіті та навчанні не виявив жодного, проведеного на робочих місцях, попри праце-заснований характер ПТО, лише п’ять рандомізованих експериментів і лише три дизайни, що дають здобувачам активну роль ([[ai-vocational-education-training-review|Deutscher та співавт. (2026)]]).

## Недопредставлені дисципліни

Кілька дисциплін залишаються тонкими в цій базі знань і є добрими кандидатами для майбутнього вживлення:

- **Право та юридична освіта** — мінімальне покриття: [[llm-turing-test-italian-legal-exams-2026|LLM і італійські юридичні іспити]].
- **Психологія та консультування** — мало статей про ШІ в освіті: [[hawkins-feedback-literacy-ai-essay-writing|грамотність щодо зворотного зв’язку ШІ]], [[critical-genai-use-predictors|критичне використання GenAI]], [[adaptive-virtual-patient-psychotherapy-training|навчання психотерапії з віртуальним пацієнтом]].
- **Історія** — лише поодинокі статті: [[paternalistic-filter-llm-history-education|LLM та історичне міркування]].
- **Мистецтво (візуальне мистецтво, дизайн, музика)** — нове покриття: [[ai-interior-design-malaysia-2026|ШІ в освіті з дизайну інтер’єру]], [[genai-architectural-design-studios|GenAI в архітектурних дизайн-студіях]], [[ai-vocal-pedagogy-2026|вокальна педагогіка зі ШІ]], [[musical-education-ai-digital-transformation-2026|ШІ в музичній освіті]], [[t2i-competence-paradox-2026|парадокс компетентності «текст у зображення»]]. Дослідження дизайнерської сторони в цьому переліку тепер мають власний дім: [[design-education]] втягує архітектурну роботу, дизайн інтер’єру та студійну роботу «текст у зображення» на сторінку про професійне формування в дизайні, залишаючи візуальне мистецтво, музику й перформанс як тонкий залишок.

Ці недопредставлені дисципліни виграли б від окремих сторінок понять і додаткового вживлення статей у міру зростання бази знань.

## Пов’язані поняття

- [[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]]
## Пов’язані статті

- [[xia-ai-interdisciplinary-higher-education-review-2026]] — Систематичний огляд ШІ в міждисциплінарній вищій освіті (59 досліджень)
- [[llms-text-linguistics-teaching-2026]] — LLM у викладанні текст-лінгвістики
- [[fowlin-operationalizing-learning-principles-ai]] — Операціоналізація принципів навчання за допомогою ШІ в освіті для медичних професій
- [[designing-ai-professional-development-itpack-2026]] — Професійний розвиток зі ШІ на основі інтелектуального TPACK
- [[teaching-the-teachers-genai-tpk-review-2026]] — Специфічний для GenAI ТПЗ у педагогічній освіті
- [[human-centered-ai-teacher-educators-2026]] — Професійне навчання критичній ШІ-грамотності для викладачів-педагогів
- [[voicu-ai-interpretive-cognition-ssh-2026]] — Інтерпретативна когніція в освіті з гуманітарних і соціальних наук
- [[becker-chatgpt-typology-physics-2026]] — Типологія використання ChatGPT в освіті з фізики
- [[code-review-genai-cs1]] — Огляд коду за допомогою GenAI в CS1
- [[ai-writing-support-stage-ownership-2026]] — Підтримка письма зі ШІ за етапами та власність
- [[ai-engineering-education-balancing-act]] — Балансування ШІ в інженерній освіті
- [[ai-literacy-career-adaptability-business-2026]] — ШІ-грамотність і кар’єрна адаптивність в освіті з бізнесу
- [[jiang-genai-activity-theory-disciplines-2026]] — Теорія діяльності: дисциплінарні відмінності у використанні GenAI і розкритті (560 студентів)
- [[jiang-ai-powered-simulation-nursing-education-2026]] — Симуляція на основі ШІ в освіті з медсестринства: приріст у знаннях і впевненості, непослідовні ефекти на психомоторну навичку
- [[atif-dickson-deane-scaffold-shortcut-genai-srl-2026]] — GenAI як скаффолд або скорочення шляху в навчанні ІТ на рівні післядипломної освіти
- [[ai-vocational-education-training-review]] — Перший систематичний огляд ШІ в професійно-технічній освіті та навчанні
- [[genai-architectural-design-studios]] — Генеративні моделі в дизайн-студії: стимул, розширення простору рішень і фіксація
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Правила зупинки за оволодінням, які сертифікують надмірно узагальнене правило як компетентність

---

## [Математична освіта](https://edtechdev.github.io/aied/concepts/math-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Математична освіта** — дослідження того, як здобувачі опановують математику та як AI може підтримувати викладання математики, охоплюючи афективне тьюторство, когнітивну діагностику за письмовими роботами, оцінювання [[desirable-difficulties|productive struggle]], поведінку в пошуку допомоги, співпрацю викладача з AI при генерації наочних матеріалів і траєкторії [[student-ai-interaction|student-AI interaction]]. Математична освіта — найактивніша [[discipline-specific-aied|domain-specific]] [[research-methods-aied|research]] галузь цієї бази знань: 32 статті, які разом досліджують, як AI може підтримувати — а іноді підривати — математичне навчання від елементарних дробів до вищої освіти.

## Питання для роздумів

- Математичні задачі мають чіткі правильні відповіді, проте потребують багатого міркування, тому математика є улюбленим полігоном для AI-тьюторства. Коли ви застрягли на математичній задачі, яка допомога насправді допомагає вам навчатися — відповідь, підказка чи питання — і на чому AI, найімовірніше, зупиниться за умовчанням?
- Дослідження виявляють, що AI-тьютори часто за умовчанням надмірно допомагають, рідко вимагаючи строгості, навіть коли здобувачі готові. Якби ви проєктували тьютора, як би ви вирішували, коли притримати допомогу, щоб зберегти «продуктивну боротьбу», що будує розуміння?
- Сторінка показує, що здобувачі, які просять підказки надто рано або пробігають їх поверхнево, зазвичай опановують менше. Чи траплялося вам братися за підказку через нетерплячість, а не через справжнє зусилля? Що це говорить про те, як підтримка з боку AI може підривати навчання, а не підтримувати його?
- Системи когнітивної діагностики на основі AI іноді генерують галлюциновані докази й надмірно приписують помилки, а навіть сильні моделі погано працюють, читаючи справжні письмові роботи здобувачів. Наскільки ви б довіряли тьютору, який діагностує, що саме ви зробили неправильно, за вашими чернетками?
- LLM змінюють відповіді на математично еквівалентних формулюваннях задач — та сама задача, подана інакше, змінює результат. Що це говорить про використання AI для оцінювання або діагностики математичного розуміння?

## Вступ

Математична освіта стала однією з головних галузей досліджень у сфері [[ai-education|AI in education]], бо математичні задачі мають чіткі правильні відповіді, проте потребують багатого міркування, — що робить їх ідеальними для вивчення ефективності тьюторства, валідності оцінювання та того, як AI-інструменти взаємодіють із когніцією та афектом здобувача. Статті цієї бази знань розкривають і потенціал математичних AI-тьюторів, і стійкі виклики: надмірний скаффолдинг, який підриває продуктивну боротьбу, галлюцинації в когнітивній діагностиці та складність урівноваження допомоги з боку AI зі справжнім навчанням.

### Основні дослідницькі теми

**AI-тьюторство математики та скаффолдинг** — найбільший кластер: чотири статті досліджують, як AI-тьютори підтримують або підривають математичне навчання. **[[kar-mathbuddy-affective-math-tutoring-2025|MathBuddy]]** демонструє, що додавання афективної обізнаності — розпізнавання емоцій здобувача з тексту та виразу обличчя — дає перевагу в 23-пунктовому показнику виграшних сеансів у математичному тьюторстві, пов’язуючись із [[affective-computing]] та [[affective-tutoring]]. **[[zhang-tutormoments-2026|TutorMoments]]** оцінює 462 анотованих викладачами транскрипти тьюторства з математики в 2–7 класах і виявляє, що фронтьєрні моделі за умовчанням схиляються до надмірної допомоги, рідко вимагаючи строгості, навіть коли здобувачі готові, — що прямо кидає виклик узгодженості між AI-корисністю та принципами [[scaffolding]]. **[[lak2026-hint-button-unproductive-use|An et al.]]** проаналізували 999 здобувачів за три семестри в ITS *Decimal Point* і виявили, що передчасні прохання про підказки та поверхневе їх читання стійко передбачають знижені [[learning-gains|learning gains]], навіть за контролем [[prior-knowledge|prior knowledge]] — висновок, який пов’язується з [[help-seeking]] та [[learning-analytics]].

**Соціально-емоційна підтримка може купувати ефективність, а не досягнення.** Додавання LLM-шару майндфулнес до тьютора з алгебри для сьомого класу залишило навчання та тривожність щодо математики незмінними між групами (42 зі 252 здобувачів проаналізовано після збоїв), проте здобувачі в умовах майндфулнес досягли порівнянного навчання за менший час і з меншою кількістю запитаних підказок ([[mindful-llm-math-tutoring-2026|Rief et al., 2026]]).

**[[cognitive-diagnosis|Cognitive diagnosis]] та оцінювання** досліджують здатність AI оцінювати математичне мислення. [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] додають масштабне дослідження складності завдань, що охоплює математику й читання: на 5 170 завданнях для K-5, відкаліброваних за моделлю Раша IRT, zero-shot оцінки складності від GPT-4o корелювали помірно-сильно зі справжньою складністю (r = 0,83 математика, r = 0,81 читання), але були нерівномірними між класами, тоді як підхід на основі ознак (ознаки, вилучені LLM, у моделях на деревах рішень) досягав кореляцій до r = 0,87, причому рівень класу та кількість слів були найголовнішими предикторами. Дослідження пропонує практичний семикроковий робочий процес для тестувальників і застерігає, що узагальнення за межі математики та читання K-5 неясне. **[[llm-cognitive-diagnosis-handwritten-math|MathCog]]** зіставив 18 LLM на 3 036 діагностичних вердиктах, анотованих викладачами, із письмових математичних робіт, виявивши, що всі моделі сильно відстають (F1 < 0,5) з систематичним надмірним приписуванням і галлюцинуванням доказів, — що пов’язується з [[knowledge-tracing]], [[hallucination-risk]] та викликами [[multimodal]] оцінювання. **[[representation-robustness-llm-math-problem-solving|Nath et al.]]** показали, що [[llm]]-вирішення [[problem-solving]] сильно залежить від поверхневої форми подання — моделі змінюють правильність на еквівалентних формулюваннях задач, — що викликає занепокоєння щодо [[assessment-validity]] при AI-оцінюванні математики.
**[[automated-scoring-economics-math-items-nigeria-2026|Olaoye, Owolabi and Olaoye (2026)]]** показують протилежний шлях оцінювання математичних відповідей: їхнє програмне забезпечення Automated Extended Essay Grading Software оцінює завдання з розгорнутою відповіддю з математики в іспиті з економіки для старшої школи за семантичною подібністю до схеми оцінювання WAEC, без навчання на оцінених роботах, і погоджується з 12 екзаменаторами за внутрішньокласовою кореляцією 0,863 (середні міри) з коефіцієнтами Пірсона від 0,604 до 0,864. Узгодженість найвища там, де бали найнижчі — програмне забезпечення в середньому дало 5,94 із 20 проти 5,97 у екзаменаторів, кожен екзаменатор перевірив лише 84 з 1 008 робіт, і автори пояснюють низькі бали неознайомленістю кандидатів із відповідями в комп’ютерному форматі.

**[[student-engagement|Student engagement]] та ШІ-грамотність** досліджує, як здобувачі взаємодіють із AI-інструментами математики. **[[epistemic-proactivity-math|Abdelghani et al.]]** простежили часові траєкторії взаємодії студента з AI в математичному навчанні, виявивши шлях розвитку від поверхневого [[prompt-engineering|prompting]] до «епістемічної проактивності» — активного, [[self-directed-learning|self-directed]] прагнення до концептуального розуміння. Це пов’язується з [[ai-literacy]], [[metacognition]] та [[self-regulated-learning]]. **[[ai-powered-personalized-learning-elementary-fractions-2026|Holman]]** виявив, що AI-адаптивні платформи суттєво покращили розуміння дробів у здобувачів із труднощами в навчанні математиці, що пов’язується з [[personalized-learning]] та [[adaptive-learning]].

**Підтримка викладачів** досліджує AI-інструменти для педагогів математики. **Рольова гра зі змодельованим студентом** також служить практиці викладачів: [[zhuang-zhang-chatgpt-math-teacher-education-2026|Zhuang and Zhang (2025)]] створили *Student GPT* — спеціальний ChatGPT [[conversational-ai|chatbot]], який відігравав роль учня середньої школи з поширеними [[misconceptions]] щодо пропорційного міркування, даючи майбутнім викладачам математики середньої школи безризикову практику в діагностиці та скеруванні думок здобувача до правильних рішень, — що ілюструє [[generative-ai|GenAI]]-підсилену [[simulation]] як доповнення до дорогих платформ на кшталт TeachLivE для побудови знань педагогічного змісту про хибні уявлення здобувачів.

Єдиним галузевим синтезом цієї предметної області в базі знань є PRISMA-огляд 2021–2025, що охопив 42 дослідження, відібрані з 922 записів (каппа Коена = 0,88), і він додає категорію, якої бракує кластерам сторінки: автоматизацію для викладачів, де MATH41 підтримує швидке створення математичних завдань для здобувачів різних рівнів, а гібридна модель CognifyNet аналізує патерни активності здобувачів, щоб педагоги могли рано виявляти виникаючі труднощі. Той самий огляд локалізує сліпу пляму галузі — за частками предметних областей досліджень освіта становить 60 %, комп’ютерні науки 28 %, і лише одне дослідження належало до психології, залишаючи емоційний вплив, довіру та етику порівняно недослідженими — та наполягає, що технічну здатність не слід ототожнювати з продемонстрованою ефективністю в аудиторії. ([[ai-mathematics-education-prisma-review-2026]])

**Математика у вищій освіті** досліджує вплив AI на просунуту математичну практику. **[[genai-runaway-object-math-higher-ed|Bui et al.]]** застосували [[sociocultural-learning|socio-cultural]] теорію до [[generative-ai|GenAI]] в університетській математиці, аналізуючи AI як «невгамовний об’єкт», який перетворює академічну практику швидше, ніж [[governance|institutional]] та педагогічні норми.

**LLM-тьюторство та [[learning-design|instructional design]]** — новий кластер із двох досліджень 2026 року, які загострюють доказову базу математичної освіти. [[rule-integrated-llm-tutoring-primary-math-2026|Looi, Liu, and Sun (2026)]] розробили керовану правилами [[intelligent-tutoring|LLM tutoring system]] для текстових математичних задач початкової школи, чия триярусна архітектура (діагностика → вибір наміру → обмежена генерація відповіді) покращила узгодженість взаємодії та зменшила передчасне надання відповідей у пілотному занятті з 40 здобувачів п’ятого класу — доказ того, що процедурні математичні галузі потребують [[guardrails|structured rule-guards]] на тлі іншого стохастичного LLM-скаффолдингу. [[instructional-design-proficiency-masters-math-2026|Zhu, Liang, Mao, and Wang (2026)]] застосували модель розумної аудиторії до студентів магістратури з математики й виявили статистично значущі прирости (p < .05) у проєктуванні навчальних цілей у вимірах стандартів навчальної програми, підручника та умов здобувача.

Проєктування підказок саме по собі є вимірюваним важелем: на бенчмарку MathDial педагогічно обґрунтована сократична «Tutor Prompt» підвищила Success@N і різко знизила Telling@N відносно базової підказки і для GPT-4o, і для GPT-4o-mini ([[chudziak-ai-math-tutoring-platform|Chudziak & Kostka (2025)]]).

**[[generative-ai|GenAI]] для задач математичного моделювання** розширює генеративну лінію за межі рутинних вправ. AI-платформа, розроблена за підходом ADDIE, використала пряму пропорційність у математиці середньої школи як ілюстративну тему, вирішуючи проблему браку часу й ресурсів у викладачів на проєктування якісних задач моделювання: наявні інструменти зазвичай генерують звичайні текстові задачі або рутинні вправи, тоді як платформа мала на меті генерувати ресурси, що розвивають компетентності математичного моделювання, спираючись на затверджені принципи проєктування та [[prompt-engineering|retrieval-augmented generation]].

- **Візуальний ланцюжок міркувань: розрив [[agency|autonomy]] в геометрії.** GeoVAD-Bench діагностує проміжні візуальні засоби, а не фінальні відповіді, на 600 задачах на допоміжні побудови (200 легких, 200 середніх, 200 складних) і виявляє стійкий патерн: надання еталонної допоміжної діаграми помірно підвищує точність (+3,3, +3,0, +7,0 пунктів у трьох моделях), тоді як залишення моделі самій будувати допоміжну пряму на шляху до правильної відповіді розширює розрив на 10,0–13,5 пунктів, причому дві моделі працюють гірше, ніж коли в них не було жодного візуального міркування. Чотири категорії процесуальних помилок пояснювали 93,1 % і 89,7 % приписаних невдач. Для навчання [[problem-solving]] висновок такий, що діаграмний скаффолдинг треба тренувати та оцінювати окремо від точності відповідей. ([[geovad-bench-visual-chain-of-thought-geometry-2026]])
- **Задачі, вразливі до AI, втрачають час навчання та утримання в пам’яті.** Десятилітня панель із 3,2 мільйона взаємодій в ALEKS виявила, що час навчання на текстових задачах — тих, що найлегше переносяться в AI-підказки, — впав на 26,9 % після виходу ChatGPT, тоді як протекторовані завдання на утримання в пам’яті показали 25 % зниження шансів правильної відповіді ([[generative-ai-reduced-study-time-math|Rismanchian et al., 2026]]).
- **Здобувачі цінують негайний зворотний зв’язок, але не користуються платформами опціональної практики.** З 157 здобувачів [[genai-practice-platform-maths-feedback-2026|Chen et al. (2026)]] спостерігали, як 95 зареєструвалися і лише 34 спробували виконати завдання; користувачі найвище оцінили залученість (79 % згоди), тоді як лише 42 % надали перевагу платформі над наявним збірником задач.
- **AI може підвищувати досягнення, розширюючи гендерний розрив.** У шеститижневому квазіексперименті з 115 здобувачами старшої школи в Нігерії зворотний зв’язок від ChatGPT підвищив досягнення в розв’язуванні квадратних рівнянь порівняно з традиційним викладанням (29,18 проти 24,06), проте здобувачі чоловічої статі перевершили здобувачів жіночої статі (30,95 проти 25,16) попри відсутність гендерної різниці в самоефективності — застереження щодо справедливості для AI-підтримки математики ([[ai-generated-responses-achievement-self-efficacy-2026|Oladayo & Diri, 2026]]).

### Зв’язки з суміжними поняттями

Математична освіта лежить у межах ширшої області [[stem-education]] з характерними зв’язками з [[intelligent-tutoring]] та [[intelligent-tutoring|AI Tutoring]] через сильну традицію когнітивних тьюторів і досліджень ITS у математиці, зі [[scaffolding]] через літературу про продуктивну боротьбу та використання підказок, з [[affective-computing]] через тривожність щодо математики та емоційно обізнане тьюторство, з [[knowledge-tracing]] та [[assessment-validity]] через дослідження когнітивної діагностики та оцінювання, а також із [[teacher-role]] через співпрацю викладача з AI в математичній інструкції. Зв’язок із [[k-12]] особливо сильний — багато статей з математики стосуються контекстів K-12, — тоді як зв’язки з [[higher-ed]] виникають у підготовці викладачів та просунутій математичній практиці.

## Наслідки для викладачів математики

- **Сприймайте AI-тьюторство як важіль пошуку допомоги, а не як виправлення здатностей.** [[lak2026-hint-button-unproductive-use|Hint-use research]] показує, що передчасні прохання про підказки та поверхневе читання підказок передбачають нижчі здобутки, — тому проєктування того, *коли і як* здобувачі шукають допомоги в AI, важливіше за саму «сиру» здатність тьютора. Заохочуйте здобувачів спробувати перед тим, як просити, і показуйте допомогу в момент потреби, а не на вимогу.
- **Бережіть продуктивну боротьбу.** [[zhang-tutormoments-2026|TutorMoments]] виявляє, що моделі за умовчанням надмірно допомагають, рідко вимагаючи строгості; налаштовуйте AI-підтримку так, щоб вона скаффолдила, а не вирішувала, і стежте за заміною відповідей, що руйнує міркування.
- **Не сприймайте вивід AI-діагностики як істину.** [[llm-cognitive-diagnosis-handwritten-math|MathCog]] показує, що LLM відстають у діагностиці математичного мислення (F1 < 0,5) з надмірним приписуванням і галлюцинованими доказами; використовуйте AI-діагностику як пропозицію, яку варто перевірити за справжньою роботою здобувача.
- **Стежте за крихкістю до поверхневої форми в AI-оцінюванні.** [[representation-robustness-llm-math-problem-solving|Representation sensitivity]] означає, що еквівалентні задачі можуть змінювати відповіді AI, — це ризик для валідності AI-оцінювання математики; надавайте перевагу [[human-in-the-loop-ai|human review]] при високоставочному оцінюванні.
- **Використовуйте AI, щоб знизити планку для персоналізованої практики.** [[ai-powered-personalized-learning-elementary-fractions-2026|Adaptive platforms]] покращили розуміння дробів у здобувачів із труднощами в навчанні математиці; розгортайте AI-адаптивні інструменти вибірково для здобувачів, які потребують диференційованої підтримки.
- **Залишайте викладача під контролем AI-генерованих навчальних матеріалів.** [[teacher-control-ai-generation-math-visuals|Teacher control of AI visuals]] підтримує рамкову модель, яка урівноважує ефективність AI із педагогічною коректністю.

## Пов’язані поняття

- [[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]]

## Пов’язані статті
- [[ai-mathematics-education-prisma-review-2026]] — Artificial intelligence in mathematics education: A PRISMA-based systematic literature review (2021-2025)
- [[automated-scoring-economics-math-items-nigeria-2026]] — Automated software scoring of senior school certificate examination mathematical items in economics using a contextual similarity model
- [[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]] — Making AI tutoring productive: mastery-based math practice
- [[chudziak-ai-math-tutoring-platform]] — AI-powered math tutoring platform (Chudziak & 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]] — ALEKS mastery platform: text-based problems most AI-susceptible
- [[mujib-ai-ibl-creative-math-2026]] — AI-supported IBL and creative mathematical performance
- [[puech-pedagogical-steering-llm-productive-failure-2025]] — Pedagogical Steering of LLMs for Productive Failure
- [[rhaimi-productivemath-2025]] — ProductiveMath: AI to Support Productive Failure Problem Design
- [[preferred-scaffolding-ai-mathematical-modeling]] — Preferred scaffolding in AI-supported mathematical modeling
- [[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)
- [[rule-integrated-llm-tutoring-primary-math-2026]] — Rule-guided vs ad-hoc scaffolding in an LLM tutoring system for primary mathematics (Looi et al. 2026)
- [[ai-modeling-problem-generation-platform-2026]] — AI-powered platform generating mathematical modeling problems (ADDIE, RAG)
- [[razavi-powers-item-difficulty-llm-2026]] — Estimating item difficulty using LLMs and tree-based ML
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]]
- [[gpt4-handwritten-math-exam-grading-2026]] — GPT-4 grading of semi-open handwritten university mathematics answers
- [[exrec-exercise-recommendation-knowledge-tracing-2025]] — semantic knowledge-concept annotation and RL exercise sequencing on K-12 math corpora
- [[misconception-acquisition-dynamics-llms-2026]] — algebra mal-rule training dynamics in language models
- [[genai-practice-platform-maths-feedback-2026]] — Optional GenAI practice platform in a 157-student maths class: immediate feedback valued, uptake limited to 34 active users
- [[ai-generated-responses-achievement-self-efficacy-2026]] — Assessing the Influence of AI-Generated Responses on Academic Achievement: An Ethical Perspective and Self-Efficacy

---

## [Освіта з фізики](https://edtechdev.github.io/aied/concepts/physics-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта з фізики** — вивчення того, як студенти навчаються фізиці та як викладати її ефективніше; охоплює сократівський [[intelligent-tutoring|репетитор на базі ШІ]], оцінювання [[computational-thinking|обчислювального мислення]], [[trust]] студентів і моделі впровадження ШІ, валідність автоматизованого оцінювання та підготовку викладачів. Статті з освіти з фізики в цій базі знань помітні своєю предметною специфічністю: вони досліджують, як інструменти ШІ взаємодіють з унікальними когнітивними вимогами фізичного міркування — наочно-просторовим мисленням, математичним моделюванням, мисленням абстрактних систем і багатокроковим [[problem-solving]].

## Питання для роздумів

- Фізичні задачі часто вимагають наочно-просторового мислення, математичного моделювання та багатокрокових міркувань. Чому саме ці когнітивні вимоги можуть бути тими, з якими поточні репетитори на базі ШІ погано справляються?
- Студенти повідомляють про величезний розрив між довірою й користуванням: 91% використовують ШІ для навчальних робіт, але лише 41% йому довіряють. Чи траплялося вам користуватися інструментом, якому ви не цілком довіряли? Що породжувало цей розрив?
- Оцінювання за допомогою ШІ систематично занижувало оцінки фізичних пояснень студентів зі слабшими мовними навичками. Про що це свідчить, якщо порівняти, як ШІ оцінює пояснення й правильну числову відповідь?
- Одне дослідження виявило, що сократівський чатбот на базі ШІ суттєво покращив конкретність питань у живому курсі фізики, але студенти також часто « поступалися стратегічним контролем» репетиторові. Коли передача стратегічного контролю сприяє навчанню, а коли завдає шкоди?
- Чому фізика може бути «полігоном» для [[ai-education|ШІ в освіті]] — що робить її задачі ідеальними для вивчення впливу ШІ на міркування та оцінювання?
- Чи довірили б ви ШІ оцінювання вашої домашньої роботи з фізики або розбір діаграми сил разом із ним? Що має бути правдою про ШІ — і про ваш курс — щоб ви погодилися?

## Вступ

[[research-methods-aied|Дослідження]] з освіти з фізики стало полігоном для ШІ в освіті, оскільки фізичні задачі є добре структурованими, але когнітивно вимогливими, що робить їх ідеальними для вивчення впливу інструментів ШІ на навчання, міркування та оцінювання. 26 статей у цій базі знань разом малюють картину галузі, що долає і обіцянку, і межі ШІ — від сократівських [[conversational-ai|чатботів]], які покращують якість студентських питань, до систематичних упереджень в оцінюванні, що штрафують лінгвістично різноманітних здобувачів.

### Основні теми досліджень

**Сократівський репетитор на базі ШІ у фізиці** є найрозвиненішою темою, із трьома статтями, які розгортають сократівський діалог на базі [[llm]] у реальних курсах фізики. **[[hashmi-socratic-physics-chatbot-2025|Hashmi et al.]]** продемонстрували, що стійкий сократівський діалог із чатботом на базі ШІ різко покращує конкретність питань у вступній механіці — на матеріалі 150 студентів STEM у живому курсі. **[[socratic-ai-physics-tutor-taxonomy-2026|Hashmi & Rebello]]** побудували знизу-вгору таксономію 357 категорій студентського дискурсу з того самого розгортання, виявивши, що метапроцедурні ходи — де студенти поступаються стратегічним контролем репетиторові — домінують у взаємодіях студентів. Обидва дослідження збагачують ширші дослідження [[socratic-method]] і пов’язані з рамками [[intelligent-tutoring|репетиторства на базі ШІ]] та [[intelligent-tutoring]].

**Впровадження ШІ студентами та довіра** досліджує, як студенти-фізики насправді користуються інструментами ШІ. **[[fouad-bentley-trust-utility-gap-physics-2026|Fouad & Bentley]]** виявили розрив між довірою й користуванням у 50 пунктів: 91% використовують ШІ для навчальних робіт, але лише 41% йому довіряють, причому студенти спонтанно визначали режими відмов ШІ в наочно-просторових міркуваннях і в електричних колах. **[[becker-chatgpt-typology-physics-2026|Becker et al.]]** розробили типологію з двох профілів — 70% «прагматичних користувачів» і 30% «скептичних некористувачів» — на основі 1 189 відповідей опитування, показавши, що обидві групи йдуть на обчислені компроміси між ризиком і користю. Ці дослідження просувають напрями [[ai-literacy]] та [[trust-calibration]] й кидають виклик універсальним [[educational-policy-ai|політикам щодо ШІ]].
**Епістемологічні переконання корелюють із вподобанням поведінки чатбота.** У великому курсі на основі обчислювального аналізу 52% студентів надавали перевагу чатботу, який починав із керованого дослідження й відповідав лише за потреби, і вони демонстрували вищі результати за загальним показником EBAPS (p = 0,029) — різниці, які не витримали коригування Бонферроні, тому асоціація є підказковою, а не доведеною ([[physics-chatbot-epistemological-beliefs-2026|Sirnoorkar and Mamidpalliwar (2026)]]).

**Зміна сприйняття без зміни поведінки** — ось що [[physics-students-llm-perceptions-instruction-2026|O'Brien et al. (2026)]] додають до цієї картини. Рефлексивний урок про те, як працюють LLM, проведений в обов’язковому курсі першого року для студентів-фізиків, різко підвищив скептицизм — згода з тим, що LLM можуть залишити в студентів фальшиве відчуття впевненості, зросла з 58% до 88%, а переконання, що LLM перевершує середнього студента-фізика, впало з 54% до 32% — тоді як зручність (71% згоди) і тиск дедлайнів (65%) залишалися провідними причинами користування. Межі уроку настільки ж інформативні, як і його ефект: інструктаж із [[ai-literacy]] змістив те, що студенти казали про ці інструменти, а не тиски, через які вони до них тяжіють, і саме тому інтервенція такого роду має стояти поряд із проєктуванням задач і політик, а не замість них.

Проблемопостановка перетворює здобувача на автора задачі: 76% зі 49 студентів-фізиків зафіксували позитивні зміни у своїх взаємодіях із GenAI після тренінгу з інженерії підказок, причому найбільше користалися новачки, і близько 68% позитивно оцінили цю техніку як засіб самостійного навчання ([[genai-assisted-problem-posing-physics-2026|Dawson & Rebello (2026)]]).

**Оцінювання та обчислювальне мислення** досліджує, як ШІ може оцінювати навчальні здобутки з фізики. **[[llm-computational-thinking-physics-2026|Savage et al.]]** використали LLM для оцінювання зростання [[computational-thinking|обчислювального мислення]] у вступній фізиці, виявивши, що LLM можуть масштабувати оцінювання CT, але погано справляються зі складними конструктами на кшталт мислення системами. **[[ai-scoring-language-bias-physics|Feser & Tschisgale]]** продемонстрували, що оцінювання за допомогою ШІ систематично занижує оцінки фізичних пояснень студентів зі слабшими мовними навичками — висновок, який пов’язаний із [[assessment-validity]], [[bias-mitigation]] та [[equity-in-ai-education]].

**Психометрична інфраструктура для діагностичного оцінювання.** [[mechanics-cognitive-diagnostic-physics-2026|Le et al. (2026)]] інвертують звичне питання «ШІ у фізиці»: замість того, щоб питати, чи може модель розв’язати або оцінити фізику, вони питають, чи можна змусити власні, засновані на дослідженнях [[assessment|оцінювання]] галузі діагностувати її. Відобразивши завдання FCI, FMCE та EMCS на 14 дрібнозернистих навчальних цілей і підігнавши когнітивно-діагностичну модель DINA до 24 394 посттестових відповідей зі 807 курсів у 79 установах через платформу LASSO, вони побудували механічний [[cognitive-diagnosis|когнітивний діагностичний тест]] — уточнено першим когнітивно-діагностичним комп’ютеризованим адаптивним тестом у фізиці. FCI та EMCS підігнані добре (RMSEA² = 0,033 і 0,022), тоді як FMCE — лише маргінально (0,065), і автори пояснюють цей невідповідність проєктуванням інструменту, а не моделюванням: 42 із 43 оцінених завдань FMCE мають спільні сценарні основи в ланцюжкових наборах, створюючи локальну залежність між завданнями, яку забороняє припущення DINA про умовну незалежність (FCI блокує 13 із 30 завдань; EMCS — жодного). Точність класифікації відповідала бенчмарку низьких ставок [[formative-assessment|формуючого]] оцінювання для 19 з 22 комбінацій «ціль–оцінювання»; три невдачі стосувалися цілей EMCS з енергетики, чиї завдання перекриваються приблизно на 70 відсотків, тому опанування однієї не може бути відокремлене від інших. Значення для викладання фізики полягає в тому, що інструменти, які курси вже застосовують, можна перепрофілювати, щоб забезпечувати дієвий зворотний зв’язок на рівні цілей *під час* навчання, а не ретроспективний бал посттесту, — за умови, що діагностичні твердження спрямовані на ту роздільну здатність, яку банк завдань справді може забезпечити.

**Бенчмаркування мультимодального ШІ на автентичних фізичних задачах.** [[omniphys-multimodal-physics-benchmark-2026|Chen et al. (2026)]] представляють **OmniPhys**, масштабний [[multimodal]] [[benchmark]] (15 246 питань, 19 850 зображень), що охоплює фізику від шкільного до університетського рівня з китайських освітніх корпусів. Незвично, що він оцінює не лише розуміння мультимодального *входу*, а й генерацію мультимодального *виходу» — чи можуть моделі синтезувати структуровані фізичні діаграми, ключову складову автентичного вирішення задач. Розлогі оцінки виявляють критичні прогалини в сучасних мультимодальних LLM, особливо в складних міркуваннях і генерації зображень.

**Рамки навчального проєктування для ШІ-підсиленого викладання.** **[[airis-cognitively-activated-ai-physics-2026|Kuhn et al.]]** пропонують рамку **AIRIS** (Activate–Inquire–Reflect with Intelligent Support) — трифазову структуру для когнітивно активованого використання ШІ у фізиці: студенти прогнозують і ескізують очікувані результати перед звертанням до ШІ (Activate), делегують обчислювальні й репрезентаційні кроки ШІ, критично порівнюючи вихід із власними прогнозами (Inquire), і інтерпретують, перевіряють узгодженість між репрезентаціями й осмислюють внесок ШІ після (Reflect). Споруджена на [[self-regulated-learning]], теорії [[cognitive-offloading|когнітивного навантаження]], множинних зовнішніх репрезентаціях і [[human-ai-collaboration]], вона формулює центральний виклик як [[learning-design|навчальне проєктування]], а не як списування чи вибір інструменту, і закликає до експериментів із «умовою відміни», що перевіряють, чи виживає навчання після зняття підтримки ШІ.
- **Навчайте критиці рішень ШІ за рубрикою.** Двадцять чотири групи вступної фізичної лабораторії, які критикували рішення ШІ з рефлексією на основі MAPS, виявили пропущену чисельну інтеграцію, невизначені позначення та якісне замість кількісного побудовані графіки, тоді як групи, які лише розв’язували споріднену задачу, приймали відполірований вихід або відкидали його через власні хибні уявлення ([[probing-ai-generated-physics-solutions-2026|Borse et al. (2026)]]).

**Генеративне відео як синтетичні експериментальні дані.** [[genai-video-engineering-physics-workflow-2026|Alvarado-Cruz et al. (2026)]] генерують відеосценарії за допомогою PixVerse, Grok Imagine і Pippit для трьох режимів сил опору — постійного тертя, лінійного опору та квадратичного опору, — вилучають кінематику інструментом Tracker з [[open-source]] і підганяють аналітичні моделі нелінійним методом найменших квадратів. Синтетичні дані узгодилися з класичними рівняннями руху та відтворили фізично осмислені параметри, і повторюваним практичним висновком є те, що конкретність підказки визначає фізичну узгодженість: детальніші описи породжували узгодженішу динаміку. Робочий процес віддзеркалює експериментальну практику від побудови моделі до [[quantitative-research|кількісної]] валідації та переосмислює [[prompt-engineering|формулювання підказки]] як етап експериментального проєктування, а не як зручність. Чого він ще не демонструє, так це навчання: валідація тут — це узгодженість між згенерованим рухом і моделями авторів, а не оцінним міркуванням студентів, тому підхід успадковує питання [[assessment-validity|алідності]], на яке мусять відповідати будь-які згенеровані дані, використані як доказ.

**Власні симуляції для тем, яких не покриває PhET.** Згенеровані LLM моделі HTML/JavaScript дозволяють викладачам створити саму ту симуляцію, яка потрібна курсу, а не найближчу опубліковану, за умови технічної та фізичної валідації; в пілотному дослідженні 53 студенти в 26 парах побудували й удосконалили свої моделі вільного падіння без потреби в навичках програмування ([[benzion-ai-physics-simulations-virtual-lab|Ben-Zion et al., 2025]]).

Повторювана чотириелементна підказка — інструменти, відображення, керування жестоми, оптимізація — дозволяє викладачеві без коду згенерувати браузерну AR-симуляцію, у якій жести зведення і розведення пальців керують фізикою; в пілотному дослідженні зі 29 студентів жест допоміг усім 29 «відчути» довжину хвилі (середнє 4,52), і 86% повідомили про вищу залученість ([[genai-ar-physics-simulation-prompt-2026|Levy et al. (2026)]]).
**Інструментарій, згенерований ШІ з підказки.** Лабораторія обертання, згенерована підказкою природною мовою до асистента на базі ШІ без ручного кодування, вимірювала рівномірний та прискорений круговий рух із точністю до 1% від незалежного відеоаналізу в Tracker, дозволяючи викладачам побудувати інтерфейс навколо власних педагогічних змінних, а не адаптуватися до заздаледь скомпільованого додатка-сенсора ([[ai-generated-smartphone-circular-motion-lab-2026|Suñer et al. (2026)]]).

**Допоміжна результативність vs. недопоміжні знання в перепроєктованому курсі.** Перепроєктування 2026 року вступного курсу ядерної фізики та фізики частинок в Рурському університеті Бохума (Mikhasenko et al.) дозволило [[generative-ai|генеративний ШІ]] на десяти свідомо ШІ-стійких, дослідницьких за формою домашніх аркушах, розроблених так, щоб наївна [[prompt-engineering|інженерія підказок]] не вистачала. [[student-engagement|Залученість]] і амбітність були високі — 24 з 42 студентів отримали кредит за всі десять аркушів, і одне виведення заповнило більше двох метрів класної дошки, — але письмовий іспит на 90 хвилин без допомоги став «серйозним попередженням»: середнє 20,6/80, і лише двоє зі 27 іспитованих досягли 40. Автори роблять висновок, що допоміжна результативність і незалежно відтворювані знання є різними здобутками, які не можна вважати такими, що тренують або демонструють одне одного, і що курси з фізики мусять залишати частину практики для роботи без допомоги — що підсилює ширші [[transfer-of-learning|докази]] бази знань щодо перенесення навчання.

Огляд PRISMA 2026 року з 11 емпіричних досліджень у шести країнах приходить до того самого висновку на рівні галузі: короткострокові здобутки від зворотного зв’язку ШІ та симуляцій не збереглися в наступних іспитах і не перенеслися на незалежну результативність ([[ai-university-physics-education-review-2026|огляд ШІ в університетській освіті з фізики]]).

**Проєктування ролей агентів як навчальна змінна.** [[wang-teacher-student-centered-agents-physics-2026|Wang et al. (2026)]] утримують модель (DeepSeek R1), платформу та температуру незмінними й змінюють лише роль, задану підказкою: агента, орієнтований на викладача, який авторитетно відповідає з обмеженого джерела знань підручника, проти агента, орієнтованого на студента, налаштованого як емпатичний викладач зі знанням розуміння студентів, запрограмованого діагностувати причину [[misconceptions]], називати відповідне поняття й переносити його на аналогічне явище. На матеріалі 59 випускників шкіл, які працювали над двома концептуальними завданнями, агент, орієнтований на студента, дав вищі бали посттесту (9,67 проти 7,93; r = 0,38), нижче стороннє і вище доречне когнітивне навантаження, сильніший досвід потокової зануреності (d = 0,92) і вище сприйняття емпатії (r = 0,53) — доказ того, що саме рамкування ролі, а не лише точність відповідей, робить фізичного агента навчально ефективним ([[pedagogical-agent]], [[prompt-engineering]]).

- **Бали бенчмарків применшують те, що моделі вже вміють у фізиці.** Переоцінювання шести широковживаних фізичних бенчмарків за участі галузевих експертів виявило, що більшість зафіксованої недостатності є артефактом дефектних завдань і жорстких автоматизованих оцінювачів: із 250 перевірених відкидань 143 (57,20%) — дефекти бенчмарку й 95 (38,00%) — помилки оцінювача, і лише 12 (4,80%) — справжні помилки моделі. Після коригування середнє HLE-Physics mean@4 зросло з 47,28% до 78,66%, а CritPt — з 32,29% до 87,50%. Для викладання фізики це працює в обидва боки: це означає, що студенти вже можуть отримати текстові рішення експертного рівня для багатьох канонічних задач, тому оцінювання фізичного міркування має рухатися до завдань, які опираються забрудненню бенчмарками, і до доказів процесу, а не кінцевих відповідей. ([[frontier-models-physics-benchmark-audit-2026]])

- **Оцінювання ШІ може відтворювати високоставочний фізичний результат, не узгоджуючись у кожній частині.** Оцінюючи 10 364 рукописних сторінок олімпіади та університету, мультимодальна LLM відтворила ту саму п’ятистудентську олімпійну команду, що й екзаменатори, і корелювала з сумами при r = 0,93–0,96, але точне узгодження по частинах питань сягнуло лише 70% — друге читання під контролем екзаменатора, а не заміна ([[ai-grading-handwritten-physics-2026|Pathak et al. (2026)]]).

- **Фізичні бенчмарки можуть бути співмірними з навчальним планом і неанглійськими.** [[physicsmate-bengali-secondary-physics-benchmark-2026|Jahin et al. (2026)]] побудували 1 834 бенгальських питань з національного підручника фізики для 9–10 класів і графа знань із 1 760 вузлів; один фіксований рецепт донавчання дав приріст на 5,5, 15,0 та 23,3 пункти при 0,6Б, 1,7Б і 4Б параметрів.

### Зв’язки зі спорідненими поняттями

Освіта з фізики розміщена в ширшій області [[stem-education]], але має особливі зв’язки: з [[socratic-method]] — через сильну традицію сократівського діалогу в розв’язуванні фізичних задач; з [[computational-thinking]] — через зростаючу роль обчислень у фізиці; з [[assessment-validity]] — через виклики оцінювання фізичних пояснень; та з [[professional-training]] — через підготовку на основі [[simulation]]. Поняття [[student-experience]] та [[ai-literacy]] є необхідними для розуміння того, як студенти-фізики орієнтуються серед інструментів ШІ, тоді як [[educational-measurement]] та [[automated-assessment|автоматизоване оцінювання]] пов’язані з виміром оцінювання.

## Наслідки для викладачів фізики

- **Проєктуйте під довіру студентів, а не лише під впровадження.** [[fouad-bentley-trust-utility-gap-physics-2026|Fouad & Bentley]] документують розрив між довірою й користуванням у 50 пунктів (91% користуються, 41% довіряють), причому студенти визначають відмови ШІ в наочно-просторових міркуваннях і в електричних колах — створюйте можливості виявити й обговорити ці межі, а не припускайте згоду.
- **Використовуйте сократівський ШІ, щоб поглибити якість питань, але стежте за стратегічною передачею.** [[hashmi-socratic-physics-chatbot-2025|Сократівські чатботи]] покращують конкретність питань, проте [[socratic-ai-physics-tutor-taxonomy-2026|дослідження таксономій]] виявляють, що домінують метапроцедурні ходи — студенти передають стратегічний контроль репетиторові. Втручайтеся, щоб студенти залишалися приймальниками рішень.
- **Структуруйте використання ШІ когнітивно, а не лише дозволяльно.** [[airis-cognitively-activated-ai-physics-2026|AIRIS]] (Activate–Inquire–Reflect) показує цінність того, що студенти прогнозують/окреслюють до звернення до ШІ, делегують обчислювальні кроки, критично порівнюючи вихід, і осмислюють після — розглядайте інтеграцію ШІ як задачу навчального проєктування й перевіряйте, чи виживає навчання після зняття ШІ. У рандомізованому дослідженні зі 95 студентів бакалаврату 45 хвилин узгодженого зі саморегульованим навчанням тренінгу на задачах з механіки підвищили точність, коли студенти згодом виправляли завдання з електромагнетизму за допомогою моделі: 69,3% їхніх неправильних відповідей стали правильними проти 41,3% у нетренованому контролі (d = 0,81) ([[structured-genai-training-physics-problem-solving-rct-2026|Huang et al. (2026)]]).
- **Стежте проти упередженості в оцінюванні.** [[ai-scoring-language-bias-physics|Оцінювання за допомогою ШІ]] систематично занижує оцінки пояснень студентів зі слабшими мовними навичками; використовуйте мовно-чутливе оцінювання або оцінювання з людським модеруванням для концептуального оцінювання.
- **Використовуйте змодельовані класи для підготовки викладачів.** [[multiagent-classroom-dual-process-physics-teachers-2026|Змодельовані багатоагентні класи]] дають майбутнім викладачам рідкісну практику реагування на автентичне міркування студентів — недорогий доповнювач до живого мікровикладання.
- **Залишайте практику та оцінювання без допомоги.** Перепроєктування в Бохумі ([[ai-particle-physics-education-redesign-2026|Mikhasenko et al. 2026]]) показує, що дозволені ШІ домашні завдання дослідницької форми, виконані з високою залученістю, можуть залишити студентів далеко позаду на іспиті без допомоги (середнє 20,6/80) — розглядайте допоміжну результативність і незалежно відтворювані знання як різні речі й вбудовуйте в курс свідому практику без допомоги та письмовий іспит.

- **Перевіряйте відданість фасилітатора; зберігайте фазу моделювання вільною від ШІ.** Коли налаштований спеціально Gem під тиском «просто скажіть нам», яка гиря важила більше, вигадав значення мас, які ніхто не вимірював, тому відданість мовно-заснованого фасилітатора мусить перевірятися, а не припускатися, а вільна від ШІ фаза побудови зберігає ту ручну роботу, до якої він не дотягнеться ([[embodied-inquiry-ai-facilitator-physics-2026|Tufino & Damiani (2026)]]).

## Пов’язані поняття

- [[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]] — Освіта з хімії та ШІ: лабораторії, формуюче оцінювання, межі LLM, філософія експериментування
- [[biology-education]] — Освіта з біології та ШІ: асистенти лабораторних робіт, ШІ-грамотність у біології, критичне мислення, спеціалізовані інструменти

## Пов’язані статті

- [[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]] — Агенти фізики, змодельовані підказками, орієнтовані на викладача vs. орієнтовані на студента (Wang et al. 2026)
- [[omniphys-multimodal-physics-benchmark-2026]]
- [[benzion-ai-physics-simulations-virtual-lab]] — Використання ШІ для швидкої генерації фізичних симуляцій / віртуальних лабораторій (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: A Framework for Cognitively Activated AI Augmentation in Physics
- [[ai-grading-handwritten-physics-2026]] — Оцінювання рукописних фізичних робіт за допомогою ШІ (олімпіада)
- [[ai-particle-physics-education-redesign-2026]] — AI in Particle Physics Education: Research Problems and Foundational Skills
- [[mechanics-cognitive-diagnostic-physics-2026]] — Mechanics Cognitive Diagnostic: перетворення FCI, FMCE та EMCS на когнітивний діагностичний тест із 14 цілей (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]] — Artificial Intelligence Driven Physics Assignments using Context Prompts
- [[ai-assisted-physics-lab-report-assessment-2026]] — AI-Assisted Assessment of Experimental Physics Laboratory Reports: Potential, Limitations, and Support for Teaching Practice
- [[physicsmate-bengali-secondary-physics-benchmark-2026]] — PhysicsMate: 1 834 бенгальських пари «запитання–відповідь» зі шкільної фізики, відображені на граф навчального плану з 1 760 вузлів, із приростами під час адаптації малих моделей
- [[ai-university-physics-education-review-2026]] — Artificial intelligence in university physics education: a systematic review of empirical studies
- [[structured-genai-training-physics-problem-solving-rct-2026]] — Структурований тренінг із GenAI для перегляду фізичних задач: рандомізоване контрольоване дослідження (Huang et al. 2026)

---

## [Хімічна освіта](https://edtechdev.github.io/aied/concepts/chemistry-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Хімічна освіта** — галузь, що вивчає, як здобувачі опановують хімію та як навчати їй ефективніше; вона охоплює застосування [[generative-ai|генеративного ШІ]] (GenAI) у проєктуванні лабораторних робіт і експериментів, ШІ-медійоване [[formative-assessment|формативне оцінювання]], контекстно-орієнтоване та дослідницьке навчання, технічну точність [[llm|ВММ]] (LLMs) у хімічних завданнях, а також філософію експериментування в епоху ШІ. Дослідження хімічної освіти опрацьовують специфічні вимоги дисципліни — абстрактні субмікроскопічні поняття, символічну та представницьку нотацію (формули, SMILES, спектри) і практичну лабораторну роботу, — що робить її багатим і самобутнім контекстом для вивчення того, як ШІ водночас підтримує і кидає виклик навчанню.

## Питання для роздумів

- Хімія поєднує абстрактні субмікроскопічні поняття, спеціалізовану символічну нотацію та практичну лабораторну роботу. Перш ніж читати далі, подумайте: з якою з цих трьох відмітних вимог, на вашу думку, ШІ впорається добре, а з якою може зазнати труднощів — особливо з огляду на застереження сторінки щодо невдач ВММ у суворо кількісних завданнях і завданнях на просторове мислення?
- В одному дослідженні здобувачі проєктували за допомогою ШІ лабораторні посібники, реалізовували їх на практиці й отримували валідацію від фахівців — що суттєво підвищило впевненість в експериментах і критичне мислення, зрушивши ролі персоналу з демонстрації до супроводу. Що робить таке «ШІ для проєктування експериментів» відмінним від простого прохання до ШІ дати відповіді?
- Систематичні свідчення показують, що ВММ можуть визначати базові хімічні терміни, але погано справляються з суворо кількісними завданнями, мають труднощі з просторовим мисленням (наприклад, ЯМР) і демонструють надмірну впевненість. Якщо ШІ впевнено дає вам хибну відповідь на складну хімічну задачу, як ви б її виявили — і якої навички потребує таке виявлення?
- Дослідження пропонує призначати ШІ різні ролі залежно від рівня досягнень — терплячий тьютор для слабких здобувачів, персональний коуч для середнього рівня та інтелектуальний спаринговий партнер для сильних. На вашу думку, чому той самий інструмент ШІ має відігравати різні ролі для різних здобувачів і що цього потребує від людського викладача?
- Сторінка попереджає про «епістемічний дрейф» — опору на непрозорі алгоритми, що відриває наукове дослідження від причинно-наслідкового розуміння. Якщо ШІ прогнозує результат експерименту, коли цей прогноз допомагає вам зрозуміти хімію, а коли тихо підміняє саме розуміння?

## Вступ

Хімічна освіта стала плідним доменом для досліджень «ШІ в освіті», оскільки хімія поєднує **абстрактний концептуальний зміст**, **спеціалізоване символічне представлення** та **фізичну лабораторну практику**. Інструменти ШІ (зокрема ChatGPT і розмовні агенти) використовуються для пояснення складних тем, підтримки лабораторної роботи та проєктування експериментів, забезпечення персоналізованого [[feedback]] і [[formative-assessment|формативного оцінювання]], а також для [[simulation|імітації]] експериментів. Разом із тим дослідження фіксують **технічні обмеження** [[llm|ВММ]] у суворих хімічних завданнях, а також ризик **епістемічного дрейфу** та надмірної опори на технології.

### Ключові теми досліджень

**Підтримка ШІ лабораторної роботи та проєктування експериментів** — відмітна сила досліджень хімічної освіти. **[[ai-supported-experimental-design-chemistry-2026|Yim & Lui]]** інтегрували ШІ-[[conversational-ai|чат-боти]] в лабораторію з аналітичної хімії для студентів старших курсів: здобувачі використовували ШІ для **проєктування лабораторних посібників**, впроваджували їх на практиці й отримували валідацію від фахівців із сертифікації — що суттєво підвищило впевненість в експериментах і навички [[critical-thinking]]/вирішення проблем, зрушивши ролі персоналу з демонстрації «за рецептом» до супроводу. Напрям [[philosophy-experimentation-ai-chemistry-2026|філософії експериментування]] досліджує, як ШІ перебудовує епістемологію, онтологію (прогнози ШІ в «лімбічному» просторі) і методологію хімічних експериментів, і попереджає про **зсув [[agency|аґентності]]** та надмірну опору.

**Контекстно-орієнтоване та дослідницьке навчання** використовує ШІ в межах структурованих [[pedagogy|педагогік]]. **[[context-based-ai-secondary-chemistry-2026|Abdikayumova & Madybekova]]** поєднали **інструкційну модель 7E** з симуляціями PhET і тьюторінгом ChatGPT для хімії 10-го класу, виявивши суттєво вищі навчальні здобутки та залученість порівняно з лише дослідницьким або конвенційним навчанням — що демонструє синергію контекстуалізації, структурованого дослідження та адаптивного ШІ. Це пов’язується з [[constructivist]] та [[personalized-learning]] підходами.

**Формативне оцінювання з медіацією ШІ та співпраця людини з ШІ.** **[[instructor-ai-roles-chatgpt-formative-assessment-2026|Ratniyom та співавт.]]** виявили, що майбутні [[teacher-role|вчителі]] природничих наук сприймають чіткі, залежні від рівня досягнень ролі: людський викладач як адаптивний експерт (спрощувач/розгортувач), а ChatGPT як персоналізований інструмент саморегульованого навчання, що переходить від *терплячого [[intelligent-tutoring|тьютора]]* (слабкі здобувачі) до *персонального коуча* (середній рівень) і *інтелектуального спарингового партнера* (сильні) — пропонуючи **екосистему синергійного навчання «викладач–ШІ»**. Це розвиває дослідження [[human-ai-collaboration]], [[formative-assessment]] та [[self-regulated-learning]].

**Технічна точність і критична ШІ-грамотність.** Систематичні свідчення показують, що [[llm|ВММ]] можуть визначати базові хімічні терміни, але погано справляються з суворо кількісними завданнями та мають труднощі з просторовим мисленням (наприклад, ЯМР), демонструють надмірну впевненість і чутливість до нотації ([[ai-science-chemistry-education-systematic-review-2025|Erümit & Özdemir Sarıalioğlu]]; висновки ChemBench/QCBench у [[unesco-ai-guidelines-chemical-education-2026|перспективі ЮНЕСКО]]). Це робить **оцінну взаємодію з результатами ШІ** — їхнє опитування, перевірку й звірення з хімічними принципами — центральною навчальною метою, що пов’язується з [[ai-literacy]], [[critical-thinking]] та [[reducing-ai-misuse]].

**Етика, політика та епістемічний дрейф.** [[unesco-ai-guidelines-chemical-education-2026|Перспектива, побудована на настановах ЮНЕСКО]], попереджає про **епістемічний дрейф** — опору на непрозорі алгоритми, що відриває наукове дослідження від причинно-наслідкового розуміння — і закликає до переходу від доставки змісту до **створення знань**, критичної хімічної ШІ-грамотності, оцінювання, яке пріоритезує людське мислення, та закриття глобального розриву в доступі.

### Зв’язки з суміжними поняттями

Хімічна освіта перебуває в межах ширшого домену [[stem-education]] і має багато спільного з [[physics-education]] (лабораторна практика, абстрактні поняття, вирішення проблем), водночас маючи відмітні зв’язки: з [[assessment]] і [[formative-assessment]] через ШІ-медійовану оцінку; з [[simulation]] і лабораторним навчанням через віртуальні експерименти; з [[teacher-education]] через дослідження майбутніх учителів природничих наук і професійний розвиток; з [[educational-policy-ai]] та [[ethics]] через [[governance]] ШІ в STEM; а також з [[philosophy-of-ai-in-education]] через епістемологію/онтологію експериментування. Поняття [[ai-literacy]] та [[reducing-ai-misuse]] є необхідними для виміру відповідального використання, а [[higher-ed]] та [[k-12]] відображають рівні, на яких відбуваються дослідження ШІ в хімії.

## Наслідки для викладачів хімії

- **Використовуйте ШІ для проєктування експериментів, а не лише для відповідей.** [[ai-supported-experimental-design-chemistry-2026|Yim & Lui]] показують, що проєктування здобувачами лабораторних посібників за допомогою ШІ з їхньою практичною валідацією формує впевненість і критичне мислення, зрушуючи персонал від демонстрації до супроводу, — модель для лабораторних курсів.
- **Вимагайте оцінної взаємодії з результатами ШІ.** Систематичні свідчення показують слабкість [[llm|ВММ]] у суворо кількісній хімії, просторовому мисленні (ЯМР) та надмірну впевненість — зробіть опитування й звірення ШІ з хімічними принципами явною навчальною метою.
- **Призначайте чіткі, чутливі до рівня досягнень ролі ШІ.** [[instructor-ai-roles-chatgpt-formative-assessment-2026|Дослідження ролей викладача й ШІ]] виявляє людського викладача як адаптивного експерта, а ChatGPT — як персоналізований інструмент, що переходить від терплячого тьютора (слабкі здобувачі) до коуча та інтелектуального спарингового партнера (сильні здобувачі) — диференціюйте підтримку за рівнем здобувачів.
- **Поєднуйте ШІ зі структурованою, контекстуальною педагогікою.** [[context-based-ai-secondary-chemistry-2026|7E + PhET + ChatGPT]] перевершило лише дослідницьке та конвенційне навчання, показуючи, що ШІ найкраще працює всередині всталеної інструкційної моделі.
- **Будьте пильні щодо епістемічного дрейфу та надмірної опори.** [[philosophy-experimentation-ai-chemistry-2026|Дослідження філософії експериментування]] і настанови ЮНЕСКО попереджають, що непрозорий ШІ може відірвати дослідження від причинно-наслідкового розуміння — зберігайте оцінювання, яке пріоритезує людське мислення, і аґентність здобувачів.
- **Оцінюйте відкриті рукописні роботи вибірково.** У фінальному іспиті з загальної хімії, що виконувався від руки, узяли участь 296 здобувачів; мультимодальна ВММ оцінювала текстові відповіді та рівняння хімічних реакцій надійно, але малюнки й графи — гірше за випадковий вибір (фонові сітки візуально відволікають комп’ютерний зір ШІ); поєднання фільтра ризиків на основі [[item-response-theory|IRT]] та [[human-in-the-loop-ai|передання]] графічних завдань людям зробило автоматизацію виправданою для [[summative-assessment|підсумкового]] використання ([[cvengros-grading-handwritten-chemistry-ai-2026]]).

## Пов’язані поняття

- [[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]] — Освіта з біології та ШІ: помічники в лабораторних заняттях, ШІ-грамотність у біології, критичне мислення, спеціалізовані інструменти

## Пов’язані статті

- [[ai-science-chemistry-education-systematic-review-2025]] — Систематичний огляд ШІ в освіті з природничих наук/хімії
- [[unesco-ai-guidelines-chemical-education-2026]] — Перенесення настанов ЮНЕСКО щодо ШІ на хімічну освіту
- [[context-based-ai-secondary-chemistry-2026]] — Контекстно-орієнтоване навчання + ШІ в середній хімічній освіті (7E)
- [[ai-supported-experimental-design-chemistry-2026]] — Проєктування експериментів за підтримки ШІ в практичній хімії
- [[instructor-ai-roles-chatgpt-formative-assessment-2026]] — Ролі викладача та ШІ в формативному оцінюванні з підсиленням ChatGPT
- [[philosophy-experimentation-ai-chemistry-2026]] — Філософія експериментування в хімії з ШІ
- [[cvengros-grading-handwritten-chemistry-ai-2026]]

---

## [Освіта з біології](https://edtechdev.github.io/aied/concepts/biology-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта з біології** — вивчення того, як студенти навчаються біології, і того, як викладати її ефективніше, охоплюючи лабораторне навчання з допомогою ШІ, ШІ-грамотність, вбудовану в біологічні куррикули, критичне мислення в еру ШІ та використання спеціалізованих інструментів (ідентифікація видів, біозображення, предиктивне моделювання) у біологічній освіті. Характерні вимоги біології — великі масиви спеціалізованої термінології, візуально-просторове та системне мислення, практичні лабораторні та польові роботи і дедалі більше обчислювальних методів «омікс» — роблять її багатим контекстом для вивчення і обіцянок, і ризиків ШІ в STEM-навчанні.

## Питання для роздумів

- Біологія ставить здобувачам характерні вимоги — спеціалізована термінологія, візуально-просторове та системне мислення, практична лабораторна робота. Перш ніж читати далі: як ви вважаєте, ці риси змінюють те, з чим ШІ може справді допомогти в біології, і те, що він може підірвати?
- Дослідження віртуального лабораторного асистента з викладання знайшло людських асистентів точнішими й ефективнішими за ChatGPT, проте студенти віддавали перевагу відповіді ШІ 40% часу і могли виявити вихід ШІ лише 45% часу. Чому студенти можуть віддавати перевагу менш точній відповіді ШІ — і що це говорить про «мережу безпеки», потрібну в лабораторному викладанні?
- ШІ здійснив революцію в дослідженнях з біології (AlphaFold, обчислювальна біологія), тоді як його впровадження в освіту з біології було обережним, серед занепокоєнь щодо шахрайства та ерозії критичного мислення. Чому, на вашу думку, тими самими інструментами, що живлять наукові відкриття, поводяться з такою обережністю в аудиторії?
- Одне дослідження вбудувало концепції машинного навчання в курс біології старшої школи і знайшло, що біологічний контекст фактично підтримував навчання ШІ — свідчення на користь вбудовування ШІ-грамотності в курикулум, а не зроблення її додатком. Де в курсі біології концепції ШІ виникали б природно?
- Дослідники стверджують, що коли ШІ переформовує біологічні дослідження, критичне мислення — скептицизм, контекстуальне розуміння, етичне міркування — має бути свідомо культивоване з людським наглядом. Якщо ШІ тепер може ідентифікувати види, інтерпретувати зображення й передбачати результати, яка інтелектуальна робота залишається, якій студенти мають навчитися робити самі?

## Вступ

Дослідження освіти з біології про ШІ кластеризується навколо напруженості: ШІ здійснив революцію в біологічних *дослідженнях* (AlphaFold, «омікс», обчислювальна біологія), проте його впровадження в біологічну *освіту* було обережним, серед занепокоєнь щодо шахрайства з генеративним ШІ, дезінформації та ерозії критичного мислення. Статті бази знань із біології колективно вивчають, як інструменти ШІ функціонують як асистенти лабораторного викладання, як ШІ-грамотність може бути вбудована в курси біології, як критичне мислення має бути захищене в еру ШІ і як спеціалізовані інструменти ШІ підтримують польові роботи та ідентифікацію видів.

### Ключові теми досліджень

**ШІ в біологічній лабораторії.** **[[chatgpt-virtual-lab-teaching-assistant-biology-2026|Doğru & Faulconer]]** протестували ChatGPT як **віртуальний асистент викладання** в бакалаврській біологічній лабораторії, знайшовши людських асистентів точнішими й ефективнішими, проте студенти віддавали перевагу відповіді ШІ 40% часу і виявляли вихід ШІ лише 45% часу — висвітлюючи і потенціал зняття тягаря, і потребу в «мережі безпеки» проти некоректної лабораторної інформації. Це паралелює хімічному фрагментові [[ai-supported-experimental-design-chemistry-2026|AI-supported experimental design]] та [[philosophy-experimentation-ai-chemistry-2026|philosophy of experimentation]] — спільне занепокоєння щодо ШІ в практичних наукових лабораторіях.

**ШІ-грамотність, вбудована в курикули біології.** **[[zha-ai-literacy-biology-case-study|Zha et al.]]** інтегрували концепції машинного навчання та нейронних мереж у курс біології для старшокласників із відзнаками, знайшовши значні здобутки в знаннях ШІ і що біологічний контекст підтримував навчання ШІ — свідчення на користь вбудовування ШІ-грамотності в [[stem-education]], а не відсилання її до позакласової діяльності. **[[chatgpt-math-biology-challenge-based-learning-2025|Elizondo-García et al.]]** використовували ChatGPT у **навчанні на основі викликів** на курсах біології та математики, знайшовши, що студенти цінували негайність, але хвилювалися про достовірність, [[teacher-role|teacher]] заміну та ерозію навичок — закликаючи до оновлених кодексів академічної доброчесності та етики використання ШІ.

**Критичне мислення в еру ШІ.** **[[critical-thinking-biological-sciences-ai-2025|Papaneophytou & Nicolaou]]** стверджують, що коли ШІ формує біологічні дослідження, **критичне мислення** — скептицизм, контекстуальне розуміння та етичне міркування — має бути свідомо культивоване, при чому [[human-in-the-loop-ai|human oversight]] залишається незамінним для валідації виходів ШІ та запобігання [[equity-in-ai-education|bias]]. Це пов’язано з занепокоєннями [[reducing-ai-misuse]] і [[cognitive-offloading]] в масштабі всієї бази знань.

**Практика аргументації з Сократівським ШІ у підготовці викладачів.** Квазіексперимент зі 124 майбутніми викладачами біології знайшов, що Сократівський тьютор ChatGPT-4 [[socratic-method|Socratic tutor]] із соціально-наукових питань підвищив якість аргументації над офлайновою дискусією з однолітками (скориговано 3,91 проти 3,21, F(1,121) = 14.23, p < .001), з найбільшими здобутками в навичках спростування та контр-свідчень ([[genai-socratic-tutor-biology-argumentation-2026|Ergasheva et al., 2026]]).

**Спеціалізовані інструменти ШІ та ширший огляд.** **[[beyond-chatgpt-ai-tools-biological-education-2026|Cotton & Cotton]]** оглядають увесь ландшафт інструментів ШІ в біологічній освіті, включно з **iNaturalist і Google Lens** для ідентифікації видів, інструментами біозображення та машинного навчання, допоміжними технологіями та предиктивним моделюванням студентів у групі ризику — поряд із викликами генеративного ШІ щодо доброчесності, конструкції оцінювання, дезінформації та критичного мислення.

**Скільки оцінки фактично виставлено.** Зважування кожної оцінюваної категорії сил abusів 38 основних курсів одного факультету за вразливістю, оціненою викладачами, поставило 33% балів курсу під високий ризик і 81% принаймні частково під ризиком — 41% і 100% онлайн — з лише іспитами під особистим прокторингом, оціненими як мінімально вразливими ([[biology-degree-integrity-genai-cheating-2026|Chan et al., 2026]]).

### Пов’язання зі спорідненими поняттями

Освіта з біології лежить у ширшому домені [[stem-education]] і розділяє занепокоєння щодо лабораторної практики та спеціалізованої термінології з [[chemistry-education]] і [[physics-education]]. Характерні пов’язання: з [[critical-thinking]] через наголос ери ШІ на скептицизмі та нагляді; з [[ai-literacy]] через вбудовування концепцій ШІ в курси біології; з [[human-ai-collaboration]] через віртуальних лабораторних асистентів і навчання на основі викликів; з [[academic-integrity]] і [[ethics]] через генеративне [[ai-misuse-learning-harm|AI misuse]] і політику; і з [[assessment]] через опосередковане ШІ оцінювання. Поняття [[higher-ed]] і [[k-12]] охоплюють рівні, на яких відбуваються біологічні дослідження ШІ, а [[intelligent-tutoring]] і [[simulation]] пов’язані з допомогою ШІ лабораторним заняттям і викладанню.

## Наслідки для викладачів біології

- **Утримуйте людську «мережу безпеки» навколо лабораторних асистентів ШІ.** [[chatgpt-virtual-lab-teaching-assistant-biology-2026|Doğru & Faulconer]] знаходять людських асистентів точнішими й ефективнішими за ChatGPT, проте студенти віддавали перевагу ШІ 40% часу і виявляли вихід ШІ лише 45% — перевіряйте й анотуйте лабораторну інформацію ШІ, і ніколи не покладайтеся на неї немодеровано для вмісту, критичного з точки зору безпеки.
- **Вбудовуйте ШІ-грамотність у курикулум біології, а не як додаток.** [[zha-ai-literacy-biology-case-study|Zha et al.]] показують, що біологічний контекст підтримує навчання ШІ; інтегруйте концепції ML/нейронних мереж у курсову роботу там, де вони виникають природно.
- **Свідомо культивуйте критичне мислення в еру ШІ.** [[critical-thinking-biological-sciences-ai-2025|Papaneophytou & Nicolaou]] стверджують, що скептицизм, контекстуальне розуміння та етичне міркування мають викладатися явно, з людським наглядом для валідації виходів ШІ та запобігання упередженості.
- **Викладайте відповідальне використання поряд з навчанням на основі викликів.** [[chatgpt-math-biology-challenge-based-learning-2025|CBL studies]] знаходять, що студенти цінують негайність, але хвилюються про достовірність і ерозію навичок — оновлюйте кодекси академічної доброчесності та етику використання ШІ паралельно з впровадженням.
- **Оглядайте ландшафт спеціалізованих інструментів.** [[beyond-chatgpt-ai-tools-biological-education-2026|Cotton & Cotton]] маплять інструменти (iNaturalist, Google Lens, біозображення, предикцію ризику), які викладачі можуть розгортати для польових робіт, ідентифікації видів і підтримки студентів — обирайте цілеспрямовані інструменти над загальними чатботами там, де вони пасують.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[biology-degree-integrity-genai-cheating-2026]] — Чи можуть студенти обманути свій шлях до ступеня з біології? Аналіз випадку вразливості оцінок з курсів біології до академічної недоброчесності в еру генеративного ШІ
- [[chatgpt-virtual-lab-teaching-assistant-biology-2026]] — ChatGPT як віртуальний лабораторний асистент викладання
- [[beyond-chatgpt-ai-tools-biological-education-2026]] — Огляд інструментів ШІ в біологічній освіті
- [[critical-thinking-biological-sciences-ai-2025]] — Критичне мислення в біологічних науках і ШІ
- [[chatgpt-math-biology-challenge-based-learning-2025]] — ChatGPT у курсах біології/математики на основі викликів
- [[zha-ai-literacy-biology-case-study]] — Навчання ШІ-грамотності на занятті з біології
- [[genai-socratic-tutor-biology-argumentation-2026]] — Підвищення навичок аргументації, узгоджених з PISA, у майбутніх викладачів біології через генеративний штучний інтелект

---

## [Освіта з комп’ютерних наук (CS Education)](https://edtechdev.github.io/aied/concepts/cs-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта з комп’ютерних наук (CS Education)** — освіта з [[science-education|інформатики]] є найбільш дослідженою підгалуззю STEM у цій базі знань, що є результатом природного узгодження між інструментами ШІ та завданнями з програмування. Генерація коду, допомога в налагодженні та автоматизований огляд коду — ось її основні застосування ШІ. Оскільки студенти вчаться будувати ті самі інструменти, якими користуються, освіта з комп’ютерних наук перебуває в центрі дебатів про ШІ-грамотність, перепроєктування навчальних програм, агентну розробку програмного забезпечення та межу між справжнім навчанням і [[cognitive-offloading|надмірною залежністю]].

## Питання для роздумів

- Якщо ШІ вже може писати код, що проходить справжні іспити з програмування, чому студентам усе щі варто вчитися робити вручну — і чому варто припинити вчити в навчальній програмі?
- [[research-methods-aied|Дослідження]] виявило, що вища довіра до асистента ШІ для програмування передбачала ГІРШУ здатність відрізняти правильні підказки від оманливих. Чим довіра відрізняється від доцільної залежності, і як би ви навчали останньої?
- У спільному програмуванні студентів із ШІ майже 80% взаємодій покладалися на стратегії, що не ведуть до навчання, як-от перекладання відповідальності за відповіді, і лише приблизно 1 з 9 демонструвала глибоку епістемічну [[student-engagement|залученість]]. Чому справжнє навчання рідко відбувається саме по собі, коли доступний ШІ?
- [[learning-by-teaching]], який був надто компетентним, підривав практику студентів із налагодження. Чи зробили б ви свідомо тьютора ШІ таким, що помиляється, — і як саме?
- Оскільки ШІ автоматизує реалізацію, навчальні програми зміщуються від написання коду до перевірки й керування згенерованими ШІ артефактами. Яких нових компетентностей це вимагає і що може бути втрачено в цьому зсуві?
- Студенти будують ті самі інструменти, якими користуються. Як об’єднання ролей творця та користувача ШІ змінює те, що їм варто знати про його межі — і про його етику?

## Вступ

### ШІ в освіті з комп’ютерних наук

- **Генерація та доповнення коду:** [[code-review-genai-cs1|огляд коду в CS1]], [[dura-llm-cs2|DURA для CS2]] та [[prompt-problems-nl-programming-mistakes|помилки в програмуванні природною мовою]] досліджують, як студенти використовують ШІ для генерації коду і чого вчаться з цього.
- **Розмовні агенти для початківців ([[meta-analysis-systematic-review|систематичний огляд]]):** [[conversational-agents-novice-programmers-scoping-2025|Barzanji & Loitsch (2025)]] картографують 23 дослідження (2019 – червень 2024) про [[conversational-ai|розмовних агентів]] для програмістів-початківців, документуючи зсув від чат-ботів на основі правил до агентів на основі [[llm]] і [[rag]] (причому [[rag|генерація з посиленням через пошук]] знижує [[hallucination-risk|галюцинації]]) та персоналізованої підтримки навчання (наприклад, InfoBot, ProbSol-Bot, Lint Bot, Profe Alex). Прикметно, лише 4 з 23 досліджень обґрунтовують дизайн [[learning-theories|теорією навчання]], а 17 із 23 прототипів є винятково англомовними, хоч більшість досліджень походить з неангломовних країн, — що вказує на слабке [[pedagogy|педагогічне]] обґрунтування й розрив в інклюзивності майбутнього дизайну розмовних агентів у вступному програмуванні.
- **Підтримка налагодження:** [[debugtracker-classroom-debugging|інструменти налагодження]], [[chat-debugging-human-ai-collaboration-circuits|співпраця людини та ШІ в налагодженні]] та [[golrang-propact-pair-programming-2026|моделювання діадичного парного програмування]] використовують ШІ для виявлення й усунення помилок.
- **Автоматизоване оцінювання:** [[automated-grading-linux-bash-examinations-large-language-models|оцінювання в Linux Bash]], [[llm-automated-grading-programming-comparison-2026|масштабне порівняння оцінювання 18 моделями]] та [[llm-intervention-design-cs-review|огляд інтервенцій із великими мовними моделями]] оцінюють автоматизоване оцінювання коду. Безпека цього робочого процесу — окреме питання: [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] провів ред-тимінг звичайного завдання з оцінювання ШІ і виявив, що інструкції, приховані в надісланому файлі, підвищували оцінку незадовільного есе без видимого попередження в 9 із 9 ітерацій для однієї стратегії та в 17 із 18 для іншої, — доказ того, що стійкість оцінювача належить до контрольного списку [[assessment-validity]] поряд із точністю.
- **Однієї речення в підказці оцінювача може вистачити, щоб зламати велику мовну модель, а донавчання це відновлює.** [[llm-graders-computer-science-exams-2026|Habibullah et al. (2026)]] оцінювали практичний іспит із комп’ютерного зору (570 студентів із подвійним оцінюванням) у 171 конфігурації та іспит із машинного навчання (1 038 студентів) іще в 162: коротка вступна частина про «строгого оцінювача» вивела 14 із 17 моделей із відкритими вагами за межі оцінюваного діапазону (MAE ≥ 8), причому три припинили оцінювання взагалі, а шкідливий вплив було простежено до двох речень політики утримання балів, напрям яких не переносився на другий іспит (сім моделей покращилися). Один LoRA-адаптер на приблизно 3 900 об’єднаних оцінених прикладах довів п’ять малих відкритих моделей до паритету з оцінювачем-людиною.
- **Згенеровані ШІ навчальні медіа:** [[ai-generated-traces-novice-programmers|згенеровані анімовані трасування]] показують, що візуалізації, згенеровані ШІ, можуть сприяти негайному навчанню, але мусять бути персоналізованими — студенти в середині навчання відчували зниження успішності, узгоджене з ефектом зворотного експертизи.
- **Критика аналогій генеративного ШІ як навчальний ресурс:** [[student-reception-genai-analogies-computing-2026|Bernstein & Sibia (2026)]] обґрунтовують сприйняття аналогій генеративного ШІ матеріалом CS2: десять студентів, які вже завершили CS2, аудитували згенеровані генеративним ШІ аналогії для зв’язаних списків і рекурсії та відхиляли відображення, що не витримували структурної відповідності, — аналогію островів і маршрутів, яка відображала коло, а не однозв’язний список, чи бадмінтонний ралій, запропонований для рекурсії попри відсутність гарантованого скорочування вхідних даних, причому один студент запропонував замість нього гольф. Робота стверджує, що критика аналогій сама по собі є перевіркою розуміння понять, що робить дефектні аналогії ШІ придатним навчальним ресурсом, а не загрозою, яку треба відфільтровувати, і рекомендує призначати їх як об’єкти для розгляду й ремонту.
- **Моделювання [[misconceptions|хибних уявлень]]:** [[student-misconceptions-conditionals-loops-taxonomy|таксономія хибних уявлень щодо умов і циклів]] дає автоматизованим системам точний словник для діагностики помилок початківців.
- **Згенеровані моделями стратегічні хибні уявлення:** [[milicevic-socratic-trap-strategic-misconceptions-2026|Miličević et al. (2026)]] побудували SocraticTrap-CS навколо 35 понять із навчальної програми ACM/IEEE CS2023 — алгоритмів, мов програмування, баз даних, мереж і операційних систем — і попросили сім моделей із відкритими вагами дати плавне авторитетне пояснення, що спирається на тонку помилку. Шість із семи породили підтверджене експертами стратегічне хибне уявлення для 91% або більше затребуваних понять (221 з 241 сегмента, 91.7%), без значних відмінностей між доменами комп’ютерних наук; домінували концептуальні помилки (66.5% концептуальних проти 33.5% фактичних, і жодної суто логічної), а переконливість і тип помилки різнилися за доменом. Тому автори рекомендують чутливі до домену контрзаходи — перевірки, зорієнтовані на міркування, у курсах із великою часткою програмування, перехресне порівняння зі специфікаціями протоколів у мережах — та оцінювання [[automated-question-generation]] і написаних ШІ пояснень за педагогічною [[trust|достовірністю]], а не лише за правильністю.
- **Успішність у [[authentic-assessment]]:** [[genai-oop-programming-assessments-2026|Lepp & Kaimre (2026)]] показують, що системи [[generative-ai|генеративного ШІ]] 2026 року перевершують середній когортний результат студентів за автентичним вступним [[assessment|оцінюванням об’єктно-орієнтованого програмування]] і часто отримують повний бал за довші завдання з програмування, проте досі мають труднощі з інтерфейсами, абстрактними класами, успадкуванням і завданнями на основі зображень — повторювані патерни помилок, які викладачі можуть використати під час конструювання оцінювання. Поздовжнє дослідження CS1 підсилює сторону можливостей цього висновку: [[student-llm-code-detection-cs1-2026|Ye et al. (2026)]] виміряли передові моделі на рівні 98.93–99.99% за лабораторними роботами проти 76.37–88.03% для робіт студентів.
- **Прогностичне моделювання для підтримки студентів із ризиком:** [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries & Koprinska (2025)]] показують, що інтерпретовані за своєю природою дерева рішень, натреновані на ознаках журналів взаємодії з контентом, точно передбачають прогрес на рівні модулів у масштабних онлайн-курсах програмування (85–91% точності на чотирьох K-12 курсах) і виявляють результати відпадання типу «немає здачі», даючи викладачам вікно в 7–8 днів, щоб [[teacher-role|втрутитися]] на підтримку студентів, які мають труднощі, і тих, хто втратив [[learners]], до дедлайнів модулів, — доповнюючи наведену вище роботу з автоматизованого оцінювання та передбачення відпадання.
- **Підтримка через пошук для теоретичної інформатики пасує лише асинхронному навчанню.** AlgoRAG відповів на всі 179 складених викладачами іспитних питань у межах 240-секундного тайм-ауту з середніми 38.0 секундами кожне, а його BLEU-4, рівний 0.0000 по всьому набору, є властивістю зіставлення n-грам на математичних доказах, а не відмовою системи ([[algorag-rag-theoretical-cs-education-2026|Adhikari (2026)]]).
- **Ухвалення відстежує завдання, а не підгалузь.** На семи завданнях із 211 студентами [[student-llm-use-cs-subfields-2026|Nizamani et al. (2026)]] виміряли використання великих мовних моделей від 89.6% в алгоритмах до 15.2% в розробці програмного забезпечення, пов’язуючи розкид із складністю завдання, можливістю перевірки та скаффолдингом, а не з самим предметом.
- **Зворотний зв’язок може бути поетапним, щоб діагноз залишався прихованим.** [[educator-guided-llm-pedagogical-agent-2026|Riazi & Rooshenas (2026)]] відокремлюють обґрунтований артефактом діагноз схеми бази даних студента від робочого процесу, який його розкриває, причому етапи створюють викладачі; на 383 епізодах 71.1% зворотного зв’язку досягли цільового рівня.

### Педагогіка програмування: від блоків до втіленого та ігрового навчання

Освіта з програмування охоплює від вступного блокового програмування до передової розробки програмного забезпечення і дедалі частіше грунтує абстрактний код у конкретних, спостережуваних результатах.

- **Блокове візуальне програмування:** середовища на кшталт Scratch і Blockly дозволяють початківцям збирати графічні блоки замість набору тексту, усуваючи синтаксичні помилки й роблячи структуру програми видимою, — що особливо цінно для молодших здобувачів і для керування [[educational-robotics|освітніми роботами]]. В епоху ШІ їх дедалі частіше поєднують із розмовними агентами ШІ (наприклад, [[microbit-robotics-machine-learning-teacher-training-2026|Micro:bit + MakeCode в підготовці викладачів]], [[cstutorbench-slm-tutors|тьютори на малих мовних моделях]]).
- **[[embodied-learning|Втілене]] блокове програмування:** [[roboblockly-conversational-block-robotics-ct-2026|RoboBlockly Studio]] поєднує блокове програмування з розмовним агентом-викладачем і втіленим виконанням на роботі, створюючи ітеративний цикл авторства–запуску–спостереження–ревізії, що зберігає [[agency]] здобувача.
- **Керування роботами природною мовою:** [[edusim-llm-robotic-simulation-education-2026|EduSim-LLM]] дозволяє початківцям керувати змодельованими роботами через інструкції природною мовою, знижуючи бар’єр до програмування роботів без вимоги до експертизи в низькорівневому коді.
- **Робототехніка та обчислювальне мислення:** [[computational-thinking-educational-robotics-secondary-2026|Valls i Pou]] пов’язує обчислювальне мислення з освітньою робототехнікою в навчальних програмах середньої освіти STEAM, а [[microbit-robotics-machine-learning-teacher-training-2026|дослідження підготовки викладачів]] стверджує, що завдання з робототехніки та машинного навчання варто вбудовувати в [[teacher-education]].
- **Ігрове та геміфіковане навчання:** [[game-based-gamified-robotics-education-review-2026|систематичний огляд]] порівнює ігрове навчання (придатне для неформальних умов) і геміфікацію (придатну для формальних аудиторій) в освіті з робототехніки, яка акцентує вступне програмування й модульні набори.
- **Проєктна робототехніка:** [[bots-blocks-project-based-robotics-education-2026|Bots and Blocks]] навчає програмуванню роботів через гнучкий [[project-based-learning|проєкт]] на семестр, закриваючи розрив між теорією та практикою у вищій освіті.
- **Вплив великих мовних моделей на [[learning-gains|навчальні результати]]:** [[jost-llm-programming-education-learning-outcomes|Jošt et al. (2024)]] та [[genai-meta-analysis-programming-learning|мета-аналіз генеративного ШІ та навчання програмуванню]] досліджують, чи допомагають інструменти з підтримкою ШІ досягненням у програмуванні, чи підривають їх.

### Трансформація навчальних програм в епоху ШІ

Питання «чому студентам усе щі варто вчитися робити вручну?» нині перебудовує обчислювальні програми.

- **Від реалізації до перевірки:** [[reshaping-cs-education-genai|Reshaping Undergraduate CS Education]] стверджує, що оскільки генеративний ШІ автоматизує програмування, налагодження й тестування на рівні реалізації, навчальні програми мусять зміститися до *розуміння та перевірки згенерованих ШІ артефактів*, зберігаючи проєктування систем, абстрагування та [[critical-thinking|критичне оцінювання]] й знижуючи акцент на деталях низькорівневої реалізації. Це узгоджується з рамками [[ai-literacy]], які цінують оцінювання понад генерацію.
- **Агентна розробка програмного забезпечення як дисципліна:** [[ase-26-agentic-software-engineering-curriculum|ASE-26]] формалізує керування агентами, а не написання коду, — навчаючи перевірності, контекстній інженерії, верифікації, робочим процесам із кількома агентами та AgentOps — і позиціонує компетентність у [[agentic-ai|агентному ШІ]] як структуровану навчальну програму зі скаффолдингом, а не як опанування синтаксисом.
- **Від виробництва до судження: борг розуміння та AASEE.** [[judgment-centred-software-engineering-education-2026|Mahmoud (2026)]] стверджує, що галузь має зміститися від моделі, зосередженої на виробництві, до моделі, зосередженої на судженні, і поширює борг розуміння — відкладені витрати на навчання та супровід, коли виробництво з допомогою ШІ випереджує здатність здобувача пояснити, протестувати, змінити та обґрунтувати програмне забезпечення, — на оптику [[assessment]], грунтуючись на 621 рефлексивному щоденнику від 207 студентів. Огляд уточнює рамку AASEE до п’яти нелінійних рівнів інтеграції, перетинутих чотирма зобов’язаннями доказовості — пояснити, перевірити, змінити та відзвітувати — і повідомляє про умовну доказову базу: STEM-[[meta-analysis-systematic-review|мета-аналіз]] із крайньою гетерогенністю (I² = 96.32%) втрачає об’єднану вигоду, щойно виправляється упередженість публікації, а синтези 76, 72 і 64 досліджень показують короткострокові прирости ефективності, які не [[transfer-of-learning|переносяться]] на успішність без допомоги.
- **Нові педагогіки та моделі оцінювання:** [[test-driven-ai-assisted-learning|Test-Driven AI-Assisted Learning]] замінює лекції [[self-directed-learning|самостійним]] навчанням з підтримкою ШІ, притримуваним щотижневими тестами без зошитів, зберігаючи індивідуальну відповідальність, тоді як агенти ШІ масштабують виробництво матеріалу та оцінювання під [[human-in-the-loop-ai|наглядом людини]].
- **Навчіть механіки моделі офлайн.** Набір ресурсів для практиків навчає всього конвеєра навчання→генерації великих мовних моделей без підключення — таблиць n-грам, порахованих вручну, і вибірки на кубиках, без припущення програмування чи математики — і повідомляє про проведення для приблизно 400 учасників, причому залученість починалася лише на етапі генерації ([[llms-unplugged-teaching-resources-2026|Swift (2026)]]).
- **Що передбачає успіх у [[vibe-coding]] — і чому варто й надалі вчити:** [[vibe-coding-writing-cs-achievement-2026|попередньо зареєстроване дослідження CHI 2026 (N=100)]] чистого «безкодового» vibe-coding виявило, що й досягнення з інформатики (r = .39), і вмінність письмової комунікації (r = .29) незалежно передбачали успішність, причому досягнення з інформатики залишалися значущими навіть після контролю за домен-загальною когнітивною здатністю й давали приблизно вдвічі більше унікальної дисперсії, ніж вміння письма. Оскільки середовище приховувало згенерований код, знання з інформатики могли допомагати лише побічно (декомпозиція задач, алгоритмічне мислення), — що робить оцінку для інформатики *нижньою межею* для робочих процесів із підтримкою ШІ, які також дозволяють редагування. Автори стверджують, що навчальні програми мусять зважати на письмову комунікацію поряд із основами інформатики, а не трактувати vibe coding як опанування синтаксисом, що застаріло.

### ШІ-грамотність, агенція та ризик надмірної залежності

Оскільки програмування — це місце, де підтримка ШІ найпотужніша, саме там найвидиміші й його режими відмов.

- **Довіра ≠ доцільна залежність:** [[trust-reliance-ai-education-2026|Trust and reliance on AI (Pitts et al.)]] виявляють, що вища довіра до асистента ШІ передбачала *гірше* розрізнення між правильними та оманливими підказками під час [[problem-solving]] мовою Python, — із модерацією за [[ai-literacy]] та потребою в пізнанні. Мета — калібровка, а не упевненість.
- **Епістемічна ШІ-грамотність:** [[constructing-epistemic-ai-literacy-student-ai-co-programming|Wu (2026)]] показує, що в спільному програмуванні студентів із ШІ 78.8% взаємодій покладалися на цілі, не зорієнтовані на опанування, та ненадійні стратегії (перекладання відповідальності, пошук підтвердження), і лише 11.1% демонстрували високу епістемічну залученість, — справжнє навчання рідко виникає без свідомої підтримки дизайну.
- **Запити до ШІ вузькі й зорієнтовані на генерацію.** Класифікуючи 830 підказок з CS2 за таксономією Грассера, [[student-ai-inquiry-types-cs2-2026|Amoozadeh and Alipour (2026)]] виявили, що твердження, перевірка та інструментальні підказки домінували в обох сесіях, і що студенти першого покоління ставили менше питань і спиралися на перевірку, тоді як однокурсники, які продовжували генерацію, використовували ШІ як активного партнера в розв’язуванні задач.
- **Структурні інтервенції проти залежності від копіювання-вставлення:** [[soft-barriers-copying-ai-programming-2026|Soft barriers for copying in AI-assisted programming]] оцінюють легкі дизайн-інтервенції (наприклад, механізми, які відмовляють від сліпого копіювання-вставлення результатів ШІ) і виявляють, що вони можуть знизити надмірну залежність, не блокуючи допомоги ШІ, — доказ того, що ризик [[cognitive-offloading|надмірної залежності]] в освіті з комп’ютерних наук піддається виправленню засобами дизайну навчання, а не лише освітою здобувачів чи заборонами.
- **Навчальні агенти та продуктивна практика:** [[chatgpt-teachable-agent-programming-lbt-2024|Learning-by-teaching with ChatGPT]] покращила прирости знань і якість коду, але підірвала практику виправлення помилок, оскільки агент надто компетентний, — урок дизайну: робіть агентів *свідомо такими, що помиляються*, щоб зберегти налагодження.
- **Управління допомогою:** [[llm-programming-support-governance-cs-education|систематичний огляд 90 систем]] вводить **рамку PEA** (політика, забезпечення, авторитет) для обмеження та контролю допомоги великих мовних моделей — порівняльний словник для конструювання [[scaffolding]], який обмежує надмірну залежність.
- **Відповідність управління, а не його строгість.** [[instructional-governance-design-computing-education-2026|Dickey (2026)]] пропонує шестивимірний профіль управління — педагогічне обґрунтування, навчальна авторитетність ШІ, людська відповідальність, агенція здобувача, межі контексту й видимість оцінювання — і показує на семи внутрішніх інструментах і чотирьох опублікованих системах програмування, що одна й та сама модель може розподіляти авторитет і відповідальність дуже по-різному; відповідальний масштаб передбачає *відповідність* управління навчальній функції, а не строгість інструмента.
- **Поведінковий контекст для адаптивного тьюторінгу ШІ:** [[tutortrace-learner-behavioral-states-2026|Barron et al. (2026)]] представляють **TutorTrace** — набір даних і конвеєр, який робить поведінковий контекст здобувачів обчислюваним у реальному часі на основі телеметрії IDE в курсах Python з підтримкою ШІ (N=480). Він виводить таксономію діяльності до, між і вздовж запитів до ШІ, може класифікувати, чи відображає наступний запит кероване чи залежне [[help-seeking]] (AUROC=.717), і передбачати неминучі запити (AUROC=.726); поведінково обізнані підказки знизили інтервали запитів без самостійної роботи з 50.0% до 20.7% у попередньому оцінюванні. Це показує, як поведінкова телеметрія може зробити [[intelligent-tutoring|тьюторів ШІ для програмування]] адаптивними до фактичних зусиль здобувачів, а не лише до їхніх явних запитів.
- **Двоїстість будівництва того, чим користуєшся:** унікальне положення студентів інформатики створює водночас [[metacognition|метакогнітивну]] обізнаність про межі ШІ та реальний ризик [[cognitive-offloading|Over-Reliance]] на згенерований ШІ код. [[code-review-genai-cs1|Інтерв’ю про огляд коду]] та [[critical-engagement-code-completion|дослідження критичної залученості]] безпосередньо опрацьовують цю напругу.
- **Агентне програмування та розуміння в командному проєктному навчанні:** [[spec-driven-development-ai-agents-sdpbl-2026|Tanaka et al. (2026)]] впровадили розробку на основі специфікацій із [[agentic-ai|агентами ШІ]] в проєктний курс із розробки програмного забезпечення для бакалаврату й виявили, що пропускна здатність реалізації (додані рядки коду) зростала протягом 2022–2025, тоді як інтенсивне використання ШІ збігалося з провалами в розумінні коду, які відновлювалися лише після індивідуальних перевірок викладача, — прямий доказ того, що прирости пропускної здатності не гарантують розуміння і що [[cognitive-offloading|надмірна залежність]] в програмуванні з підтримкою ШІ піддається навчальному моніторингу.

### Справедливість, культура та хто потрапляє в інформатику

- **Розширення участі:** [[suacode-african-students-motivations|SuaCode]] документує мотивації до програмування на смартфонах серед африканських студентів (менш ніж 1% випускників середньої школи мають базові навички програмування), інформуючи доступні MOOCs з підтримкою ШІ для [[equity-in-ai-education|контекстів із обмеженими ресурсами]].
- **Нейровідмінність та співпраця:** [[neurodivergent-computing-students|нейровідмінні студенти інформатики]] повідомляють про дискомфорт від неоднозначних структур співпраці; структуровані завдання, менші сталі команди та явні ролі покращують [[accessibility]], — уроки дизайну для інструментів ШІ, що входять в аудиторії інформатики.
- **Культура формує сприйняту етику:** [[cross-cultural-student-perceptions-genai-computing|канадські й південнокорейські студенти інформатики]] судили тотожні практики програмування з допомогою ШІ по-різному попри функціонально тотожні політики, — гармонізація політик не породжує гармонізації сприйняття, що є проблемою [[academic-integrity]] та [[equity-in-ai-education]].
- **Прозорість співпраці за [[explainable-ai|пояснюваним ШІ]]:** [[student-perception-ai-use-collaboration|Graf et al.]] виявляють, що неналагоджені уявлення партнерів про використання ШІ одне одним передбачають нижчі оцінки проєкту, особливо для менш успішних студентів, — механізми прозорості (розкриття, спільні журнали) можуть бути потрібні в колаборативному програмуванні.

### Етична освіта та робоча сила

- **Розрив між етикою та поведінкою:** [[cost-of-ethics-crisis-cs-ethics-education|the "Cost-of-Ethics Crisis"]] показує, що студенти інформатики, попри сучасну етичну освіту, ставлять оплату, місце розташування та культуру понад [[ethics|етичні]] міркування в пошуках роботи, — критичний розрив у тому, як навчання етиці переноситься на поведінку.
- **Перебудова робочої сили:** [[ai-engineering-computing-workforce-grey-literature-2026|систематичний огляд сірої літератури США]] окреслює «проблему подвійного потягу» — швидкі зміни ШІ, що випереджають [[governance|інституційну]] адаптацію — та наполягає на стійких компетентностях у ШІ, етиці/управлінні та уповноваженнях на основі навичок, узгоджених із новими ролями (наприклад, [[prompt-engineering]], аудит ШІ, [[educational-policy-ai|політика щодо ШІ]]).

### Зв’язки

Освіта з комп’ютерних наук пов’язана з [[computational-thinking]], [[stem-education]], [[automated-assessment|Automated Grading]], [[prompt-engineering]], [[ai-literacy]], [[agentic-ai]], [[curriculum-design]], [[human-ai-collaboration]], [[higher-ed]], [[k-12]] та [[professional-training]]. Її найближчий прикладний сусід — [[information-technology]]: освіта з комп’ютерних наук бере програму та алгоритм як свій об’єкт, тоді як освіта з інформаційних технологій бере розгорнуту організаційну систему й судження про неї практика, — чому ці дві галузі дебатують про різні шкоди ШІ, чи генерація коду руйнує навичку програмування проти чи усунення проблем із ШІ руйнує діагностичну навичку, і ставлять різні питання до своїх випускників, чи можуть вони будувати систему проти чи можуть вони управляти системами, якими адмініструють. Це домен, де інструменти [[ai-education|AIED]] водночас використовуються і будуються, що робить його полігоном для [[intelligent-tutoring]], [[educational-robotics]], [[collaborative-learning]], [[game-based-learning]] та ризиків [[cognitive-offloading|Over-Reliance]].

**Синтез 72 досліджень і рамка VIE.** [[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong (2026)]] переглянули емпіричну літературу про генеративний ШІ в освіті з обчислювальних наук та програмування (січень 2022 – квітень 2026, 72 дослідження, 33 майданчики) і поставили на передній план саме ту структурну особливість, яка робить дисципліну відмінною: ШІ генерує сам оцінюваний артефакт, тому використання інструменту, навчання навичці й оцінювання збігаються в одне натискання клавіші. Їхній синтез 14 тем виявляє, що найбільш відтворений ефект галузі — короткострокові прирости ефективності та завершення (36 досліджень) — є водночас і найбільш оманливим: ці прирости не [[transfer-of-learning|переносяться]] на успішність без допомоги (21 дослідження), а [[prior-knowledge|попередні знання]] модерують, чи стає допомога стійкою навичкою, чи милицею. Дослідження [[ai-detection|виявлення]] нечисленні (3 дослідження), тоді як перепроєктування курсів порівняно добре підтверджене (25 досліджень), а огляд консолідує корпус у три взаємозалежні вимоги дизайну — перевірка, реалізація та справедливість, — де критична залученість із результатами ШІ мусить бути оцінюваним, спостережуваним компонентом роботи студента, а не прагненням, залишеним на розсуд студента ([[scaffolding]], [[assessment-validity]]).

## Висновки для викладачів інформатики

- **Конструюйте оцінювання, які ШІ не може пройти на автопілоті.** Використовуйте повторювані патерни відмов генеративного ШІ (інтерфейси, абстрактні класи, успадкування, завдання на основі зображень) замість прямої заборони інструментів, — [[genai-oop-programming-assessments-2026|системи генеративного ШІ досі мають там труднощі]].
- **Автоматизовано оцінювані домашні завдання не дали жодного опору завершенню.** [[chatgpt-qiskit-homework-autogradable-2026|Kaltchenko & Tiwana (2026)]] провели 50 сесій ChatGPT на кожне завдання з Qiskit, і всі 150 артефактів виконувалися й проходили оцінювач, оскільки персоналізація змінювала параметри, а не структуру завдання; ліки — безпосереднє оцінювання розуміння — контрольована модифікація або усний захист.
- **Калібруйте довіру, а не лише будуйте її.** [[trust-reliance-ai-education-2026|Дослідження довіри та залежності]] показує, що вища довіра передбачала *гірше* розрізнення оманливих підказок ШІ; навчайте верифікації та критичному оцінюванню, із модерацією за ШІ-грамотністю та потребою в пізнанні.
- **Зберігайте налагодження та [[desirable-difficulties|продуктивну боротьбу]] живими.** Обирайте інструменти чи свідомо такими, що помиляються, агенти ([[chatgpt-teachable-agent-programming-lbt-2024|навчання через навчання]]), які зберігають практику виправлення помилок, і персоналізуйте згенеровані ШІ медіа, щоб уникнути ефектів зворотного експертизи ([[ai-generated-traces-novice-programmers|зворотний експертизи]]).
- **Керуйте допомогою ШІ явно.** Визначте політику, забезпечення та авторитет для підтримки великих мовних моделей ([[llm-programming-support-governance-cs-education|PEA]]), а не залишайте межі неявними.
- **Зміщуйте навчальні програми до перевірки та керування агентами.** Оскільки генеративний ШІ автоматизує реалізацію, навчіть розумінню/перевірці артефактів ШІ ([[reshaping-cs-education-genai|перебудові навчальних програм]]) та структурованим навичкам агентної розробки програмного забезпечення ([[ase-26-agentic-software-engineering-curriculum|ASE-26]]).
- **Структуруйте співпрацю для всіх здобувачів.** Менші сталі команди, явні ролі та прозорість використання ШІ підтримують [[neurodiversity|нейровідмінних]] студентів і справедливу співпрацю, особливо там, де неналагоджені уявлення про використання ШІ знижують оцінки проєктів.
- **Адаптивні до великих мовних моделей пояснення помилок програмування (2026):** дослідження на основі краудсорсингу (N=103) виявило, що переписані великими мовними моделями повідомлення про помилки покращують читабельність, але об’єктивна успішність налагодження залежить від узгодження стилю пояснення (прагматичний чи обумовлений) із навичкою програміста, — увага щодо скаффолдингу для освіти з програмування з підтримкою ШІ ([[llm-adaptive-programming-error-explanations-2026]]).

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[kumar-genai-computing-education-systematic-review-2026]] — Systematic review of 72 studies: efficiency gains that do not transfer, and the VIE framework
- [[vibe-coding-writing-cs-achievement-2026]] — CS achievement and writing skills predict vibe-coding proficiency (CHI 2026)
- [[tutortrace-learner-behavioral-states-2026]]
- [[mechanical-engineering-ai-curriculum-2026]] — Project-Based AI Education Curriculum in Thermal Engineering
- [[code-review-genai-cs1]] — огляд коду в CS1 для згенерованого ШІ коду
- [[dura-llm-cs2]] — DURA: асистенти на великих мовних моделях для CS2
- [[reshaping-cs-education-genai]] — перебудова навчальних програм бакалаврату з інформатики для генеративного ШІ
- [[ase-26-agentic-software-engineering-curriculum]] — навчальна програма агентної розробки програмного забезпечення ASE-26
- [[test-driven-ai-assisted-learning]] — Test-Driven AI-Assisted Learning
- [[genai-oop-programming-assessments-2026]] — успішність генеративного ШІ в автентичному вступному оцінюванні об’єктно-орієнтованого програмування (Lepp & Kaimre 2026)
- [[trust-reliance-ai-education-2026]] — довіра проти доцільної залежності під час розв’язування задач мовою Python
- [[constructing-epistemic-ai-literacy-student-ai-co-programming]] — епістемічна ШІ-грамотність у спільному програмуванні студентів із ШІ
- [[chatgpt-teachable-agent-programming-lbt-2024]] — навчання через навчання з ChatGPT
- [[llm-programming-support-governance-cs-education]] — рамка PEA для обмеження допомоги великих мовних моделей
- [[conversational-agents-novice-programmers-scoping-2025]] — систематичний огляд розмовних агентів для програмістів-початківців
- [[debugtracker-classroom-debugging]] — DebugTracker для налагодження в аудиторії
- [[llm-automated-grading-programming-comparison-2026]] — порівняння автоматизованого оцінювання 18 моделями
- [[ai-generated-traces-novice-programmers]] — згенеровані ШІ анімовані трасування
- [[student-misconceptions-conditionals-loops-taxonomy]] — таксономія хибних уявлень щодо умов і циклів
- [[jost-llm-programming-education-learning-outcomes]] — вплив великих мовних моделей на навчальні результати з програмування (Jošt et al.)
- [[genai-meta-analysis-programming-learning]] — мета-аналіз генеративного ШІ та навчання програмуванню
- [[golrang-propact-pair-programming-2026]] — моделювання діадичного парного програмування
- [[critical-engagement-code-completion]] — критична залученість із доповненням коду
- [[suacode-african-students-motivations]] — програмування на смартфонах SuaCode в Африці
- [[cross-cultural-student-perceptions-genai-computing]] — міжкультурні сприйняття програмування з допомогою ШІ
- [[neurodivergent-computing-students]] — нейровідмінні студенти інформатики
- [[microbit-robotics-machine-learning-teacher-training-2026]] — Micro:bit + машинне навчання в підготовці викладачів
- [[computational-thinking-educational-robotics-secondary-2026]] — обчислювальне мислення та освітня робототехніка
- [[roboblockly-conversational-block-robotics-ct-2026]] — втілене блокове програмування RoboBlockly
- [[edusim-llm-robotic-simulation-education-2026]] — керування роботами природною мовою в EduSim-LLM
- [[llm-computational-thinking-physics-2026]] — підтримка обчислювального мислення великими мовними моделями у фізиці
- [[studychat-student-dialogues-chatgpt-ai-course-2026]] — набір даних StudyChat із діалогів студентів із великими мовними моделями в курсі зі ШІ
- [[student-ai-inquiry-types-cs2-2026]] — Analysis of Types of Inquiries in Student-AI Interaction
- [[chatgpt-qiskit-homework-autogradable-2026]] — ChatGPT розв’язує домашні завдання з Qiskit; автоматизовано оцінюваний дизайн
- [[llm-adaptive-programming-error-explanations-2026]] — адаптивні до великих мовних моделей пояснення помилок програмування
- [[soft-barriers-copying-ai-programming-2026]] — опір копіюванню-вставленню в програмуванні з підтримкою ШІ
- [[zhang-ml-student-progress-programming-2026]]
- [[spec-driven-development-ai-agents-sdpbl-2026]] - розробка на основі специфікацій із агентами ШІ в проєктному курсі з розробки ПЗ; пропускна здатність проти розуміння
- [[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: benchmarking models' capacity to generate strategic misconceptions across the CS curriculum
- [[humble-prompt-injection-ai-grading-red-team-2026]] — ред-тимінг ін’єкції підказок в оцінюванні з опосередкуванням ШІ: приховані інструкції, що непомітно зсувають оцінку
- [[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]] — ухвалення великих мовних моделей коливалося від 89.6% в алгоритмах до 15.2% у розробці програмного забезпечення на 211 студентах, відстежуючи завдання, а не підгалузь
- [[educator-guided-llm-pedagogical-agent-2026]] — створений викладачами поетапний зворотний зв’язок для концептуального конструювання баз даних: прихований діагноз, контрольоване розкриття, 71.1% цільового рівня на 383 епізодах

---

## [Інженерна освіта](https://edtechdev.github.io/aied/concepts/engineering-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Інженерна освіта** — вивчення того, як студенти навчаються інженерії та як викладати її ефективно, охоплюючи те, як ШІ перетворює інженерну педагогіку, оцінювання, розвиток викладацького складу та інженерну робочу силу. Статті про інженерну освіту в цій базі знань групуються навколо кількох тем: [[engineering-faculty-metaphors-ai-understanding-2026|figurative language]], якої викладачі використовують, щоб осмислити ШІ, [[ethical-use-ai-engineering-education-review-2026|ethical governance]] використанням ШІ, [[multimodal-embodied-cognition-oral-explanations-2026|embodied and multimodal assessment]] концептуального розуміння, а також того, як ШІ перебудовує [[ai-engineering-computing-workforce-grey-literature-2026|engineering and computing workforce]].

## Питання для роздумів

- Інженерія — професія, де рішення випускників впливають на громадську безпеку та інфраструктуру. Якщо студенти покладаються на ШІ для виконання проєктувальної роботи та [[problem-solving]], що стоїть на ставку такого, що не мало б значення в чисто академічному предметі?
- Викладачі інженерії в одній кафедрі часто мають принципово різні ментальні моделі ШІ — одні бачать його як соціального «агента», інші як технічний «інструмент». Як ці розбіжні кадрування можуть змінювати те, чому студенти вчаться робити зі ШІ, залежно від того, який викладач їх трапляється?
- Практичні лабораторні заняття та [[embodied-learning|embodied learning]] давно визначали інженерну освіту. Якщо ШІ може симулювати чи навіть автоматизувати проєктувальні завдання, чи практичний досвід усе ще має значення — чи щось справді втрачається, коли практика стає симульованою?
- Один напрям досліджень оцінює інженерне розуміння шляхом відстеження жестів студентів поряд із їхнім мовленням, виявляючи, що щільна пов’язаність жесту та мовлення сигналізує про узгоджене концептуальне розуміння. Що руки студента могли б розкрити про розуміння такого, що могли б приховати самі лише його слова?
- Дослідження виявляють, що етичні настанови щодо ШІ в інженерії є переважно орієнтованими на студентів і на дотримання, зі слабкою двосторонньою підзвітністю викладачів та установ. Чиєю відповідальністю має бути безпечне використання ШІ в інженерії насправді?

## Вступ

Дослідження інженерної освіти є відмітним, оскільки сидить на перетині професійного становлення та суворого STEM-змісту. Воно наголошує на [[design-thinking|design]], розв’язуванні задач, практичному та лабораторному навчанні, командній роботі та підготовці випускників до професійної практики. Проєктування — це також земля, яку воно ділить із [[design-education]], і ці дві області ділять її за тим, що можна перевірити: оцінюваний об’єкт інженерії допускає обчислювані артефакти та несе підзвітність за громадську безпеку, тоді як об’єкт освіти з проєктування — це студійний процес за артефактом — ескіз, ітерація, критика, — тобто ті самі докази, які генеративні інструменти можуть тепер створювати без процесу, що їх колись породжував. ШІ піднімає тут відмітні питання: чи практичний і втілений досвід усе ще має значення, коли ШІ може симулювати чи автоматизувати проєктувальні завдання; професійні та етичні ставки використання ШІ (рішення інженерів впливають на громадську безпеку, інфраструктуру та [[sustainability]]); і те, як ШІ перебудовує компетентності, потрібні випускникам, та робочу силу, до якої вони приходять.

## Як ШІ постає в дослідженнях інженерної освіти цієї бази знань

- **Розуміння викладачами та спільна мова:** [[engineering-faculty-metaphors-ai-understanding-2026|Gerhardt et al.]] аналізують метафори, якими викладачі інженерії описують ШІ, виявляючи, що більшість кадрує його або як людського «соціального/агента», або як «технічний інструмент», і що викладачі в межах однієї кафедри часто мають принципово різні ментальні моделі. Оскільки метафори водночас конструюють і обмежують розуміння, вони стверджують, що спільна, точна мова є необхідною для [[educational-development]] та кафедральних обговорень щодо ШІ.
- **Етика та відповідальне використання:** [[ethical-use-ai-engineering-education-review-2026|Osunbunmi et al.]] [[meta-analysis-systematic-review|systematically review]] емпіричні дослідження ШІ в інженерній освіті бакалаврату, виявляючи сім повторюваних форм етичних настанов (прозорість, підзвітність, незалежність/агентність студента, приватність, [[academic-integrity]], справедливість/[[equity-in-ai-education|equity]]/упередженість, благодійність). Вони виявляють, що етичні настанови є переважно орієнтованими на студентів і на дотримання, з нерозвинутою двосторонньою підзвітністю викладачів та установ, — занепокоєння, посилене прямою зацікавленістю інженерії в громадській безпеці та суспільному [[well-being]].
- **Втілене та [[multimodal]] оцінювання:** [[multimodal-embodied-cognition-oral-explanations-2026|Morphew et al.]] розробляють мультимодальну рамку, що інтегрує відстеження жестів на основі комп’ютерного зору з аналізом мовлення за допомогою [[llm]], щоб оцінити концептуальне розуміння статистики студентами-інженерами, показуючи, що жест додає діагностичні докази понад мовлення і що щільна пов’язаність жесту та мовлення сигналізує про узгоджене розуміння.
- **Перетворення робочої сили:** [[ai-engineering-computing-workforce-grey-literature-2026|Fletcher et al.]] оглядають літературу сірого ринку США щодо ШІ та інженерної/обчислювальної робочої сили, кадруючи «проблему подвійного потяга» (швидка зміна проти нагальної політики) та рекомендуючи сталі компетентності щодо ШІ, [[ethics]] та [[governance]], а також засновані на навичках облікові дані для нових ролей.
- **Впровадження студентами та залежність:** [[tam-critical-use-genai-engineering-2026|Nguyen et al.]] розширюють Модель сприйняття технологій поняттям *критичного використання*, щоб змоделювати, як студенти інженерії/інформатики формують наміри використовувати [[generative-ai|GenAI]], і як цей намір передбачає залежність на завданнях розуміння, оцінювання, програмування та інженерних проєктів, — виявляючи помірну, доречну залежність та інтенсивне використання для завдань, пов’язаних із розумінням, але обмежене використання для написання повного оцінювання. [[socio-cognitive-genai-adoption-engineering-2026|Asag & Al Mamun]] інтегрують TAM із [[technology-acceptance-model|UTAUT]], щоб змоделювати впровадження бангладеськими студентами інженерії, пояснюючи 64% дисперсії використання та підкреслюючи значущість для роботи, демонструємість результатів та суб’єктивні норми як ключові драйвери.
- **Стратегія підказок передбачає результативність, а не обсяг використання:** серед 128 студентів інженерії четвертого курсу Ефективність запитів до ШІ та кероване ШІ розв’язування задач були найсильнішими предикторами академічної успішності й залишалися суттєвими після контролю за сукупним GPA ([[isaza-chatgpt-engineering-prompting-2026|Isaza Dominguez et al. (2026)]]).
- **Власні метафори студентів перевищують те, що дають інструменти:** [[ai-engineering-education-balancing-act|Kudina (2026)]] виявила, що 100 студентів інженерії найбільше цінували LLM за підтримку письма, уточнення понять та кодування, проте кадрували їх як «оракула» та «тьютора» — авторитет і персоналізацію, яких ймовнісний генератор текстів не може постачати, «жорстоку оптимістичність», що залежить від навичок перевірки, яких студенти ще лише набувають.
- **Вбудовуйте ШІ в дисципліну, а не поруч із нею:** навчальний план термоінженерії на основі проєктів вплело машинне навчання в наявні термічні теми на вступному, прикладному та просунутому рівнях, а не додаючи курсів інформатики, і студенти бакалаврату, які відповідали лише мінімальним вхідним вимогам, створювали слабші проєкти, ніж однокурсники-аспіранти ([[mechanical-engineering-ai-curriculum-2026|Li et al. (2026)]]).
- **[[intelligent-tutoring|AI tutoring]] та зворотний зв’язок для [[quantitative-research|quantitative]] інженерних курсів:** [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Yin et al. (2026)]] представляють Arthur, асистента викладання на основі ШІ, який дає зворотний зв’язок у реальному часі та персоналізовано на питаннях Calculated Formula Questions у курсі інженерної економіки бакалаврату — предметній області, де розв’язки від руки та неструктуровані рішення блокували попередню підтримку з боку ШІ. Його конвеєр повного життєвого циклу (курування раніше оцінених рукописних робіт, доповнення [[machine-learning|data augmentation]] із випадковим маскуванням, діагностичні основи XGBoost на питання та вебінтерфейс бази питань на основі діалогу) пропонує масштабований шлях для [[ai-feedback-quality|AI feedback]] в інженерних курсах, яким бракує структурованих цифрових даних, і рамка спроєктована для узагальнення на CFQ в інших інженерних дисциплінах.
- **ШІ для сталого розвитку, інтегрований, а не модульний.** Рамка AI-SEE з чотирьох стовпів (керований інтелектом, зелений, відповідальний, інтегрований у практику) розподіляє ШІ по інженерних курсах; у кейсі транспортної інженерії зі 144 студентами студенти повідомляли про залученість на особистому, академічному, професійному та соціальному рівнях, причому міркування про сталий розвиток переносилися в родини та мережі однолітків ([[liu-ai-sustainable-engineering-education-2026|Liu et al. (2026)]]).
- **Багате на інструменти студійне середовище може знижувати самоефективність, не покращуючи продукт.** У студії архітектурного проєктування з 27 студентами команди, що використовували конвеєр генеративного ШІ плюс [[virtual-and-augmented-reality|XR]], показали більші спади до–після в проєктувальній [[self-efficacy]] (β = −1,675) та очікуваності результату (β = −2,088), ніж контрольні групи, тоді як по одній гарнітурі на студента не створювала скоординованої співпраці ([[genai-xr-architectural-design-education-2026|Xiao et al., 2026]]).

## Сигнатурні занепокоєння

Сигнатурні занепокоєння інженерної освіти формують те, як ШІ засвоюється: **практичне та лабораторне навчання** (і те, що втрачається, коли ШІ симулює практику), **професійне становлення** (етична відповідальність, безпека та суспільний вплив), **проєктування та розв’язування задач** (скільки когнітивної роботи має робити ШІ) і **підготовка, заснована на компетентностях, до робочої сили**. Це робить інженерну освіту багатим місцем для вивчення того, чи ШІ доповнює, чи витісняє когнітивну роботу, необхідну для професійної експертизи, — паралельно з дебатами в [[physics-education]], [[math-education]] та [[cs-education]].

## Зв’язки з суміжними поняттями

Інженерна освіта сидить у межах [[stem-education]] і тісно пов’язується з [[cs-education]] (обчислювання та програмна інженерія), [[math-education]] та [[physics-education]] (математичні та фізичні основи інженерії), [[professional-training]] та [[educational-development]] (підготовка робочої сили та викладачів), [[assessment]] та [[ethics]] (професійні та оцінювальні ставки ШІ) та [[higher-ed]] (інституційний контекст). Це рідна дисципліна для статей цієї бази знань, отриманих із ASEE.

## Недостатньо охоплені підобласті

Охоплення інженерної освіти в цій базі знань усе ще розвивається. Підобласті, які виграли б від подальших статей, включають **[[discipline-specific-aied|discipline-specific]] інженерні [[pedagogy|pedagogies]]** (освіта з механіки, цивільної, хімічної, електричної, програмної інженерії та біоінженерії), **[[design-education|design]] та мейкерська освіта**, **кейпстон-проєкти та [[project-based-learning|project-based learning]]** і **освіта з інженерної етики** — де роль ШІ, ймовірно, буде особливо наслідковою.

## Наслідки для викладачів інженерії

- **Будуйте спільну, точну мову про ШІ.** [[engineering-faculty-metaphors-ai-understanding-2026|Faculty metaphor research]] виявляє, що викладачі мають принципово різні ментальні моделі (агент проти інструменту); узгоджуйте кафедральне розуміння перед прийняттям політики.
- **Закривайте розрив між етикою та підзвітністю.** [[ethical-use-ai-engineering-education-review-2026|Ethics reviews]] виявляють, що настанови переважно орієнтовані на студентів і на дотримання; посилюйте двосторонню підзвітність викладачів та установ, зважаючи на зацікавленість інженерії в громадській безпеці.
- **Використовуйте мультимодальне, втілене оцінювання.** [[multimodal-embodied-cognition-oral-explanations-2026|Gesture + speech assessment]] додає діагностичні докази понад саму лише мову — враховуйте втілені сигнали при оцінюванні концептуального розуміння.
- **Готуйте студентів до робочої сили, а не лише до курсу.** [[ai-engineering-computing-workforce-grey-literature-2026|Dual Train Problem]] спонукає до сталих компетентностей щодо ШІ, етики/врядування та заснованих на навичках облікових даних, узгоджених із новими ролями.
- **Моделюйте критичне використання та доречну залежність.** [[tam-critical-use-genai-engineering-2026|Critical-use TAM research]] показує, що студенти сильно покладаються на ШІ для завдань розуміння, але менше для оцінювання — направляйте їх до доречної, перевірюваної залежності на всіх типах завдань.
- **Викладайте використання ШІ як навичку всередині класного часу.** [[structured-ai-demonstrations-engineering-mechanics|Geng et al. (2026)]] провели дев’ять демонстрацій, керованих викладачем, кожна тривалістю 10–15 хвилин наприкінці лекції та упорядкованих від інструментальної грамотності через стратегічне делегування до оцінювання моделі, — проте студенти, які не бачили жодного зв’язку з оцінюванням, повідомляли, що вони є зайвими, тому прив’язуйте їх до оцінюваної роботи.

## Пов’язані поняття
- [[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]]

## Пов’язані статті
- [[mechanical-engineering-ai-curriculum-2026]] — Project-Based AI Education Curriculum in Thermal Engineering
- [[pbl-biomedical-engineering-genai-2026]]
- [[engineering-faculty-metaphors-ai-understanding-2026]] — Engineering Faculty Metaphors Construct (and Constrain) AI Understanding
- [[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 for engineering education (Bangladesh)
- [[ethical-use-ai-engineering-education-review-2026]] — Ethical Use of AI in Engineering Education: A Systematic Review
- [[multimodal-embodied-cognition-oral-explanations-2026]] — A Multimodal Framework for Embodied Cognition in Oral Explanations
- [[ai-engineering-computing-workforce-grey-literature-2026]] — AI and the Future of the Engineering and Computing Workforce
- [[ai-engineering-education-balancing-act]] — Using AI in Engineering Education: A Balancing Act
- [[ai-learning-tools-engineering-education-needs]] — Designing Needs- and Attention-Aware AI Learning Tools for Engineering Education
- [[structured-ai-demonstrations-engineering-mechanics]] — Structured AI Demonstrations in Engineering Mechanics
- [[isaza-chatgpt-engineering-prompting-2026]] — ChatGPT in engineering education
- [[liu-ai-sustainable-engineering-education-2026]] — AI-SEE framework for sustainable engineering education (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

---

## [Освіта в галузі STEM](https://edtechdev.github.io/aied/concepts/stem-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта в галузі STEM** — освіта в галузях науки, технологій, інженерії та математики (STEM) є найпоширенішою предметною областю [[ai-education|досліджень зі штучного інтелекту в освіті]] [[research-methods-aied|наукових досліджень]] у базі знань. Структуровані знання STEM, чіткі відповіді «правильно/неправильно» та обчислювальна природа роблять її ідеальним полігоном для [[intelligent-tutoring|тьюторінгу на основі ШІ]] та оцінювання.

## Питання для роздумів

- STEM є найпоширенішою предметною областю досліджень зі ШІ в освіті, бо її знання структуровані й мають чіткі відповіді «правильно/неправильно». Чи вважаєте ви, що це робить STEM найпростішим місцем для навчання зі ШІ — чи, можливо, місцем, де обмеження ШІ найлегше замаскувати?
- Сторінка посилається на дослідження, яке показує, що впровадження ШІ в школах «стратифіковане за дисциплінами» — нормалізоване в інформатиці, суворо заборонене в математиці. Як ви думаєте, чому предметна культура так сильно впливає на сприйняття ШІ, і які наслідки це має для здобувачів?
- Якщо здобувач математики використовує ШІ переважно для перевірки розв’язків і отримання пояснень, це скаффолдинг чи милиця? Що визначає різницю, і де ви провели б межу?
- Беручи до уваги, що завдання STEM часто мають перевіряємі відповіді, які, на вашу думку, види використання ШІ в STEM справді будують розуміння, а які лише створюють результат, що виглядає правильним?
- Як ті самі якості, що роблять STEM ідеальним для тьюторінгу зі ШІ — чіткі відповіді, обчислювана правильність, — применшують ті аспекти науки та інженерії, які є заплутаними, відкритими та заснованими на судженні?

## Вступ

### STEM як головна предметна область AIED

- **Математика:** дослідження [[math-education|освіти з математики]] охоплюють [[generative-ai-reduced-study-time-math|вплив генеративного ШІ на вивчення математики]], [[ai-powered-personalized-learning-elementary-fractions-2026|тьюторінг із дробів для молодших класів]] та [[student-math-competence-clustering|кластеризацію компетентностей]].
- **Фізика:** [[physics-education|освіта з фізики]] включає [[becker-chatgpt-typology-physics-2026|дослідження типологій ChatGPT]], [[hashmi-socratic-physics-chatbot-2025|сократичні фізичні чатботи]] та [[ai-scoring-language-bias-physics|аналіз упередженості в оцінюванні]].
- **Інформатика:** [[cs-education|освіта з інформатики]] є найбільш дослідженою підгалуззю STEM — [[code-review-genai-cs1|рецензування коду]], [[debugtracker-classroom-debugging|інструменти для налагодження]] та [[prompt-problems-nl-programming-mistakes|дослідження формулювання підказок]].
- **Інженерія:** [[concept-catalyst-engineering-scaffolds|інженерні скаффолди]], [[structured-ai-demonstrations-engineering-mechanics|демонстрації з механіки]] та [[ai-engineering-education-balancing-act|узгодження навчальних програм]] приносять ШІ в [[engineering-education|інженерну освіту]].
- **Скаффолдинг досліджень студентів:** [[ai-information-extraction-undergraduate-thesis-2026|Ен і колеги (2026)]] апробують систему ШІ, яка перетворює наукові публікації на структуровані, порівнянні набори даних для написання дипломних робіт студентами чотирьох STEM-шкіл. Результати (20 студентів, 80 документів) показали вилучення експериментальних параметрів на понад 90% випадків, скорочення часу на огляд літератури приблизно на 65% і збільшення на 50% здатності студентів ідентифікувати впливові експериментальні змінні — свідчення того, як [[generative-ai|ШІ]]-підтримані [[higher-ed|дослідження студентів]] можуть зміцнити наукову грамотність та епістемічну пізнанність в освіті STEM.
- **Навчання з підтримкою симуляцій:** у дроновій STEM-освіті [[teacher-role|викладачем]] та ШІ спільно спроєктовані [[simulation]]-скаффолди оцінювалися в порівнянні з ідентичним практичним [[curriculum-design|курсом]] із 30 здобувачами середньої школи, перевіряючи, чи дає навчання з підтримкою симуляцій кращі [[learning-gains|навчальні результати]]. Роль генеративного ШІ полягала в прискоренні створення контенту, тоді як участь викладача зберігала педагогічну обґрунтованість та контекстну доречність.
- **ШІ-підтримане планування в STEAM-мистецькій освіті:** експериментальне дослідження викладачів STEAM-мистецтва дітей ([[luo-tahir-chatgpt-steam-lesson-planning-2026|Луо та Тагір 2025]]) виявило, що плани уроків, складені за допомогою ChatGPT, перевершили створені викладачами за оціненою експертами якістю (медіана 20,5 проти 17,6, p = .002, великий розмір ефекту, шість оцінювачів-професорів), а викладачі повідомили про зростання ефективності та міждисциплінарної інтеграції (61% оцінили на 4+). Результат досягнуто завдяки методу делегування викладача — найкорисніше, коли ChatGPT заповнював прогалини в контенті самостійно окресленого уроку — що підтверджує повторювану думку: ШІ підсилює роботу в STEM/STEAM, коли викладач структурує завдання та критично оцінює результат, а не передає всю роботу над планом моделі.

### Наскільки ефективним є навчання з підтримкою ШІ в STEM, зведене

Найбільший кількісний синтез для цієї предметної області на сьогодні — 35 експериментальних та квазіекспериментальних досліджень, опублікованих між 2005 і 2025 роками ([[ai-supported-instruction-stem-meta-analysis-2026|Доған, Килич, Калинкара та Талан, 2026]]) — встановлює для навчання з підтримкою ШІ в STEM показник Геджса g = 0.670 (95% CI [0.491, 0.848]), а міждослідницьку дисперсію оброблено моделлю з випадковими ефектами. Інформативним є розподіл за рівнем: ефекти були найбільшими в старшій школі (g = 1.099) і поступово меншими в університеті (0.578), початковій школі (0.465) і [[k-12|середній школі]] (0.392), тоді як різниці за предметними областями, яких передбачала б самоідентичність STEM — наука (0.676) і математика (0.650) попереду технологій та інженерії (0.501) — не були статистично значущими (Q = 4.85, df = 2, p = 0.088). Тривалість не поводилася як доза: найсильнішою смугою був один-два місяці (g = 0.833), найкоротші втручання п’ятьох годин або менше все ще досягали 0.621, а найслабша смуга (g = 0.256) не була значущою. Прочитане поряд із скептицизмом, задокументованим на сторінці [[learning-gains|навчальні здобутки]], розумне прочитання полягає в тому, що навчання з підтримкою ШІ в STEM дає помірний, реальний, але залежний від рівня ефект, а не однорідний.

Предметний огляд 18 досліджень (2014–2024) уточнює, на чому ці ефекти вимірюються: результати ШІ в освіті з природничих наук і хімії зосереджувалися на мірах навчального процесу (n = 9), а не на досягненнях, а база доказів перекошена на майбутніх викладачів (44,4%), з лише одним дослідженням середньої школи та двома старшої школи ([[ai-science-chemistry-education-systematic-review-2025|Ерюміт та Озьдемір Саріаліоглу (2025)]]).

### Чому STEM домінує

Структуроване подання знань STEM, перевіряємі відповіді та узгодженість з обчислювальним мисленням роблять її найприроднішим відповідником для тьюторінгу зі ШІ. [[computational-thinking|Дослідження обчислювального мислення]] досліджують цю узгодженість явно.

### Нові дані з досліджень IJ STEM Education 2025–26

Концентрована серія досліджень 2026 року з *International Journal of STEM Education* уточнює, як ШІ функціонує в підгалузях і на рівнях STEM:

- **[[discipline-specific-aied|Предметно-специфічне]] [[governance]] формує [[student-ai-interaction|використання ШІ здобувачами]].** Поперечне дослідження 416 чеських здобувачів середньої школи ([[lnenicka-secondary-students-genai-stem-2026]]) виявило, що впровадження ШІ є *стратифікованим за дисциплінами*, а не єдиним: інформатика та економіка нормалізують [[generative-ai|GenAI]] як спільний ресурс, тоді як математика (65,9% забороняють) і природничі науки (55,3%) показують високе сприйняте заборону, що співіснує з нечіткістю правил і постійним прихованим використанням. Здобувачі переважно використовують ШІ як інструментальний скаффолд (пояснення, перевірка розв’язків), а не як заміну, але виникає прогалина в [[critical-thinking|критичному оцінюванні]] — інтенсивна модифікація підказок затьмарює зовнішню фактичну верифікацію, зміщуючи поведінку до [[cognitive-offloading]]. Це аргументує на користь *чутливого до предмета* супроводу замість повсюдних заборон.
- **ШІ як співдослідник у дослідницькому STEM.** Квазіексперимент із 97 третьокласниками ([[dai-chatbots-problem-posing-primary-2026]]) показав, що чатботи [[conversational-ai|GenAI]] значно перевершили пошукові системи в науковому [[problem-based-learning|формулюванні проблем]] в [[inquiry-based-learning|дослідницькому навчанні]], покращуючи якість запитань, створюючи більш інтегровану епістемічну [[network-analysis|мережеву структуру]] (ENA) і знижуючи когнітивне навантаження. [[meta-analysis-systematic-review|Систематичний огляд]] ChatGPT для дослідницького навчання в STEAM ([[jiang-chatgpt-inquiry-steam-review-2026]], 24 дослідження) підтверджує, що ChatGPT підтримує формулювання запитань, проєктування досліджень, [[problem-solving]] та рефлексію — але ризикує надмірною залежністю, [[hallucination-risk|галюцинаціями]] та поверховними висновками, коли результати сприймаються як авторитетні.
- **STEAM — нерівний шлях до грамотності в ШІ.** Систематичний огляд PRISMA 39 досліджень ([[niri-steam-ai-literacy-review-2026]]) виявив, що впровадження STEAM здебільшого розвивають технічні грамотності (фундаментальні поняття ШІ, обчислювальне мислення, грамотність у даних), тоді як [[ethics|етична]] обізнаність, творча уява, створення/управління/проєктування зі ШІ розвинені слабше. Технологічні дисципліни ведуть; мистецтво, інженерія та інтегрований STEAM відстають — що свідчить, що грамотність в ШІ в STEM наразі перекошена на бік технічної навички, а не відповідального формування ШІ.
- **Адаптивні STEM-програми на основі ШІ можуть підтримувати глибоке навчання.** Кластер-рандомізований пілот у науці шостого класу ([[bin-bakheet-adaptive-ai-stem-deep-learning-2026]], N = 30) виявив, що адаптивна STEM-програма на основі ШІ (персоналізований контент, майстерність на основі правил, зворотний зв’язок у реальному часі) дала великі розміри ефекту на користь експериментальної групи в поясненні, інтерпретації, застосуванні та генерації ідей — хоча проєкт із двома класами вимагає обережної інтерпретації.
- **Сприйняття викладачами є неоднорідним і формується дисципліною.** Аналіз латентних профілів 128 майбутніх викладачів ([[chen-preservice-teachers-chatgpt-lpa-2026]]) виявив чотири профілі сприйняття ChatGPT (прагматичні оцінювачі, піонери технологій, стійкі скептики, спостерігачі за середовищем), причому викладачі STEM зосереджені серед піонерів технологій, а викладачі не-STEM — серед стійких профілів — і стійкі скептики демонструють високу легкість використання, але низький намір, що вимагає диференційованого навчання [[ai-literacy]].
- **Оцінювання та когнітивні процеси в STEM з інтегрованим ШІ.** [[zhang-ct-ai-training-test-2026|CTAT]] (34 завдання, валідований за IRT) надає валідний інструмент для оцінювання [[computational-thinking]] у контекстах навчання зі ШІ, виявляючи, що здобувачі найбільше плутаються із поданням даних, упорядкуванням логічних операторів та структурами циклів. Дослідження ґрунтованої теорії ШІ-підтриманого програмування ([[liu-tool-tutor-crutch-programming-2026]]) показує, що здобувачі коливаються між «Domain Mastery» (віддання предмету) та «Tool Mastery» (віддання інструменту) через [[scaffolding]] та цикли розвантаження, зі зменшеною [[metacognition|метакогнітивною]] калібруванням за рутинного розвантаження — процесуальний опис напруги між продуктивністю та навчанням.

## Наслідки для викладачів STEM

- **Обирайте ШІ, доречний для дисципліни.** STEM охоплює математику (тьюторінг), фізику ([[socratic-method|сократичний діалог]], [[simulation]]), інформатику (генерація коду, рецензування) та інженерію (проєктування, робоча сила) — обирайте інструменти, що відповідають характерній [[pedagogy]] кожної підгалузі, а не припускайте, що один загальний чатбот пасує всім.
- **Використовуйте перевагу структурованої відповідності, але захищайте міркування.** Перевіряємі відповіді STEM роблять її найбільш доступною для ШІ областю; протидійте надмірній залежності та заміні відповідей, вбудовуючи ШІ в структуровані, орієнтовані на майстерність робочі процеси.
- **Вбудовуйте грамотність у ШІ в курси STEM.** Дослідження ([[zha-ai-literacy-biology-case-study|біологія]], [[ai-tpack-preservice-math-teachers|підготовка викладачів математики]]) показують, що STEM-контекст підтримує навчання ШІ — інтегруйте поняття ШІ там, де вони природно виникають, а не ізолюйте їх.
- **Стежте за [[equity-in-ai-education|справедливістю]] та доступом під час впровадження ШІ.** Інструменти ШІ для STEM не є нейтральними; моніторьте упередженість в оцінюванні, доступ [[digital-divide]] та [[culturally-relevant-pedagogy|культурно доречне]] проєктування під час їх розгортання.

## Пов’язані поняття

- [[learner-identity]] — еволюційні дисциплінарні, професійні, творчі та академічні ідентичності здобувача
- [[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]] — освіта з хімії та ШІ: лабораторії, формувальне оцінювання, обмеження LLM, філософія експериментування
- [[biology-education]] — освіта з біології та ШІ: лабораторні асистенти викладача, грамотність у ШІ в біології, критичне мислення, спеціалізовані інструменти

## Пов’язані статті

- [[ai-pedagogical-accompaniment-amico]] — ШІ-підтриманий педагогічний супровід, що підтримує STEM-ідентичність
- [[lnenicka-secondary-students-genai-stem-2026]] — Що здобувачі середньої школи насправді роблять із інструментами GenAI у STEM
- [[dai-chatbots-problem-posing-primary-2026]] — Чатботи GenAI та формулювання проблем у природничій науці початкової школи
- [[jiang-chatgpt-inquiry-steam-review-2026]] — ChatGPT для дослідницького навчання в STEAM
- [[niri-steam-ai-literacy-review-2026]] — Освіта STEAM для грамотності в ШІ: систематичний огляд
- [[bin-bakheet-adaptive-ai-stem-deep-learning-2026]] — Адаптивна STEM-програма на основі ШІ для глибокого навчання
- [[chen-preservice-teachers-chatgpt-lpa-2026]] — Профілі сприйняття ChatGPT майбутніми викладачами
- [[zhang-ct-ai-training-test-2026]] — Тест обчислювального мислення в навчанні зі ШІ (CTAT)
- [[liu-tool-tutor-crutch-programming-2026]] — Інструмент, тьютор чи милиця: ґрунтована теорія ШІ-підтриманого програмування
- [[workforce-readiness-smart-manufacturing-wrl-2026]] — Рамка рівнів готовності робочої сини для розумного виробництва в епоху ШІ
- [[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]] — Систематичний огляд ШІ в освіті з природничих наук/хімії
- [[astor-computational-thinking-meta-review-2026]] — ОМ як навичка XXI століття в STEM
- [[ai-information-extraction-undergraduate-thesis-2026]] — Вилучення інформації на основі ШІ, що підтримує дипломні роботи та навчання на основі досліджень (Ен та ін., 2026)
- [[simulation-assisted-drone-learning-stem-2026]] — Навчання з підтримкою симуляцій із дронами та скаффолдами, спроєктованими викладачем і ШІ
- [[luo-tahir-chatgpt-steam-lesson-planning-2026]]
- [[ai-supported-instruction-stem-meta-analysis-2026]] — Зведений ефект навчання з підтримкою ШІ в STEM за 35 досліджень, з найбільшими здобутками в старшій школі (Доған та ін., 2026)

---

## [Освітня галузь «Природничі науки»](https://edtechdev.github.io/aied/concepts/science-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **[[stem-education|Science education]]** — дослідження та практика того, як студенти навчаються природничим наукам і як їх викладати, нині переосмислювані генеративним ШІ (мовними моделями, симуляціями, віртуальними лабораторіями та оцінюванням ШІ) в [[physics-education|physics]] фізиці, хімії та [[biology-education|biology]] біології. Статті з освітньої галузі природничих наук у цій базі знань виявляють галузь, що перебуває в negotiation: ШІ явно підтримує дослідницьке навчання, виправлення хибних уявлень і оцінювання в масштабі, проте його цінність залежить від навчального проєктування, і він несе реальні ризики [[cognitive-offloading|over-reliance]] надмірної залежності, галюцинацій і знелюдненого, орієнтованого на прибуток навчання.

## Питання для роздумів

- Сторінка відкривається напругою: ШІ явно підтримує дослідницьке навчання та виправлення хибних уявлень у масштабі, проте його цінність повністю залежить від навчального проєктування. Перш ніж читати, коли інструмент, яким ви користувалися під час викладання природничих наук, здавався потужним, але педагогічно порожнім — і що робило різницю?
- Дослідницьке навчання з фізики за посередництвом ШІ «вигадало» значення мас, які ніхто не вимірював, коли студенти тиснули на нього. Що розкриває цей інцидент про трактування результатів ШІ як авторитетних у природничих науках, і як слід навчати студентів ставитися до впевнено звучащої відповіді?
- Дослідження припускає, що ШІ наразі може додавати більше цінності як масштабований генератор вмісту, ніж як інтерактивний тьютор — в одному дослідженні добре побудовані тексти для понятійної зміни (експертні чи зроблені ШІ) перевершили стимульований діалог із ШІ. Чи це вас дивує, і що це говорить про те, де наразі лежить справжній педагогічний виграш від ШІ в природничих науках?
- ШІ оцінив 10 364 письмових контрольних з фізики з високою згодністю з екзаменаторами-людьми, проте мультимодальні моделі все ще демонструють прогалини в складному міркуванні та генерації діаграм. Що в «автентичній, насиченій репрезентаціями» роботі з природничих наук може опиратися автоматизованому оцінюванню?
- Студенти з фізики демонструють разючу розбіжність між довірою та корисністю — високе використання, низька довіра — і діляться на прагматичних користувачів і скептичних некористувачів. Якщо самі студенти є каліброваними за галуззю скептиками, що це означає для універсальних політик щодо ШІ в аудиторіях природничих наук?
- Критичний голос попереджає про «колонізацію» освітньої галузі природничих наук з боку ШІ — вилучення без згоди, алгоритмічну монокультуру, знелюднену реформу. Перш ніж читати, де, на вашу думку, вигоди ШІ в освіті з природничих наук переоцінюються, і як виглядала б орієнтована на людину та справедливість альтернатива?

## Вступ

Освітня галузь природничих наук — це місце, де обіцянка ШІ і його межі зіштовхуються найвиразніше, оскільки дисципліни вимагають ретельного [[multimodal]] міркування — наочно-просторового мислення в фізиці, лабораторних умінь у хімії та систем на рівні організмів у біології — поряд із добре структурованим, перевірним вмістом, з яким мовні моделі добре справляються. Тринадцять статей, синтезованих тут, охоплюють усі три дисципліни та рівні, від класів середньої школи [[k-12]] до університетських курсів [[higher-ed]] і програм [[teacher-education|pre-service teacher]] підготовки викладачів. У них вимальовується узгоджена картина: ШІ функціонує найкраще не як генератор відповідей, а як вбудований партнер — співдослідник, генератор вмісту, помічник віртуальної лабораторії — чий внесок визначається [[learning-design|instructional design]] навчальним проєктуванням і навколишньою педагогічною структурою.

Чотиритижневе рандомізоване оцінювання платформи повторення зі ШІ в науках GCSE дає цій картині причинну оцінку — Hedges' g = 0.33, без доказів, що ефект відрізнявся за предметом чи невигідністю — проти вже насиченого технологіями контрфакту, тобто ця величина — додана цінність, а не ШІ проти нічого ([[ai-tutoring-micro-rct-gcse-science-2026|Harrison et al. (2026)]]).

Ці висновки на рівні аудиторій стоять усередині більшого методологічного питання. [[ai-methodologies-science-education-research-2026|Martin, Rost, Koenen and Graulich (2026)]] стверджують, що дослідження освіти з природничих наук наразі може перебувати в епістемічній ітерації, спираючись на опис Хасока Чена (2004) послідовних стадій знання, що будуються ітеративно до конкретних епістемічних цілей. За їхнім прочитанням методології ШІ можуть трансформувати не лише те, як галузь аналізує навчання студентів, а й те, які епістемічні цілі, критерії та практики вона пріоритезує. Вони пропонують сімфазну рефлексивну рамку (постановка проблеми; інструментарій і вимірювання; експериментування й висновки на основі доказів; порівняння та реплікація; побудова норм і консенсусу; впровадження та його наслідки; і безперервне вдосконалення), проілюстровану приблизно 150-літнім розвитком термометрії, і подають її як рефлексивний інструмент, а не як валідований метод або емпіричний висновок.

### Віртуальні лабораторії та симуляції

ШІ різко знижує бар’єр для створення налаштованого, втіленого наукового інструментарію. [[genai-ar-physics-simulation-prompt-2026|Levy et al.]] показують, що підказка природною мовою з чотирьох елементів може згенерувати керовану руками симуляцію фізики в доповненій реальності (жест затискання-розтягування регулює довжину хвилі віртуальної лампи), причому 86% студентів-пілотів повідомили про вищу [[student-engagement|engagement]] залученість. Подібно [[ai-generated-smartphone-circular-motion-lab-2026|Suñer et al.]] згенерували лабораторію обертання в браузері цілком через підказки, валідовану проти відеоаналізу з точністю кращою за 1%. Ці роботи переосмислюють [[generative-ai|generative AI]] генеративний ШІ як інструмент [[prompt-engineering|programming]] програмування, що дозволяє викладачам проєктувати програмне забезпечення навколо [[pedagogy|pedagogical intent]] педагогічного наміру, а не адаптувати заняття до фіксованих застосунків — просуваючи [[embodied-learning|embodied]] втілене та [[simulation]]-based навчання на основі симуляцій. У [[chemistry-education]], [[context-based-ai-secondary-chemistry-2026|Abdikayumova & Madybekova]] вбудували симуляції PhET і тьюторство ChatGPT у контекстний цикл дослідження 7E для студентів 10-го класу, досягнувши значно вищих досягнень і залученості, ніж за будь-якого компонента окремо — доказ того, що контекстуалізація, структуроване дослідження та адаптивний ШІ діють синергійно. Поведенковий аналіз того, як здобувачі працюють усередині таких середовищ моделювання, підсилює цей урок проєктування: простеживши 315 онлайнових здобувачів, що будують екологічні моделі в VERA, [[an-goel-self-directed-modeling-2026|An, Hammock & Goel (2025)]] виявили, що здобувачі, які беруть участь у повноцикловому, керованому гіпотезами дослідженні, будують найскладніші й найрізноманітніші моделі, тоді як здобувачі, орієнтовані на спостереження, здебільшого копіюють наявні моделі — це припускає, що інструменти наукового моделювання мають активно просувати повноциклову дослідницьку поведінку, а не залишати здобувачів у пасивному, домінованому спостереженням режимі.

### ШІ-тьютори та навчання на основі дослідження

Навчання на основі дослідження — центральна тема. [[jiang-chatgpt-inquiry-steam-review-2026|Jiang et al.]]'s [[meta-analysis-systematic-review|systematic review]] систематичний огляд 24 досліджень позиціонує ChatGPT як «AI-powered co-inquirer» ШІ-співдослідника, що використовується головним чином на фазах концептуалізації, дослідження та обговорення [[inquiry-based-learning|STEAM inquiry]] дослідження STEAM, покращуючи результати, [[critical-thinking|critical thinking]] критичне мислення та залученість — проте ризикує надмірною залежністю, галюцинаціями та поверховними висновками, коли результати трактуються як авторитетні. [[ai-supported-inquiry-photosynthesis-respiration-2026|Aydın]] виявив, що вісім тижнів керованого дослідження з підтримкою ШІ дали значні прирости в понятійному розумінні фотосинтезу та дихання у викладачів-стажерів, тоді як [[ai-literacy|AI literacy]] ШІ-грамотність і [[computational-thinking|computational thinking]] обчислювальне мислення не показали суттєвих змін — що припускає, що дисциплінарне навчання може покращуватися навіть тоді, коли ширші компетентності потребують довшого або явнішого навчання. [[embodied-inquiry-ai-facilitator-physics-2026|Tufino & Damiani]] показують, що ШІ може забезпечувати скаффолдинг епістемічного ядра дослідження ISLE, залишаючись обмеженим вербальним каналом, але виявили фасилітацію крихкою: під тиском студентів ШІ «вигадав» значення мас, які ніхто не вимірював, підкреслюючи [[hallucination-risk]] і потребу перевіряти, а не припускати точність ШІ. [[airis-cognitively-activated-ai-physics-2026|Kuhn et al.]] пропонують рамку AIRIS (Activate–Inquire–Reflect), щоб утримати прогнозування, інтерпретацію та оцінювання непередаваними людськими завданнями, і закликають до експериментів з «умовами відведення», що перевіряють, чи виживає навчання після усунення ШІ — прямої відповіді на «проблему киплячої жаби» ерозії епістемічної практики. Експертне судження щодо згенерованих ШІ планів занять розширює цей урок проєктування на [[curriculum-design|curriculum]]-aligned узгоджену з програмою науку: [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli and Yildirim (2026)]] мали одинадцять турецьких фахівців з освіти з природничих наук, які оцінювали ChatGPT-4 та освітньо-орієнтований інструмент (Teacher's Buddy) за планами для 6-го класу з модуля «Sustainable Living and Biodiversity», узгодженого з моделлю Engineering [[design-based-research|Design-Based]] Learning (EDBL). Обидва платформи набрали найвищі оцінки за «Presenting the solution», проте найнижчі за Engineering Skills (загального призначення x̄ = 37.45; освітньо-орієнтований x̄ = 41.45) — спільна слабкість в імітуванні ітеративних, орієнтованих на процес стадій (прототипування, аналіз відмов, перегляд, рефлексивне перетестування), які визначають навчання на основі проєктування — і лише 3 з 11 фахівців визнали будь-який план безпосередньо «Applicable», 7 оцінили їх як «Can be applied by correction».

Концептуальний огляд обґрунтовує матеріальний канал теоретично: наука — відкрита система, що переглядає твердження проти фізичних доказів, тоді як мовна модель операційно замкнена на докази під час висновку ([[nature-of-science-generative-ai-2026|Muminova & Mamatkulov, 2026)]]).

### Хибні уявлення та понятійна зміна

Щодо понятійної зміни докази є відтіненими й частково контринтуїтивними. [[akdogan-heat-temperature-conceptual-change-thesis-2025|Akdoğan]] в дослідженні за схемою Соломона з 413 студентів виявив, що як експертні, так і згенеровані ШІ [[refutation-text|conceptual change texts]] тексти понятійної зміни були однаково й суттєво ефективнішими в зменшенні [[misconceptions]] хибних уявлень про теплоту та температуру, ніж інтерактивний діалог із ШІ, який не пропонував жодної переваги над контролем — позиціонуючи поточну педагогічну цінність ШІ як масштабованого [[generative-ai|content generator]] генератора вмісту, а не як інтерактивного тьютора, із приростами, сконцентрованими серед високоуспішних студентів (питання [[equity-in-ai-education|equity]] справедливості). Це підсилюється [[probing-ai-generated-physics-solutions-2026|Borse et al.]], які показують, що специфічність підказок формує якість розв’язків з фізики і що критика за керівництвом MAPS краще готує студентів оцінювати результати ШІ, ніж незалежне [[problem-solving|problem solving]] розв’язування задач, трактуючи недовершеність ШІ як ресурс навчання [[critical-thinking]].

### Оцінювання ШІ та контроль

Оцінювання ШІ швидко просувається на відповідальній роботі. [[ai-grading-handwritten-physics-2026|Pathak et al.]] оцінили 10 364 відсканованих сторінок письмових контрольних з фізики (включно з національною олімпіадою та збором відбіркової команди), досягнувши високих кореляцій оцінок (0.91–0.97) і відтворивши ту саму команду з п’ятьох студентів, що й людське оцінювання — стверджуючи, що ШІ працює як валідний [[assessment-validity|second reader]] другий читач та інструмент аудиту під контролем екзаменатора, коли йому надають детальні, специфічні для фізики рубрики. Автоматичне оцінювання коротких відповідей має довшу й більш фундаментальну трансформерну лінію: [[auto-marking-short-answer-science-2026|Morley et al.'s scoping review]] огляд обсягу 21 дослідження (2017 – початок 2024) виявив, що моделі родини BERT домінували в автоматичному оцінюванні коротких відповідей з природничих наук до 2021 року, перш ніж підходи на основі GPT були впроваджені через підказки з ~2022 року, що моделі, доповнені галузевими даними (підручники, рубрики, додаткове переднавчання), послідовно перевершували базові лінії, і що невирішені загрози [[educational-measurement|reliability]] надійності, [[explainable-ai|explainability]] пояснюваності та [[bias-mitigation|fairness]] справедливості свідчать за те, що такі автоматичні оцінювачі мають бути підтримкою, а не заміною [[teacher-role|human examiners]] людських екзаменаторів. Проте бенчмарк [[benchmark]] OmniPhys [[omniphys-multimodal-physics-benchmark-2026|Chen et al.]]'s виявляє, що мультимодальні мовні моделі все ще демонструють суттєві прогалини в складному міркуванні та генерації діаграм *generation*, застерігаючи від надмірної довіри до [[automated-assessment|automated]] автоматизованого оцінювання з фізики на автентичних, насичених репрезентаціями завданнях, які визначають глибоку дисциплінарну компетентність. Хімічний аналог загострює залежність від формату: [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros & Kortemeyer]] оцінили письмовий підсумковий іспит із загальної хімії в 296 студентів за допомогою мультимодальної [[llm]], виявивши високу згоду з асистентами за текстових відповідей та відповідей на хімічні реакції, проте продуктивність *worse-than-random* гіршу за випадкову на малюванні та побудові графіків (фонові сітки відволікають бачення ШІ) — доказ того, що надійне оцінювання ШІ в природничих науках є вибірковим за форматом відповіді і вимагає відкладання з урахуванням впевненості до [[human-in-the-loop-ai|human examiners]] людських екзаменаторів для графічних елементів, а не універсального підходу «оцінюй усе».

### Уявлення викладачів та критичний погляд

Готовність викладачів є вирішальною. [[pre-service-science-teachers-ai-perceptions-2026|Amponsah et al.]] виявили, що ганські викладачі-стажери з природничих наук мають позитивні ставлення та сильні наміри щодо ШІ, але лише помірне фактичне використання в аудиторії — розбіжність між наміром і використанням, що вказує на [[teacher-ai-competency]] та [[governance|institutional]] інституційну підтримку як на справжні важелі. [[becker-chatgpt-typology-physics-2026|Becker et al.]] і [[fouad-bentley-trust-utility-gap-physics-2026|Fouad & Bentley]] документують, що студенти з фізики — калібровані за галуззю скептики, а некритичні прихильники: розбіжність довіри-корисності 50 пунктів (91% використання, 41% довіра) та два чіткі профілі користувачів (прагматичні користувачі проти скептичних некористувачів), що кидають виклик універсальним політикам. Противажаючи техно-оптимізму, [[avraamidou-ai-colonization-science-education|Avraamidou]] попереджає про «колонізацію» освітньої галузі природничих наук з боку ШІ — вилучення без згоди, алгоритмічну монокультуру та знелюднену, орієнтовану на прибуток реформу — і закликає до феміністичного, орієнтованого на людину ШІ, що пріоритезує справедливість над прибутком, тоді як [[ai-science-chemistry-education-systematic-review-2025|Erümit & Özdemir Sarıalioğlu]]'s систематичний огляд 18 досліджень підкреслює [[ethics|ethical]] етичні ризики (упередженість, галюцинації, [[academic-integrity|plagiarism]] плагіат, ерозію незалежного мислення) та потребу в [[teacher-education|teacher training]] навчанні викладачів і свідомому використанні. Колективний урок усіх тринадцяти статей: ШІ в освіті з природничих наук дає прирости, коли вбудований у звукове дослідження, [[scaffolding]] та проєктування [[assessment]] оцінювання — і підриває навчання, коли витісняє епістемічну роботу, яку студенти мають робити самі.

[[llm-benchmark-secondary-science-topics-2026|Schroeder et al. (2026)]] запитують, наскільки добре загальні моделі справляються з самим науковим вмістом: за наборами завдань, узгоджених з NGSS, для середньої школи (1 078 завдань) і старшої школи (1 150 завдань) дев’ять моделей з відкритими вагами здебільшого перевищували 90%, причому розмір моделі не був пов’язаний з точністю, і вчитель природничих наук визнав 236 з 240 вибіркових завдань (98.3%) узгодженими, водночас позначаючи відсутність діаграм, інтерпретації даних та математичних репрезентацій — текстові завдання не можуть вправляти кожне очікування продуктивності NGSS. Висока складність завдань і низька диференційованість залишають відкритим питання, чи завдання потребують покращення, чи середня школа з природничих наук стала розв’язною для цього класу моделей, і автори називають багатоходовим, заснованим на доказах зворотним зв’язком відсутній стандарт.

## Пов’язані поняття
- [[stem-education]]
- [[physics-education]]
- [[chemistry-education]]
- [[biology-education]]
- [[inquiry-based-learning]]
- [[misconceptions]]
- [[simulation]]
- [[generative-ai]]

## Пов’язані статті
- [[ai-methodologies-science-education-research-2026]] — Семифазна рамка епістемічної ітерації для рефлексії про те, як методології ШІ можуть трансформувати дослідження освіти з природничих наук (Martin et al., 2026)
- [[ai-science-chemistry-education-systematic-review-2025]] — Систематичний огляд ШІ в освіті з природничих наук та хімії
- [[jiang-chatgpt-inquiry-steam-review-2026]] — ChatGPT для навчання на основі дослідження в STEAM
- [[ai-supported-inquiry-photosynthesis-respiration-2026]] — Кероване дослідження з підтримкою ШІ в фотосинтезі та диханні
- [[akdogan-heat-temperature-conceptual-change-thesis-2025]] — Тексти понятійної зміни проти діалогу зі ШІ для теплоти та температури
- [[ai-grading-handwritten-physics-2026]] — Великомасштабне оцінювання письмових контрольних з фізики за допомогою ШІ
- [[avraamidou-ai-colonization-science-education]] — Критичний коментар щодо колонізації освіти з природничих наук з боку ШІ
- [[pre-service-science-teachers-ai-perceptions-2026]] — Уявлення викладачів-стажерів з природничих наук про ШІ та його сприйняття
- [[ai-assisted-inquiry-ssi-climate]] — Дослідження з підтримкою ШІ в соціально-наукових питаннях щодо зміни клімату
- [[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]] — Оцінювання тьюторства ШІ зі швидкістю інновацій: мікрорандомізовані випробування, ініційовані практиками, платформи тьюторства ШІ в науках GCSE
- [[llm-benchmark-secondary-science-topics-2026]] — Бенчмарк для розуміння мовними моделями тем природничих наук середньої та старшої школи
- [[nature-of-science-generative-ai-2026]] — Природа науки в епоху генеративного штучного інтелекту: епістемічна влада, матеріальність та синергійна відповідь

---

## [Письмо](https://edtechdev.github.io/aied/concepts/writing-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Письмо** — використання інструментів ШІ для навчання письму, [[assessment]], [[feedback]] та дослідження того, як [[generative-ai|генеративний ШІ]] перебудовує сам процес письма. Освіта в галузі письма є одним із найбільш зачеплених ШІ доменів, оскільки ВММ чудово справляються саме з тими діями, навколо яких зосереджене навчання письму — генерацією тексту, редагуванням і оцінюванням. [[research-methods-aied|Дослідження]] в цій галузі охоплює [[automated-assessment|автоматичне оцінювання]], якість зворотного зв’язку від ШІ, підтримку письмового процесу, письмо як другої мови, академічну доброчесність і глибше питання про те, як ШІ змінює те, що означає писати і бути автором.

## Питання для роздумів

- Центральний тез цієї сторінки — письмо є не лише продуктом, а когнітивним, соціальним і риторичним процесом — і ШІ може витіснити саму ту розумову роботу, що робить письмо навчальною діяльністю. Коли ви пишете, що відбувається у вашому мисленні, що готовий абзац, створений ШІ, просто стирає?
- Поширена рамка — «ШІ як інструмент» або, на протилежному полюсі, «ШІ як загроза авторству». Сторінка пропонує третій погляд: письмо як людсько-ШІ-переплетення, де здійснення розподілене. Яка з цих рамок відповідає вашому власному досвіду письма зі ШІ чи без нього — і що кожна рамка означає для того, як ви б викладали?
- Дослідження виявило, що делегування *глибших* шарів письма — міркування та аргументаційної логіки — шкодить вашому самостійному письму більше, ніж делегування поверхневих шарів, як-от граматики. Подумайте про ваш останній твір, написаний з підтримкою ШІ. Який шар ви справді делегували, і що це передбачає щодо того, що ви можете робити тепер самі?
- Сторінка попереджає, що зворотний зв’язок від ШІ щодо письма не є мовно-нейтральним: персоналізація зворотного зв’язку за расою, мовою чи інвалідністю студента може зрушити його у стереотипно узгоджений бік — наприклад, надмірно хвалити чи утримувати критику. Якщо ви отримували або давали «персоналізований» зворотний зв’язок від ШІ, як би ви виявили, що інструмент пом’якшував критику для деяких здобувачів?
- Керівництво щодо дизайну тут — «коучинг, а не створення тексту» — змусити ШІ ставити запитання й критикувати плани, але вимагати, щоб здобувач спочатку створив прозу. Чому можливість здобувача накреслити чернетку до втручання ШІ може захищати власність і судження так, як не міг би інструмент, що пише чернетку?
- Один висновок: студенти часто кажуть «це нормально, бо…», щоб раціоналізувати використання ШІ, переводячи питання від боротьби з плагіатом до етики та ШІ-грамотності. Якщо б ви проєктували курс письма, як би ви вбудовували в нього чесність і [[ethics|етичне]] судження щодо ШІ, а не спиралися на виявлення чи покарання?

## Вступ

Письмо є не лише продуктом, а когнітивним, соціальним і риторичним процесом. Саме тому вплив ШІ на освіту в галузі письма такий вагомий і спірний: ШІ може бути [[scaffolding|опорою]], що допомагає студентам писати чернетки, редагувати та отримувати зворотний зв’язок, якого інакше вони б не отримали, але він може й витіснити [[cognitive-offloading|когнітивну роботу]] — і людську аудиторію — що робить письмо навчальною діяльністю. Дослідження цієї бази знань послідовно подає ШІ в письмі як *антропоцентричний доповнення* до, а не заміну соціальних і когнітивних процесів письма. Там, де фокус саме на **англійській** — [[english-education|English for Academic Purposes (EAP)]] і англійська мова як [[teacher-role|викладання]] (EFL/ESL/L2) — дивіться присвячену сторінку понять [[english-education]], яка відрізняє дослідження, специфічні для англійської та академічного регістру, від загального письма та загального навчання мови.

### Як ШІ в освіті в галузі письма проявляється в дослідженнях

- **Автоматичне оцінювання есе:** системи [[automated-essay-scoring]], як-от [[choi-anchor-aes-prompting-2025|anchor-based AES]] і [[aiawe-automated-writing-evaluation|AIAWE]], оцінюють письмо студентів у масштабі, породжуючи питання щодо [[assessment-validity|конструктної валідності]] і зведення письма до вимірюваних ознак. Для короткого аргументаційного письма (близько 150–200 слів) іспанською узгодженість оцінювання ШІ різко відрізняється за вимірами рубрики ([[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al., 2026]]): пункти, орієнтовані на структуру та регістр, — вступ, висновок, регістр, узгодження в іменниках, узгодження підмета з присудком — досягли помірного узгодження, скоригованого на випадковість, із людськими експертами у видачі 2025 року, тоді як мікрорівневі лінгвістичні пункти (словниковий запас, синтаксис, пунктуація, конектори, аргументація) залишилися в діапазоні від справедливого до незначного. Це свідчить, що допомога ВММ найбільш обґрунтована для макрорівневих ознак дискурсу, а для низькорівневих мовних умовностей варто зберегти детерміністичні інструменти чи [[human-in-the-loop-ai|людський огляд]].
- **Оцінюйте більше зразків, а не більші моделі.** В дослідженні універсального скринінгу для класів 3–6 оцінки порівняльного судження ВММ збіглися з рубриками дослідників (r = .59–.73), а усереднення трьох хвиль скринінгу підвищило критеріальну валідність (β = .68–.74 для шкали ELA, AUC = .82–.86 для володіння), тоді як більша здатність чи вартість моделі додали мало ([[llm-comparative-judgment-writing-screening-2026|Mercer & Reed (2026)]]).

Узгодженість є властивістю корпусу, а не оцінювача: [[automated-scoring-marketing-posts-agreement-2026|Li (2026)]] оцінив 60 студентських маркетингових постів детерміністичними правилами, [[llm|ВММ]] і гібридом із однаковою вагою — ВММ очолила за ICC(2,1) = .435, тоді як .266 гібрида зберіг негативне упередження правил, — а додавання 15 низькоякісних прикладів підвищило ВММ до .846.
- **Зворотний зв’язок щодо письма:** дослідження [[ai-feedback-quality|якості зворотного зв’язку від ШІ]] ([[genai-teacher-feedback-comparison|GenAI проти зворотного зв’язку викладача]], [[care-full-feedback-genai|care-full feedback]], [[repeated-ai-writing-feedback-semester|повторюваний зворотний зв’язок від ШІ]]) розглядають, чи покращує зворотний зв’язок від ШІ письмо і як він порівнюється з людським зворотним зв’язком. Модель PAIRR ([[pairr-ai-peer-review-2025|Peer and AI Review + Reflection]]) поєднує ШІ з [[peer-assessment]] і виявляє, що зворотний зв’язок від ШІ найкорисніший в антропоцентричному процесі. Восьмитижневий квазіексперимент із 61 письменником L2 китайської ([[teacher-vs-ai-peer-feedback-l2-writing-2026|Tang et al., 2026]]) надає цьому твердженню конкретну форму: зворотний зв’язок викладача давав значно більше пунктів (316 проти 185 у першому завданні) і перерозподіляв пріоритети на організацію та аргументацію, але його перевага в редагуванні після публікації слабшала від 4.06 до 2.73 балів, щойно друге завдання зажадало структурної зміни, тоді як [[peer-assessment|зворотний зв’язок від однолітків із підтримкою ШІ]] зберігав вужчий, стійкіший фокус і вийшов уперед (3.89 балів, із середнім редагуванням 89.82 на другому завданні проти 88.35 в контролі — невелика різниця, що не досягла значущості). Жоден із режимів не зрушив синтаксичну складність, тому автори радять гібридний поділ праці «ШІ–однолітки–викладач»: ШІ для позначення помилок і керівництва контентом, однолітки для узгодження редагувань, викладачі для складної синтаксичної структури та аргументації.
- **Зворотний зв’язок від ШІ не адаптується до стадій письма так, як викладацький.** [[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al. (2026)]] виявили, що викладач значно змінювався за п’ятьма типами фокусу зворотного зв’язку між стадіями чернетки — похвала зростала від 26.9% спочатку до 84.9% у фінальних чернетках — тоді як найближча модель рухалася за трьома типами, а найменша — за жодним, і жодна модель не відтворила розрізнення викладачем студентів із вищими та нижчими результатами.

- **Редагування та діалогічне позиціонування:** Там, де більшість досліджень зворотного зв’язку щодо письма запитує, чи покращило редагування текст, [[zhao-ji-appraisal-human-ai-revisions-2026|Zhao and Ji (2026)]] запитують, яку позицію займає відредагований текст. Кодуючи 168 аргументаційних есе EFL за теорією оцінки (Appraisal Theory) — перші чернетки, редагування після [[peer-assessment|зворотного зв’язку від однолітків]] і редагування тих самих чернеток за ChatGPT-4 — вони виявили, що три умови статистично нерозрізненні за тим, скільки мови залучення (Engagement) вони використали, але по-різному сконфігуровані: редагування за зворотним зв’язком від однолітків стали більш контрактивними (більше Counter і Endorse, менше Entertain), тоді як редагування ШІ зберегли більш збалансовану суміш Contract/Expand, що поєднувала сильніші контраргументи з тривалим пом’якшенням. Їхнє прочитання: редагування ШІ найкорисніше як контрастний текст, який студенти порівнюють зі своїм редагуванням, а не як зразкову відповідь, і [[ai-feedback-quality|зворотний зв’язок від ШІ]] щодо аргументації може покращувати прозу, тихо закриваючи діалогічний простір автора — вимір, який не фіксує жодна сучасна рубрика.
- **Підтримка письмового процесу та здійснення:** дослідження [[agency-gap-ai-writing|розриву в здійсненні]] та [[ai-writing-support-stage-ownership-2026|дослідження володіння стадіями]] досліджують, як ШІ змінює письмовий процес від планування до редагування і як на [[agency]] здобувачів впливає участь ШІ на різних стадіях.

- **Постгуманістичні перспективи:** [[posthumanist-ai-literacy-2025|постгуманістичний підхід до ШІ-грамотності]] переосмислює письмо як людсько-ШІ-переплетення, в якому [[agency]] розподілене, кидаючи виклик і некритичній антропоморфізації ШІ, і його зведенню до простого інструменту — реляційний, а не транзакційний погляд на ШІ-грамотність.

- **Письмо L2 / [[multilingual-learning|багатомовне]]:** [[self-referential-l2-writing-llm-assessment|оцінювання письма L2]], [[genai-linguistic-diversity-academic-writing|дослідження лінгвістичної різноманітності]] та [[ai-writing-support-stage-ownership-2026|дослідження володіння стадіями]] розглядають, як ШІ підтримує (чи обмежує) письменників другої мови та багатомовних письменників, включаючи ризик посилення норм стандартної академічної англійської. Наймолодша вибірка L2 в цій базі знань походить із дев’ятитижневої програми письма-думок із підтримкою GenAI для 301 учнів 5 і 6 класів у Східному Китаї ([[genai-writing-program-primary-l2-motivation-engagement|Lu et al., 2026]]), яка підвищила ідеальне само письма L2 та академічну стійкість і покращила оцінене за рубрикою вживання мови, залишивши організацію та загальні бали незмінними — підтримка ШІ зрушила конкретні виміри письма, а не здатність писати в цілому.

- **Упередженість у персоналізованому зворотному зв’язку (Marked Pedagogies):** [[marked-pedagogies-linguistic-bias-writing-feedback|Tan et al. (2026)]] показують, що [[llm]] інструменти зворотного зв’язку щодо письма не є мовно-нейтральними: персоналізація зворотного зв’язку за расою, етнічністю, позначенням ELL, порушенням навчання, досягненням чи мотивацією студента систематично зрушує зворотний зв’язок у стереотипно узгоджений бік — включаючи упередженість позитивного зворотного зв’язку та упередженість утримання зворотного зв’язку (надмірне вжитвання похвали, менш суттєвої критики, припущення обмеженої здатності) для студентів, позначених расою, мовою чи інвалідністю, навіть коли есе ідентичне. Це робить саму «[[personalized-learning|персоналізацію]]» вектором упередженості, який інструменти зворотного зв’язку щодо письма повинні аудитувати та контролювати.

- **Академічна доброчесність:** Дані опитувань ускладнюють рамку боротьби безпосередньо: серед 504 студентів-соціологів ([[student-genai-use-views-writing|Kuznetsov et al., 2026]]) 65 відсотків використовували GenAI для курсів, але лише 3 відсотки — для генерації тексту завдань і 2 відсотки — для створення повної чернетки, тоді як страх академічного порушення був другим за поширеністю занепокоєнням (28 відсотків), і приблизно чверть повідомили про відсутність будь-яких вказівок (19 відсотків) або вказівки, які вони вважали незрозумілими. За цими даними проблема освіти в галузі письма — незрозумілість щодо дозволеного використання, а не поширена генерація тексту. [[nash-preservice-teachers-classroom-ai-policies-2026|Nash and Burriss (2026)]] показують, як така незрозумілість виробляється на рівні аудиторії. Кодуючи власні класні [[educational-policy-ai|політики щодо ШІ]] 27 [[teacher-education|майбутніх]] викладачів англійської мови та мистецтва, вони виявили, що 26 із 27 дозволяли певне використання [[generative-ai|генеративного ШІ]], але переважно на викладацьких умовах, причому 22 із 27 дозволяли ШІ для генерації ідей і мозкового штурму, забороняючи створення ШІ речень, абзаців чи робіт. Межі рідко операціоналізувалися — один учасник дозволяв ШІ «щоб розпочати ваше мислення» і оголошував «ось де слід провести лінію», не кажучи де — і багато політик водночас забороняли подачу тексту ШІ й покладали на студентів відповідальність за текст ШІ, який вони подали, — суперечність, що залишає студентів нездатними дотримуватися. Двадцять дві із 27 політик мовчали про читання взагалі, поступаючись роботою з розуміння за підтримкою ШІ жодним вказівкам.

- **Політика розходиться на п’ятьох сайтах.** Опитуючи 20 студентів бакалаврату, Кім і колеги знаходять п’ять відмінних сайтів політики щодо ШІ — намір викладача, формальна політика, інтерпретація студента, само-політика та практика — і каталогізують 23 раціоналізації, переважно імпровізовані й постфактум, що пояснюють, чому правила на одному сайті рідко формують поведінку на іншому ([[student-rationalization-ai-writing|Kim et al. (2026)]]).

- **Дотримання може маскувати відсутнє дослідження (академічне стирання).** З 49 розповідей викладачів [[academic-erasure-complexity-ai-writing-2026|Nwagboso & Atuba (2026)]] називають *академічне стирання* — плавність, що задовольняє кожен поверхневий критерій, обходячи епістемічну працю аргумента — і відстежують її драйвер у культурі оцінювання, де рубрики, що винагороджують відшліфованість, роблять використання ШІ раціональною відповіддю, а не порушенням.

### Письмо як мислення

Оскільки письмо є когнітивним процесом, дослідження ШІ в письмі пов’язуються з [[cognitive-offloading]] (чи обходить підтримка письма від ШІ мислення?), [[metacognition]] (чи покращує зворотний зв’язок від ШІ [[self-assessment]]?), [[self-regulated-learning]] (чи регулюють студенти своє використання зворотного зв’язку від ШІ?) та [[ai-literacy]] (чи можуть студенти критично оцінювати письмо, створене ШІ?). Дослідження [[critical-thinking-genai-scaffolding|скаффолдингу критичного мислення]] та [[ai-feedback-critical-thinking-writing-2026|зворотного зв’язку від ШІ для критичного мислення]] показують, що [[pedagogy|педагогічна]] цінність ШІ в письмі залежить від того, чи спонукає він до рефлексії та судження, а не до заміни відповідей.

Валідація за двома хвилями з учнями EFL китайської (EFA N = 305; CFA N = 342) відокремлює шість регуляторних вимірів і додає *екологічну регуляцію* — перевірку згенерованого контенту, фільтрацію запропонованих ресурсів і обмеження сподівання — грань, якої не несли наявні шкали письма L2 ([[genai-srl-l2-writing-scale-2026|Wang, Zhang and Zhang (2026)]]).

[[layer-sensitive-cognitive-offloading-writing-2026|Chen (2026)]] загострює це **шарово-чутливим** описом [[cognitive-offloading|когнітивного розвантаження]] в академічному письмі з допомогою GenAI: делегування *глибших* шарів (міркування, аргументаційна логіка) несе сильніший негативний зв’язок із якістю самостійного письма без ШІ та [[critical-thinking|місленням вищого порядку]], ніж делегування поверхневих шарів (граматика, словниковий запас). Відкрита співпраця зі ШІ дала найкраще підтриманий продукт, але найгірші самостійні результати, тоді як обмежена підтримка з рефлексією зберегла компетентність — доказ, що підтримка письма GenAI не є рівномірно шкідливою, але її ефект залежить від того, який когнітивний шар студенти делегують.

- **Блокування продукту ШІ за попереднім залученням повертає зусилля авторові.** З 398 учасниками [[engage-to-unlock-productive-friction-genai-2026|Su et al. (2026)]] виявили, що письменники складали текст 28.02 хвилини проти 23.26 із відкритим чатботом, потім оцінювали уривки швидше (17.41 проти 22.21 хвилин) за однакової точності та без додаткового часу завдання. Там, де Чень знаходить ціну в *тому, який шар* делеговано, цей дизайн вирішує, *коли* модель взагалі може говорити.

[[lu-ai-multimodal-writing-critical-thinking-2026|Lu et al. (2027)]] розширюють це мислення на *багатомодальне* складання молодами письменниками. Змушуючи 60 [[k-12|учнів 5 класу]] екстерналізувати свої наративи як згенеровані ШІ зображення та короткі відео, вони отримали стійкі [[self-report-measures|самооцінені]] здобутки в інтерпретації, аналізі, оцінюванні та поясненні — гранях, які тренує багатомодальна ресеміотизація — але **жодного здобутку в умовиводі**. Зроблення смислу візуально явним знизило вимогу умовиводити неявний смисл із тексту — саме той механізм розвантаження, який описує Чень; лише структуроване обговорення з однолітками відновило нагоди для умовиводу. Дослідження застерігає, що [[multimodal|багатомодальне]] складання зі ШІ допомагає молодим письменникам рефлексувати над ясністю та когерентністю, водночас потенційно знімаючи умовиводну роботу, яку зберігає лише текстовий запис — міркування дизайну для викладачів письма, що поєднують [[visualization|візуалізації]] ШІ зі зворотним зв’язком [[peer-assessment|однолітків]].

Визмірно-специфічний патерн повторюється в цій літературі, і це корисна діагностика. В програмі письма L2 на початковому рівні емоційне та поведінкове [[student-engagement|залучення]] зросло, тоді як когнітивне та метакогнітивне залучення — ні, і автори називають знижене самоконтролювання під час письма явним ризиком підтримки GenAI ([[genai-writing-program-primary-l2-motivation-engagement|Lu et al., 2026]]). Отже, задоволення та діяльність на завданні не є доказом того, що відбувається глибша обробка — те саме розрізнення, яке робить дослідження розвантаження, запитуючи, який шар когнітивної роботи студент делегував.

Мета-аналіз 2026 року ([[meta-analysis-systematic-review|meta-analysis]]) ([[genai-writing-performance-meta-analysis-2026|Teng, 2026]]) із 11 ефектів на рівні дослідження, узятих із 31 дослідження, посилює діагноз із протилежного боку. Він повідомляє про велику середню перевагу навчання письму з підтримкою GenAI (g = 0.80), але гетерогенність достатньо висока, що нове впровадження мігло б правдоподібно не показати жодної користі, і єдиним стійким модератором була класифікація ризику упередженості, а не жодна педагогічна ознака — якість дослідження, а не дизайн викладання, пояснювала більшість варіації. Той самий синтез виявляє, що GenAI послідовно сильніший на ознаках нижчого порядку (граматика, лексична різноманітність, плинність речень), тоді як ефекти вищого порядку на аргументацію та когерентність залишаються непослідовними — що є саме тим шаровим розривом, який ця сторінка розглядає як центральну проблему дизайну.

### Проєктування підтримки письма від ШІ: коучинг, а не створення тексту

Оскільки письмо не має єдиної правильної відповіді, інструменти письма зі ШІ вимагають іншого дизайну, ніж тьютори з перевіркою відповідей. Керівництво щодо дизайну цієї бази знань (дивіться розроблений **приклад тренера письма зі ШІ** в FAQ щодо [[developing-ai-tutor|проєктування ШІ-тьютора]]) зосереджується на збереженні авторства та [[evaluative-judgment|оцінного судження]], а не на створенні готового тексту:

- **Відстежуйте здатності письма, а не лише бали за есе.** [[student-modeling|Модель здобувача]] тренера письма може відстежувати аргумент (специфічність тезису, узгодження твердження з доказом, контраргумент), організацію, інтеграцію доказів, редагування та стиль — щоб зворотний зв’язок націлювався на здібності, що зберігаються між есе.
- **Ґрунтуйте зворотний зв’язок у завданні.** Отримуйте справжнє завдання, рубрику, читання курсу, угоди про цитування та жанр і політику використання ШІ, щоб зворотний зв’язок посилався на конкретне завдання, а не вигадував загальні очікування.
- **По-різному ставтеся до стадій письма.** Участь ШІ на плануванні зменшує сприйняту власність менше, ніж на складанні чернетки, а створення чернетки ШІ дає найбільше зниження власності. Отже, тренер може ставити запитання й критикувати плани на плануванні, вимагаючи від здобувача спочатку створити прозу на складанні чернетки.
- **Робіть зворотний зв’язок пріоритезованим і рефлексивним.** Кожен раунд може пропонувати одну сильну сторону для збереження, один високоефективний аспект, одне запитання, що вимагає судження автора, і одну конкретну мету редагування — і тренер має просити здобувачів оцінити, чи погоджуються вони з пропозицією, розвиваючи [[feedback-literacy|оцінне судження]], а не послух.
- **Зберігайте авторський голос і стережіться гомогенізації.** Тренер має розрізняти помилки, аспекти ясності, риторичний вибір і стильові уподобання — і не «виправляти» автоматично останні, особливо для [[multilingual-learning|багатомовних]] письменників і нестандартних риторичних стилів.

Два нещодавні синтези уточнюють, наскільки добре ці вказівки щодо дизайну дотримуються на практиці. Огляд 23 емпіричних досліджень персоналізації ([[customizing-ai-writing-pedagogy-systematic-review-2026|Luo, 2026]]) виявляє, що, хоча цілі зрушили до письмових процесів і умінь вищого порядку, домінантним технічним маршрутом залишається [[prompt-engineering|підказкова інженерія]] (13 із 23 досліджень), спрямована на оптимізацію якості продукту, з [[learning-theories|теорією навчання]], обмеженою інтерфейсом, так що система поводиться «здебільшого теорією-агностично» — невідповідність, яка допомагає пояснити [[cognitive-offloading|надмірну залежність]] і поверхневе редагування, про які повідомляють ті самі дослідження. Його переосмислення — розглядати персоналізацію як архітектуру, а не як формулювання: послідовне розташування стадій, утримання відповідей і вбудовування циклів редагування. Структурований робочий процес із п’яти частин, випробуваний протягом 11 тижнів із 53 саудівськими студентами бакалаврату EFL ([[human-ai-collaboration-academic-writing-2026|Alshehri et al., 2026]]), показує альтернативу на практиці — студенти формують проблеми та проєктують підказки, пишуть чернетки, редагують, перевіряють твердження та цитування проти наукових баз даних і регулюють власне сподівання, записуючи, що приймають чи відхиляють і чому. Володіння письмом і цифрове [[critical-thinking|критичне мислення]] зросли разом у тій умові (15.23 проти 11.91 і 89.84 проти 56.18 на посттесті), тоді як контроль без ШІ ледве зрушився, хоча одномісний, частково [[self-report-measures|самооцінений]] результат є попередньою верхньою межею, а не встановленим ефектом.

Ця позиція «коучинг, а не створення тексту» є виразом у домені письма найвагомішої межі цієї бази знань «[[coach-not-crutch-ai-writing|тренер, а не милиця]]»: визначити когнітивну діяльність, що породжує навчання (планування, складання чернетки, оцінювання, редагування), і проєктувати ШІ, щоб підтримувати її, не забираючи її в здобувача.

### Зв’язки

Освіта в галузі письма пов’язується з [[automated-essay-scoring]], [[ai-feedback-quality]], [[academic-integrity]], [[cognitive-offloading]], [[ai-literacy]], [[language-learning]], [[formative-assessment]], [[peer-assessment]], [[metacognition]], [[self-regulated-learning]] і [[higher-ed]]. Це домен, де здатності та ризики ШІ обидва дуже видимі, що робить його багатим місцем для вивчення того, як ШІ трансформує педагогіку, [[assessment]] і саму природу авторства та [[agency]].

## Наслідки для викладачів письма

- **Рамкуйте ШІ як доповнення, а не заміну письмового процесу.** Дослідження цієї бази знань послідовно розглядає ШІ як опору для складання чернетки, редагування та зворотного зв’язку, захищаючи когнітивну роботу та людську аудиторію, що роблять письмо навчальною діяльністю — [[coach-not-crutch-ai-writing|коучинг, а не милиця]].
- **Використовуйте зворотний зв’язок від ШІ в антропоцентричному процесі.** [[pairr-ai-peer-review-2025|PAIRR]] виявляє, що зворотний зв’язок від ШІ найкорисніший у поєднанні з рецензуванням однолітків та рефлексією; проєктуйте цикли зворотного зв’язку, що тримають викладача та аудиторію однолітків у центрі.
- **Аудитуйте автоматизований зворотний зв’язок на упередженість.** [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]] показує, що зворотний зв’язок ВММ зрушується стереотипно узгодженими способами, коли персоналізується атрибутами студента — стежте за позитивною/утримувальною упередженістю і будьте явними, що персоналізація може бути вектором упередженості.
- **Стежіть за когнітивною роботою письма.** Стежте за [[cognitive-offloading|надмірною залежністю]], що обходить планування, редагування та самооцінювання; використовуйте ШІ на обраних стадіях ([[ai-writing-support-stage-ownership-2026|володіння на основі стадій]]), щоб захистити здійснення студентів.

- **Проєктуйте для розширення повноважень, а не для примушення.** Дослідження PLS-SEM із 327 студентами бакалаврату EFL китайської
  ([[empowerment-ai-assisted-deep-revision-efl-writing-2026|Li & Zhang, 2026]]) випробувало два важелі, якими викладачі письма справді володіють, і виявило, що працює лише один із них. ШІ [[prompt-engineering|підказкова]] грамотність сильно передбачала сприйняту компетентність,
  психологічну безпеку та [[motivation|внутрішню мотивацію]], і всі три психологічні потреби частково опосередковували її зв’язок із
  залученістю до глибокого редагування, причому внутрішня мотивація була найсильнішим одиничним драйвером глибокого редагування. Зовнішні мандати не мали жодного прямого
  ефекту. Практичний переклад — вимагання глибокого редагування не породжує його — вимога примушення може бути
  потрібна, щоб редагування взагалі відбулося, але глибина походить із побудови здатності студентів формулювати підказки та внутрішньої
  мотивації і психологічної безпеки, які з неї випливають.

- **Виявляйтеся з академічною доброчесністю конструктивно.** Переходьте від боротьби з використанням ШІ до побудови [[ai-literacy]] та рамки етичного використання, що дозволяє студентам використовувати ШІ без ненавмисних порушень.

- **Виявлення не є стратегією доброчесності для письма.** [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] стверджують, що показники детекторів не можуть відповідати стандарту балансу ймовірностей, якого вимагають справи про доброчесність, і що дихотомія «людина чи ШІ» хибно читає роботу, створену *з* ШІ, а не *ним*, радячи закладам перерозподілити бюджет від виявлення та спостереження до [[authentic-assessment|дизайну оцінювання]] та [[ai-literacy]].

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[nash-preservice-teachers-classroom-ai-policies-2026]] — Класні політики майбутніх викладачів щодо ШІ: напруги та переплетення
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — Рамка «людина в циклі» для оцінювання письма з підтримкою ШІ у великомасштабній атестації
- [[llm-comparative-judgment-writing-screening-2026]] — Валідність порівняльного судження великих мовних моделей для універсального скринінгу письма
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Шарово-чутливе когнітивне розвантаження в письмі з допомогою GenAI (Chen 2026)
- [[your-brain-on-chatgpt-cognitive-debt-essay-writing]]
- [[coach-not-crutch-ai-writing]] — Інструменти письма зі ШІ можуть покращувати вміння писати, незважаючи на зниження зусиль (Lira et al. 2025)
- [[llms-do-not-grade-essays-like-humans-2026]] — ВММ не оцінюють есе як люди (Mathew et al. 2026)
- [[pairr-ai-peer-review-2025]] — Peer and AI Review + Reflection (PAIRR)
- [[posthumanist-ai-literacy-2025]] — Постгуманістичний підхід до ШІ-грамотності
- [[choi-anchor-aes-prompting-2025]] — Anchor-Based Automated Essay Scoring
- [[aiawe-automated-writing-evaluation]] — AIAWE: Automated Writing Evaluation
- [[agency-gap-ai-writing]] — Розрив у здійсненні в письмі з підтримкою ШІ
- [[ai-writing-support-stage-ownership-2026]] — Від планування до редагування: підтримка письма від ШІ на різних стадіях
- [[genai-teacher-feedback-comparison]] — Порівняння зворотного зв’язку генеративного ШІ та викладача
- [[student-rationalization-ai-writing]] — «Це нормально, бо…»: Дикий Захід раціоналізації студентів
- [[care-full-feedback-genai]] — Підходи Care-Full Feedback
- [[self-referential-l2-writing-llm-assessment]] — Самореференційне оцінювання письма L2
- [[becerra-aicofe-feedback-2026]] — Системи зворотного зв’язку від однолітків на основі ШІ
- [[repeated-ai-writing-feedback-semester]] — Оцінювання студентами повторюваного зворотного зв’язку від ШІ
- [[veriforge-narrative-drafting-scaffolding-2026]] — VeriForge: скаффолдинг наративного складання
- [[ai-feedback-critical-thinking-writing-2026]] — Використання згенерованого ШІ зворотного зв’язку для покращення критичного мислення
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: лінгвістичні упередженості в персоналізованому автоматизованому зворотному зв’язку щодо письма
- [[bassett-ai-detectors-education-2026]] — Heads we win, tails you lose: детектори ШІ в освіті (Bassett et al. 2026)
- [[academic-erasure-complexity-ai-writing-2026]] — Академічне стирання: зникнення складності в письмі з підтримкою ШІ
- [[making-ai-annoying-constrained-writing-2026]] — Робити ШІ дратівливим навмисно: обмеження в письмі з підтримкою ШІ (Konradt, Boote & Taub 2026)
- [[lu-ai-multimodal-writing-critical-thinking-2026]] — Багатомодальне складання зі ШІ та критичне мислення в початковому письмі (Lu et al. 2027)
- [[student-genai-use-views-writing]] — Використання студентами GenAI для письма та їхні погляди (Kuznetsov, Sheely & Baker 2026)
- [[genai-writing-program-primary-l2-motivation-engagement]] — Програма письма з підтримкою GenAI для мотивації, залученості та результатів L2 на початковому рівні (Lu et al., 2026)
- [[automated-scoring-marketing-posts-agreement-2026]] — Узгодженість та помилка в автоматизованому оцінюванні студентських маркетингових постів
- [[empowerment-ai-assisted-deep-revision-efl-writing-2026]] — Підказна грамотність і внутрішня мотивація рушать глибоким редагуванням, тоді як зовнішні мандати не мають прямого ефекту (Li & Zhang 2026)
- [[llm-feedback-focus-adaptivity-student-writing-2026]] — Оцінювання фокусу зворотного зв’язку та педагогічної адаптивності в згенерованому ВММ зворотному зв’язку на письмо студентів
- [[teacher-vs-ai-peer-feedback-l2-writing-2026]] — Зворотний зв’язок викладача проти зворотного зв’язку від однолітків із підтримкою ШІ як різнорідних скаффолдингів L2 у восьмитижневому квазіексперименті (Tang et al., 2026)
- [[genai-writing-performance-meta-analysis-2026]] — Мета-аналіз результатів письма GenAI: великий зведений ефект, крихка величина, методологія вище педагогіки (Teng 2026)
- [[customizing-ai-writing-pedagogy-systematic-review-2026]] — Систематичний огляд персоналізації письма зі ШІ та невідповідності між теорією й дизайном (Luo 2026)
- [[human-ai-collaboration-academic-writing-2026]] — Структурована співпраця людини та ШІ в академічному письмі та цифровому критичному мисленні (Alshehri et al., 2026)
- [[zhao-ji-appraisal-human-ai-revisions-2026]] — Людські та ШІ-редагування тієї самої чернетки займають різні діалогічні позиції: зворотний зв’язок однолітків закриває діалогічний простір, редагування ШІ зберігає його збалансованим (Zhao & Ji 2026)
- [[engage-to-unlock-productive-friction-genai-2026]] — Engage-to-Unlock: блокування продукту ШІ за попереднім залученням перерозподілило зусилля на письмо, не коштуючи часу чи точності (N = 398)
- [[genai-srl-l2-writing-scale-2026]] — Шестивимірна шкала GenAI-SRL для письма L2, з екологічною регуляцією (управлінням інструментами) як відмінним виміром

---

## [Вивчення мов](https://edtechdev.github.io/aied/concepts/language-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Вивчення мов** — дослідження того, як ШІ підтримує засвоєння другої мови (L2), розвиток письма та мовне різноманіття в освітніх умовах. [[ai-education|AI in education]] [[research-methods-aied|research]] в цій базі знань охоплюють ШІ-інтерлокюторів для усного діалогу, [[automated-essay-scoring|automated writing evaluation]] для здобувачів L2, підтримку читання та занепокоєння щодо мовної упередженості в системах оцінювання на базі ШІ.

## Питання для роздумів

- Мова за природою інтерактивна, що робить її добре придатною для [[conversational-ai|conversational AI]] — але мовні можливості ШІ також створюють ризики упередженості проти ненароджених у мові моделей. Де ви бачили, як ця напруга між можливістю і ризиком розігрувалася на практиці?
- Одне дослідження виявило, що оцінювання ШІ систематично занижує мовно слабких студентів, тоді як інше запропонувало порівнювати студентів із їхньою власною попередньою роботою, а не з нормами носіїв мови. Як «точка відліку» для оцінювання змінює те, чи [[ai-feedback-quality|AI feedback]] допомагає здобувачеві, чи карає його?
- ШІ-інтерлокютори можуть розширити комунікативну практику у масштабі, але сторінка попереджає, що їх слід поєднувати з людською взаємодією, щоб вільність володіння переносилася в справжню розмову. Що ви могли б здобути, практикуючись із ШІ, чого не може дати партнер-людина — і що ви втратили б?
- Підтримка викладача — а не лише інструмент ШІ — як було показано, рухає залученість у навчанні мов за допомогою ШІ через цілі досягнення студентів. Як соціальний і [[pedagogy|pedagogical]] контекст формує те, чи продовжують здобувачі займатися інструментом практики на базі ШІ?
- [[meta-analysis-systematic-review|meta-analysis]] виявив малі та помірні, залежні від рівня здобутки від нових технологій, причому продуктивні навички (усне мовлення, письмо) здобували більше, ніж рецептивні. Чому усне мовлення і письмо могли б вигравати від інструментів ШІ більше, ніж аудіювання й читання?
- Якщо ШІ надає перевагу стандартній англійській і може карати ненароджені в мові чи різноманітні мовні моделі, як викладачам мов слід проєктувати оцінювання та зворотний зв’язок, щоб ШІ підтримував мовне різноманіття, а не стирав його?

## Вступ

Вивчення мов стало значним доменом ШІ в освіті, бо мова за природою інтерактивна — що робить її добре придатною для розмовного ШІ — і бо мовні можливості ШІ створюють і можливості ([[personalized-learning|personalized language practice]] у масштабі), і ризики (систематична упередженість проти ненароджених у мові мовних моделей). Статті в цій базі знань досліджують обидві сторони цього рівняння. Там, де цільова мова — **конкретно англійська**, — особливо [[english-education|English for Academic Purposes (EAP)]] і викладання англійської як іноземної/другої (EFL/ESL/L2) [[teacher-role|teaching]] — див. спеціальну сторінку понять [[english-education]], яка відрізняє специфічні для англійської дослідження від загального засвоєння L2 і загального письма.

**ШІ як мовний репетитор і інтерлокютор** — найрозвиненіша тема. **[[ai-interlocutor-l2-spoken-dialogue|What Changes When the Interlocutor Is an AI?]]** досліджує інтеракційну вільність і мовне засвоєння, коли здобувачі L2 спілкуються зі ШІ проти людей. **[[tact-pedagogically-adaptive-esl-tutoring|TACT]]** забезпечує педагогічно адаптивний ESL-тьюторінг. **[[llm-children-reading-story-generation]]** досліджує згенеровані ШІ історії для розвитку читання дітей. Це пов’язується з [[intelligent-tutoring]] і [[generative-ai]]. **[[llm-agents-5e-esl-grammar-2026|Yang, Weng and Yang (2026)]]** спроєктували два агенти на базі [[llm]] — звичайного вчителя англійської на базі ШІ та такого, що використовує **рамку 5E** (залучення, дослідження, пояснення, поглиблення, оцінювання) для дослідницького навчання граматики. У рандомізованому порівнянні **37 студентів ESL** **успішні студенти позитивно сприйняли вчителя на базі ШІ**, тоді як маловдалі студенти проявили змішані ставлення, а умови відрізнялися за внутрішньою мотивацією, когнітивними змінами та продуктивністю — що вказує, що проєктування агента на базі LLM слід узгоджувати з рівнем володіння здобувача.

Для фізично втілених репетиторів метааналіз 11 досліджень RALL (N = 595) виявив великий об’єднаний ефект на навчання L2 (g = 0,83) із високою гетерогенністю, і його модерував лише формат взаємодії — групові формати перевершували індивідуальні, тоді як морфологія робота, модальність, автономність і соціальна роль — ні ([[robot-assisted-language-learning-meta-analysis-2026|Wang, Zhang & Zou (2026)]]).

**ШІ в мовному оцінюванні** постає як напрям, оскільки LLM підтримують [[automated-question-generation|item generation]] і оцінювання. **[[gpt-item-generation-l2-listening-2026|Aryadoust and Wong (2026)]]** порівняли [[prompt-engineering|prompt engineering]] з донавчанням для автоматичної генерації завдань в оцінюванні аудіювання L2: ітеративне вдосконалення підказок поліпшувало якість завдань, але вийшло на плато, тоді як **донавчання GPT-4.1 на оптимізованій підказці** (за незмінному проєктуванні підказки) дало подальші здобутки — взірець того, коли розробникам оцінювання варто інвестувати в адаптацію моделі, а не в ітерації підказок.

Порівняння 52 завдань оцінювання EFL, оцінених 20 досвідченими викладачами, не виявило суттєвої різниці в якості між згенерованими ШІ та розробленими людьми завданнями, але виявило чіткий поділ праці: ШІ віддавалася перевага в граматиці та лексиці (69 %), а людська розробка — в читанні, письмі, аудіюванні та усному мовленні (75–83 %) ([[ai-vs-human-assessment-efl-tpck-2026|Nourashrafi, Alavinia and Darvishi (2026)]]).

**Автоматизоване оцінювання письма для здобувачів L2** оцінює здатність ШІ оцінювати письмо ненароджених у мові. **[[self-referential-l2-writing-llm-assessment|Bannò et al.]]** запропонували самореферентний підхід, що порівнює письмо студента з його власною попередньою роботою, а не з нормами носіїв мови. **[[ai-scoring-language-bias-physics|Feser & Tschisgale]]** виявили, що оцінювання ШІ систематично занижує мовно слабких студентів — висновок, який пов’язується із занепокоєннями щодо [[assessment-validity]] і [[bias-mitigation]]. **[[genai-linguistic-diversity-academic-writing]]** досліджує, як ШІ впливає на мовне різноманіття в академічних контекстах.
Система на рівні дискурсу йде далі, називаючи дефект, а не оцінюючи текст: класифікація відношень між парами речень локалізувала розриви зв’язності — логічні стрибки, відсутні сполучники, неоднозначну відсиланість — і впровадження викладачами згенерованого нею зворотного зв’язку становило 71,2 %–88,4 % ([[bert-discourse-english-teaching-2026|Wang et al., 2026]]).

**[[accessibility]] для тих, хто вивчає мови** пов’язується з [[inclusive-learning]]: **[[dyslexlens-dyslexic-learners-ai|DysLexLens]]** проаналізувала, як здобувачі з дислексією використовують ШІ для підтримки грамотності, а **[[ai-tools-arab-english-classrooms]]** дослідила інструменти ШІ в арабо-англійських контекстах аудиторій. Ці дослідження пов’язують вивчення мов із [[equity-in-ai-education]] і [[special-education]].

**Мотиваційні механізми в навчанні мов за допомогою ШІ** розглядають, чому здобувачі займаються мовною практикою зі ШІ. **[[wang-goal-setting-ai-engagement-2026|Wang & Wang (2026)]]** використали теорію цілепокладання із 758 китайськими студентами-англілістами в університеті, щоб показати, що **підтримка викладача** посилює залученість у навчанні за допомогою ШІ через цілі орієнтації на опанування та цілі орієнтації на продуктивність студентів (а не через цілі уникання) — свідчення того, що педагогічний і соціальний контекст, а не лише інструмент ШІ, визначає, чи залишаються здобувачі залученими до мовної практики за допомогою ШІ. Це пов’язує вивчення мов із [[motivation]] і [[student-engagement]].

[[chatgpt-english-language-learning-malaysia|Annamalai et al. (2026)]] додають якісний приклад із теорії самодетермінації: в інтерв’ю з 25 малайзійськими студентами бакалаврату ChatGPT підтримував компетентність і автономію, а його розмовна чуйність породжувала почуття того, що тебе чують — «мотиваційну екологію, опосередковану ШІ», у якій пов’язаність частково задовольняється інструментом, хоча неточні посилання вимагали перевірки та людського доповнення.

Якість проєктування, а не частота використання, несла мотиваційний ефект у репетитора, побудованому викладачем: серед 74 студентів бакалаврату, які користувалися японським GPT, обмеженим курсом, частота використання поза аудиторіями не показала суттєвої кореляції з автономією, компетентністю чи пов’язаністю, тоді як здобувачі високо оцінили репетитора за самоорієнтоване навчання (M = 4,39) і назвали афективну безпеку (60,8 %) ([[instructor-designed-ai-tutors-foreign-language-sdt-2026|Lee & Kwon, 2026]]).

**Письмо за підтримки GenAI на початковому рівні.** [[genai-writing-program-primary-l2-motivation-engagement|Lu et al. (2026)]] провели дев’ятитижневу програму письма-думки зі 301 здобувачем 5-го та 6-го класів у Східному Китаї, де вісім цілісних класів було випадково призначено на програму або на звичайне навчання. Програма підвищила ідеальне «я» здобувача як автора L2 (скоригована різниця середніх 0,20) та академічну плинність (0,17) і збільшила поведінкову та емоційну залученість, але не змістила мислення зростання, когнітивну чи метакогнітивну залученість, або оцінену за рубрикою організацію — серед вимірів письма покращилося лише мовне вживання. Дві риси проєктування важливі для викладачів мов: підказки вчили явно, через категоризований банк підказок, прив’язаних до конкретних цілей письма, і зворотний зв’язок GenAI використовувався разом із порівнянням із зворотним зв’язком викладача та повторним переглядом. Прирости авторства, про які повідомляли здобувачі, спиралися на цю інструкційну структуру, а не на інструмент сам по собі, і автори називають ослаблене [[metacognition|self-monitoring]] та стратегії, орієнтовані на скорочення шляху, постійними ризиками.

## Наслідки для викладачів мов

- **Нові [[ai-technologies|technologies]] дають малі та помірні, залежні від рівня здобутки.** [[liu-emerging-tech-tefl-review-2026|meta-analysis of 33 TEFL studies]] (N = 3 181) виявляє загальний ефект Hedges' g = 0,38, який зростає з освітнім рівнем (початковий 0,29, середній 0,35, вищий 0,44), причому VR/AR дають найбільші ефекти, а продуктивні навички (усне мовлення, письмо) здобувають більше, ніж рецептивні, — що підтримує використання нових технологій, особливо на вищому рівні, зберігаючи реалістичність очікувань.
- **Систематичний огляд показує, де елементарна мовна освіта на базі ШІ є тонкою.** За 31 дослідження (2013–2025) робота в початкових мовних аудиторіях згрупувалася навколо усного мовлення, грамотності та лексики, тоді як граматика, розуміння на слух і жестова мова майже не досліджувалися, і в більшості проєктувань бракувало специфіки для класу ([[ai-elementary-language-education-review-2026|Hamasha et al., 2026]]).
- **Використовуйте ШІ, щоб розширювати комунікативну практику, а не заміняти її.** [[ai-interlocutor-l2-spoken-dialogue|AI interlocutors]] і [[tact-pedagogically-adaptive-esl-tutoring|adaptive ESL tutors]] розширюють інтеракційну практику у масштабі — поєднуйте їх із людською взаємодією, щоб вільність і засвоєння переносилися в справжню розмову.

- **Стежте за тим, щоб у виводі ШІ не було прагматичної, а не лише граматичної помилки.** Викладачі п’яти онлайн-методик викладання мов назвали прагматичну сліпоту — коли вивід ШІ є граматично правильним, але хибним за тоном, формальністю чи культурою ([[ai-ethics-tensions-online-pedagogy-2026|Baoyi and Khan (2026)]]).
- **Пріоритезуйте якість зворотного зв’язку над кількістю в усному мовленні з підтримкою ASR.** [[asr-english-speaking-feedback-metacognition-2026|Chen et al. (2026)]] виявляють, що точне виправлення помилок і структурно організовані завдання рефлексії поліпшують інтеріоризацію [[feedback]] та рефлексивну поведінку в усному англомовленні студентів коледжу, тоді як часте використання ASR і точність розпізнавання посилюють мотивацію чи рефлексію лише частково — технічна точність сама по собі не веде до глибшої когнітивної залученості, і мовне володіння модерує здобутки (сильніші здобувачі інтеріоризують зворотний зв’язок ефективніше). Це спонукає до педагогічно обґрунтованого зворотного зв’язку (наприклад, артикуляційних пояснень замість простих позначок помилок), скаффолдингованої рефлексії та підтримки, диференційованої за рівнем володіння.
- **Давайте підказки раніше за виправлення.** Завдання ChatGPT за схемою «підказка перед виправленням», у якому здобувачі виводять виправлення з керованих підказок, а не отримують прямі виправлення, зменшило когнітивне навантаження й підтримало персоналізований перегляд — але користь стосувалася здебільшого тих, хто вже мав достатньо попередніх знань (58 студентів, CEFR A1–B1) ([[lukesova-clue-before-correction-2026|Lukešová & Jennings (2026)]]).
- **Давайте зворотний зв’язок із вимови, який локалізує різницю для усунення.** Profy вивчає володіння з переважно неанотованого мовлення і показує, *де* здобувач відхиляється від розподілів носіїв мови; його довірчі інтервали зрозумілості до/після не перекривалися, на відміну від базового методу викликаної імітації, — свідчення того, що практика імітації може підтримуватися без експертів-оцінювачів ([[ai-guided-learning-audiovideo-2026|Kawamura (2026)]]).
- **Підтримуйте психологічну адаптацію здобувачів до навчання за допомогою ШІ.** [[wu-psychological-adaptation-ai-japanese-learning-2026|Wu (2026)]] відстежує тих, хто вивчає японську, упродовж семестру й виявляє, що вони розподіляються на профілі дезадаптивної, помірної та позитивної адаптації, які рухає баланс техностресу та стійкості, причому більшість здобувачів поступово зрушує до позитивної адаптації і повідомляє про вищу [[self-efficacy]] і нижче вигоряння — сигнал проєктувати мовну практику, опосередковану ШІ, так, щоб керувати технологічною напругою, а не лише доступом до інструмента.
- **Будьте пильні щодо упередженості оцінювання та зворотного зв’язку проти здобувачів.** [[ai-scoring-language-bias-physics|AI scoring]] може карати ненароджені в мові моделі; [[genai-linguistic-diversity-academic-writing|linguistic-diversity research]] попереджає, що ШІ надає перевагу стандартній англійській — використовуйте самореферентне оцінювання або оцінювання з людським модеруванням.
- **Підтримуйте весь спектр здобувачів.** [[dyslexlens-dyslexic-learners-ai|Dyslexia and accessibility studies]] і [[culturally-relevant-pedagogy|culturally responsive]] проєктування ([[ai-tools-arab-english-classrooms|Arab-English contexts]]) показують, що ШІ потрібно адаптувати до різноманітних потреб здобувачів, а не вважати універсальним.

- **Інфраструктура, а не лише оцінювання, виключає мови.** Бенгальська становить менше 0,5 % глобального вебвмісту проти дефіциту навчальних токенів 67:1 англійської до бенгальської та розриву в зв’язності між селом і містом (36,5 % проти 71,4 % проникнення інтернету), тому проєктування на рідній мові та з пріоритетом офлайну — передумова доступу, а не зручність ([[structural-silence-underrepresented-language-ai-2026|Roy and Roy (2026)]]).
- **Педагоги цінують GenAI для підготовчої роботи, а не для використання в аудиторії вживу.** [[li-language-educators-genai-review-2026|PRISMA systematic review of 23 studies]] (Li et al. 2026) виявляє, що педагоги мов найбільше цінують GenAI для закулісної підготовки — [[curriculum-design|lesson planning]], створення матеріалів та підтримки письма і зворотного зв’язку, — водночас залишаючись обережними щодо безпосереднього впровадження обличчям до аудиторії, що відображає розрив між теорією і практикою: схвалення ШІ за принципом проти використання його вживу. Впровадження формують чинники професійної ідентичності, педагогічні, технічні, [[governance|institutional]] та [[academic-integrity]], причому педагоги розташовуються на спектрі від невпровадження до всеохопної інтеграції; із досвідом ставлення схильні еволюціонувати від початкової невпевненості до впевненого, вибіркового використання.
- **Готуйте [[ai-literacy|AI literacy]] викладачів мов.** [[governing-unseen-ai-literacy-language-teachers-2026|Systematic reviews]] виявляють, що ШІ-грамотність серед викладачів мов — ключовий розрив; інвестуйте в [[educational-development|professional development]] викладачів разом із упровадженням інструмента. Оскільки ШІ переформатовує мовну освіту, ШІ-грамотність також критично важлива для викладачів, щоб критично взаємодіяти з технологією: Teachers' AI Literacy Scale (TAILS) було розроблено для мовної [[teacher-education|teacher education]], операціоналізуючи шестивимірну рамку ED-AI (знання, оцінювання, співпраця, контекстуалізація, [[agency|autonomy]], [[ethics]]) і перевірено на майбутніх викладачах англійської мови.
- **Чотири профілі взаємодії в завданні з високим навантаженням двома мовами.** [[student-ai-interaction-consecutive-interpreting-2026|Kuang, Li and Weng (2026)]] використали трекінг очей, запис пера та запис голосу зі 22 стажерами з усного перекладу, щоб показати, що студенти розподіляють увагу між виводом ШІ та власним нотаткуванням чотирма відмінними способами — Intensive Engagers, Fast Scanners, Traditionalists і Frequent Switchers — і що 58,3 % спостережень на рівні етапу змінювали профіль між етапами розуміння і продукції того самого завдання. Лише моделі на етапі розуміння передбачали якість продукту, і кластер із найбільшою вагою ШІ набрав найнижчих балів за вільність подачі та якість цільової мови, що доводить потребу вчити здобувачів описувати й рефлексувати власну стратегію, а не нав’язувати один спосіб роботи з інструментом.
- **Прокладіть повний цикл чотирьох навичок навколо вартості та зв’язності.** [[llmersion-local-first-language-learning-2026|Guo et al. (2026)]] випускають LLMersion-1, локальний прототип, що працює з аудіюванням, читанням, усним мовленням і письмом над власним документом здобувача на споживчому обладнанні — репетитор на 1B квантується до 808 МБ, і весь резидентний стек залишається нижче 4 ГБ — і оцінює п’ять років щоденної практики приблизно в \\$18 електрики проти \\$1 200 за хмарну підписку. Результатів навчання не повідомляється, а зворотний зв’язок із вимови є лише сегментальним.

## Пов’язані поняття

- [[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]]
## Пов’язані статті
- [[student-ai-interaction-consecutive-interpreting-2026]] — Student-AI Interaction in Computer-Assisted Consecutive Interpreting
- [[wu-psychological-adaptation-ai-japanese-learning-2026]] — Profiles and Transitions of Psychological Adaptation in AI-Assisted Japanese Language Learning
- [[llm-agents-5e-esl-grammar-2026]] — LLM agents with 5E framework for ESL grammar acquisition (Yang, Weng & Yang 2026)
- [[gpt-item-generation-l2-listening-2026]] — Prompting vs. fine-tuning GPT for L2 listening item generation (Aryadoust & Wong 2026)
- [[bert-discourse-english-teaching-2026]] — BERT discourse classification for English teaching
- [[alharbi-ethical-genai-eap-2026]]
- [[sutama-chatgpt-eportfolio-speaking-2026]]
- [[ni-lam-multiliteracies-ai-portfolio-2026]]
- [[llms-text-linguistics-teaching-2026]] — LLMs in text linguistics teaching
- [[ai-vs-human-assessment-efl-tpck-2026]] — AI-generated vs human-developed assessment tasks in EFL
- [[governing-unseen-ai-literacy-language-teachers-2026]] — Governing the unseen: AI literacy among language teachers
- [[ai-guided-learning-audiovideo-2026]]
- [[ai-interlocutor-l2-spoken-dialogue]]
- [[robot-assisted-language-learning-meta-analysis-2026]] — Meta-analysis of AI-enhanced embodied robot-assisted language learning
- [[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 for Autonomous Language Learning
- [[chatgpt-english-language-learning-malaysia]] — Students' ChatGPT experiences in English language learning
- [[tts-dialogue-lessons-learner-characteristics-2026]] — Learner characteristics × TTS dialogue-format interactions
- [[liu-emerging-tech-tefl-review-2026]] — Meta-analysis of emerging tech for EFL
- [[wang-goal-setting-ai-engagement-2026]] — Goal-setting theory: teacher support, achievement goals, and engagement in AI-assisted English learning (758 Chinese students)
- [[li-language-educators-genai-review-2026]] — Language educators' practices and development with GenAI
- [[asr-english-speaking-feedback-metacognition-2026]] — ASR technology in college English speaking: feedback internalization and metacognitive strategies
- [[genai-writing-program-primary-l2-motivation-engagement]] — A GenAI-supported writing program for primary L2 learners (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]] — Pragmatic blindness: AI language output can be grammatically correct but culturally wrong

---

## [Освіта з англійської мови (EAP / EFL / ESL)](https://edtechdev.github.io/aied/concepts/english-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта з англійської мови** — застосування ШІ до [[teacher-role|teaching]] та навчальної діяльності з англійської мови, особливо **англійської для академічних цілей (EAP)** і викладання англійської мови загалом (EFL/ESL/L2). Це [[discipline-specific-aied|discipline-specific]] напрям [[ai-education|AIEd]], відмінний і від загального [[language-learning]] (засвоєння другої/іноземної мови будь-якої мови), і від [[writing-education]] (письмо як загальна навичка): він концентрується на англійській як цільовій мові та академічному регістрі, з власними сигнатурними педагогіками — комунікативною компетентністю, жанровим академічним письмом, корегуючим зворотним зв’язком і читанням/письмом в академічному регістрі, — які формують те, як ШІ проєктується, використовується та оцінюється.

## Питання для роздумів

- Англійська — мова, якої великі мовні моделі опанували найкраще. Це дає здобувачам англійської потужний скаффолдинг для академічного письма, — але чи може це також тихо закріпити упередженість на користь стандартної академічної англійської, маргіналізуючи [[multilingual-learning|multilingual]] письменників та письменників світових варіантів англійської? Який результат, на вашу думку, домінує?
- Англійська для академічних цілей (EAP) концентрується на жанровому академічному письмі, корегуючому зворотному зв’язку та академічному регістрі — відмінно від загального навчання мови або загального інструктування з письма. Чому саме конкретний регістр академічної англійської може змінювати те, що мають робити інструменти ШІ, у порівнянні з універсальною підтримкою письма?
- Якщо ШІ, який переписує вашу англійську, сам є найсильнішим саме в тій «стандартній академічній англійській», яку ви намагаєтесь опанувати, то коли це допомагає, а коли вирівнює ваш власний голос чи діалект? Як би ви відрізнили одне від іншого?
- Автоматизований зворотний зв’язок і ШІ-тьютори стають усе поширенішими в інструктуванні з англійського письма та мовлення. Що ШІ-зворотний зв’язок може пропустити в комунікативній компетентності, регістрі та аудиторії такого, що помітив би людський викладач або одноліток?

## Вступ

Англійська є одним із найбільш зачеплених ШІ дисциплінарних напрямів, оскільки [[llm|LLMs]] є домінантно англійськими: вони найсильніші в створенні, переписуванні та оцінюванні англійського тексту, що є саме тим, навколо чого концентрується інструктування з EAP та EFL/ESL. Ця англійська перевага створює відмінне подвійне лезо — потужний [[scaffolding]] для академічної англійської з одного боку, і закорінену упередженість на користь стандартної академічної англійської, що може маргіналізувати багатомовних здобувачів, з іншого.

## Охоплення та фокус

Це поняття організовує ШІ-[[research-methods-aied|research]] в **освіті з англійської мови** — підмножині навчання мови, де цільовою мовою є англійська (включно з контекстами EFL/ESL/L2) та академічно-англійським регістром (EAP). Основні теми:

- **Академічна англійська (EAP):** підтримка з боку ШІ для жанрової, предметно-специфічної англійської, яка використовується в письмі, читанні та зворотному зв’язку в вищій освіті, — відмінно від загального інструктування з письма.
- **Викладання англійської мови (EFL/ESL/L2):** [[intelligent-tutoring|AI tutors]], співрозмовники та інструменти [[feedback]] для здобувачів, що засвоюють англійську.
- **Предметно-специфічне [[assessment]] англійської:** автоматизоване оцінювання та зворотний зв’язок щодо англійського письма та мовлення, включно з переписуванням письма EAP та оцінюванням письма L2.
- **Читабельність читання та літератури:** [[bird-multimodal-educational-literature-2026|Bird (2026)]] зливає класифікацію текстів на основі трансформерів з ознаками обчислювальної лінгвістики, щоб класифікувати англійську літературу за UK Key Stage, досягаючи F1 0,996, — масштабоване, кероване даними доповнення до жанрової підтримки читання EAP та узгодження рівня читання.
- **Мовна справедливість:** напруженість між англійським домінуванням ШІ та потребами багатомовних письменників та письменників світових варіантів англійської.

## Чим освіта з англійської відрізняється від навчання мови

[[language-learning]] — це ширша парасоля для засвоєння будь-якої другої/іноземної мови — усної, письмової та грамотної, — через співрозмовників на основі ШІ, інструменти вимови та розмовну практику. Освіта з англійської є **англійсько-специфічним** випадком, і в її межах EAP є **регістр-специфічним** випадком:

| Вимір | [[language-learning]] | **Освіта з англійської (ця сторінка)** |
|-----------|----------------------|-----------------------------------|
| Цільова мова | Будь-яка L2 (французька, іспанська, японська, …) | Англійська саме |
| Фокус | Засвоєння L2 загалом: усний діалог, вимова, грамотність | Англійська як цільова + академічно-англійський регістр |
| Сигнатурні контексти | Розмова, вимова, загальна плавність | **EAP**: академічне письмо, читання, зворотний зв’язок, жанр |
| Репрезентативний ШІ | Співрозмовники L2, [[speech-and-voice-technologies|pronunciation feedback]], підтримка роботами L2 | Інструменти письма EAP, EFL-зворотний зв’язок однолітків, оцінювання англійського академічного письма |

Ці дві області сильно перекриваються (більшість навчання англійській є також засвоєнням L2), проте освіта з англійської виносить наперед англійську як цільову та академічний регістр, — наприклад, [[alharbi-ethical-genai-eap-2026|ethical GenAI integration in EAP]], [[feedback-literacy-scripts-eap-writing|GenAI EAP writing revision]] та [[genai-differentiated-eap-reading-materials-2026|EAP reading-material adaptation]] є специфічними для EAP у способах, якими не є універсальні дослідження навчання мови.

## Чим освіта з англійської відрізняється від освіти з письма

[[writing-education]] стосується письма як загальної когнітивної та риторичної навички — в усіх мовах і дисциплінах, від композиції до академічної доброчесності. Освіта з англійської концентрується саме на **англійській** і, в межах EAP, на **академічному регістрі**:

| Вимір | [[writing-education]] | **Освіта з англійської (ця сторінка)** |
|-----------|----------------------|-----------------------------------|
| Охоплення | Письмо загалом (будь-яка мова, будь-який жанр) | Англійська як цільова мова + академічно-англійський регістр |
| Сигнатурне занепокоєння | Композиція, переписування, [[agency]], авторство | Жанр EAP, академічний регістр, письмо L2/EFL, [[feedback-literacy|feedback literacy]] в англійській |
| Кут оцінювання | [[automated-essay-scoring|Automated essay scoring]], зворотний зв’язок щодо письма загалом | Предметно-специфічне оцінювання англійської (письмо EAP, [[peer-assessment|peer feedback]], оцінювання письма L2) |
| Кут справедливості | Упередженість у зворотному зв’язку щодо письма | Упередженість + напруженість англійського домінування/багатомовності (світові варіанти англійської) |

Багато статей про освіту з письма є перш за все англійськими (наприклад, [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]]), проте вони кадровані як загальні дослідження письма; освіта з англійської перецентровує виміри **англійської як цільової** та **академічної англійської**, яким універсальні сторінки письма та навчання мови надають недостатньо ваги.

## Статті в цьому кластері

- **Специфічні 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/оцінювання англійської як L2:** [[self-referential-l2-writing-llm-assessment|self-referential L2 writing assessment]], [[ai-interlocutor-l2-spoken-dialogue|L2 spoken-dialogue interlocutors]].
- **Мовна справедливість / світові варіанти англійської:** [[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]].

## Чому це має значення

Англійське домінування ШІ є визначальною рисою цього напряму. Оскільки моделі найсильніші в англійській і саме в стандартній академічній англійській, освіта з англійської водночас виграє непропорційно (потужні скаффолди EAP) і несе відмінні ризики (монолінгвальну упередженість, дискримінацію проти світових варіантів англійської та багатомовних письменників). Дослідження тут пов’язуються з [[equity-in-ai-education|equity]], [[bias-mitigation|bias mitigation]], [[automated-assessment|automated assessment]], [[ai-feedback-quality|AI feedback quality]] та [[academic-integrity|academic integrity]].

## Наслідки для викладачів англійської / EAP / EFL-ESL

- **Використовуйте силу ШІ для академічної англійської свідомо.** Оскільки моделі найсильніші в англійській та стандартній академічній англійській, викладачі EAP можуть розгортати ШІ для жанрового письма, диференціації матеріалів для читання ([[genai-differentiated-eap-reading-materials-2026|EAP materials]]) та зворотного зв’язку щодо переписування, — проте мають кадрувати ШІ як партнера в чернеткуванні/зворотному зв’язку, а не як машину відповідей.
- **Захищайте академічно-англійський регістр та грамотність щодо зворотного зв’язку.** [[feedback-literacy-scripts-eap-writing|EAP writing revision]] показує, що зворотний зв’язок є настільки ж продуктивним, наскільки є грамотність здобувача щодо зворотного зв’язку, — навчайте студентів інтерпретувати, судити та діяти на підставі ШІ-зворотного зв’язку, і використовуйте механізми другого оцінювача, щоб перевіряти якість ШІ.
- **Стежте за напруженістю справедливості між англійським домінуванням.** Моделі надають перевагу стандартній академічній англійській, маргіналізуючи письменників світових варіантів англійської та багатомовних письменників ([[genai-linguistic-diversity-academic-writing|World Englishes]], [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]]), — аудитуйте зворотний зв’язок на монолінгвальну упередженість та знижені очікування.
- **Інтегруйте ШІ в EAP етично.** [[alharbi-ethical-genai-eap-2026|Ethical GenAI in EAP]] закликає до прозорого, відповідального використання в викладанні англійської у [[higher-ed]], що зберігає академічну доброчесність.
- **Очікуйте обережного впровадження, що ставить підготовку на перше місце.** [[li-language-educators-genai-review-2026|systematic review of 23 studies]] (Li та співавт. 2026) виявляє, що викладачі мов найбільше цінують [[generative-ai|GenAI]] для прихованої підготовки — планування уроків, створення матеріалів та підтримки/зворотного зв’язку щодо письма, — водночас вагаючись щодо прямого використання в аудиторії, причому основні занепокоєння концентруються на [[academic-integrity|academic integrity]] (плагіат і [[assessment-validity|assessment validity]]). Впровадження формується чинниками професійної ідентичності, [[pedagogy|pedagogical]], технічними, [[governance|institutional]] та чинниками доброчесності, а прогалини в компетентностях картографуються на епістеме (розуміння можливостей/обмежень ШІ), техне ([[prompt-engineering]], проєктування завдань/оцінювання з підсиленням ШІ, виявлення згенерованого ШІ тексту) та фронезис ([[ethics|ethical]] судження, поводження з упередженістю/приватністю), — тому викладачі EAP/EFL мають свідомо будувати ці компетентності та планувати впровадження за схемою «спочатку бекенд, потім аудиторія».
- **Диференціюйте за рівнем володіння та потребою.** [[ai-vs-human-assessment-efl-tpck-2026|EFL assessment]] та дослідження адаптивного тьюторства підтримують пристосування підтримки та оцінювання з боку ШІ до рівня здобувачів, а не підхід «один для всіх».
- **Зміщуйте вагу технологій на продукування.** Метааналіз 33 досліджень TEFL виявив малий-до-помірний загальний ефект (g = 0,38, знижений до 0,28 trim-and-fill), який зростав з освітнім рівнем і був на користь продуктивних навичок — мовлення та письма, — над рецептивними ([[liu-emerging-tech-tefl-review-2026|Liu, Hashim & Sulaiman (2026)]]).

## Пов’язані поняття
- [[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]]

## Пов’язані статті
- [[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)

---

## [Екологічна освіта](https://edtechdev.github.io/aied/concepts/environmental-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

## Питання для роздумів

- «ШІ та екологічна освіта» може означати дві кардинально різні речі: використання ШІ для викладання *про* клімат і сталий розвиток, а також зменшення екологічної ціни *використання* ШІ в аудиторіях. Який з цих змістів лунає у вашому закладі — і до якого з них прив’язана стаття бюджету?
- Якщо університет викладає кліматичні науки за допомогою енергоємної [[llm|великої мовної моделі]] на ноутбуку кожного студента, чи сприяє він екологічній освіті, чи їй шкодить? Що має бути правдою, щоб відповіддю було «і те, й інше»?
- [[ai-assisted-inquiry-ssi-climate|Один експеримент]] виявив, що дослідницька діяльність із підтримкою ШІ покращувала прийняття кліматичних рішень порівняно з виключно дослідницькою діяльністю, причому здобутки концентрувалися на найслабших кроках. Чи довіряли б ви вивченню клімату з підтримкою ШІ у своїй аудиторії, і що вам знадобилося б побачити перед цим?
- Майже жодна стаття з [[ai-education|AIED]] не повідомляє про власні обчислювальні витрати або вуглецевий слід. Чи є неврахований вплив на [[sustainability]] проблемою дослідження, проблемою закупівель, проблемою викладання — чи жодною з них?

## Вступ

**Екологічна освіта** розвиває розуміння здобувачами екологічних систем, клімату та взаємозалежності людини й довкілля разом із установками та компетентностями, необхідними для дій щодо них — в інституційному вимірі її часто подають як освіту для сталого розвитку (ESD) або «зелену освіту». У контексті ШІ в освіті цей термін несе напругу, на яку корпус натрапляє, не завжди її називаючи: **ШІ як інструмент екологічної освіти** (викладання кліматичного контенту та контенту сталого розвитку за допомогою генеративних інструментів) і **власний екологічний слід ШІ** (вуглецеві, водні та енергетичні витрати моделей, які розгортають установи). Це різні питання з різними доказами, акторами й засобами виправлення; їх змішування — як це роблять декілька статей і більшість стратегічних документів — унеможливлює сказати, хто за що відповідальний.([[daniel-ai-sustainability-scoping-review-2026]])([[aied-carbon-footprint-reporting]])

## Дві речі під назвою «екологічна освіта зі ШІ»

- **ШІ для екологічної освіти** — використання ШІ для викладання екологічного контенту, формування свідомості щодо сталого розвитку або підтримки зелених навичок. У цій половині є рамкові концепції, дослідження-опитування [[teacher-role|викладачів]] і один аудиторний експеримент.
- **Слід ШІ в освіті** — викиди та використання ресурсів моделями та інфраструктурою, що застосовуються у викладанні, якої б теми воно не стосувалося. У цій половині є один огляд практики звітування, один інженерний [[benchmark]] і одне невелике дослідження інтерфейсу — і зовсім нічого про слід ШІ, застосовуваного саме для екологічної освіти.

Третій, слабкіший напрям трактує «стале навчання» як [[pedagogy|педагогічну]] властивість, а не як екологічну: навчання, яке зберігається й переноситься, а не підривається [[cognitive-offloading]]. Воно спільне з лексикою сталого розвитку, але не є твердженням про довкілля.([[zhu-e3-hot-embodied-intelligence-sustainable-learning]])

## Викладання екологічних та кліматичних тем за допомогою ШІ

Найсильнішими доказами є квазіексперимент із трьома групами, у якому зміна клімату використовувалася як соціально-наукова проблема (socio-scientific issue). Студенти, які працювали з партнером-ШІ всередині структурованого завдання [[inquiry-based-learning|дослідницького]] типу, перевершили однокурсників, які працювали лише в дослідницькому режимі (d = 0,69), і однокурсників із традиційного навчання (d = 1,88) за рубрикою прийняття рішень, із найбільшими здобутками на тих кроках, які студенти проходили найслабше — моніторинг і адаптивне управління, а також генерація альтернатив. Умова зі ШІ була *додатковою до* дослідницької діяльності, а не її заміною, а збір даних і аналіз взагалі не розділяли групи, що свідчить про те, що ШІ підтримував міркування щодо компромісів, а не збирання доказів.([[ai-assisted-inquiry-ssi-climate]])

На рівні [[curriculum-design|навчального плану]] рамкова концепція AI-SEE інтегрує ШІ в [[engineering-education|інженерний навчальний план]] на чотирьох опорах (орієнтованість на інтелект, зелене розширення можливостей, лідерство у відповідальності, інтегрованість із практикою), а не як доданий ззовні модуль сталого розвитку; пілотний проєкт із 144 студентами повідомив про здобутки в свідомості сталого розвитку та поведінковій [[student-engagement|залученості]] на особистому, академічному, професійному та соціальному рівнях. Автори застерігають, що це докази однієї установи, самозвітні, отримані в один момент часу на основі інтерв’ю з однієї китайської транспортної програми.([[liu-ai-sustainable-engineering-education-2026]])

Два менші дослідження стосуються дизайнерського боку. AI-підтримане [[learning-design|проєктування навчання]] в межах обмежень педагогіки сталого розвитку (Sustainable Development Pedagogy) покращило плани занять майбутніх викладачів із неправдоподібно великим ефектом (d = 2,80; 28 команд, без контрольної групи). Окрельно структурно-рівнянове дослідження 122 діючих викладачів виявило, що *практичне* використання ШІ на завданнях з науки та зеленої енергетики плюс залученість до розробки матеріалів, узгоджених із ESD, передбачали здатність до інтеграції ШІ, тоді як абстрактні знання про ШІ та установки — ні; хоч дихотомічний [[self-report-measures|опитувальник]] і слабкий конструкт знань обмежують поширення цього результату.([[talebzadeh-ai-green-education-2026]])([[riandi-teacher-ai-green-energy-education-2026]])

## Екологічний слід ШІ в освіті

Ця половинка — там, де корпус найбідніший. Огляд усіх 396 статей зі збірника AIED 2025 виявив «впровадження LLM без розкриття інформації»: більшість проєктів використовує [[llm|LLM]], 85 статей повідомили про будь-які обчислювальні витрати, і лише 57 згадали вплив на довкілля — використовуючи несумісні метрики, тож галузь не може агрегувати власні докази. Автори стверджують, що нездатність повідомляти про екологічні витрати сама по собі є [[ethics|етичною]] проблемою, і пропонують [[open-source]] метод (CodeCarbon плюс оцінка FLOPs за двома параметрами для пропрієтарних моделей).([[aied-carbon-footprint-reporting]])

На боці здобувача інтерфейс із екологічним зворотним зв’язком, що показує компроміс між затримкою та вуглецевим слідом під час живого використання LLM, вивчався з 89 студентами-інформатиками на курсі етики обчислювань: студенти обирали режим із меншим вуглецевим слідом приблизно в 45% випадків взаємодій із малою затримкою, але менш ніж у 5% при великій затримці, а обізнаність щодо сталого розвитку значно підвищувала цей вибір. Вибірка мала й незвично високо обізнана в технічному плані, але це єдиний прямий доказ у корпусі, що інформація про слід взагалі впливає на здобувачів — і він свідчить, що обмежувальним чинником є терпеливість, а не цінності.([[llm-environmental-impact-student-usage-2026]])

Докази щодо пом’якшення наслідків надходять від локального асистента [[cs-education|інформатики]] із базою знань на одному споживчому GPU (12 ГБ відеопам’яті) із відкрито ліцензованим контентом: 1,8 мВт·год на запит у найкращому разі — приблизно 0,54 Вт·год для класу з 30 студентів, які надсилають по десять запитів кожен, — причому точне налаштування з урахуванням квантування стримувало і втрату точності, і зростання [[hallucination-risk|галюцинацій]], спричинене самим стисненням. Це інженерний бенчмарк, а не навчальне дослідження, але воно показує, що питання сліду має дизайнерські важелі (грунтування, квантування, місце розгортання), а не лише важелі дисципліни використання.([[shen-sustainable-ai-knowledge-base-cs-education-2026]])

## Зелені навички, свідомість сталого розвитку та потенціал викладачів

Разом ці дослідження описують порядок денний зелених навичок, реалізований нерівномірно: свідомість сталого розвитку як освітній результат, розробку матеріалів, узгоджених із ESD, як механізм потенціалу викладачів і прийняття кліматичних рішень як вимірювану навичку міркування. Ціннісно-критичний напрям дає цю застерегу: концептуальний аналіз стверджує, що внесок ШІ в сталу освіту є **умовним і опосередкованим управлінням**, підтримуючи сталий розвиток лише тоді, коли впровадження підпорядковане явним освітнім цінностям і людяним цілям, — що розміщує [[governance]] і [[critical-pedagogy|критичну педагогіку]] всередині екологічної освіти, а не поруч із нею.([[alsuhaymi-sustainable-education-ai-digitalization-2026]])

[[meta-analysis-systematic-review|Скопінг-огляд]], що систематизує цю літературу, дає власний вердикт галузі щодо масштабу: застосування концентруються навколо управління енергією, моніторингу клімату та програм «зеленого кампусу», але обмежені в масштабі, часто не мають етичних чи екологічних настанов, і значна частина досліджень залишається концептуальною або невеликим пілотом. Покриття перекошене на північну Америку та Європу, майже без нічого з [[global-south|Глобального Півдня]] крім кількох південноафриканських досліджень.([[daniel-ai-sustainability-scoping-review-2026]])

## Чого докази ще не встановлюють

- **Немає доказів щодо сліду саме для екологічної освіти.** Вуглецеві та енергетичні показники надходять від загальних досліджень LLM і бенчмарку в контексті інформатики; ніщо не вимірює екологічну ціну навчального плану зі ШІ-підтримкою клімату чи ESD.
- **Немає доказів про навчальні здобутки від інтервенцій щодо сліду.** Екологічний зворотний зв’язок змінював вибір у дослідженні, близькому до лабораторного; ніщо не показує, що він змінює звички, результати оцінювання чи закупівлі.
- **Немає причинних доказів для рамкових концепцій навчального плану.** AI-SEE — одиничний випадок самозвіту на одній локації, а E3-HOT — дизайнерський начерк без реалізованого дослідження; результат проєктування занять за SDP не має контрольної групи.
- **Немає великомасштабних або міжконтекстних доказів.** Кожен емпіричний результат тут отримано в одній локації, а дослідження викладачів спираються на малі цілеспрямовані вибірки зі слабкими інструментами.
- **Дві половинки рідко досліджуються разом**, хоч обидві стосуються однієї й тієї ж аудиторії.

## Наслідки для ШІ в освіті

1. **Назвіть, на яке питання ви відповідаєте.** Стратегії, які використовують «сталий розвиток» і для ШІ-для-кліматичного-викладання, і для власного сліду ШІ, приховують прогалину у відповідальності, яку виявляють [[daniel-ai-sustainability-scoping-review-2026|Daniel та співавт. (2026)]]; тримайте ці порядки денні окремо, з окремими власниками.
2. **Розглядайте розкриття сліду як інфраструктуру галузі.** Повідомлення обчислювальних витрат і вуглецю поряд із точністю — зі заявою про сталий розвиток навіть тоді, коли вимірювання недосконале — є єдиним виходом із проблеми несумісних метрик.
3. **Проєктуйте для нетерплячого здобувача.** Якщо варіант із меншим вуглецевим слідом коштує відчутної затримки, більшість студентів його не обере: тримайте затримку низькою, відкривайте елементи керування й описуйте вплив у конкретних термінах результатів, а не в абстрактних одиницях вуглецю.
4. **Надавайте перевагу легшому розгортанню там, де це дозволяє педагогіка.** Ґрунтування моделі в ліцензованому локальному корпусі та квантування з точним налаштуванням дало придатну точність за частку енергії — переймайте цей шаблон, перш ніж масштабувати хмарний інференс.
5. **Будуйте потенціал викладачів через розробку матеріалів, а не через інформаційні кампанії,** і заповнюйте прогалину [[global-south|Глобального Півдня]], а не імпортуючи докази з північноамериканських та європейських контекстів.

## Пов’язані поняття

- [[sustainability]]
- [[global-south]]
- [[critical-pedagogy]]
- [[inquiry-based-learning]]
- [[science-education]]
- [[engineering-education]]
- [[teacher-education]]
- [[curriculum-design]]
- [[ethics]]
- [[governance]]

## Пов’язані статті

- [[daniel-ai-sustainability-scoping-review-2026]] — Відокремлює ШІ для сталого розвитку від сталого ШІ; прогалина Глобального Півдня
- [[ai-assisted-inquiry-ssi-climate]] — Кліматична дослідницька діяльність зі ШІ, d = 0,69 порівняно з однією лише дослідницькою діяльністю
- [[aied-carbon-footprint-reporting]] — Огляд розкриття інформації в AIED 2025 плюс метод визначення сліду з відкритим кодом
- [[llm-environmental-impact-student-usage-2026]] — Екологічний зворотний зв’язок щодо компромісів між затримкою та вуглецем у 89 студентів-інформатиків
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — Локальний квантований асистент із 1,8 мВт·год на запит
- [[liu-ai-sustainable-engineering-education-2026]] — AI-SEE: свідомість сталого розвитку в інженерній освіті
- [[riandi-teacher-ai-green-energy-education-2026]] — Практичне використання ШІ та розробка матеріалів ESD передбачають інтеграцію
- [[talebzadeh-ai-green-education-2026]] — Дизайн із підтримкою ШІ в межах обмежень педагогіки сталого розвитку
- [[alsuhaymi-sustainable-education-ai-digitalization-2026]] — Внесок ШІ в сталу освіту як опосередкований управлінням
- [[zhu-e3-hot-embodied-intelligence-sustainable-learning]] — «Стале навчання» як тривала когнітивна агентність, а не твердження про довкілля

---

## [Освіта у сфері бізнесу](https://edtechdev.github.io/aied/concepts/business-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **ШІ в освіті у сфері бізнесу** — застосування штучного інтелекту до викладання та навчання бізнесу, економіки й менеджменту, а також підготовка студентів до робочого місця, інтегрованого з GenAI. Бізнес-школи стоять перед подвійним імперативом: інтегрувати ШІ *у* курикулум як предмет і як [[pedagogy|pedagogical]] інструмент, а також готувати студентів *використовувати* генеративний ШІ відповідально та ефективно в професійній практиці.

## Питання для роздумів

- Бізнес-школи стоять перед подвійним імперативом: інтегрувати ШІ в курикулум як предмет і інструмент, готуючи студентів відповідально використовувати ШІ в професійній практиці. Перш ніж читати далі: яку з цих двох задач, на вашу думку, більшість бізнес-програм наразі виконує правильно, а якою знехтовують?
- Рамка, висунута на основі думки студентів, знайшла, що студенти були високо залучені й визнавали, що їм потрібні навички GenAI для кар’єри — але також хотіли використовувати ШІ, не вчиняючи ненавмисно академічної недоброчесності. Чому студент може хотіти використовувати ШІ і водночас хвилюватися про порушення правил навколо нього?
- [[research-methods-aied|Research]] із конструктивного узгодження знайшла, що те, чи переважали вигоди, чи ризики GenAI, формувалося ступенем інтеграції в курикулум — інтегруйте, а не додавайте. Як виглядає «інтеграція» в бізнес-програмі в порівнянні з просто додаванням інструментів ШІ поверх?
- Десятиліття досліджень сигналізує про стійкі прогалини в узгодженості курикулума, готовності викладачів і [[assessment-validity|assessment validity]]. Якби ви переконструювали бізнес-курс для робочого місця, інтегрованого зі ШІ, яку з цих трьох прогалин ви взялися б розв’язувати першою й чому?
- Бізнес — одна з найшвидших сфер для впровадження генеративного ШІ, тож випускники стикаються з гострим тиском бути готовими до ШІ. Як навички ШІ, які насправді цінують роботодавці у фінансах, маркетингу чи менеджменті, можуть відрізнятися від того, чому студентів наразі вчать в аудиторії?

## Вступ

ШІ в освіті у сфері бізнесу — це зростаючий [[discipline-specific-aied|discipline-specific]] фрагмент [[ai-education|AI in education]]. Бізнес-школи мають готувати студентів до майбутньої робочої сили, де генеративний ШІ є всюдисущим, потребуючи і ШІ-грамотності, і доменно-специфічного застосування (фінанси, маркетинг, менеджмент, економіка, підприємництво). Дослідження висвітлює напруженість між інтеграцією ШІ як педагогічного та професійного інструмента та управлінням [[academic-integrity|academic integrity]], [[ethics|ethical]] використанням і переконструюванням [[assessment]].

## ШІ в освіті у сфері бізнесу в дослідженнях бази знань

- **Рамки, висунуті на основі думки студентів.** [[drummond-genai-business-schools-framework-2026|Drummond & Dale (2026)]] висувають концептуальну рамку, висунуту на основі думки студентів, для інтеграції GenAI у всі бакалаврські програми з бізнесу, на основі дослідження випадку зі 149 студентами у Великій Британії. Студенти були високо залучені, визнавали потребу в навичках GenAI для своєї кар’єри і хотіли використовувати ШІ, не вчиняючи ненавмисно академічної недоброчесності.
- **Десятиліття досліджень.** [[espino-ai-business-education-review-2026|Espino & Espino (2026)]] бібліометрично відобразили 213 статей (2015–2024) про ШІ в освіті у сфері бізнесу, ідентифікувавши чотири кластери: трансформацію бізнес-освіти, зумовлену ШІ, інноваційні цифрові педагогіки, посилену ШІ [[personalized-learning|personalization]] і бізнес-освіту, узгоджену з цифровою економікою — при стійких прогалинах у узгодженості курикулума, готовності викладачів і валідності оцінювання.
- **Конструктивне узгодження.** [[zhou-constructive-alignment-genai-business-2026|Zhou et al. (2026)]] проаналізували 17 випадків впровадження GenAI у бізнес-школі Великої Британії, знайшовши, що баланс між педагогічними вигодами та ризиками формувався **ступенем інтеграції в курикулум** — конструктивна інтеграція давала кращі результати.
- **Думки студентів про курикули.** [[rook-plumb-genai-curricula-student-insights-2026|Rook & Plumb (2026)]] спиралися на 166 студентів бакалаврату з бізнесу в кумулятивній одиниці, знайшовши сильну підтримку інтеграції GenAI в курикули з трьома пріоритетними напрямами: розуміння/оптимізація функціональності GenAI, дослідження застосувань у різних контекстах і орієнтування в етичних/правових вимірах.

- **Від запам’ятовування до судження в умовах невизначеності.** [[shi-genai-experiential-learning-management-education-2026|Shi, Dai & Zhang (2026)]] висувають три механізми генеративного ШІ для курсів менеджменту — розкладання класичних теорій на допущення та граничні умови проти реальних звітів, відстеження нових випадків між виданнями підручників і симуляцію, чия роль ШІ генерує руйнівні події та каскадні наслідки.
- **Організаційне впровадження.** [[alrahmi-org-drivers-ai-adoption-he-2026|Al-Rahmi (2026)]] вивчив організаційні та технологічні драйвери впровадження ШІ в [[higher-ed|higher education]] (використовуючи рамки TOE + Diffusion of Innovations, n=300 співробітників), що стосується того, як бізнес-школи й їхні установи впроваджують підтримку рішень на основі ШІ та смарт-платформи навчання.
- **Розмовні агенти в бізнес-іграх із [[simulation]].** [[conversational-agents-business-simulation-gaming-2026|Wenzel, Geiger, and Liening (2026)]] розробляють і оцінюють посилений ШІ [[conversational-ai|conversational agent]] (Lara) для адаптивної підтримки навчання в бізнес-іграх із симуляцією, що використовуються для досвідного підприємницького навчання. Грунтуючись на позиції [[equity-in-ai-education|equity]]-by-design і [[universal-design-for-learning|universal design for learning]], рамка CAIS-GBL націлюється на когнітивну, [[motivation|motivational]], [[affective-computing|affective]] та [[sociocultural-learning|socio-cultural]] [[student-engagement|engagement]], з оцінюваннями серед студентів-викладачів і учасників BSG, що показують позитивні сприйняття когнітивної/[[community-of-inquiry|social presence]] та підтримки [[self-regulated-learning]] — модель для масштабування [[formative-assessment|formative]] зворотного зв’язку в [[game-based-learning|simulation-based]] бізнес-освіті.
- **Агентний GAI для складних прикладних завдань.** [[ilieva-agentic-genai-higher-education-2026|Ilieva et al. (2026)]] розробляють рамку AGAI-HE навколо курсу **e-commerce**, де завдання навчання потребує порівняння бізнес-моделей, зважування ринкових та операційних обмежень і захисту стратегічних рекомендацій — багатокрокова прикладна робота, яку чатботи «підказка–відповідь» підтримують погано. Їхнє дослідження сприйняття зі 130 студентів знайшло, що і підтримка чатбота, і агентна підтримка оцінені вище за традиційне [[online-teaching-and-learning|e-learning]] за покращенням навчання, персоналізацією, підтримкою прийняття рішень і організацією робочого процесу, проте різниця між агентом і чатботом не є значущою, а найсильніше схвалення пішло поєднанню всіх трьох режимів. Для бізнес-програм прочитання таке: впровадження — це питання [[curriculum-design|instructional-design]] про те, як впорядкована і керована підтримка ШІ, а не просто оновлення інструментарію ([[agentic-ai]]).
- **Інновація в оцінюванні та оцінках є недослідженою.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] опитали 58 статей, пов’язаних з оцінюванням, за 20 років у чотирьох провідних журналах освіти з менеджменту (AMLE, JME, Management Learning, IJME) — приблизно три на рік, багато в спеціальних випусках 2010 і 2014 — знайшовши, що оцінювання та оцінки є недослідженими щодо їхньої центральної ролі в формуванні навчання. Само- та взаємооцінювання домінують у дискурсі (майже половина корпусу, здебільшого для [[summative-assessment|summative]] оцінювання [[group-work|group work]]); [[authentic-assessment|authentic assessment]] постає здебільшого через опосередковані технологією [[simulation|simulations]] і часто плутається з [[experiential-learning|experiential learning]]; тоді як переоцінювання, оцінювання на основі стандартів і зняття оцінок практично відсутні. Автори закликають викладачів менеджменту залучатися активніше й взаємно до цих інновацій, рекомендуючи інкрементальне експериментування (завдання без оцінок, переоцінювання на одне завдання, рубрики на основі стандартів), підкріплене координацією на рівні програми та документованими свідченнями Scholarship of Teaching and Learning.
- **Автоматизоване оцінювання бізнес-курсової роботи потребує специфічної для корпусу валідації.** На 60 маркетингових публікаціях студентів із симуляції BrandSim [[automated-scoring-marketing-posts-agreement-2026|Li (2026)]] знайшов, що [[llm|LLM]] досяг лише ICC(2,1) = .435 з людським середнім — детерміністичні правила .091, гібрид із рівними вагами .266 — тоді як додавання якорів, написаних дослідниками, підвищило LLM до .846, не змінивши жодного бала студента.
- **Викладання ШІ як первісного елемента конструкції процесів.** [[ai-decision-checkpoints-bpm-education-2026|Jalali (2026)]] поміщає контрольну точку рішення ШІ в кожну фазу життєвого циклу BPM у шести модулях курсу зі 152 студентів, тож студенти будують робочий агент прийому LLM, а потім на контрольній точці виявляють, що справжнім вузьким місцем є черга на розслідування шахрайства з двох людей.

## Освіта з економіки та менеджменту

ШІ в освіті у сфері бізнесу охоплює **економіку** і **менеджмент** як основні дисципліни. Покриття бази знань зосереджується на педагогічних і курикулярних вимірах (як ШІ викладається і використовується в бізнес-програмах) і на вимірі професійної готовності (підготовка студентів до робочих місць, інтегрованих зі ШІ). Ключові теми включають [[ai-literacy|AI literacy]], застосування [[generative-ai|generative AI]] у бізнес-функціях, міркування щодо [[ethics|ethical]] і [[academic-integrity|integrity]], і переконструювання [[curriculum-design|curriculum]] і [[assessment]] для віддзеркалення професійної практики, інтегрованої зі ШІ.

## Чому ШІ в освіті у сфері бізнесу має значення

Бізнес — одна зі сфер, де впровадження генеративного ШІ є найшвидшим, тож бізнес-школи стикаються з гострим тиском готувати студентів до робочого місця, інтегрованого зі ШІ. Дослідження підкреслює, що ефективна інтеграція є **керованою курикулумом і висунутою на основі думки студентів** — не просто додаванням інструментів ШІ, а переконструюванням програм так, щоб грамотність у GenAI, етичне судження та автентичне застосування були вплетені в структури ступенів. Це пов’язує бізнес-освіту з ширшими темами бази знань щодо [[ai-literacy|AI literacy]], підготовки [[teacher-role|educator]], переконструювання [[assessment]] і реформи [[curriculum-design|curriculum]] в еру ШІ.

## Наслідки для викладачів бізнесу

- **Інтегруйте ШІ так, щоб це керувалося курикулумом і спиралося на думку студентів.** [[drummond-genai-business-schools-framework-2026|Student-informed frameworks]] і [[rook-plumb-genai-curricula-student-insights-2026|student insights]] показують, що студенти хочуть навичок GenAI для кар’єри й хочуть використовувати ШІ без ненавмисної недоброчесності — конструюйте програми, що вплітають грамотність у ШІ, етичне судження та автентичне застосування в структури ступенів.
- **Узгоджуйте курикулум конструктивно.** [[zhou-constructive-alignment-genai-business-2026|Constructive alignment research]] знаходить, що ступінь інтеграції в курикулум формує те, чи переважають вигоди, чи ризики GenAI — інтегруйте, а не додавайте.
- **Вирішуйте стійкі прогалини.** [[espino-ai-business-education-review-2026|A decade of research]] сигналізує про прогалини в узгодженості курикулума, готовності викладачів і валідності оцінювання — надавайте їм пріоритет у конструкції програми.
- **Готуйте студентів до робочого місця, інтегрованого зі ШІ.** Наголошуйте на грамотності у ШІ, етичному використанні та доменному застосуванні (фінанси, маркетинг, менеджмент, економіка) як на ключових компетентностях, а не як на факультативах.

## Пов’язані поняття

- [[ai-education]]
- [[discipline-specific-aied]]
- [[generative-ai]]
- [[ai-literacy]]
- [[curriculum-design]]
- [[assessment]]
- [[ethics]]
- [[academic-integrity]]
- [[technology-acceptance-model]]
- [[teacher-role]]
- [[higher-ed]]
- [[stem-education]]

## Пов’язані статті

- [[ai-decision-checkpoints-bpm-education-2026]] — Контрольні точки рішень ШІ для посиленого ШІ управління бізнес-процесами: рамка та освітня інстанціація

- [[ilieva-agentic-genai-higher-education-2026]] — AGAI-HE: агентна підтримка GAI в курсі e-commerce, сприймані вигоди та ризики (Ilieva et al. 2026)
- [[drummond-genai-business-schools-framework-2026]] — Рамка на основі думки студентів для GenAI в бізнес-школах (Drummond & Dale 2026)
- [[espino-ai-business-education-review-2026]] — Десятиліття ШІ в освіті у сфері бізнесу (Espino & Espino 2026)
- [[zhou-constructive-alignment-genai-business-2026]] — Конструктивне узгодження GenAI у бізнес-освіті вищої школи (Zhou et al. 2026)
- [[rook-plumb-genai-curricula-student-insights-2026]] — Думки студентів про інтеграцію GenAI в курикули (Rook & Plumb 2026)
- [[alrahmi-org-drivers-ai-adoption-he-2026]] — Організаційні драйвери впровадження ШІ в освіту вищої школи (Al-Rahmi 2026)
- [[conversational-agents-business-simulation-gaming-2026]] — Рамка CAIS-GBL для розмовних агентів ШІ в бізнес-іграх із симуляцією (Wenzel et al. 2026)
- [[mesny-innovative-assessment-grading-management-2026]]
- [[automated-scoring-marketing-posts-agreement-2026]] — Узгодженість і помилка в автоматизованому оцінюванні маркетингових публікацій студентів
- [[shi-genai-experiential-learning-management-education-2026]] — три механізми генеративного ШІ для переконфігурування педагогіки освіти з менеджменту

---

## [Освіта в галузі гуманітарних та соціальних наук](https://edtechdev.github.io/aied/concepts/humanities-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта в галузі гуманітарних та соціальних наук (SSH)** — це [[teacher-role|teaching]] дисциплін, пов’язаних із культурою людини, цінностями, значенням та суспільним життям, зокрема історії, філософії, літератури, мов, соціології та мистецтва. ШІ в освіті SSH породжує своєрідні питання, адже ці галузі зосереджені на інтерпретації, критичному судженні, авторстві та осмисленні — процесах, які [[generative-ai|generative AI]] водночас підтримує й підриває. Тут ШІ функціонує менше як репетитор фактичних знань і більше як епістемічний посередник, що переосмислює те, як студенти тлумачать тексти, будують аргументи та розуміють власну [[agency]] як письменники й мислителі.

## Питання для роздумів

- Гуманітарні науки цінують інтерпретацію, авторство та критичне судження — саме ті здібності, які генеративний ШІ кидає найбільший виклик. Як це робить інтеграцію ШІ в цих дисциплінах відмінною від інтеграції в STEM?
- Сторінка описує ШІ як «епістемічний посередник», який може екстерналізувати ваше інтерпретаційне мислення та гібридизувати ваше авторство. Коли ШІ допомагає вам тлумачити текст, хто насправді тлумачить?
- Вона виокремлює три траєкторії для здобувачів: інтерпретацію, залежну від ШІ (AI-dependent), збагачену ШІ (AI-enhanced) та критичну щодо ШІ (AI-critical). Як ви думаєте, де більшість студентів гуманітарних наук опиняється зараз — і що зрушило б їх до критичного щодо ШІ кінця?
- В освіті з історії [[research-methods-aied|research]] показують, що ШІ може формувати міркування та тлумачення джерел, зокрема через фільтри, які «захищають» студентів. Як би ви навчили студентів критично перевіряти посередництво ШІ в історичних твердженнях?
- Якщо оригінальне авторство та інтерпретаційна автономія є основними цінностями гуманітарних наук, що це означає, коли ШІ миттєво може створити правдоподібну інтерпретацію? Яка людська здібність стає більш, а не менш, цінною?
- Сторінка застерігає від трактування ШІ як репетитора змісту в галузях, зосереджених на осмисленні. Як це виглядало б — свідомо використовувати ШІ, щоб поглибити, а не спростити критичний аналіз студентів?

## Вступ

Освіта SSH — це окрема предметна галузь у базі знань, доповнювальна до [[stem-education]] та [[language-learning]]. Оскільки гуманітарні науки цінують глибину інтерпретації, авторство та контекстуальне судження, вони породжують інші виклики для інтеграції ШІ, ніж STEM, — і пов’язуються з [[higher-ed]] та [[ai-literacy]] в [[discipline-specific-aied|domain-specific]] формах.

### Як ШІ проявляється в освіті з гуманітарних і соціальних наук

- **Перебудова інтерпретаційної пізнання.** [[voicu-ai-interpretive-cognition-ssh-2026|Voicu]] стверджує, що генеративний ШІ діє як *епістемічний посередник*, який переконфігуровує осмислення, авторство та [[agency]] здобувача в освіті SSH. Вона виокремлює три трансформації — екстерналізацію інтерпретаційної пізнання, гібридизацію авторства та виникнення розподіленої епістемічної агентності — і три розвиткові траєкторії (інтерпретація, залежна від ШІ; збагачена ШІ; критична щодо ШІ). Це становить основу для розвивально-критичної [[pedagogy|pedagogical]] моделі збереження глибини інтерпретації.
- **Освіта з історії.** [[paternalistic-filter-llm-history-education|Research on LLMs in history education]] аналізує, як ШІ формує історичне міркування та тлумачення джерел.
- **Досвід студентів гуманітарних і соціальних наук.** [[genai-impact-chinese-students-hss|GenAI's impact on Chinese humanities and social science students]] та [[acceptance-ai-english-tools-2026|AI acceptance among language/English learners]] документують ефекти для студентів у різних дисциплінах SSH.
- **Критичні та філософські виміри.** [[voicu-ai-interpretive-cognition-ssh-2026|Critical AI literacy]] та [[philosophy-of-ai-in-education|philosophy of AI in education]] є особливо значущими в SSH, де питання значення, цінностей та епістемічної авторитетності стоять у центрі.
- **[[governance|Institutional]] цифрова трансформація.** Qin (2026) документує, як Університет Ліннань перепозиціонував себе як «Research-Intensive Liberal Arts Institution in the Digital Era» («Науково-інтенсивний ліберально-мистецький заклад епохи цифрових технологій»), зробивши ШІ-грамотність обов’язковою для всіх студентів бакалаврату (зокрема з обов’язковим курсом на першому році у рамках Common Core про генеративний ШІ, що охоплює латентні простори, GAN, дифузійні моделі, [[prompt-engineering|prompting]], донавчання, упередження та дезінформацію). Позиційна стаття стверджує, що зрушення «ШІ для освіти» є *інтелектуальною трансформацією*, а не техноцентричним посиленням, позиціонуючи [[ai-literacy|digital fluency]] як ключову компетенцію ліберальних мистецтв, тоді як модель [[human-in-the-loop-ai|human-in-the-loop]] виносить на передній план [[ethics|ethical]] міркування, критичне судження та соціальну відповідальність — конкретний план для [[higher-ed|higher education]], що балансує інновації [[generative-ai|GenAI]] з гуманістичними засадами.
- **Експозиція сектора щодо оцінювання тепер виміряна, і вона зосереджена, а не розсіяна.** [[villanueva-ai-vulnerability-assessment-audit-2026|Villanueva (2026)]] проаналізувала 15 587 записів навчальних одиниць з мистецтва та гуманітарних наук в університетах «Групи восьми» Австралії та виявила, що 58,6% завдань оцінювання 2026 року сильно залежать від [[generative-ai|GenAI]], причому на есе для самостійної роботи вдома та дослідницькі звіти припадає 71,4% цієї залежності після зважування за балами.
### Чому це важливо

Освіта SSH виносить на передній план саме ті здібності, які генеративний ШІ піддає найбільшому виклику — оригінальне авторство, інтерпретаційне судження, критичний аналіз і контекстно-чутливе осмислення. База знань розглядає цю галузь як важливу противагу інструментальним, навичково-орієнтованим трактуванням ШІ: вона ставить питання, чи зберігає навчання за підтримки ШІ [[critical-thinking]], епістемічну відповідальність та інтерпретаційну автономію, пов’язуючи це з [[critical-pedagogy]] та [[ai-literacy]].

## Наслідки для викладачів гуманітарних і соціальних наук

- **Трактуйте ШІ як епістемічний посередник, а не як репетитора змісту.** [[voicu-ai-interpretive-cognition-ssh-2026|Voicu]] показує, що ШІ переконфігуровує осмислення, авторство та агентність в SSH — конструюйте педагогіку навколо трьох траєкторій (залежної від ШІ, збагаченої ШІ, критичної щодо ШІ) і орієнтуйтесь на критичний щодо ШІ кінець.
- **Захищайте глибину інтерпретації та авторство.** Оскільки гуманітарні науки цінують судження та оригінальне авторство, запобігайте спрощенню аналізу з боку ШІ; зробіть критичну [[ai-ed-evaluation|evaluation of AI]] навчальною метою ([[critical-thinking]], [[ai-literacy]]).
- **Свідомо використовуйте ШІ в роботі з джерелами.** [[paternalistic-filter-llm-history-education|History research]] показують, що ШІ може формувати міркування та тлумачення джерел — навчіть студентів критично перевіряти посередниковані ШІ історичні твердження та фільтри, які він застосовує.
- **Враховуйте вплив на студентів.** [[genai-impact-chinese-students-hss|Student experience studies]] документують, як GenAI впливає на здобувачів SSH; адаптуйте підтримку та рамки академічної доброчесності до реального використання, а не до припущень.

## Пов’язані поняття

- [[higher-ed]]
- [[critical-thinking]]
- [[ai-literacy]]
- [[critical-pedagogy]]
- [[philosophy-of-ai-in-education]]
- [[agency]]
- [[language-learning]]
- [[stem-education]]
- [[ai-education]]
- [[discipline-specific-aied]]

## Пов’язані статті

- [[voicu-ai-interpretive-cognition-ssh-2026]] — Розвивально-критична модель інтерпретаційної пізнання для освіти SSH
- [[paternalistic-filter-llm-history-education]] — Використання LLM та історичне міркування в освіті з історії
- [[genai-impact-chinese-students-hss]] — Вплив GenAI на студентів гуманітарних і соціальних наук
- [[acceptance-ai-english-tools-2026]] — Сприйняття ШІ серед тих, хто вивчає мови та гуманітарні дисципліни
- [[villanueva-ai-vulnerability-assessment-audit-2026]] — Обчислювальний аналіз 15 587 навчальних одиниць Go8 з мистецтва та гуманітарних наук: 58,6% завдань оцінювання 2026 року сильно залежать від ШІ, зосереджених в есе та звітах

---

## [Освіта у сфері мистецтв, дизайну та медіа](https://edtechdev.github.io/aied/concepts/arts-design-and-media-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта у сфері мистецтв, дизайну та медіа** — студійні та виконавські дисципліни, у яких навчання відбувається через створення: архітектура й просторовий дизайн, дизайн інтер’єру, музичне виконавство, [[writing-education|композиція]] і аналіз, візуальне мистецтво й генерація зображень, цифрові медіа та [[storytelling-in-education|цифрове оповідання]], а також сценічна та виконавська технологія. У статтях цієї бази знань повторюваними питаннями є: чи підриває [[generative-ai]] ремесло і розвиток навичок, чи переводить його на вищий рівень; як змінюються критика та [[assessment]] творчої роботи, коли відполірований артефакт дешево створити; наскільки кожна дисципліна спирається на [[embodied-learning|втілену]] й матеріальну практику; і кого включають, коли творчі інструменти стають генеративними. Висвітлення зосереджено в [[higher-ed|вищій освіті]] та в дослідженнях однієї студії чи одного курсу, тому більшість поданих нижче висновків є доказом на випадках, а не твердженнями про всю дисципліну.

## Питання для роздумів

- У дослідженні архітектурної студії команди, які використовували конвеєр GenAI-plus-XR, згодом повідомляли про *нижчу* впевненість у власній здатності проєктувати, а осліплені експерти оцінювали їхні презентації не вище за контрольну групу. Що вам довелося б знати, перш ніж зробити висновок, що інструменти зашкодили навчанню, — і що змусило б вас зробити цей висновок усе одно?
- Студійне викладання завжди трималося на критиці й на видимому процесі: ескізах, моделях, послідовних ітераціях. Якщо студент може за хвилину створити готовий на вигляд образ, що саме має досліджувати критика?
- У капстоун-проєкті цифрового оповідання на основі проєкту ідеї студентів оцінювалися як оригінальніші, ніж їхні готові роботи були цілісними. Де справді лежить важке навчання — у генерації ідей чи в їхній інтеграції?
- Огляд освіти в музиці відрізняє автономні генератори, як-от Suno та Udio, від інтерактивних помічників композиції, як-от Continuator, і стверджує, що лише другий із них є освітньо продуктивним. Чи згодні ви, і який ваш критерій цього розрізнення?
- Дизайнерів у Малайзії описують як таких, що переходять від первинних генераторів форм до критичних кураторів машинного результату. Якщо це пункт призначення, чого має вчити перш за все курс дизайну першого року?
- Сліпі й слачозрячі струнні виконавці навчаються смичковій техніці через дотик і пропріоцепцію, бо візуальна демонстрація їм недоступна. Що це означає для [[feedback|систем зворотного зв’язку]] в мистецтвах, які за умовчанням спираються на екран?

## Вступ

Те, чим ці дисципліни діляться, — це студія чи репетиційна кімната як місце навчання, із створеним артефактом і процесом за ним як об’єктом оцінювання. ШІ входить у них в кількох подобах: генератор зображень в архітектурній студії та студії дизайну інтер’єру, інструмент композиції та аналізу в музиці, просторовий партнер всередині занурювальних середовищ, автоматичний оцінювач письмового аналізу та — в сценічному освітленні — засіб для викладача, що перетворює висловлену навчальну інтенцію на виконувані демонстрації. Розділи нижче спочатку простежують, що повідомляють дослідження, а потім виокремлюють наскрізні питання ремесла, оцінювання та доступу.

Ця сторінка є дисциплінарним домом для студійних і виконавсько-мистецьких предметів, і вона вужча за своїх сусідів. [[discipline-specific-aied]] містить загальний аргумент, що [[ai-education|дослідження ШІ в освіті]] має бути обізнаним у доменах в усіх предметах; ця сторінка — про те, що специфічне саме для створення. [[creativity]] охоплює когнітивний конструкт усюди, де він з’являється, — дивергентне мислення, ризик гомогенізації від допомоги однієї моделі, захист генеративного акту здобувача, — включно в [[math-education|математиці]] та в креативному кодуванні; ця сторінка охоплює дисципліни, у яких творче продукування *і є* [[curriculum-design|навчальною програмою]]. [[design-thinking]] охоплює ідеацію та орієнтоване на користувача формулювання проблем як загальну педагогіку; ця сторінка охоплює студії, де цей процес викладається, супроводжується й оцінюється. [[humanities-education|Освіта в галузі гуманітарних і соціальних наук]] трактує інтерпретацію, авторство й аргументацію в текстоцентрованих галузях і перелічує мистецтва серед їхніх складових областей; тут мистецтва та медіа витягуються з цієї інтерпретаційної рамки й центруються на матеріальній, просторовій, звуковій та виконавській практиці. [[design-education]] вирізує професійну половину з цієї самої території: ця сторінка охоплює студійні та виконавські мистецтва, спільною рисою яких є створення, тоді як освіта в дизайні йде за вужчим конвеєром формування дизайнерів продуктів, послуг, взаємодії, інтер’єру та архітектури — оцінювання портфоліо, очікування акредитації, працездатність — і трактує студійний процес за артефактом, а не сам артефакт як об’єкт оцінювання.

## Студійна педагогіка та критика в умовах генеративного ШІ

Генеративні інструменти досягають цих дисциплін через існуючий ритуал: роботу, зроблену публічно, показану незавершеною й розкритиковану. Те, що показують джерела, — це те, що ШІ найнадійніше змінює *середину* цього процесу й найменше — його *кінці*. У дослідженні GenARch [[genai-xr-architectural-design-education-2026|Xiao et al. (2026)]] впровадили конвеєр GenAI плюс багатокористувацький XR у справжню студію архітектурного дизайну для бакалаврату й виявили доповнювальний поділ праці: [[generative-ai]] екстерналізував ідеї, даючи командам конкретне, на що можна вказувати, порівнювати й сперечатися, тоді як XR підтримував оцінювання, даючи студентам змогу судити про пропорцію, суміжність, освітлення й контекст ділянки в повному масштабі.

Інструменти були незграбними на обох кінцях процесу. На початку в команд ще не було ідей, які можна було б закодувати в підказку; згодом багатші концепти робили [[prompt-engineering|підказкування]] легшим, але підвищували очікування щодо дотримання обмежень, і коли точність мала значення, студенти поверталися до SketchUp і Revit. Вони повідомляли про збій розмірної точності — «Я просив зробити стіну 10 футів із 3D-моделі, а це було не 10 футів» — про затримку завантаження ресурсів від секунд до хвилин і про розпорошену спільну увагу, коли члени команди дивилися на різні частини моделі. Видати кожному учаснику гарнітуру саме по собі не створило [[collaborative-learning|скоординованої співпраці]].

Підзвітність в студії все ж змістилася. У поздовжньому дослідженні генеративних моделей у студіях дизайну [[genai-architectural-design-studios|Gül et al. (2026)]] відрізняють використання GenAI як візуального стимулу на ранній ідеації від комбінаторного використання, що розширює простір розв’язків під час розробки, і розташовують [[pedagogy|педагогічну]] проблему в компетентності, а не в доступі: без уміння розрізняти моделі й навмисно їх застосовувати достатній обсяг результату продукує [[design-thinking|дизайнерську фіксацію]] та естетичну зацикленість. Їхній висновок переводить [[teacher-role|роль викладача]] від передавання ремесла до коучингу щодо того, коли, як і чому делегувати творче дослідження.

## Архітектура, просторовий та дизайн інтер’єру

Дослідження з фокус-групами в Дербі дає студії сприятливіший результат. [[genai-architecture-education|Kapsalis (2026)]] провів дві групи по вісім студентів архітектури Level 3–5 через 90-хвилинну сесію з локально виконуваним робочим процесом генерації та редагування зображень, донавченим для житлових інтер’єрів. Студенти створили приблизно 80 зображень за сесію, близько десяти кожен, із рівнями прийняття понад 60%. Заявлена генерація ідей (4,5) та експериментування (4,2) набрали найбільше на креативній субшкалі, тоді як уточнення кінцевих рішень (3,7) підтримувалося менш рівномірно — деякі студенти вважали, що інструмент виводив на поверхню невраховані комбінації, інші — що він відволікав деталями, які не пасували до концепту. Автор рамкує це як конструктивістський «мікросвіт», що розширює простір творчого пошуку, не замінюючи дизайнерського мислення, і відзначає дані опитування, що майже 70% студентів архітектури вже самостійно користуються інструментами ШІ, тоді як понад 95% повідомляють про відсутність формальної [[ai-literacy|освіти щодо ШІ]].

Дизайн інтер’єру найгостріше порушує питання професійного формування. [[ai-interior-design-malaysia-2026|Syed Abdul Rahman (2026)]] описує, як малайзійські дизайнери переходять від первинних генераторів форм до критичних посередників і кураторів машинного результату, з [[visualization]]-платформами, що стискають часові рамки й розширюють діапазон варіантів, які можна створити в межах бюджету. Посилаючись на емпіричну роботу про вподобання клієнтів (Lan et al., 2025), стаття відзначає, що результат ШІ оцінюється високо за унікальність, коли переважають естетичні критерії, але що дизайнери-люди зберігають очевидну перевагу, коли наголошують функціональних, ергономічних і контекстуальних вимогах, — і що згенеровані дизайни часто не мають культурної специфіки, кліматичної відповідності та надійної збудовності на ринку, який враховує тропічні умови, багатопоколінне проживання та ісламські просторові принципи. Її рекомендація для навчальної програми — послідовність, а не заміщення: навчайте CAD/BIM, знанням будівництва та чинникам людського буття до генеративного дослідження, й оцінюйте [[critical-thinking]] та [[ethics|етичну]] рефлексію поряд із візуальною якістю.

## Музика та виконавські мистецтва

Музику тут розглядають як мистецтво, найбільше відкрите економічній зміні, що почалася до генеративного ШІ. [[musical-education-ai-digital-transformation-2026|Briot (2026)]] стверджує, що демістеріалізація обвалила вартість записаної музики на одиницю приблизно на два порядки вельми до того, як генеративні моделі стали комерційно релевантними, що виплати за один прослуховування залишаються порядку \$0,003–\$0,005, і що генеративний ШІ продовжує вже зламану модель цінності, а не створює її. Його розрізнення, важливе для викладання, протиставляє автономні генератори, як-от Suno та Udio — цілі, стилістично узгоджені твори з текстової підказки, з непрозорою та некерованою структурою, — інтерактивним помічникам композиції, як-от FlowComposer та Continuator, де музикант накладає обмеження та зберігає інтенційність, а Continuator вчиться стилю виконавця в реальному часі як партнер з імпровізації. Лише цей другий вид, на його думку, є освітньо продуктивним, бо перший позиціонує студентів як споживачів машинного результату. Рекомендована навчальна програма робить продакшн і вільне володіння DAW основними компетентностями й захищає ансамблеве виконання як втілений, соціальний вимір, найстійкіший до заміщення.

Оцінювання в музиці підштовхується до автоматизації, з обмеженнями, які варто відзначити. [[gpt4o-mini-music-analysis-scoring|Lin, Jin and Min (2026)]] зіставляли GPT-4o-mini з середніми балами викладачів на 300 відповідях з аналізу музики університетського рівня в категоріях Гармонія, Форма, Міркування та Термінологія, виявивши, що підказкування з ланцюжком міркувань у режимі few-shot найсильніше погоджувалося з середніми викладацькими балами й що [[rag|доповнення пошуком]] систематично завищувало оцінку; погодженість була також слабшою в Термінології, ніж у Міркуванні, тому автори засвідчують потребу в калібруванні, специфічному для стратегії, у [[assessment-validity|валідації на рівні вимірів]] та в збереженні [[human-in-the-loop-ai|нагляду людини]].

Вокальна педагогіка дає найясніше формулювання проблеми вимірювання проти цінності. [[ai-vocal-pedagogy-2026|Li (2026)]] стверджує, що вокальне викладання з підтримкою ШІ не слід судити за тим, наскільки точно воно вимірює висоту, стійкість, вібрато та таймінг, бо те саме виміряне відхилення може вказувати й на технічну неточність, і на виразну інфлексію, і на артефакт запису, і бо вимірювані результати не репрезентують [[embodied-learning|втілену]] координацію здобувача. Рамка відділяє докази, які ШІ робить видимими, людські процеси навчання, що їх інтерпретують (тілесна обізнаність, [[metacognition|метакогнітивний]] моніторинг, [[self-regulated-learning|саморегульована практика]], мотивація), і результати, що за ними йдуть, суджені за ефективністю, [[equity-in-ai-education|справедливістю]] та [[sustainability]]. Інструментальне викладання для музикантів з інвалідністю розвиває тезис про втіленість далі: [[embodied-string-learning-blindness-low-vision-musicians|Shi et al. (2026)]] працювали з чотирма досвідченими сліпими та слачозрячими музикантами-струнниками й трьома викладачами, виявивши, що техніку смичкового інструмента умовно викладають через візуальну демонстрацію — недоступну цим здобувачам, — і що тактильні та кінестетичні сигнали заміщають її. [[inclusive-learning|Інклюзивне викладання]], на їхній думку, має будуватися разом із здобувачами з інвалідністю, а не додаватися для них потім.

Сценічна та виконавська технологія — це місце, де допоміжне викладання зі ШІ проєктувалося та оцінювалося найконкретніше. [[luminote-llm-vr-stage-lighting-education-2026|Liang et al. (2026)]] побудували LumiNote, [[llm]]-допоміжну VR-систему, яка перетворює висловлену інтенцію викладача, закріплену лазерним указівником, на переглядові просторові анотації, виконувані демонстрації освітлення й пояснення жаргону. За 55 підказок викладачів і 531 згенеровану пару дій 380 (71,6%) було застосовано; візуальні ефекти становили найбільшу категорію підказок (27 із 55) із високим впровадженням (212 із 245 дій, 86,5%), тоді як запити, специфічні для приладів, виявилися найслабшими — 26 із 28 відкидань простежувалися до хибного прочитання напрямних вказівок, як-от «ліве світло». Викладачі використовували пропозиції як процес уточнення, а не як готовий план уроку: із 147 відкинутих або змінених пропозицій із подальшими діями 127 (86,4%) спричинили нову підказку й лише одна — пряме ручне коригування. Їхнє навантаження впало (NASA-TLX із 3,50 до 2,22), а сесії скоротилися (з 19 хвилин 34 секунд до 12 хвилин 33 секунд), оскільки зусилля змістилося від конфігурації низького рівня до виразу. Найгостріший висновок — невідповідність репрезентацій: сигнали, які викладачі оцінили найкориснішими для екстерналізації експертного міркування, були не тими, яких могли дотримуватися 24 здобувачі, які надавали перевагу лазерному указівнику (M = 5,50) й позначенню на пульті зі значеннями (M = 5,33) над просторовими стрілками та аватаром (обидва M = 4,58), хоч показники результатів студентів не виявили значимих різниць.

## Візуальні мистецтва, генерація зображень та цифрові медіа

Інструменти тексту-в-зображення — це випадок, у якому ітеративний робочий процес студії стоїть на кону найпряміше, і докази не є простою історією про здобуток чи втрату. [[t2i-competence-paradox-2026|Liu, Meng and Zhang (2026)]] опитали 417 студентів мистецтв і дизайну поряд із фокус-групами та інтерв’ю викладачів, виявивши, що очікування результатів, соціальний вплив, цінність новизни та креативна компетентність усі позитивно передбачали намір користуватися інструментами тексту-в-зображення, тоді як очікування зусиль і сприяльні умови передбачали негативно, — що вони читають як орієнтоване на скорочення шляху використання в курсовій роботі, де легкість і доступність уможливлюють швидкий результат, а не тривалу залученість. Їхній парадокс компетентності — помітний результат: креативна компетентність підтримує намір, але також передбачає більш вибіркове, стримане фактичне використання, оскільки студенти зважують авторство, оригінальність і збереження навичок проти ефективності. Вони засвідчують потребу в педагогіці, що працює з [[ai-literacy|ШІ-грамотністю]] навколо творчого процесу, створення підказок і оцінювання результату, із студійним процесом і зусиллями як об’єктом оцінювання.

Продукування цифрових медіа показує, що може зробити структурований процес. [[project-based-digital-storytelling-art-design-2026|Tian et al. (2026)]] вивчали 15-тижневий капстоун цифрового оповідання на основі проєкту, «Creative Shanzhou», у якому 426 студентів випускних курсів, за керівництвом 48 наставників за співвідношенням приблизно 1:9, перекладали локальну культурну спадщину на [[multimodal]]-наративи. Експертні оцінки 92 отриманих робіт були найсильнішими в новизні (M = 4,21, SD = 0,72), далі йшли ефективність (3,96) і цілісність (3,68), причому 43% проєктів набрали нижче 3,5 за цілісність — студенти успішніше генерували оригінальні ідеї, ніж інтегрували їх. У 31-студентській підгрупі з анімації бальні оцінки фігурального творчого мислення зросли з 77,23 до 94,68 (середня різниця 17,45, t(30) = 4,55, p < .001, d Коена = 0,82). У проаналізованих проєктах ШІ служив організатором інформації, візуальним орієнтиром, помічником ідеації та інструментом редагування, тоді як студенти зберегли за собою вибір теми, наративну інтерпретацію, культурне смислотворення та кінцеві рішення; найвище оцінений приклад приписував свою цілісність тривалій людській залученості з вихідним матеріалом, а не поліруванню ШІ. Проєкт завершився триденною публічною виставкою, і 31 робота були взяті місцевим Бюро культури й туризму.

Занурювальні середовища дають сприятливіший контрвипадок у професійно-технічному дизайні. [[ai-ive-pbl-vocational-design-creativity-2026|Jin et al. (2027)]] впровадили AI-IVE-PBL — [[project-based-learning|навчання на основі проєкту]] всередині забезпеченого ШІ занурювального [[virtual-and-augmented-reality|віртуального середовища]] з помічником-викладачем на [[agentic-ai|агенту]] — в курсі дизайну інтер’єру для першого курсу професійно-технічної освіти, як п’ятифазний цикл відкриття, уявлення, моделювання, комунікації та уточнення. У 12-тижневому квазіексперименті з двома групами (63 валідні відповіді, 31 проти 32) умова «занурення плюс агент» набрала вище за здатність проєктувати (η²p = .138) і креативну здатність (η²p = .111) в ANCOVA із претестом як коваріатою, і підвищила когнітивну (d = 0,90) та поведінкову (d = 0,75) [[student-engagement|залученість]], [[motivation]] (d = 0,74) і задоволеність (d = 0,69), знизивши заявлене когнітивне навантаження (d = −0,52). Інноваційне мислення та афективна залученість рухалися в очікуваному напрямі, не досягнувши значимості. Усі результати були [[self-report-measures|самозвітами]], без артефактів виконання чи експертних оцінок, і саме тому автори протиставляють свій результат дослідженню архітектурної студії вище.

## Ремесло, навички та оцінювання творчої роботи

Питання ремесла постає в кількох формах, і джерела не згодні щодо того, наскільки варто непокоїтися. [[genai-architecture-education|Kapsalis (2026)]] повідомляє про механізм вирівнювання на вхідному рівні: студенти, які описували себе як слабких у малюванні, вважали, що інструмент відкрив доступ до візуального виразу, не прибираючи потреби в судженні. Навпаки цьому, [[ai-interior-design-malaysia-2026|Syed Abdul Rahman (2026)]] застерігає, що некритичне впровадження ризикує випускниками без базового просторового міркування, матеріальних знань або незалежної критичної оцінки, й називає попередження втрати кваліфікації серед практиків на початку кар’єри основним [[regulation|регуляторним]] занепокоєнням. Ця розбіжність частково про послідовність: обидва надають перевагу технічним основам перед генеративним дослідженням.

Що є послідовним, так це репозиціонування того, що оцінюється. Дослідження в Дербі виміряло процедурну впевненість у сесії на 3,7 із 5, але впевненість у перенесенні цих навичок за межі студії лише на 2,6 — розрив, який його автор приписує експозиції однієї сесії й називає проблемою на рівні навчальної програми. Аналіз Малайзії рекомендує студійні проєкти, що вимагають порівняльного [[ai-ed-evaluation|оцінювання ШІ]] та не-ШІ-шляхів дизайну, плюс критерії, що винагороджують критичне мислення поряд із візуальною якістю. Результати автоматизованого оцінювання в музиці вказують у тому самому напрямі: погодженість із середніми викладацькими балами була специфічною для виміру, і автори наполягають на нагляді людини, а не на повному делегуванні. [[ai-vocal-pedagogy-2026|Li (2026)]] додає, що трактування виміряного результату як освітньої цінності самої по собі звужує вокальний тренінг до виправлення результату та оптимізації балів. Збіжна пропозиція така: оцінювання творчості має й надалі досліджувати процес, ітерацію та виправдане прийняття рішень саме тому, що готовий артефакт уже не свідчить про них.

## Доступ і включеність у навчанні мистецтвам

[[accessibility]] у мистецтвах трактується менше як дотримання вимог і більше як питання дизайну та матеріальної практики. [[embodied-string-learning-blindness-low-vision-musicians|Shi et al. (2026)]] — найясніший випадок: оскільки техніку смичкового інструмента умовно викладають через візуальну демонстрацію, сліпі та слачозрячі музиканти залежать від тактильних і кінестетичних каналів, і копроєктування за участю людей з інвалідністю в цьому дослідженні дало стратегії, вкорінені у власній практиці цих музикантів, а не адаптації, прибиті до візуального умовчання.

Два інших висновки ускладнюють просту історію про генеративні інструменти як рівняльник. У дослідженні в Дербі приблизно третина учасників задекларували інвалідність і майже п’ята частина повідомила про специфічні труднощі в навчанні; пункти інклюзивності згрупувалися на 3,8–4,1 і сильно корелювали з відчуттям, що сесія є доступною (ρ = .74), і з можливістю встигати незалежно від попереднього користування ШІ (ρ = .81), а студенти, менш впевнені в малюванні, повідомляли, що не почувалися обділеними — скромний ефект вирівнювання в одній 90-хвилинній сесії, а не доведене навчання. Розрив репрезентацій у LumiNote показує інший бік: сигнали, що допомагають експертам екстерналізувати своє міркування, не є сигналами, яких можуть дотримуватися новачки, тому дизайн, який добре служить викладачу, може залишити здобувачів без опори, і автори позиціонують LLM як шар опосередкування, який має перекладати між двома сторонами. Дослідження GenARch фіксує споріднене рішення щодо справедливості: після збору даних [[ai-technologies|технології]] були надані контрольним студентам, щоб їх не утримували від них. Чиї естетичні й культурні орієнтири відтворюють генеративні моделі, і чи розширює ширший доступ до дизайнерських послуг попит, чи посилює конкуренцію на середньому ринку, — це порушено в аналізі Малайзії й залишається відкритим.

## Пов’язані поняття
- [[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]]

## Пов’язані статті

- [[genai-xr-architectural-design-education-2026]] — GenAI плюс багатокористувацький XR у справжній архітектурній студії: доповнювальні ролі, зниження дизайнерської самоефективності, жодної переваги портфоліо (Xiao et al. 2026)
- [[genai-architecture-education]] — Локально виконуваний, дисциплінарно специфічний робочий процес із зображеннями в архітектурній студії: ширший простір творчого пошуку й знижена тривожність критики (Kapsalis 2026)
- [[genai-architectural-design-studios]] — Поздовжнє дослідження студії та платформа GAI-A: GenAI як стимул і розширення простору розв’язків, із дизайнерською фіксацією як ризиком (Gül et al. 2026)
- [[ai-interior-design-malaysia-2026]] — Дизайнери інтер’єру як куратори машинного результату, і що мають зробити з цим навчальна програма та професійне регулювання (Syed Abdul Rahman 2026)
- [[ai-ive-pbl-vocational-design-creativity-2026]] — Навчання на основі проєкту всередині забезпеченого ШІ занурювального середовища в дизайні інтер’єру для професійно-технічної освіти (Jin et al. 2027)
- [[project-based-digital-storytelling-art-design-2026]] — 15-тижневий капстоун цифрового оповідання з 426 студентами: новизна сильна, інтеграція слабка, ШІ як інструмент, а не автор (Tian et al. 2026)
- [[t2i-competence-paradox-2026]] — Прийняття інструментів тексту-в-зображення серед 417 студентів мистецтв і дизайну та парадокс компетентності вибіркового використання (Liu, Meng & Zhang 2026)
- [[musical-education-ai-digital-transformation-2026]] — Економіка стрімингу, автономні генератори проти помічників композиції та переосмислення музичної навчальної програми (Briot 2026)
- [[gpt4o-mini-music-analysis-scoring]] — Зіставлення GPT-4o-mini з середніми викладацькими балами на 300 відповідях з аналізу музики (Lin, Jin & Min 2026)
- [[ai-vocal-pedagogy-2026]] — Чому точність вимірювання не є освітньою цінністю у вокальному викладанні з підтримкою ШІ (Li 2026)
- [[embodied-string-learning-blindness-low-vision-musicians]] — Зумовлений інвалідністю дизайн тактильного та кінестетичного викладання струнних для сліпих і слачозрячих музикантів (Shi et al. 2026)
- [[luminote-llm-vr-stage-lighting-education-2026]] — Викладання сценічного освітлення в VR з допомогою LLM та розрив між експертними й новацькими репрезентаціями (Liang et al. 2026)

---

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

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Дизайн-освіта** — професійне формування дизайнерів у студійних дисциплінах: дизайні продуктів, сервісів, взаємодії, інтер’єрів та архітектури, викладане через ітеративну проєктну роботу, в якій оцінюваним об’єктом є процес, що стоїть за артефактом, так само, як і сам артефакт. Її визначні особливості — студія та критика як місце навчання, видимі докази процесу (ескізи, проміжні моделі, ітерації) як основний індикатор навчання, а також той факт, що [[generative-ai]] нині робить відполірований результат, за який оцінюють студентів, дешевим у виробництві. Це робить дизайн-освіту тестовим кейсом для [[creativity]], [[design-thinking]], [[assessment-validity]] та [[professional-training]].

## Питання для роздумів

- Якщо студія більше не може читати навчання з готового артефакту, що має замінити видимий процес як доказ — обов’язкові артефакти процесу, усний іспит, щось, що витримує когорту зі 140 осіб?
- Непідтримувані початківці в одному експерименті ніколи не переглянули жодної ідеї, поки змагальний агент не виніс на поверхню протидію зацікавлених сторін. Чи має викладання дизайну свідомо фабрикувати тертя — і де закінчується продуктивна важкість?
- Дизайнерів описують як таких, що переходять від генераторів форм до кураторів машинного результату. Якщо так, що йде першим в навчальній програмі — ручне ремесло чи критичне оцінювання результатів моделі?
- Якщо велика мовна модель може апроксимувати читання того самого плаката від імені викладача, однолітників і рецензента грантів, що залишається людському критику?

## Вступ

Дизайн-освіта вужча за [[arts-design-and-media-education]], яка охоплює студійні та перформативні дисципліни разом — архітектуру, музику, візуальне мистецтво, медіа та цифровий сторітелінг. Ця сторінка охоплює професійні дизайн-дисципліни та їхній конвеєр формування: оцінювання портфоліо, очікування акредитації, працевлаштування та культуру практики, яка засвоїла генеративні інструменти швидше, ніж її навчальні програми.

Вона також відрізняється від [[design-thinking]] — методу розв’язування задач, зосередженого на людині, що викладається в бізнесі, освіті та праві як переносна навичка. В дизайн-освіті процес — це не метод, застосований до дисципліни; це сама дисципліна, і студія — це місце, де його викладають, супервізують і оцінюють. [[engineering-education]] є найближчим професійним сусідом — також насичена дизайном, також підзвітна практиці, — але оцінювання в інженерії спирається на обчислювані артефакти та відповідальність за публічну безпеку, тоді як оцінювання в дизайні спирається на критику та на докази процесу, які генеративні інструменти можуть видимо симулювати.

## Як ШІ постає в дизайн-освіті

- **ШІ — це ресурс генерації ідей, чий характерний ризик — фіксація.** [[genai-architectural-design-studios|Gül et al. (2026)]] побудували платформу GAI-A в межах поздовжнього студійного дослідження і виявили два продуктивних використання: генеративний ШІ як візуальний стимул у ранній генерації ідей і як комбінаторний розширювач простору рішень упродовж розробки. Проблема, на їхню думку, — у компетентності, а не в доступі, — без уміння розрізняти, щоб свідомо читати моделі, рясний результат породжує [[design-thinking|дизайнову фіксацію]] та естетичне замикання, — що переводить [[teacher-role]] від передавання ремесла до коучингу того, коли й чому делегувати творчу експлорацію.
- **Локальний інструмент для конкретної дисципліни розширив простір пошуку та зрівняв участь.** [[genai-architecture-education|Kapsalis (2026)]] провів дві фокус-групи в Дербі з восьми студентів архітектури через 90-хвилинну сесію з локально виконуваним робочим процесом ComfyUI: оцінки креативності були найвищими за генерацію ідей (4.5) та експериментування (4.2) і нижчими за уточнення рішень (3.7), тоді як пункти інклюзивності давали 3.8–4.1 і корелювали з умінням іти в ногу незалежно від попереднього використання ШІ (ρ = .81). Впевненість, набута в сесії, не переносилася — впевненість у професійному використанні цих навичок становила 2.6, розрив, який автор називає проблемою на рівні навчальної програми.
- **Непідтримувані початківці не переглядають; змагальний агент це змінює.** [[ai-agents-constructive-conflict-design-education-2026|Han & Martelaro (2026)]] провели міжгруповий експеримент із 45 дизайнерів-початківців з інтерфейсів на сайті повідомлення про міські проблеми. Їхня група саморефлексії ніколи не переглянула і не видалила жодної ідеї; студенти, залучені агентом, зробили приблизно в 3.6 рази більше правок, дійшли до міркувань зацікавлених сторін, які інші групи пропустили ([[accessibility]], [[privacy]], небажання щодо автоматизації), і породили сильніші пропозиції. Агент отримав оцінку як такий, що робить внесок (M = 5.33), проте один учасник відчув себе розкритикованим «в усьому», і автори наполягають, що симульована протидія не замінює залучення реальної публіки.
- **Структурований процес зберігає авторство за студентами в масштабі.** [[project-based-digital-storytelling-art-design-2026|Tian et al. (2026)]] дослідили 15-тижневий капстоун зі сторітелінгу, в якому 426 студентів бакалаврату та 48 менторів (приблизно 1:9) перетворювали місцеву спадщину на [[multimodal]] наративи. Експертні оцінки 92 робіт були найвищими за новизну (M = 4.21) і найнижчими за цілісність (M = 3.68), — ідеї приходили легше, ніж інтеграція. Оцінки творчого мислення в підгрупі з 31 студента зросли з 77.23 до 94.68 (d = 0.82). ШІ організовував інформацію та редагував; студенти зберегли вибір теми, інтерпретацію та фінальні рішення, а 31 роботу було ухвалено регіональним бюро культури та туризму.
- **Ухвалення частисте, нерівномірне в межах процесу та підозріле.** [[genai-usage-design-students-survey|Broadbent et al. (2026)]] опитали 280 студентів дизайну Політехніку ді Мілано та прочитали 100 щоденників використання ШІ від магістрів: 71% використовували генеративний ШІ щоденно або щотижнево, 65% йому не довіряли, 85% змінювали його результати. Використання групувалося в дослідженні та письмі — редагування письма 77.5%, пошук інформації 74.5%, мозковий штурм 68.0%, — причому використання на все завдання було рідкісним (18.6%). Володіння здебільшого витримало: 31% повідомили про втрачене володіння або творчу агенцію, і лише генерація прототипів була з нею значуще асоційована. Планування та інтерпретування первинного дослідження залишилися за студентами, що автори читають як доказ, що студенти можуть не зараховувати дослідження до творчого процесу.
- **Чистий результат — це розбіжність, а не підйом.** [[ai-mediated-cognitive-divergence-2026|Crolla, Xia & Jiang (2026)]] спиралися на 24 інтерв’ю та опитування 32 викладачів на факультеті забудованого середовища, щоб описати *когнітивну розбіжність*: ШІ підсилює попередні відмінності, дозволяючи сильнішим студентам розширювати міркування, тоді як слабші делегують формативну роботу та породжують узгоджені результати без розуміння, — «хибне почуття здібності», яке завалиться під допитом. Втрата видимості процесу в галузі, яка спиралася на видимий процес як свій основний доказ навчання, та ерозія тертячих етапів, які діють як [[desirable-difficulties]], ускладнюють це. Позитивність факультету відстежувала педагогічну дорельність (β = 0.534, p = .004), а не старшинство, а пом’якшення на факультеті не масштабуються далі за студійні когорти, — що говорить на користь інституціоналізованих вимог до доказів процесу. Обмеження: одна установа, n = 32, сприйняття факультету.
- **Дисципліни відрізняються тим, які поведінки окупаються.** [[same-ai-different-pathways|Shen (2026)]] порівняв 221 студента дизайну з 222 студентами бізнесу й виявив, що [[ai-literacy]] передбачала і вміння підказувати, і поведінку перевірки (p < .001). Перевірка безпосередньо передбачала якість завдання в когорті дизайну, точність калібровки в бізнесі — відкрита генерація ідей проти аналітичних стандартів типу аудиту, — і функціонувала як метакогнітивний запобіжник від [[cognitive-offloading]].
- **Студійне судження може бути апроксимоване, коли рубрика опосередковує.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] підвищили узгодженість між великою мовною моделлю та людиною на 80 проєктних плакатах з 54.75% до 81.25%, ітеративно удосконалюючи дескриптори рубрики; підказки від імені викладача, рецензента однолітників та рецензента грантів породжували епістемічно різний зворотний зв’язок на ту саму роботу. Автори трактують рубрику як переглядовний інтерфейс між педагогічним наміром і машинним висновком, зберігаючи [[human-in-the-loop-ai|нагляд людини]] проти вигаданого обґрунтування.
- **Студенти узгоджують інструменти, а не просто приймають їх.** [[t2i-competence-paradox-2026|Liu, Meng & Zhang (2026)]] опитали 417 студентів мистецтв і дизайну: очікувана успішність, соціальний вплив, цінність новизни та творча компетентність передбачали намір використовувати інструменти «текст-у-зображення», тоді як очікуване зусилля передбачало негативно, що читається як використання курсів, зосереджене на скороченнях шляху. Їхній парадокс компетентності полягає в тому, що творча компетентність підтримує намір, проте передбачає більш вибіркове використання, коли студенти зважають на авторство та збереження навичок, — проблема [[assessment-validity]] в студії, де процес є оцінюваним об’єктом. [[rana-genai-design-thinking-2025|Rana et al. (2025)]] дійшли до сумісного висновку з 112 рефлексій в 12-тижневому курсі [[design-thinking]]: вигоди домінували (86% позитивного настрою), етичні міркування керували 62% негативного настрою, а інтегрована зі скаффолдингом інтеграція перевела студентів від скептицизму до 72% позитивної орієнтації.
- **Критика ШІ може бути прив’язана до артефакту, а не до підказки.** [[critsly-design-education-ai-critique-2026|Kadir (2026)]] пропускає студійний зворотний зв’язок через спільну дошку з дизайнів, нотаток і пінів та п’ять обмежених діяльностей; дослідження повідомляє про симульовану готовність (78% зі 109 міток на рівні «аналізування» або вище), а не про навчальні здобутки.

## Професійне формування та регулювання

Проблеми оцінювання тут невіддільні від професійних. [[ai-interior-design-malaysia-2026|Syed Abdul Rahman (2026)]] описує, як малайзійські дизайнери інтер’єрів переходять від первинних генераторів форм до критичних опосередників і кураторів машинного результату, причому платформи [[visualization]] стискають часові рамки, тоді як згенеровані схеми все ще не мають культурної специфіки, кліматичної чуйності та надійної здійсненності. Його рекомендація для навчальної програми — послідовність, а не заміщення — CAD/BIM, знання про будівництво та людські чинники перед генеративною експлорацією, і критерії, що винагороджують [[critical-thinking]] та етичну рефлексію. Професійний бік невирішений: регулювання дизайну інтер’єрів менш формалізоване, ніж в архітектури, залишаючи відкритими питання розкриття, відповідальності за алгоритмічну помилку та втрати кваліфікації серед практиків на початку кар’єри. Аналіз є документно-базованим і однокраїнним.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[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

---

## [Освіта медиків та професій охорони здоров’я](https://edtechdev.github.io/aied/concepts/medical-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта медиків та професій охорони здоров’я (HPE)** — навчання й підготовка фахівців медицини, сестринської справи, фармації та суміжних галузей охорони здоров’я. AI переформатовує цю галузь завдяки клінічній [[simulation]], тренерам на [[reinforcement-learning|reinforcement learning]], [[adaptive-learning|adaptive learning]] та застосуванню фундаментальних принципів навчання (досвідного, ситуативного та розподіленого пізнання) в контекстах професій охорони здоров’я. Оскільки HPE є високоставочною, компетентнісно-орієнтованою та клінічно вбудованою, вона породжує особливі питання про роль AI у формуванні вмінь, безпеці пацієнтів та судженні викладача. Медсестринська справа — найінтенсивніше досліджена програма в HPE — тепер має власну сторінку — [[nursing-education]] — де межа компетентності, формування ідентичності та дані про кадровий ресурс, які ця сторінка несе лише в загальних рисах, розкриті повністю.

## Питання для роздумів

- У медицині переваги AI, такі як масштабована практика та адаптивний зворотний зв’язок, мають урівноважуватися ризиками, зокрема розмиванням практичних клінічних навичок, — де помилки мають прямі наслідки для пацієнта. Де б ви провели межу між тим, що має робити AI, і тим, що стажер мусить відпрацювати сам?
- Сторінка стверджує, що AI слід використовувати, щоб втілювати в практику віковічні принципи навчання — досвідне, ситуативне та розподілене пізнання, — а не щоб замінити керівну роль викладача. Що робить судження викладача незамінним, навіть коли AI може змоделювати або персоналізувати практику?
- Тренери на підсиленні навчання та [[agentic-ai|agentic AI]] тепер застосовуються для клінічних і процедурних навичок в резидентурі. Якщо AI-агент тренує резидента щодо процедури, як би ви переконалися, що той справді навчився виконувати її безпечно, перш ніж робити це з пацієнтом?
- Оскільки освіта професій охорони здоров’я є високоставочною і компетентнісно-орієнтованою, питання оцінювання набувають особливої ваги. Як оцінювання за підтримки AI може водночас покращувати і загрожувати оцінці клінічної компетентності?
- Надмірна залежність від AI є окремим занепокоєнням у медицині. Як, на вашу думку, навчання з AI може виховати клініциста, який є впевненішим, але менш здатним міркувати незалежно, — і що могло б захистити від цього?

## Вступ

ШІ в освіті медиків та професій охорони здоров’я — це зростаюча лінія предметного покриття бази знань. На відміну від загальної [[higher-ed|higher education]], HPE орієнтована на розвиток клінічних компетентностей, процедурних навичок і професійного судження, що визначає, як проєктуються та оцінюються AI-інструменти.

### Як AI проявляється в освіті професій охорони здоров’я

- **Втілення в практику фундаментальних принципів навчання.** [[fowlin-operationalizing-learning-principles-ai|Fowlin et al.]] (розроблено в Medical University of South Carolina) стверджують, що AI слід використовувати, щоб втілювати в практику віковічні принципи навчання — [[experiential-learning|experiential learning]] Дьюї, [[situated-learning|situated cognition]] та [[distributed-cognition|distributed cognition]], — а не щоб замінити керівну роль викладача. AI посилює [[personalized-learning|personalized]] та [[adaptive-learning|adaptive]] навчання, тоді як викладач залишається центральним для [[student-engagement|student engagement]] і результатів.
- **Клінічні навички та підсилення навчання.** [[residencyrl-clinical-rl-training-2026|ResidencyRL]] використовує підсилення навчання для тренування клінічного міркування та процедурних навичок у резидентурі, демонструючи AI як партнера з формування навичок у реальних клінічних робочих процесах.
- **Симуляція та агентний AI.** [[hdr-brachytherapy-agentic-ai-simulation-2026|Agentic AI simulation in brachytherapy]] показує, як AI-агенти підтримують практичне процедурне навчання в медичних спеціальностях.
- **Геміфікація медичного навчання.** [[medgame-llm-medical-education-gamification|MedGame]] застосовує [[game-based-learning|gamification]] та LLM для залучення студентів медицини.
- **Медсестринська справа та міждисциплінарна освіта.** [[alrazeeni-transforming-nursing-education-ai-2026|AI transformation of nursing education]] документує, як AI перебудовує медсестринські навчальні програми та інструкцію. Ця сторінка зберігає медсестринську справу як одну програму серед медицини, фармації, стоматології та суміжних галузей охорони здоров’я, організовану навколо спільної проблеми масштабованої клінічної компетентності; специфічний для медсестринства матеріал — межа компетентності, де зафіксовані переваги AI закінчуються, явно професійно-ідентичностна рамка та [[anxiety-and-stress|anxiety]] здобувачів щодо ринку праці — належить [[nursing-education]] і тут лише перехресно відсилається, а не переказується.
- **AI-підсилена симуляція в медсестринстві.** [[jiang-ai-powered-simulation-nursing-education-2026|Jiang et al. (2026)]] — [[mixed-methods-research|mixed-methods]] системний огляд [[meta-analysis-systematic-review|systematic review]] 19 досліджень (N = 1 253) — виявляє, що керовані AI [[simulation|simulations]] (GenAI/LLM, віртуальні пацієнти/манекени, AI-посилені VR/MR і [[conversational-ai|chatbots]]) суттєво покращують когнітивні знання та [[affective-computing|affective]] результати ([[self-efficacy]], упевненість у комунікації) в найсильніших дизайнах, але є непослідовними для складних психомоторних навичок — одне [[rct]] виявило AI-підсилену симуляцію *гіршою* за стандартизованих пацієнтів. Їхнє поняття **«розриву автентичності»** — недоліку в емоційному резонансі, невербальних сигналах і тактильному обстеженні, який відчуває здобувач, — обґрунтовує, чому AI найкраще підходить для сильно структурованих цілей (базова комунікація, збір анамнезу) і має стояти в **континуумі поступової симуляції** поруч, а не замість, людських стандартизованих пацієнтів і клінічної практики. Це характерне, закріплене на доказах уточнення галузевого напряму [[simulation]] і паралельне висновку про прийняття-довіру, що здобувачі надають перевагу людському зворотному зв’язку, який сприймається як «доброзичливий», над AI, який сприймається лише як «компетентний».
- **LLM та відновлення [[learner-identity|professional identity]] в медсестринстві (2026).** Критичний інтегративний огляд [[sun-llm-nursing-education-professional-identity-2026|Sun et al. (2026)]] — 489 досліджень із 47 країн (рамка Whittemore & Knafl) — зміщує питання з того, що [[llm|LLMs]] можуть робити в медсестринській освіті, на те, що їхня інтеграція робить із *процесами розвитку*, коли формується медсестра. У рамках придбання навичок за Бенером, теорії когнітивного навантаження, упередженості автоматизації та формування ідентичності за Венджером вони виявляють, що та сама технологія одночасно посилює і розмиває компетентність, залежно від того, чи є змінена когнітивна робота зайвою щодо цільової компетентності, чи становою для неї, — неструктурована залежність дала вимірювані дефіцити в етичному міркуванні та клінічному судженні. Їхня **модель напруги професійної ідентичності** розрізняє інтеграцію LLM, яка підтримує професійне становлення, від інтеграції, яка тихо заміщує його, а **структурне придушення емпатії** переосмислює видиму AI-«перевершеність» на реляційних показниках як симптом системного перевантаження, а не як справжню AI-емпатію. Карта прогалин у доказах показує, що галузі з найвищими політичними наслідками (професійна ідентичність, реляційна/етична компетентність, довгострокові результати) спираються на найтонші суворі докази, — що є застереженням проти упевнених тверджень про розгортання в медсестринській освіті.
- **Багатоагентні AI-стандартизовані пацієнти в навчанні клінічному інтерв’ю.** У [[rct|randomized controlled trial]] 2026 року з 95 проаналізованими студентами медицини ([[ai-standardized-patient-scaffolding-medical-2026|Yang et al.]]) навчання з багатоагентним AI-стандартизованим пацієнтом підвищило бали фінального іспиту, узгодженого з OSCE, порівняно зі структурованим не-LLM контролем із поступовим розкриттям (71,8 % проти 55,6 %; β = 16,4 процентних пункти; P = 3,30e-4), залишивши бінарну діагностичну точність статистично ідентичною (84 % проти 86 %; P = 1,000). Ця дисоціація вказує, що на ранньому етапі клінічного навчання прирости можуть спершу проявлятися в якості процесу консультації — комунікації (в середньому 3,53 проти 2,64 за шкалою OSCE 1–5; P = 4,50e-4), вираженні емпатії (+31 процентний пункт за пунктом чекліста «вираження емпатії») та окремих моделях збору анамнезу, — раніше за будь-яке покращення діагностичних кінцевих точок, і що AI-пацієнти все ще потребують людських оцінювачів і факультету для суджень щодо професійності та готовності.
- **Здобувачі за умовчанням ставляться до AI-пацієнта як до бази даних, доступної для пошуку.** При голосовому інтерв’ю з GenAI-аватаром у [[problem-based-learning|PBL]]-пілоті здобувачі задавали закриті, зорієнтовані на ефективність питання — один запитав, чи не є AI «просто, типу, базою питань», — а зустрічі тривали 55–65 хвилин проти 36–39 для попереднього модуля ([[genai-simulate-patient-history-pbl-2026|Mool et al., 2026]]).
- **Розподіл завдань і рамка SCAN.** [[ai-teammate-task-distribution-medical-training-2026|Tsim et al.]] переосмислюють інтеграцію AI від «зловживання» з боку здобувача до *неправильної класифікації* — невдачі поточної [[metacognition|metacognitive]] оцінки. Їхня рамка SCAN (Substitute, Complement, Aid, Non-Negotiable), сперта на [[sociocultural-learning|zone of proximal development]] Виготського, розподіляє завдання [[generative-ai|generative AI]] відповідно до індивідуального стану розвитку здобувача та ідентифікує пасивне залучення в AI-скаффолдингованих завданнях як прихований шлях до де-кваліфікації, який вимагає переорієнтації від AI до експертної допомоги з людськими [[human-in-the-loop-ai|epistemic auditors]].
- **Генерація навчальних ресурсів із людиною в контурі.** [[gen-mentor-dental-radiography-2026|Gen-Mentor]] (Dong et al. 2026) інтегрує хребетну модель «зір—мова» в робочий процес стоматологічної радіографії: Faster R-CNN локалізує чотири цільові знахідки (Filling, Implant, Impacted Tooth, Cavity), умовна дифузійна модель генерує клас-специфічних синтетичних кандидатів ROI, VLM створює пов’язані з доказами підписи, а [[llm]] переформатовує їх в описи випадків, порівняння та підказки для вікторин, — усе це перед структурованою експертною перевіркою. Оцінене зі 45 студентами стоматології (середній SUS 72,7), воно демонструє, як [[human-in-the-loop-ai|human-in-the-loop]] AI-генерованих навчальних ресурсів може розширювати різноманітність випадків і підтримку негайним зворотним зв’язком, зберігаючи експертний нагляд за тим, що бачать здобувачі.
- **[[automated-assessment|AI grading]] іспитів із фармації.** [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat, Das, Bhaumik & Thambi (2026)]] оцінили ChatGPT-5 проти оцінювання викладачами-фахівцями іспиту з фармації з 21 завдання (16 здобувачів) за типами: множинний вибір, вибір усіх правильних, заповнення пропусків, перелік, коротка відповідь і есе. Модель близько збіглася з факультетом за об’єктивних типів (CCC 0,935–1,000), але була ненадійною для переліків, коротких відповідей (CCC ≈ 0) і есе (0,341–0,854), і структурована рубрика послідовно не покращувала узгодженості, — доказ того, що у високоставочному, компетентнісно-орієнтованому [[assessment]] в професіях охорони здоров’я AI підходить для добре специфікованих завдань, тоді як [[human-in-the-loop-ai|human review]] залишається необхідною для суб’єктивного, відкритого клінічного міркування.

- **Валідований LLM-суддя для клінічної комунікації.** [[sophie-clinical-communication-ai-assessment-2026|Hasan et al. (2026)]] оцінювали комунікативні навички 3E лише за транскриптами за допомогою судді, який досяг Пірсона 0,759 і ICC(A,1) 0,746 проти консенсусу людських оцінювачів, у межах розкиду окремих людей, хоча його найслабший вимір (Be Explicit) не покращувався від зустрічі до зустрічі.
- **GenAI в сценарійній освіті охорони здоров’я.** [[genai-scenario-based-healthcare-education-2026|Neto and colleagues (2026)]] системно переглянули 23 дослідження GenAI у сценарійному, кейсовому, проблемному та симуляційному навчанні в освіті охорони здоров’я (PRISMA 2020). Їхній центральний висновок: **[[prompt-engineering|prompt design]] функціонує як навчальна специфікація** — кодує когнітивні цілі та критерії якості, що неявно містяться в експертному авторстві, — проте лише 34,8 % досліджень узгоджували згенерований вміст із навчальними рамками і лише 34,8 % описували підказки достатньо детально для відтворення. GPT-4 домінував у реалізаціях (44,4 %), гібридна [[human-ai-collaboration|human-AI collaboration]] перевершувала повністю автоматизовані підходи, і докази були найсильнішими для когнітивних навичок вищого порядку, але непослідовними в іншому. Це заземлює [[simulation|scenario/simulation-based]] та [[problem-based-learning|problem-based]] [[pedagogy]] в медичній освіті за допомогою [[benchmark|benchmarks]] валідності та якості інтеграції.
- **AI-оцінювання відкритих іспитних завдань.** [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] перевіряли, чи може [[generative-ai|GPT-4]] надійно оцінювати відкриті завдання на [[assessment|assessments]] перед клінічними курсами в двох медичних школах США. За умови, що факультет ітеративно вдосконалював рубрики оцінювання протягом трьох раундів аналізу патернів помилок, надійність між оцінювачами AI–факультет досягла суттєвої й майже досконалої узгодженості за трьох із чотирьох завдань (зважена каппа до 0,94), але лише помірної за завдання з цілісною рубрикою (κw = 0,54); розбіжності стосувалися обох оцінювачів (GPT-4 переоцінював відповіді з кількома варіантами або зі словником, відсутнім у рубриці; факультет був надто щедрим), а почасні неточності зворотного зв’язку зберігають [[human-in-the-loop-ai|humans in the loop]]. Автори стверджують, що аргумент на користь автоматизованого оцінювання відкритих завдань посилюється, бо ~82 % медичних шкіл США оцінюють роботу перед клінічними курсами за шкалою «зараховано/не зараховано», де точна узгодженість AI-бала не завжди потрібна.
- **[[ai-ed-evaluation|Evaluating AI]]-викладацьких агентів, а не лише їхнє розгортання.** [[zhang-platform-scores-miss-ai-teaching-agents-2026|Zhang et al. (2026)]] розгорнули вісім LLM-викладацьких агентів у чотирьох парадигмах рольової гри (пацієнт, студент, експерт, член сім’ї) в [[curriculum-design|curriculum]] з ендокринології та оцінили 167 студентських діалогів за рубрикою якості викладання з 8 вимірів. Бали платформи різко розійшлися з якістю за рубрикою; агенти найбільше різнилися за вимірами знань і найменше за відіграванням ролі; адаптивне калібрування складності було спільною слабкістю; і посилення емпатії агента підвищувало якість рольової гри, не покращуючи покриття знань. Висновок, що парадигми рольової гри можна розділити (поза усталеним сценарієм «пацієнт–лікар»), вказує на проєктування та оцінювання агентів проти явних педагогічних вимірів.
- **Форма літератури самої галузі.** [[sriram-ethical-ai-medical-education-bibliometric-2026|Sriram, Nichols, Ganti and Gue (2026)]] відображають літературу про етичний AI в медичній освіті саму як об’єкт: 1 403 публікації в Web of Science від 1995 до 2026 року, незначущі протягом двох десятиліть, потім 113 у 2023, 256 у 2024 і 500 у 2025; 39 країн перетинають поріг авторства, очолюють Сполучені Штати (533 публікації) поперед Китаю (189) та Англії (95); і найчастіше цитовані роботи — тести здатностей, насамперед результати ChatGPT на іспитах на медичну ліцензію, — а не дослідження управління. Їхнє прочитання: галузь виросла швидко, але виросла нерівномірно, і емпірична оцінка рамок [[governance|governance]] — це та робота, якої цитувальний реєстр не винагороджує. Це корисне застереження для всіх, хто сприймає обсяг опублікованих досліджень ШІ в медичній освіті як доказ, що її питання безпечного використання вже отримали відповідь.

Огляд 153 звітів із GenAI в медичній освіті відображає застосування — [[simulation|simulation]] та клінічні навички найбільші (47 звітів), поперед генерації оцінювання та зворотного зв’язку (22) і кейсового навчання та клінічного міркування (21), — проте лише 13 звітів містили сигнал подальшого спостереження або утримання в пам’яті, і жодного результату на рівні пацієнта не було знайдено ([[genai-medical-education-transformation-review-2026|Zhao et al. (2026)]]).

### Чому це важливо

HPE — високоставочна, компетентнісно-орієнтована галузь, де переваги AI (масштабована практика, адаптивний зворотний зв’язок, симуляція) мають урівноважуватися ризиками ([[cognitive-offloading|Over-Reliance]], розмивання практичних клінічних навичок, етичні занепокоєння та занепокоєння щодо безпеки). Загальні поняття бази знань — [[teacher-role]], [[assessment]], [[feedback]], [[equity-in-ai-education]] та [[ethics]] — застосовуються з особливою силою в професіях охорони здоров’я, де помилки мають прямі наслідки для пацієнта.

[[wang-safety-gap-productive-struggle-2026|Wang and Shan (2026)]] називають виниклий «розрив безпеки» — розбіжність між AI-підсиленою продуктивністю здобувача та його непідсиленою здатністю її перевірити, — і прописують приховування рішень, конструктивне когнітивне тертя та сократичні або адверсаріальні AI-архітектури для високоставочного клінічного навчання.

## Наслідки для викладачів професій охорони здоров’я

- **Використовуйте AI, щоб втілювати принципи навчання, а не заміщати викладача.** [[fowlin-operationalizing-learning-principles-ai|Fowlin et al.]] стверджують, що AI має втілювати в практику досвідне, ситуативне навчання та розподілене пізнання, тоді як викладач залишається центральним для залучення та результатів.
- **Використовуйте AI для тренування клінічних навичок.** [[residencyrl-clinical-rl-training-2026|ResidencyRL]] та [[hdr-brachytherapy-agentic-ai-simulation-2026|agentic simulation]] показують AI як партнера з формування навичок у реальних клінічних робочих процесах, — вбудовуйте його там, де він додає безпечної, масштабованої практики.
- **Урівноважуйте високоставочні переваги з надмірною залежністю.** HPE є компетентнісно-орієнтованою і високоставочною; протидійте заміщенню AI практичних клінічних навичок і судження та застосовуйте міркування про [[feedback]], [[assessment]] та [[ethics]] з особливою турботою.
- **Адаптуйте геміфікований та міждисциплінарний AI обдумано.** [[medgame-llm-medical-education-gamification|Gamified LLM learning]] та [[alrazeeni-transforming-nursing-education-ai-2026|nursing-education transformation]] показують потенціал, але потребують оцінки щодо безпеки та результатів навичок; для медсестринства конкретно ці докази про безпеку й навички — включно з РКД, у якому AI-підсилена симуляція поступалася стандартизованим пацієнтам, — зібрані на [[nursing-education]].

## Пов’язані поняття

- [[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]] — напрям медсестринства в освіті професій охорони здоров’я
- [[virtual-and-augmented-reality]] — імерсивне та AR клінічне навчання

## Пов’язані статті
- [[genai-medical-education-transformation-review-2026]] — Scoping review of 153 medical-education GenAI reports: simulation leads, durability and patient outcomes unmeasured
- [[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]] — 8-вимірна рубрична оцінка AI-викладацьких агентів в медичній освіті
- [[sun-llm-nursing-education-professional-identity-2026]] — LLMs, nursing education structural gaps, and the reconstitution of professional identity (Sun et al. 2026)
- [[ai-teammate-task-distribution-medical-training-2026]] — SCAN framework: rethinking AI task distribution in medical training (Tsim et al. 2026)
- [[genai-simulate-patient-history-pbl-2026]]
- [[fowlin-operationalizing-learning-principles-ai]] — Operationalizing experiential, situated, and distributed cognition with AI in health-professions education
- [[residencyrl-clinical-rl-training-2026]] — Reinforcement-learning training for clinical skills in residency
- [[medgame-llm-medical-education-gamification]] — Gamified LLM-based learning for medical education
- [[hdr-brachytherapy-agentic-ai-simulation-2026]] — Agentic AI simulation for brachytherapy training
- [[alrazeeni-transforming-nursing-education-ai-2026]] — Transforming nursing education with AI
- [[jiang-ai-powered-simulation-nursing-education-2026]] — AI-powered simulation in nursing: mixed methods systematic review
- [[wang-safety-gap-productive-struggle-2026]] — The Safety Gap: Restoring Productive Struggle
- [[gen-mentor-dental-radiography-2026]] — Gen-Mentor: human-in-the-loop dental radiography instruction (Dong et al. 2026)
- [[genai-scenario-based-healthcare-education-2026]] — Systematic review of GenAI in scenario-based healthcare education (Neto et al. 2026)
- [[falahat-chatgpt-grading-pharmacy-exams-2026]]
- [[olvet-genai-scoring-open-ended-medical-2026]]
- [[sophie-clinical-communication-ai-assessment-2026]] — Scalable AI-based clinical communication training and automated assessment
- [[sriram-ethical-ai-medical-education-bibliometric-2026]] — Bibliometric map of AI ethics in medical education: output rose 113 (2023) to 500 (2025), 39 countries, and citations reward capability testing over governance (Sriram et al. 2026)

---

## [Освіта в галузі медсестринства](https://edtechdev.github.io/aied/concepts/nursing-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта в галузі медсестринства** — підготовка медсестринського персоналу для ліцензованої практики, а також підгалузь [[medical-education|health-professions education]], де на сьогодні найбільше досліджень щодо ШІ. ШІ проникає в навчальні програми з медсестринства через [[simulation]] з віртуальними пацієнтами та манекенами, підтримку навчання та клінічного мислення на базі [[llm|LLM]], [[automated-assessment|automated assessment]] та адаптивні платформи для здобувачів із груп ризику. Її об’єкт має особливий характер: компетентність медсестри поєднує психомоторну вмілість, реляційну практику та формування [[learner-identity|professional identity]], тому технологія, яка підвищує виміряні показники діяльності, може водночас руйнувати ту розвиткову роботу, що й формує медсестру.

## Питання для роздумів

- Симуляція з підтримкою ШІ надійно покращує знання та [[self-efficacy]], проте демонструє непослідовні, а іноді й негативні ефекти на складні психомоторні навички. Де ШІ є належним [[teacher-role|teacher]], а де присутність живої людини в аудиторії має залишатися безальтернативною?
- Студенти медсестринства описують ШІ як емоційну підтримку під час клінічного стресу. Чи це той ресурс, для якого варто проектувати підтримку, чи це сигнал, що реляційне навництво недофінансоване?
- Тривожність щодо ШІ серед студентів медичних наук корелює з тривожністю у пошуку роботи. Чи є викладання ШІ-грамотності способом вирішення, чи воно підсилює значущість загрози, яку замість цього має бути вирішено за допомогою [[educational-policy-ai|institutional policy]]?

## Вступ

Освіта в галузі медсестринства — це клінічний напрям бази знань із найщільнішою емпіричною базою: загальносистемні огляди застосувань ШІ, синтез [[mixed-methods-research|mixed-methods]] дослідження симуляції на основі ШІ, [[qualitative-research|qualitative]] дослідження досвіду студентів і викладачів, а також критичний інтегративний огляд досліджень LLM розміщені поруч одне з одним. Це робить медсестринство корисним тестовим випадком для тверджень, які ширше поле [[ai-education|AI in education]] висуває щодо клінічної підготовки.

Його необхідно відрізняти від [[medical-education|Medical and Health Professions Education]], де медсестринство розглядається як одна з програм поряд із медициною, фармацією, стоматологією та суміжними галузями охорони здоров’я, а зміст організовано навколо спільної проблеми масштабованої клінічної компетентності. Література з медсестринства додає три речі, яких та сторінка не може нести: межу компетентності, за якою задокументовані переваги ШІ припиняються; явну рамку *професійної ідентичності*, у якій питання полягає в тому, ким стає медсестра, а не в тому, що може зробити стажер; та кадровий вимір — тривожність студентів щодо витіснення медсестринських ролей ШІ та погляд викладачів на медсестер як на творців, а не одержувачів цифрової трансформації охорони здоров’я.

Ця галузь також уточнює три суміжні поняття. Від [[simulation]] вона успадковує дискусію щодо відповідності, але перейменовує цей дефіцит на «розрив автентичності». Від [[affective-computing]] вона запозичує вимірювання афекту, проте її найсильнішим твердженням є те, що афективні результати покращуються, тоді як емоційна глибина взаємодії — ні. Від [[self-efficacy]] вона бере центральну медіаційну змінну, попереджаючи водночас, що впевненість, набута в ситуації низького ризику, може не переноситися на клінічну. Під усім цим лежить звичайна проблема [[higher-ed|higher education]] — навантаження, доступ і доброчесність оцінювання, — загострена ліцензуванням та наслідками для пацієнта.

### Як ШІ проявляється в освіті з медсестринства

- **Чотири галузі застосування, повторювані ризики.** [[alrazeeni-transforming-nursing-education-ai-2026|Alrazeeni et al. (2026)]] проаналізували 28 емпіричних досліджень (2010 – квітень 2025 року) та згрупували застосування ШІ на [[personalized-learning|personalized learning]], [[simulation|simulation-based training]], [[automated-assessment]] та інституційне керування [[curriculum-design|curriculum]] з прогностичною [[learning-analytics|analytics]]. Технологічна нерівність, прогалини в готовності викладацького складу, а також занепокоєння щодо приватності та упередженості повторюються. Їхні рекомендації є конкретними — вбудовувати симуляцію з ШІ у підготовку з надання невідкладної допомоги, розгортати [[adaptive-learning|adaptive platforms]] для здобувачів із груп ризику, використовувати автоматизовані засоби для зворотного зв’язку в реальному часі, спрямованого на [[formative-assessment|formative]] [[feedback]], приймати точність діагностики як показник впливу, — у межах 6–12-місячних багатоцентрових пілотних проєктів, що відстежують [[learning-gains|learning outcomes]] та довіру.
- **Симуляція: сильна щодо знань і впевненості, обумовлена навичками.** [[jiang-ai-powered-simulation-nursing-education-2026|Jiang et al. (2026)]] здійснили керований PRISMA огляд зі змішаними методами 19 досліджень (N = 1 253, переважно студенти перед ліцензуванням), який охоплює [[generative-ai|generative AI]]/LLM, віртуальних пацієнтів і манекени на базі ШІ, ВР/[[virtual-and-augmented-reality|mixed reality]] із покращенням від ШІ та [[conversational-ai|chatbots]]. Найсильніші дизайни — три [[rct|RCTs]] плюс контрольовані квазіексперименти — демонструють значні здобутки в когнітивних знаннях та афективних результатах, включно з [[self-efficacy]] та впевненістю в комунікації, проте ефекти на складні психомоторні навички непослідовні, а одне РКД виявило симуляцію з підтримкою ШІ *гіршою* за симуляцію зі стандартизованими пацієнтами. Якісна метаагрегація пояснює і привабливість, і обмеженість: здобувачі цінують безпечну, повторювану, неоцінювану практику, що долає розрив між теорією та практикою, але повідомляють про **розрив автентичності** — роботизований діалог, відсутність невербальних сигналів, ніякої тактильної експертизи, — а також про технічну нестабільність, що підвищує зайвий [[cognitive-offloading|cognitive load]] і ситуативну тривожність. Автори рекомендують ступінчастий континуум: ШІ для попереднього навчання, збору анамнезу та базового мислення; людські симулятори та стандартизовані пацієнти для складної психомоторної та емоційно навантаженої роботи; дебрифінг із участю людини разом із [[ai-feedback-quality|AI feedback]].
- **Прийняття є реальним і реляційним.** [[akbaba-nursing-ai-experiences-tam-2026|Akbaba and Calik Kus (2026)]] проінтерв’ювали 28 учасників (16 студентів, 12 викладачів) і проаналізували стенограми дедуктивно через [[technology-acceptance-model|Technology Acceptance Model]]. TAM підтвердилася: зручність використання, корисність, намір і використання формували прийняття. Поділ ролей є практичним — студенти використовували ШІ для презентацій, візуального контенту, аналізу клінічних випадків і планування догляду; викладацький склад — для матеріалів курсу, [[meta-analysis-systematic-review|literature review]], [[writing-education|academic writing]] та адміністрування, — що означає необхідність індивідуальної, а не однакової підготовки. Два висновки розширюють когнітивну рамку TAM. Учасники описували ШІ як психосоціальну підтримку, «компаньйона», що дає впевненість і конфіденційний простір для рефлексії під час клінічного стресу. А там, де ШІ *оцінював вище за медсестер* за рівнем емпатії в контексті високого навантаження, [[sun-llm-nursing-education-professional-identity-2026|Sun et al. (2026)]] трактували це як **структурне придушення емпатії**: перевантаження роботою робить автентичний емпатичний вираз нестійким, алгоритмічна послідовність заповнює цю прогалину, і ідентичнісно конститутивна значущість переходить до алгоритму — переосмислюючи політичне питання від «наскільки ефективний цей інструмент?» до «які умови зробили його появу необхідною?»
- **Викладацький склад сприймає ризик як професійний, а не процедурний.** [[dabkowski-nursing-academics-genai-2026|Dabkowski et al. (2026)]] проінтерв’ювали 22 науковців із медсестринства в Австралії та Новій Зеландії і виявили, що вони орієнтуються в політиці, якої немає, яка запізнювалася або була написана без них, за різко розбіжних колегіальних поглядів і за межою, проведеною біля *заміщення*, а не використання. Заперечення було розвитковим раніше, ніж процедурним: генерація відповідей для сценарію погіршення стану пацієнта означає, що мислення ніколи не тренується, а учасники попереджали про майбутній випуск, непридатний для практики, — «Copilot не навчить тебе бути медсестрою». Практика оцінювання вже рухалася до іспитів поглинання, усних заліків і доказів процесу, а недоброчесна поведінка сприймалася як репетиція небезпечних клінічних скорочень, що переосмислює [[academic-integrity]] як питання про те, кому безпечно практикувати, а не як процес відповідності вимогам. Науковці просили настанов, специфічних для медсестринства, пов’язаних з [[ethics|ethical]] кодексами професії, грамотності щодо GenAI, вбудованої в усю [[curriculum-design|curriculum]], та [[teacher-ai-competency|staff development]] зі співпроєктуванням підрозділів — а не загальної заборони.
- **Тривожність як сигнал щодо робочої сили.** [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] опитали 821 студента медичних наук (серед них і медсестернства) і виявили помірну позитивну кореляцію між [[anxiety-and-stress|AI anxiety]] та тривожністю в пошуку роботи (r = 0.233, p < 0.001), причому тривожність щодо ШІ є значним предиктором після контролю соціально-демографічних змінних (β = 0.234, p < 0.001). Тривожність щодо ШІ, на їхню думку, є не ставленням до технології, а психологічним фактором, що формує те, як студенти бачать своє професійне майбутнє, — вказуючи на [[ai-literacy]] та кар’єрне консультування, а не на інструментарій, як на втручання.
- **Групова мисленість і [[collaborative-learning|interprofessional]] команди.** [[genai-counter-learner-groupthink-2025|Wiss et al. (2025)]] розмістили генеративний [[agentic-ai|AI agent]] (CALIE) у дванадцяти новостворених міжпрофесійних командах у семи програмах із споріднених професій охорони здоров’я, включно з медсестринством, під час 180-хвилинної віртуальної сесії [[problem-based-learning|problem-based learning]], [[prompt-engineering|prompting]] йому впроваджувати суперечливі погляди. Зі 165 здобувачів опитування заповнили 158; агент був оцінений найкориснішим як інструмент (M = 3.49), далі за корисністю зворотного зв’язку (M = 3.21) і найменше — як частина команди (M = 2.88), усі попарні відмінності значимі (F(2, 156) = 26.01, p < .001). Позиція фасилітатора мала значення, а здобувачі, які відкидали відповіді агента, усе одно використовували їх як соціально прийнятний спосіб висловитися — незгода з ШІ робила командну роботу.

### Компетентність, ідентичність та прогалина в доказах

- **Заміщення є дизайнерською змінною.** [[sun-llm-nursing-education-professional-identity-2026|Sun et al. (2026)]] здійснили критичний інтегративний огляд 489 досліджень у 47 країнах, переосмисливши дослідження LLM у медсестринстві навколо одного критерію: чи є когнітивна та учасницька робота, яку LLM заміщує, *сторонньою для* розвитку відповідної компетентності чи ж *конститутивною* для неї. Заміщення документування та рутинного пошуку звільняє [[cognitive-psychology|working memory]]; заміщення повного ланцюга мислення, етичного обґрунтування або індивідуалізованого плану догляду усуває сам об’єкт навчання. Докази не є гіпотетичними — студенти, які використовували ChatGPT як єдине джерело, набрали значно менше балів за стандарти етики та клінічне мислення, ніж контрольна група з підручниками, а навчальна програма з інтеграцією ШІ дала вищі бали поряд із менш індивідуалізованими, слабшими за логікою планами догляду — дисоціація між діяльністю та навчанням. Їхня **Модель напруги професійної ідентичності** формалізує це через шари завдань, компетентностей та ідентичності: результати, виміряні за допомогою доступного інструмента, можуть відображати вільну діяльність, а не довготривалу здатність, тому програми мають використовувати відстрочені постртести без інструментів і завдання на перенесення.
- **Докази перевернуті.** Карта прогалин того самого огляду не виявляє жодного рандомізованого чи квазіекспериментального дослідження професійної ідентичності чи [[career-development-and-readiness|career development]], лише три — реляційної та етичної компетентності, і жодного спостереження довше за 12 місяців, — тоді як контрольовані докази зосереджені в когнітивних і технічних результатах.
- **Спостереження зафіксоване як сприйняття, а не як покращена поведінка.** [[harerimana-remote-proctoring-nursing-scoping-2026|Harerimana et al. (2026)]] описали [[remote-proctoring]] в оцінюванні з медсестринства у шести дослідженнях (1 567 студентів) і виявили, що стримувальний ефект повідомляється майже універсально студентами під спостереженням (98–100 % згоди в одній магістерській програмі), тоді як єдине порівняльне дослідження діяльності виявило, що когорта із очним спостереженням набрала значно більше балів на іспиті готовності, ніж когорта з дистанційним спостереженням. Тривожність ішла в обидва боки — одні студенти були спокійнішими вдома та звільненими від переїздів, інші не могли зосереджуватися під наглядом і боялися [[legal-issues-and-risks|wrongful accusation]], — а чотири з шести досліджень повідомляли про збої зв’язку, одне — про знеструмлення, що робить [[equity-in-ai-education|equitable]] доступ оперативним обмеженням, а не безпеку іспиту. Позиція авторів полягає в тому, що дистанційне спостереження має бути одним із кількох інструментів, регульованим стандартами захисту даних і поєднаним із доброчесністю через дизайн та [[authentic-assessment|authentic assessment]], а не розглядатися як усталений захід безпеки.
- **Граничні умови.** Напрями сходяться на тому самому стриманні. ШІ найкраще підтверджений для структурованих, повторюваних цілей — базової комунікації, збору анамнезу, медичної освіти, здобутку знань, — і найменше підтверджений для складних психомоторних навичок, емоційно навантаженої взаємодії та довготривалого професійного становлення. Прийняття послідовно від помірного до високого, проте прийняття зворотного зв’язку від ШІ обумовлене довірою: здобувачі віддають перевагу людським джерелам, сприйманим як доброзичливі, над ШІ, сприйманим як лише компетентним. Огляди також географічно обмежені, переважають дизайни без контролю та [[self-report-measures|self-report]], і — в огляді симуляції — демонструють майже однорідний позитивний патерн, що викликає занепокоєння щодо упередження публікації.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[alrazeeni-transforming-nursing-education-ai-2026]] — Систематичний огляд ШІ в освіті з медсестринства (2010–2025)
- [[jiang-ai-powered-simulation-nursing-education-2026]] — Симуляція на основі ШІ в освіті з медсестринства: систематичний огляд зі змішаними методами
- [[sun-llm-nursing-education-professional-identity-2026]] — LLM, структурні прогалини та реконституція професійної ідентичності
- [[akbaba-nursing-ai-experiences-tam-2026]] — Досвід студентів і викладачів медсестринства щодо ШІ через призму TAM
- [[dag-ai-perceptions-career-anxiety-health-2026]] — Сприйняття ШІ та кар’єрна тривожність серед студентів медичних наук
- [[genai-counter-learner-groupthink-2025]] — Генеративний ШІ для протидії груповому мисленню в міжпрофесійному PBL
- [[dabkowski-nursing-academics-genai-2026]] — Науковці з медсестринства про GenAI: політична невизначеність, професійні цінності та дрейф до оцінювання під наглядом
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Дистанційне спостереження в оцінюванні з медсестринства: нагляд, справедливість та аргумент стримування, побудований на сприйнятті

---

## [Юридична освіта](https://edtechdev.github.io/aied/concepts/legal-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Юридична освіта** — професійна підготовка юристів і дисципліна, в якій [[generative-ai|генеративний ШІ]] ставить найгострішу версію запитання, перед яким опиняється кожна програма: чи є сприяна продуктивність на завданнях юридичної школи свідченням того аналізу, на якому стоїть ліцензія. Її структура незвична. У Сполучених Штатах [[governance]] [[curriculum-design|навчальним планом]] проходить через акредитацію ABA та ліцензійний [[summative-assessment|іспит]], а не через міністерський розклад; викладання спирається на метод кейсів і [[socratic-method|сократівський]] діалог, які залежать від того, що студенти приходять, уже самостійно виконавши підготовче читання; клініки й курси юридичного письма несуть [[experiential-learning|досвідне]] навантаження; а правила професійної поведінки, якими студенти будуть зобов'язані дотримуватися, уже застосовні до інструментів, яких їх вчать користуватися. ШІ входить через платформи юридичного пошуку, підтримку складання документів, генерацію гіпотетичних ситуацій і підготовку до екзамену на адвокатське дозвіл, і його сигнатурна невдача — не хибна оцінка, а сфабриковане цитування.

## Питання для роздумів

- Якщо студент опрацьовує кейси з помічником ШІ, але не може відтворити міркування без допомоги, що [[socratic-method|сократівська]] аудиторія оцінювала весь цей час — підготовку чи інструмент, який її породив?
- Юридичні школи просять керувати ШІ, тоді як професія, яку вони живлять, усе ще вирішує, як має виглядати законна підтримана ШІ практика. Чи має юридична освіта йти слідом за колегією адвокатів, чи вести її?
- Юридична освіта має більше політичних документів, ніж емпіричних досліджень з цього запитання. Чи дисципліна, яка викладає право про докази видатно добре, незвично добре розташована, щоб вимагати кращих свідчень про власне впровадження ШІ?

## Вступ

Юридична освіта готує студентів до ліцензованої професії з власними правилами поведінки, власним органом акредитації та власним іспитом, що виконує функцію воріт, що робить її тією дисципліною в базі знань, де [[educational-policy-ai|політика в освіті]], професійна [[regulation]] та дійсність оцінювання перетинаються найтісніше. Вона стоїть поруч із [[medical-education|освітою з медицини та галузей охорони здоров'я]] і [[nursing-education|освітою з сестринської справи]] як дисципліна [[professional-training]], а не як шкільний предмет, проте її відмінна особливість є процедурною: багато з того, що юридичні школи мусять вирішувати, полягає не в тому, *як* навчати зі ШІ, а в тому, *чого вимагають правила професійної етики* від випускника, який практикуватиме з ним.

База свідчень наразі тонка й перевантажена політикою. Сторінку тримає одна суттєва стаття: [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski і Hurley (2025)]] опитали й порівняли інституційні політики щодо генеративного ШІ в юридичних школах США, схвалених ABA, і запропонували рамку керування. Ця неузгодженість сама по собі є висновком, і сторінка його позначає, а не затульовує.

## Як ШІ з'являється в юридичній освіті

- **Юридичний пошук.** Комерційні платформи, як-от Lexis+ AI і Westlaw Precision з CoCounsel, вбудовують генеративні можливості в інструменти, на яких студентів уже навчено, що робить «використання ШІ» важко відділимим від звичайного пошуку в базі даних. Gutowski і Hurley відзначають, наскільки це стискає знайомий робочий процес: виявлення нормативних джерел і вторинних джерел за хвилини замість годин.
- **Підтримка складання документів і письма.** Початкові витяги з кейсів, конспекти, меморандуми, першопрохідні синтези та зворотний зв'язок на рівні речення щодо ясності та граматики. Автори ставлять згенеровану ШІ роботу в той самий наглядовий стосунок, що й роботу паралегала або молодшого помічника адвоката: юрист залишається відповідальним за її точність і юридичну достатність.
- **Вивчення та підготовка до екзамену на адвокатське дозвіл.** Генерація практичних запитань, фактів ситуацій і «гіпотетичних ситуацій» для практики на час, а також тьюторінг щодо повторюваних слабких місць. Gutowski і Hurley поєднують це зі спостереженням, що генеративний ШІ тепер проходить і екзамен на адвокатське дозвіл, і Multistate Professional Responsibility Exam, що вони читають як таке, що більше говорить про мінімальний компетентнісний поріг, ніж про модель.
- **Профілі під конкретне завдання, а не рейтинг.** За сліпого протоколу ті самі готові моделі, що досягли людських рівнів на екзамені на адвокатське дозвіл (сукупні оцінки 26–79 зі 100), усі провалили іспит на нотаріата, який вимагає цілеспрямованого юридичного планування за суворих формальних обмежень, — і були введені в оману свідомо вбудованими в нього пастками ([[llm-turing-test-italian-legal-exams-2026|Bertoli та ін. (2026)]]).
- **Журнали, судові змагання зі змодельованих проваджень і консультування.** Відбір поданих матеріалів, підготовка до сторінниць у суді та програми академічної підтримки, що використовують індивідуальні моделі, навчені на минулих іспитах, зразкових відповідях і матеріалах курсів.
- **Оцінювання й доброчесність.** Повторювані проблемні випадки: неоголошене складання документів, цитування неіснуючої нормативної основи та іспити, які більше не вимірюють несприяного аналізу.

## Що показують свідчення щодо політики

Gutowski і Hurley оцінюють політики за п'ятьма вимірами з рубриками 0–5: **заборонність**, **дозвільність**, **освітня інтеграція**, **прозорість і підзвітність** і **глибина**. Їхнє обстеження виявило, що більшість юридичних шкіл ухвалили загалом заборонні позиції, часто пояснені як спосіб виграти час на вивчення технології, тоді як майже всі політики залишали свободу дій індивідуальним викладачам. Оцінки дозвільності та заборонності корелювали обернено, як і очікувалося, і автори не повідомляють про жоден єдиний прийнятий підхід: політики коливаються від всеохопного керування до повної відсутності заявленої політики.

Вони також документують, наскільки тонкі свідчення сектору. Опитування ABA 2024 року щодо ШІ й юридичної освіти отримало відповіді лише від 29 шкіл, приблизно 15 % юридичних шкіл, схвалених ABA, тому його навряд чи можна вважати репрезентативним; а опитування LexisNexis 800 студентів юридичних програм виявило, що лише 9 % повідомляють про поточне використання генеративного ШІ в навчанні, причому 25 % планують його запровадити. Автори читають низьке заявлене використання частково як відповідь на неясні правила, оскільки ясність зменшує страх їх порушити.

Ще два пункти формують їхні рекомендації:

- **Керування викладацьким складом — ускладнення, специфічне для юридичної школи.** Юридичні факультети, індивідуально й колективно, мають незвично пряму владу над навчальним планом і стандартами курсів, тож політику треба будувати з ними, а не проголошувати їм.
- **Клінічна освіта породжує [[pedagogy|педагогічну]] заперечність, а не технічну.** Цитуючи Karr і Schultz, вони повідомляють позицію, що інструменти ШІ, створені для наслідування людських відповідей, не розвивають оригінального осуджування, взаємодії з клієнтом і [[ethics|етичного]] прийняття рішень, для яких клініки існують, і тому не мусять використовуватися в клінічних курсах взагалі.

Рекомендації є процедурними: чіткі й всеохопні настанови незалежно від інституційної позиції, повне залучення зацікавлених сторін до складання, проактивне навчання студентів і викладацького складу, гнучке керування, що періодично переглядається, і саморегуляція через обмін інформацією, а не чекання, поки ABA диктуватиме політику.

## Чому дисципліна відмінна

Три речі роблять юридичну освіту більше, ніж ще одна предметна галузь.

**Дійсність оцінювання невіддільна від професійної компетентності.** [[cognitive-offloading|Надмірну залежність]] під час юридичної школи побоюються такою, що залишає випускників непідготовленими до роботи, яка вимагає незалежного юридичного аналізу та сторінництва, і оцінювання, яке винагороджує вільний вивід, не може розрізнити розуміння студента від розуміння моделі. Тому запитання [[assessment-validity|дійсності]] не є суто академічним.

**Норми розкриття невсталені й мають наслідки.** Gutowski і Hurley повідомляють про розбіжності щодо того, чи мусить розкриватися будь-яке використання ШІ, про пропозиції форм розкриття для студентів і про відсутність консенсусу щодо практики цитування, причому Bluebook усе ще мовчить про цитування генеративного ШІ. Вони також передбачають, що вимоги розкриття зрештою виглядатимуть так само безглуздо, як зазначення, що студент користувався пошуковою системою, що є передбаченням про строк придатності правил, які зараз пишуться.

**Професійна етика мандрує разом із випускником.** Обов'язок технологічної компетентності ABA та його настанови щодо конфіденційності, нагляду та відвертості щодо суду застосовні до практикуючих юристів, які користуються цими інструментами, і юридичні школи успадковують завдання їх викладати. Саме тому дисципліна пов'язується безпосередньо з роботою бази знань щодо [[ai-use-disclosure|розкриття використання ШІ]] та щодо [[legal-issues-and-risks|правових питань і ризиків]], які виникають, коли інституції керують ШІ погано.

## Відкриті запитання

- Чи розвиває підтримане ШІ курсове юридичне письмо досі той аналіз, який припускає ліцензування, чи воно тренує вільність, яку екзамен на адвокатське дозвіл також не може виявити?
- Що станеться зі сократівським викладанням, якщо підготовче читання рутинно делегується, і чи є мовчання аудиторії про це проблемою вимірювання, чи проблемою проєктування?
- Юридична освіта породжує людей, які судитимуть і регулюватимуть [[ai-education|ШІ в освіті]]. Чи робить це її природним місцем для перевірення роботи бази знань над правовими ризиками, чи це перекошує увагу на юридичні школи з найгучнішими політиками?

## Пов’язані поняття

- [[academic-integrity]] — рамки поведінки, що застосовуються до сприяної роботи
- [[assessment-validity]] — чи вимірює сприяна продуктивність бажану компетентність
- [[authentic-assessment]] — проєкти, які вимагають несприяного аналізу
- [[ai-use-disclosure]] — норми атрибуції та звітування, усе ще без консенсусу
- [[governance]] — керування викладацьким складом і створення політики, як їх практикують юридичні школи
- [[educational-policy-ai]] — інституційна політика щодо ШІ як об'єкт дослідження
- [[critical-thinking]] — міркування, які має будувати метод кейсів
- [[socratic-method]] — діалог, залежний від підготовки студента
- [[experiential-learning]] — клініки та практико-орієнтована підготовка
- [[professional-training]] — ширше сімейство ліцензованих професій
- [[career-development-and-readiness]] — готовність до практики як заявлена мета
- [[ai-literacy]] — технологічна компетентність як професійний обов'язок
- [[hallucination-risk]] — сфабриковані цитування як сигнатурна невдача поля
- [[legal-issues-and-risks]] — з чим стикаються інституції, коли керування зазнає невдачі

## Пов’язані статті

- [[gutowski-hurley-genai-policy-legal-education-2025]] — П'ятифакторне порівняння політик юридичних шкіл щодо генеративного ШІ та рамка керування
- [[llm-turing-test-italian-legal-exams-2026]] — Сліпий тест Тюринга на італійських іспитах на адвокатське дозвіл, для суддів та на нотаріат, зіставлених із експертним позначенням

---

## [Освіта в галузі інформаційних технологій](https://edtechdev.github.io/aied/concepts/information-technology/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта в галузі інформаційних технологій** — галузь обчислювальної освіти, яка готує практиків обирати, розгортати, захищати, адмініструвати та регулювати соціотехнічні системи, якими організації насправді керують, а не вивчати обчислення як самостійну дисципліну. Її найближчий сусід, а також джерело більшості сум’ятів щодо меж, — це [[cs-education]]: освіта з інформатики (computer science) зосереджена на алгоритмах, програмуванні та формальних засадах, тоді як освіта з ІТ зосереджена на прикладній конфігурації, кібербезпеці, управлінні даними та інформацією та організаційному [[governance]] цими системами. [[generative-ai|Generative AI]] досягає цієї галузі двічі — як об’єкт, який студенти мають навчитися оцінювати, захищати та регулювати, і як інструмент, який репетиторствує їх, класифікує їхні запитання та тихо переписує [[professional-training|professional]] шляхи, для яких їх готують.

## Питання для роздумів

- Якщо ШІ стискає цикли «побудова–провал–налагодження», які історично формували експертизу в ІТ, які базові компетенції має свідомо захищати навчальний план, а якими можна делегувати інструменту?
- Студенти знають правила своєї установи і все одно не можуть сказати, чи відповідає їхнє власне використання цим правилам. Чи це провал комунікації, чи інструмент, заснований на правилах, є неправильним важелем для практики, що відбувається приватним чином у особистих акаунтах?
- Освіта з ІТ розташована між інформатикою, бізнесом та професійно-технічною освітою. Хто має відповідати за компетенцію управління ШІ — курс, складова навчального плану чи результат на рівні програми?
- Якщо класифікатор на основі трансформера відокремлює запитання здобувачів вищого порядку з точністю приблизно 79%, чи слід програмам з ІТ взагалі автоматизувати формативний зворотний зв’язок щодо ставиння питань?
- Більшість ментальних моделей GenAI у студентів є декларативними та поверхневими. Чи це передбачає [[ai-misuse-learning-harm|misuse]], чи лише нездатність пояснити рішення, які студенти насправді приймають правильно?

## Вступ

Освіта в галузі інформаційних технологій — прикладне крило обчислювальних наук. Вона готує людей змушувати системи працювати всередині організацій — мережі, бази даних, операції безпеки, управління медичною інформацією, послуги електронного урядування — і її випускників зазвичай оцінюють професійні органи та роботодавці, а не лише академічне середовище. Відмінність від [[cs-education]] — це одиниця аналізу. Освіта з інформатики бере своїми об’єктами програму та алгоритм; освіта з ІТ бере розгорнуту систему та судження практика про неї. Якщо в інформатиці диспутують про те, чи підриває генерація коду на основі ШІ навичку програмування, то в освіті з ІТ диспутують про те, чи підриває діагностика неполадок за допомогою ШІ діагностичну навичку, чи є політичні документи, створені ШІ, обов’язковими для когось, і чи можуть випускники регулювати системи даних, якими вони керують.

Сусідні дисципліни перетинаються по-різному. [[stem-education]] — батьківська категорія, яка ділиться з нею інструментами, але освіта з ІТ частіше є професійною магістерською програмою або прикладним ступенем бакалаврату, випускники якого потрапляють на регульовані робочі місця. [[business-education]] суміжна через інформаційні системи та програми електронного урядування, які часто діляться курсами та студентами з навчальними планами з ІТ. [[vocational-education]] — інший суміжний окупаційний сусід: обидві галузі готують до практики, але професійно-технічні програми націлені на компетенцію технічного рівня в визначених ремеслах, тоді як освіта з ІТ припускає абстрактне міркування про системи та створює людей, які пишуть документи управління, а не лише виконують їх. [[higher-ed]] позначає рівень, а не галузь, і галузь несе поверхню акредитації та відповідності вимогам — акредитацію в галузі медичної інформатики, зобов’язання HIPAA та FERPA щодо даних, з якими працюють студенти, — що формує те, що вважається легітимним навчальним планом.

Те, що відрізняє ШІ в цій галузі, — це те, що та сама технологія є водночас змістом навчального плану і педагогікою. Узгоджені докази сходяться на одній незручній темі: нинішня повість дня зі ШІ в освіті з ІТ домінується академічною доброчесністю та впровадженням інструментів, тоді як компетенції управління, безпеки та етики даних, яких вимагають власні робочі місця цієї галузі, здаються здебільшого за межами документів, які студенти насправді отримують.

### Як ШІ проявляється в освіті з інформаційних технологій

- **Геміфіковане навчання кібербезпеці.** Li та співавтори створили кілька коротких, дружніх до мобільних пристроїв ігор, що охоплюють від безпеки паролів до розпізнавання шахрайства у тексті та телефоні, поєднуючи проєкти на основі вікторин, наративні та [[simulation]] проєкти з інтерактивними форматами, такими як TikTok Mini-Games, керуючись низькою залученістю та обмеженою ефективністю звичайного відеонавчання ([[ai-gamification-security-education-2026]]). Їх дворівневе оцінювання з 59 студентами коледжів (9 технічних експертів, 50 звичайних користувачів) повідомляє про потенціал покращити залученість та увагу до кібербезпеки, а не про доведені навчальні здобутки.
- **GenAI як скаффолдинг або скорочення в саморегульованому навчанні.** Дослідження зі змішаними методами із 267 аспірантів з ІТ в Австралії розрізняє скаффолдингований [[cognitive-offloading]] (здобувачі уточнюють цілі, генерують ідеї, отримують [[feedback]], який потім критикують і адаптують, тож [[agency]] залишається в них) від підмінного офлоадингу (результати приймаються з мінімальною перевіркою, контроль переходить до інструменту) ([[atif-dickson-deane-scaffold-shortcut-genai-srl-2026]]). Впевненість формувала орієнтацію: впевнені студенти реалізовували автономію у постановці цілей і моніторингу, тоді як менш впевнені однолітки сприймали GenAI як скорочення або як [[academic-integrity|misconduct]]. Когорта була диференційованою, а не гомогенно ШІ-грамотною; автори рекомендують вимагати від студентів обґрунтування або адаптації результатів ШІ як явний [[learning-design]] крок.
- **Стиснуті шляхи експертизи в професійній практиці.** Чотирнадцять напівструктурованих інтерв’ю з ІТ-професіоналами виявили, що GenAI діє і як ментороподібний репетитор, і як скорочувальний сходинки інструмент у діагностиці неполадок, скриптах та перевірці систем ([[genai-expertise-pathways-sysadmin]]). Прискорена продуктивність у незнайомій предметній галузі скорочує вплив циклів «побудова–провал–налагодження», які історично будували експертизу; швидкість за допомогою ШІ також перезавантажує командні та власні очікування, породжуючи культуру двох швидкостей і почуття провини через продуктивність. Дослідження переносить побоювання в аудиторії щодо [[metacognition|metacognitive]] ціни та втрати навичок у [[professional-training]] та [[lifelong-learning|workplace learning]].

### Оцінювання та сторона здобувача у використанні ШІ в ІТ

- **Запитання здобувачів як діагностичні сигнали.** Lee, Atif та Kang класифікували 434 автентичні запитання студентів з 12 курсів з ІТ на три конструктивістські інструкційні ролі — передавач знань, фасилітатор і співучень — досягнувши узгодженої розмітки з [[human-in-the-loop-ai|human-in-the-loop]] (каппа Флейса 0,60, що зростає до 0,83) і збільшивши корпус до 582 збалансованих запитань ([[lee-learner-question-types-ai-education-2026]]). DeBERTa лідирував з точністю 86,36% і прецизією 96,67% на фактичних запитаннях, але прецизія на фасилітаторів впала до 78,79%, а донавчений BERT досяг відгуку 92,00% на пунктах «співучень» лише за прецизії 74,19%. Помилки походили від концептуальної подібності між ролями, неоднозначного наміру здобувача та предметних формулювань, зчитаних як когнітивна глибина; автори попереджають, що збільшення могло ввести лексичні скорочення, і що корпус із 11 студентів, лише з ІТ, ще не може узагальнюватися на інші галузі.
- **Широкі, але поверхневі ментальні моделі.** З 64 придатних для використання концептуальних карт, намальованих 86 студентами бакалаврату на обов’язковому курсі з етики технологій, виникло п’ять категорій ментальних моделей: засновані на технічному процесі, засновані на освітньому інструменті, перехідні, усвідомлені наслідків та інтегровані ([[student-mental-models-genai]]). Кожна карта показувала декларативні знання, 25 — процедурні, 17 — умовні, і лише 9 інтегрували всі три. Технічний і соціально-регуляторний кластери розташовувалися далеко одне від одного, що автори читають як окремий розвиток [[ai-literacy]] та [[ethics|ethical]] обізнаності; зосереджені на доброчесності вказівки, стверджують вони, торкаються лише одного виміру того, як студенти концептуалізують інструмент.
- **Правила відомі, відповідність невизначена.** Опитування 151 студентів бакалаврату програм «Бізнес-інформаційні системи» та «Електронне урядування» виявило, що більшість студентів активно використовує GenAI, але понад половина не впевнена, чи відповідає їхнє використання інституційним регуляціям, зі слабкими до помірних асоціаціями між [[regulation|regulatory]] обізнаністю та фактичною поведінкою, і з опорою переважно на приватно доступні інструменти, а не на інституційні ([[student-regulatory-awareness-genai]]). Знання правил не передбачало сильно того, що студенти робили.

### Інституційна політика та прогалина управління

- **Вказівки, а не політика.** Екологічне сканування всіх 48 акредитованих магістерських програм з медичної інформатики та управління медичною інформацією виявило 40 (83%) принаймні з одним публічно доступним документом із ШІ, але модальним артефактом були порадницькі вказівки (21, 53%), а не формальна політика (7, 18%) ([[institutional-ai-policy-health-informatics-2026]]). Академічна доброчесність домінувала в лексиконі (n = 139), випереджаючи цитування (n = 59) та [[assessment]] (n = 50), тоді як HIPAA (n = 5), FERPA (n = 11), рівний доступ (n = 2) і вимоги розкриття (n = 1) були майже відсутні, а електронні медичні записи не згадувалися взагалі. Latent Dirichlet Allocation виділила чотири теми навколо доброчесності, використання GenAI студентами, університетських дослідницьких інструментів і взаємодії з ChatGPT. Оскільки аналізувалися лише публічні документи, автори трактують відсутність мови приватності та справедливості як висновок про опубліковані вказівки, а не про інституційну практику.
- **Сліпе пляма справедливості.** Інклюзія (n = 9), доступність (n = 9), адаптації (n = 4) та рівний доступ (n = 2) з’являються з частотами, які не можуть підтримати жодного твердження, що [[equity-in-ai-education]] була розглянута, хоча кілька програм вимагають використання ШІ в курсовій роботі. Разом із мізерним розглядом професійної компетенції [[governance]], це найясніше завдання проєктування, яке цей пакет залишає відкритим: пов’язати правила доброчесності з положеннями щодо доступу, приватності та управління даними, за дотриманням яких ці випускники відповідатимуть.

## Пов’язані поняття

- [[cs-education]]
- [[stem-education]]
- [[business-education]]
- [[vocational-education]]
- [[higher-ed]]
- [[professional-training]]
- [[ai-literacy]]
- [[academic-integrity]]
- [[governance]]
- [[cognitive-offloading]]
- [[equity-in-ai-education]]

## Пов’язані статті

- [[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 про навчання](https://edtechdev.github.io/aied/concepts/learning-sciences/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Науки про навчання** — міждисциплінарне дослідницьке поле, яке вивчає, як люди навчаються і як проєктувати середовища, в яких відбувається навчання, спираючись на [[cognitive-psychology|когнітивну психологію]], [[learning-theories|теорії навчання]], інформатику й лінгвістику, і оцінюючи свої проєкти за емпіричними свідченнями, а не за самою теорією. У цій базі знань це дослідницьке поле навколо [[ai-education|ШІ в освіті]], а не один із шкільних предметів: воно постачає механізми, які операціоналізують системи ШІ (компоненти знань, [[mastery-learning|пороги володіння]], [[transfer-of-learning|перенесення]]), об'єкти проєктування, у які вони вкладені ([[learning-design|заплановані послідовності курсу]], [[intelligent-tutoring|тьютори]], режими [[feedback]]) і стандарти, за якими їх судять ([[learning-gains]], [[assessment-validity]], [[equity-in-ai-education|справедливість]]). Його організовне запитання — не те, чи добре працює інструмент, а те, чи змінився здобувач.

## Питання для роздумів

- Здобувач проходить кожен практичний пункт, тому поріг володіння завершує набір — а потім помилково застосовує правило там, де дію слід було утримати. Чия це помилка: здобувача, моделі чи правила зупинки?
- Майнинг послідовностей може описати 554 курси як патерни, не спостерігаючи аудиторії. Що поле здобуває і втрачає, досліджуючи задумані наміри замість здійсненої діяльності?
- Демографічна чутливість у зворотному зв'язку LLM виглядає як адаптація, коли відстежує заявлений освітній рівень здобувача, і як упередження, коли зміщує тональність. Чи має поле, яке не може розділити ці два, продовжувати використовувати моделі з відкритим виводом для оцінювання?
- Чи звужує апетит наук про навчання до причинного проєктування — рандомізованого призначення, контрольфактуальних аудитів, виконуваних моделей здобувача — те, що вважається свідченням у ШІ в освіті?

## Вступ

Науки про навчання вивчають навчання та проєктування навчальних середовищ, і вони визначені своїми методами не менше, ніж своїми темами: експериментами, класовими випробуваннями, [[quantitative-research|кількісним]] моделюванням даних студентів, [[qualitative-research|якісним]] аналізом проєктів і контекстів, і дослідницьким на основі проєктування, що будує втручання й переглядає його у вжитку. Ця широта відділяє цю сторінку від сусідів, які постачають рамки, практику та інструменти; розділ нижче окреслює кожну межу і те, що поле утвердило по той бік неї.

Ця сторінка висвітлює субстантивне знання, породжені такими методами, — що здобувачі роблять із генеративною моделлю, які влаштування змінюють результати, і де власні інструменти поля зазнають невдачі. [[discipline-specific-aied]] робить протилежний розріз, стверджуючи, що предметна галузь змінює те, що мусить робити підтримка; науки про навчання займають міжгалузеву позицію, а механізми, які вони перевіряють, зібрані під [[cognitive-psychology]].

### Як ШІ з'являється в науках про навчання

- **Спочатку механізм, потім модель.** [[deceptive-overgeneralization-adaptive-learning-2026|An, McLaren і Stamper (2026)]] провели одинадцять експериментів (N = 192) із [[intelligent-tutoring]] системами на гру Ріїчі-магжонг і показали, що здобувачі, які склали надмірно узагальнену продукцію — дію без її обмеження застосування, — помилково застосовували її на першому пункті «не діяти» у 61,5 %–100 % випадків, проти 12 % очікуваної помилки за [[knowledge-tracing|баєсівським відстеженням знань]]. За порогу володіння 95 % система припиняла практику, перш ніж здобувачі зустрічали випадок, що вимагав утримання дії, тож дефект лишався невиявленим. Коротка практика «не діяти» із [[feedback]], який називає відсутнє обмеження, знизила помилкове застосування до 0,0 %–23,1 % (h Коена 1,70–2,44), а вторинний аналіз тринадцяти наборів даних K-12 *Decimal Point* виявив ту саму структуру в упередженні на цілі числа (84 %–88 % помилок порівняння).
- **Оптимум залежить від контенту.** [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit, Koedinger і Carvalho (2025)]] розглядають відношення прикладів до задач як взаємодію контенту зі способом навчання: в експерименті 2×2 із 95 учасниками на матеріалі з геометрії площі тренування лише з практикою давало більші [[learning-gains|навчальні здобутки]] для дослівних фактів, тоді як тренування, інтегроване з прикладами, давало більші здобутки для узагальнюваних умінь (β = 0,41, p = .038, d = 0,38). Змодельований здобувач (Apprentice Learner) відтворював перехрещення лише тоді, коли йому давали [[cognitive-psychology|механізм пам'яті й забування]] в стилі ACT-R. Більше практики не є рівномірно кращим: контент, орієнтований на пам'ять, виправдовує відтворення, а уміння, орієнтовані на індукцію, виправдовують інтегровані приклади.
- **Проєктування як аналізовний об'єкт.** [[learning-paths-patterns-learning-design-2026|Divjak, Svetec і Horvat (2026)]] обернули [[learning-analytics]] на саме [[learning-design]], кодуючи 29 064 діяльностей у 554 курсах, запланованих у вільному інструменті проєктування курсів. Набуття були найпоширенішим типом навчання й найпоширенішою точкою входження; найсильнішим переходом Маркова було Оцінювання → Обговорення (0,332), а правилом з найвищою довірою — Набуття → Оцінювання → Практика → Практика (0,743, підйом 1,45). Тип навчання відстежував бажаний рівень результату: Набуття спадали від приблизно 50 % діяльностей на рівні Блума 1 до близько 20 % на рівні 6. Автори підкреслють, що це є проєкти до впровадження: схожість із перевернутими, [[inquiry-based-learning|дослідницькими]] або [[project-based-learning|проєктно орієнтованими]] послідовностями не є свідченням наміру.
- **Аудит моделей, які оцінюють.** [[demographic-signals-llm-student-assessment-2026|Rooein, Benedetto і Hovy (2026)]] проаудитували шість [[llm|LLM]] на [[automated-essay-scoring|оцінюванні есе]], [[formative-assessment|формувальному зворотному зв'язку]] й відповідях на запитання, утримуючи вхідні дані завдання фіксованими, змінюючи лише демографічний контекст (192 480 викликів). Оцінювання було стабільним за явних персон, проте Llama-70B здувала власні оцінки на 1,57 пункта за неявної розмовної історії (p < 0,001), а вища освіта отримувала менш читабельні й більш позитивні відповіді — розрив у тональності приблизно на чотири стандартні відхилення. Ефекти читабельності зменшувалися, тоді як ефекти довжини зростали, а деякі коефіцієнти змінювали знак між умовами. Автори пропонують це як інструмент аудиту, а не вердикт щодо розгортання, і читають переплетеність демографічного й тематичного сигналу як загрозу [[assessment-validity|дійсності]] та [[equity-in-ai-education|справедливості]].
- **Вимірювання компетентності та її меж.** [[competent-generative-ai-use-measures-review-2026|Verí (2026)]] організовує інструменти для компетентного використання [[generative-ai]] в чотири домени — знання й використання, епістемічний нагляд, калібровка залежності та контроль агентів, що використовують інструменти, — відмовляючись звести їх до одного континууму вільності володіння. Три кореляції між самооціненою й продемонстрованою [[ai-literacy|ШІ-грамотністю]] на тій самій вибірці зводяться до r = .055 (95% CI [-.047, .156], повідомлене N = 2 765), що автор читає як достатньо, щоб відкинути розгляд [[self-report-measures|самооцінок]] як взаємозамінних з оцінками продуктивності, хоча й недостатньо, щоб установити відріз. Жоден перевірений інструмент не охоплював повного набору рішень, які створюють агенти, що використовують інструменти; запропонована пошарова батарея є гіпотезою проєктування.
- **Самозвіт про власне перекладання здобувачем.** [[pause-ai-cognitive-offloading-self-reflection-2026|Alam (2026)]] перекладає літературу про [[cognitive-offloading]] на PAUSE — перевірку, що працює лише в браузері, з чотирма доменами, де кожен пункт епохи LLM прив'язаний до джерела, без зведеного показника, без збереження й без моделі в продакшені; її смуги описові, а не нормовані, і читання не мусить виправдовувати рішення щодо оцінювання, прийому чи найму. Її заявлені межі мають значення: самозвіт про перекладання вразливий саме до тої здатності, якої він стосується, респондент, який свідомо використовує ШІ як [[scaffolding|скаффолдинг]], читається як перекладання за кількома пунктами, і питання, чи відрізняється пов'язане зі ШІ перекладання від загальної залежності від технологій, лишається відкритим.
- **Де сидить людська експертиза.** [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024|Wang та ін. (2024)]] повідомляють найчіткіший поділ праці: в двомісячному [[rct|рандомізованому контрольованому випробуванні]] з приблизно 900 тьюторів-новачків K-12 і близько 1 800 студентів пропозиції в реальному часі, взяті з міркувань досвідчених тьюторів, підвищили володіння темою на 4 відсоткові пункти (62 % до 66 %, p < 0,01), і на 9 пунктів для тьюторів із нижчими оцінками, за приблизно \\$20 на тьютора на рік, зсуваючи тьюторінг до керівних запитань. Здобутки були близькими — річні тести не зрушили. [[reichert-human-centered-llm-chatbot-design-teachers-2026|Reichert та ін. (2026)]] виявляють, що викладачі приходять до тієї ж позиції шляхом проєктування: шість викладачів середньої школи, які прототипували чат-ботів, специфікували обмеженого експерта, утримуючи межі авторитету (відповідальність за навчання й безпеку не делегується) і межі експертизи (моделі бракує їхніх знань про індивідуальних студентів), і делегуючи подання контенту, практику й виправний [[feedback]], зберігаючи за собою постановку цілей і [[summative-assessment|підсумкове оцінювання]].
- **Здатність на рівні поля.** [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo, Chowdhury і Liu (2026)]] опитали 127 викладачів інструментом [[tpack|TPACK]], адаптованим для генеративного ШІ: сильні знання про контент і педагогічний контент (M = 4,70–5,15) поруч із явно нижчими знаннями, інтегрованими з технологіями, причому цілісний TPACK найнижчий на 2,55, знання про контент не корелювали з жодним технологічно інтегрованим доменом, а три інтегровані домени корелювали так високо (r = .81–.91), що можуть функціонувати як один чинник. [[perrotta-zero-shot-governance-2026|Perrotta (2026)]] читає шар керування через припинений прототип британської цивільної служби, чия кодова база була системною підказкою плюс конвеєр пошуку над комерційними моделями, стверджуючи, що узагальненість базових моделей водночас уможливлює швидке перепрофілювання в інструменти [[educational-policy-ai|політики]] й робить аномальний вивід постійно лише пом'якшуваним ризиком — нагляд, який дивиться зверху над циклом, а не сидить усередині нього.
- **Прогалина інтеграції, змапована:** [[malik-bashir-reconceptualizing-learning-sciences-hybrid-intelligence-2026|Malik і Bashir (2026)]] синтезували 32 дослідження (PRISMA 2020, тематичний аналіз) у чотири теми: епістемологічна фрагментація всередині поля, суперечності між теорією і технологією (обчислювальні системи працюють на передбаченні та виміровній поведінці, тоді як освітні теорії наголошують на контексті та соціальній взаємодії), датифікація навчання через аналітику, і гібридний інтелект як визначна парадигма. Їхня рамка гібридного інтелекту є концептуальним синтезом, а не перевіреною моделлю — автори стверджують, що вона чекає на емпіричне перевірення, — проте мапа з чотирьох тем є корисним об'єктивом аудиту для проблеми перекладу теорія–обчислення, на яку це поле постійно наражає.

## Як науки про навчання ставляться до своїх сусідів

[[design-based-research|Дослідницьке на основі проєктування]] — це метод, який це поле розробило, а не запозичило: втручання будується й переглядається всередині працюючої аудиторії, причому його теоретичне обґрунтування переглядається поруч із ним, тож одне дослідження дає і артефакт, і принцип проєктування. Саме це відділяє його від лабораторного експерименту, який ізолює причину, утримуючи контекст незмінним, і саме тому висновки поля приходять як знання про проєктування, а не як розміри ефекту. [[research-methods-aied]] робить протилежний розріз: та сторінка оглядає весь репертуар — експерименти, опитування, якісну роботу, бенчмарки, огляди, консенсусні методи — як вибір між інструментами, зважених за дійсністю твердження, яке кожен може підтримати. Ця сторінка читає той самий корпус із субстантивного боку, запитуючи, що репертуар утвердив про навчання, і судячи метод за тим, чи виживає його твердження про проєктування в контакті зі здобувачами.

[[learning-theories]] збирають рамки-кандидати — біхевіоризм, когнітивізм, конструктивізм, соціокультурні підходи, мотивацію й саморегуляцію — як лінзи для читання ШІ. Науки про навчання ділять цю лексику, але не ту позицію: тут теорія є твердженням про механізм, яке проєктування мусить або втілити, або спростувати, і становище поля спирається на емпіричну й проєктувальну роботу, а не на узгодженість рамки. Сторінку теорій варто відкрити для того, що рамка стверджує; ця сторінка — для свідчень, які рамка накопичила.

Поле також будує теорію, а не лише перевіряє запозичені рамки: [[theory-development-aied]] висвітлює концептуальну роботу, що пояснює, як взаємодіють здобувачі, викладачі й системи ШІ, і там власні конструкції поля аргументуються, перш ніж їх вимірюють. Те, що від їхніх проєктів зазвичай вимагають, — це [[transfer-of-learning|перенесення]] — знання й уміння, що виживають за межами тьютора, предмету чи завдання, в якому їх засвоїли, — і саме тому здобуток, виміряний усередині інструменту, є слабкішим твердженням, ніж виміряний без нього. І оскільки спроєктоване середовище є складовим втручанням, приписування результату одному компоненту є стоячою проблемою вимірювання поля: [[educational-measurement]] постачає психометричний апарат, який робить таке приписування хоча б спірним, і саме тому запитання вимірювання приходять сюди рано, а не постфактум.

[[cognitive-psychology]] — дисципліна рівня механізмів, на яку поле спирається найсильніше, постачаючи обмежену робочу пам'ять, кодування й відтворення, розкладні компоненти знань і діагностичну мову моделювання здобувача. Науки про навчання використовують ці механізми, не зводячись до них: їхня одиниця аналізу — спроєктоване середовище, що несе соціальні, мотиваційні й контекстуальні змінні, яких не має лабораторний опис пам'яті, а їхні перевірки проводяться на цілих втручаннях, а не на ізольованих когнітивних ефектах.

[[pedagogy]] і [[learning-design]] висвітлюють практику — яку стратегію викладання використовувати і як упорядкувати цілі, діяльності та оцінювання в курс. Обидва є тим, що науки про навчання вивчають ззовні, як об'єкти опису й оцінювання; поле не каже викладачеві, за яким прийомом сягнути далі, воно повідомляє, що показано роблять ці прийоми. Проєктування навчання — ближчий родич, оскільки обидва породжують щось, що можна впровадити й перевірити, проте вивід дизайнера — придатний до викладання курс, а вивід поля — знання про проєкти взагалі.

Висновки мають значення лише тоді, коли доходять до викладання, і цей шлях проходить через три сторінки. [[educational-development]] — інституційна практика, яка їх несе: розвиток викладацького складу, стандарти, політика й робота з ідентичністю вирішують, чи дійде перевірене проєктування колись до аудиторії, і саме тому свідчення поля систематично випереджають те, що інституції впровадили. [[teacher-education]] — місце, де знання мусить приземлитися, перш ніж викладач увійде до аудиторії, а [[teacher-role]] — місце, де воно приземлюється потому, в щохвилинному осуді про те, коли втрутитися, який інструмент використати й коли залишити здобувача самого. Жодна з трьох не породжує висновків наук про навчання; усі три вирішують, чи змінять ці висновки практику.

## Пов’язані поняття

- [[learning-theories]] — Теорії навчання
- [[cognitive-psychology]] — Когнітивна психологія
- [[pedagogy]] — Педагогіка
- [[learning-design]] — Проєктування навчання
- [[research-methods-aied]] — Методи досліджень в AIED
- [[theory-development-aied]] — Розвиток теорії в AIEd
- [[design-based-research]] — Дослідницьке на основі проєктування
- [[teacher-education]] — Підготовка викладачів
- [[educational-development]] — Розвиток освіти
- [[discipline-specific-aied]] — Галузеспецифічний AIEd
- [[intelligent-tutoring]] — Інтелектуальний тьюторінг
- [[learning-analytics]] — Навчальна аналітика
- [[assessment-validity]] — Дійсність оцінювання
- [[educational-measurement]] — Освітнє вимірювання
- [[cognitive-offloading]] — Когнітивне перекладання
- [[learning-gains]] — Навчальні здобутки
- [[transfer-of-learning]] — Перенесення навчання
- [[teacher-role]] — Роль викладача
- [[equity-in-ai-education]] — Справедливість у ШІ в освіті
- [[educational-policy-ai]] — Політика в галузі освітнього ШІ

## Пов’язані статті

- [[competent-generative-ai-use-measures-review-2026]] — Огляд і дослідницький метааналіз мір для компетентного використання генеративного ШІ (Verí 2026)
- [[deceptive-overgeneralization-adaptive-learning-2026]] — Правильність, що маскує незавершене правило: правила зупинки за володіння в адаптивному навчанні (An, McLaren & Stamper 2026)
- [[demographic-signals-llm-student-assessment-2026]] — Контрольфактуальний аудит демографічних сигналів в оцінюванні студентів за допомогою LLM (Rooein, Benedetto & Hovy 2026)
- [[learning-paths-patterns-learning-design-2026]] — Ланцюги Маркова й майнинг патернів по 29 064 діяльностях у 554 курсах (Divjak, Svetec & Horvat 2026)
- [[pause-ai-cognitive-offloading-self-reflection-2026]] — Зберігаюча приватність, недіагностична перевірка для пов'язаного зі ШІ перекладання (Alam 2026)
- [[perrotta-zero-shot-governance-2026]] — Керування без прикладів: ШІ загального призначення в політиці, прочитаний через кодову базу Redbox (Perrotta 2026)
- [[rachatasumrit-example-problem-ratio-2026]] — Чому найкраще відношення прикладів до задач залежить від контенту (Rachatasumrit, Koedinger & Carvalho 2025)
- [[reichert-human-centered-llm-chatbot-design-teachers-2026]] — Викладачі проєктують чат-ботів із обмеженим експертом і вибірковою делегацією інструкції (Reichert та ін. 2026)
- [[sutedjo-faculty-genai-tpack-21-2026]] — TPACK викладачів щодо GenAI: сильні знання про контент, слабкі знання, інтегровані з технологіями (Sutedjo, Chowdhury & Liu 2026)
- [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024]] — Tutor CoPilot: рандомізоване випробування живого тьюторінгу «людина–ШІ» у масштабі (Wang та ін. 2024)

---

## [K-12](https://edtechdev.github.io/aied/concepts/k-12/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **K-12** — використання штучного інтелекту в початковій та середній освіті, що охоплює навчальні програми [[ai-literacy|AI literacy]], [[intelligent-tutoring|AI tutoring]], [[teacher-role|teacher support]] та міркування щодо безпеки, унікальні для молодших здобувачів. Систематичний огляд 2026 року за настановами PRISMA, що охопив 197 досліджень (2016–2024), організує поле навколо чотирьох областей можливостей — [[personalized-learning|personalization]], [[student-engagement|motivation]], [[assessment]] та інноваційних [[pedagogy|teaching practices]] — водночас позначаючи стійкі прогалини в [[teacher-education|teacher training]], міністерських [[ethics|ethical]] настановах і балансі дисциплін.

## Питання для роздумів

- Використання ШІ в K-12 вимагає сильніших захистів безпеки, ніж [[higher-ed|higher education]], бо молодші здобувачі найменше озброєні для виявлення небезпечного або маніпулятивного ШІ. Як це змінює те, що має означати «безпечно» для інструментів, якими користуються діти?
- [[meta-analysis-systematic-review|Systematic reviews]] виявляють, що база свідчень K-12 зосереджена переважно на [[stem-education|STEM]], залишаючи мистецтво та [[humanities-education|humanities]] здебільшого недослідженими. Що могла б розкрити збалансована за дисциплінами база свідчень про ШІ в K-12, чого не помічають дослідження лише в STEM?
- [[research-methods-aied|Research]] виявляють, що викладачі систематично переоцінюють свою компетентність у ШІ — розрив близько 40% між [[self-report-measures|self-report]] і продуктивністю, — проте коротке навчання дає суттєво вищу інтеграцію. Що міг би означати цей розрив для того, як школи готують викладачів?
- Більшість інструментів ШІ центрують домінантні перспективи, проте 78% викладачів в одному дослідженні визнали ШІ корисним для культурно релевантної педагогіки. Як інструмент, що за умовчанням тримається домінантних поглядів, можна скеровувати на розширення репрезентації, а не на її звуження?
- Свідчення вказують на те, що перекладання роботи на ШІ може шкодити навчанню, особливо для старших студентів, — проте молодші студенти можуть бути менш ураженими. Чому навчальний штраф використання ШІ міг би відрізнятися за віком, і що це означає для проєктування?
- Огляд K-12 виявляє вісім недосліджених прогалин, від відсутніх конкретних прикладів навчальних блоків до недовикористання [[educational-robotics|robotics]], носимих пристроїв і мобільної комунікації. Яка з цих прогалин найбільше обмежує те, що школи можуть справді робити сьогодні?
- Інституційні [[educational-policy-ai|AI policies]] часто не мають настанов щодо впровадження. Що знадобилося б, щоб перетворити документ політики щодо ШІ в K-12 на конкретні практики в аудиторії та підготовку викладачів — і чому це перекладання так часто провалюється?

## Вступ

### Ландшафт свідчень

[[meta-analysis-systematic-review|PRISMA-guided systematic review]] 2026 року (Marzano, [[generative-ai-k12-teaching-learning-systematic-review-2026|197 studies, 2016–2024]]) тепер закріплює базу свідчень K-12, доповнюючи раніші великі синтези, такі як [[young-people-learning-generative-ai-rapid-review-2026|rapid review of GenAI and PreK-12 learners]] та [[stanford-evidence-base-ai-k12-2026|aggregated K-12 AI evidence base]]. Його структура з чотирьох питань організує поле в чотири області можливостей — персоналізацію навчання, мотивування студентів, покращення оцінювання та уможливлення інноваційного, імерсивного викладання — з [[conversational-ai|ChatGPT]] як флагманським випадком, дослідженим у великій частці включених статей.

Центральний висновок огляду — різка асиметрія: *обіцянка* [[generative-ai|GAI]] у школах є широкою і добре задокументованою, але *свідчення щодо щоденної практики в аудиторії* є тонкими, зосередженими в [[stem-education|STEM]] і перекошеними браком конкретних прикладів навчальних блоків і практичної підготовки викладачів. Ця прогалина між прагненням і впровадженням є визначальною рисою досліджень GenAI в K-12.

Синтез з боку викладача додає шар, який огляди, зосереджені на інструментах, лишають поза увагою. Огляд за PRISMA 29 досліджень [[teacher-intervention-k12-ai-based-instruction-2026|teacher intervention in K-12 AI-based instruction]] виявляє, що вихід ШІ — сповіщення, [[visualization|dashboards]], автоматизовані бали, зворотний зв’язок чат-бота — стає викладанням лише через цикл моніторингу, судження, втручання та оркестрації, і що подана користь для продуктивності, участі та впевненості студентів є умовною від інтерпретованості інформації, часу втручання, націленого рівня, можливості впровадження викладачами та [[agency|autonomy]] студентів. Його корпус зосереджений у тих самих місцях, що й ширша база свідчень K-12: [[math-education|mathematics]] і предмети науки/STEM, середні й старші класи та умови Сполучених Штатів.

### Характерні для K-12 міркування

- **Безпека та забезпечення запобіжниками:** використання ШІ в K-12 вимагає сильніших захистів [[pedagogical-safety]]. [[eduzone-llm-safety-k12|EduZone]], [[eduguard-safe-rag-llm-tutor|EduGuard]] і [[hazra-safetutors-pedagogical-safety-2026|tutor harm research]] спеціально займаються безпечною для дітей [[student-ai-interaction|AI interaction]].
- **Навчальні програми ШІ-грамотності:** [[aaai2026-prompting-literacy-k12|K-12 AI literacy modules]] розвивають віково доречне розуміння ШІ, тоді як [[gaide-vibe-coding-k12-teachers|vibe coding framework]] дає викладачам змогу створювати власні інструменти ШІ. Квазіекспериментальне дослідження 18-годинної програми критичної медійної грамотності за моделлю 5E для турецьких учнів четвертого класу ([[demir-akar-ai-media-literacy-children-2026|Demir & Akar 2026]]) вбудувало [[generative-ai|generative AI]] (ChatGPT, Grammarly, Canva AI, Padlet) фаза за фазою як [[pedagogical-agent|pedagogical agent]], узгоджений із навчальними програмами турецької мови та суспільствознавства, породжуючи великі здобутки в читанні медіа (+3,50), письмі (+1,67) і загальній медійній грамотності (+5,17, усі p < .01) з міжгруповими розмірами ефекту Коена *d* = 1,12–1,31 та [[qualitative-research|qualitative]] зростанням у шести доменах критичної медійної грамотності (цифровий самозахист і приватність даних, цілеспрямоване й відповідальне використання медіа, безпечна комунікація та обізнаність про межі, [[critical-thinking|critical evaluation]] та обізнаність про дезінформацію, обізнаність про онлайнові ризики та етика медіа/цифрове громадянство) — свідчення того, що віково доречні, вбудиновані в дисципліни навчальні програми ШІ-грамотності можуть давати вимірювані критично-медійні здобутки в молодших класах.
- **Тьюторинг на рівні класу:** [[ecnuclaw-k12-personalized-companion|K-12 personalized companions]] та [[correct-answer-trap-ai-tutor|correct answer trap research]] вивчають ефективність тьюторингу для молодших студентів.
- **Обмеженням тьюторингу із ШІ є залученість, а не спроможність.** У 18 середніх школах Теннессі призначення Khanmigo підвищило досягнення в математиці на ~0,06–0,08 SD за шкільний рік — здобутки, подібні до практики Khan Academy без ШІ, — бо медіанний студент писав тьюторові лише в 17% сеансів помилок ([[one-click-away-khanmigo-two-year-school-experiment-2026|Oreopoulos and Low, 2026]]).
- **Доцільність для розвитку:** [[child-safety-genai|Child safety research]] та міркування щодо [[special-education]] займаються потребами різноманітних популяцій K-12.
- **Розмовний ШІ, адаптований за віком:** [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed & Martin (2025)]] розгорнули AMA, чат-бот, обмежений темою, з адаптацією підказок за віком, серед 63 студентів (класи 1 і 6–8). Діти показали ширку відкритість і високу довіру до чат-бота як до джерела інформації та активно перевіряли його достовірність питаннями з відомою відповіддю, тоді як прогалини в обізнаності щодо цифрової безпеки (деякі були готові довіритися таємницями) вказують на чутливий до віку [[scaffolding]] і явний інструктаж щодо [[privacy]].

### Ефекти знань викладачів

- **Ефекти знань викладачів.** Дослідження міжрівневого типу ([[pedagogy-first-technology-second-teacher-knowledge-2026|46 teachers, 2,832 secondary students]]) виявило, що [[pedagogy|pedagogical]] знання щодо ШІ — а не технічні знання щодо ШІ — керували сприйняттям студентами ШІ для соціального блага та їхнім наміром вивчати ШІ, підкріплюючи підхід «спочатку педагогіка, потім технологія» до підготовки викладачів ШІ в K-12.
- **Безперервне навчання як обмежувальний фактор.** Огляд Marzano визначає безперервне, цілеспрямоване [[teacher-education|teacher training]] з ІКТ як єдиний найстійкіший виклик інтеграції, і воно має охоплювати технічні, педагогічні та етичні виміри, адаптуючись до стрімко еволюціонуючих інструментів. Початкове й безперервне навчання має бути тривалим, колаборативним, [[game-based-learning|game-based]], орієнтованим на [[explainable-ai|transparency]] і заснованим на [[educational-development|professional development]] для просунутих інструментів на кшталт ChatGPT. Це поширюється і на ШІ підтримки колаборації в аудиторії: дослідження здійсненності Community Builder ([[breideband-community-builder-cobi-2026|CoBi]]) в аудиторіях середніх шкіл виявило, що високоцілісне використання викладачами залежало від суттєвого [[professional-training|professional learning]], причому непідготовлені викладаі дрейфували до розгляду інструмента як монітора продуктивності або до загальної дискусії про ШІ, а не до його бажаного колаборативного фокусу.
- **Прогалина в компетентності.** Дослідження показує, що викладачі систематично переоцінюють свою [[teacher-ai-competency|AI competency]] — розрив близько 40% між самооцінкою і продуктивністю, — проте короткі навчальні інтервенції (наприклад, 4-годинні [[prompt-engineering|prompting]] семінари) можуть дати суттєво вищу інтеграцію ШІ в аудиторії. Це робить підготовку викладачів і [[teacher-education]] центральними для успішної інтеграції ШІ в K-12.

### Чотири області можливостей

Систематичний огляд консолідує те, що GAI може робити у школі, у чотири повторювані домени:

- **Персоналізоване навчання.** GAI пристосовує [[personalized-learning|learning experiences]] до індивідуальних потреб, темпу та готовності — флагманська користь, задокументована на [[ecnuclaw-k12-personalized-companion|companion systems]] і [[adaptive-learning|adaptive platforms]].
- **Читабельність і узгодження з навчальною програмою.** Bird (2026) поєднує класифікацію тексту на трансформерах із обчислювально-лінгвістичними ознаками, щоб класифікувати англійську літературу за UK Key Stage (F1 0,996), упаковану в вебзастосунок без коду, щоб викладачі могли узгоджувати матеріали для читання з рівнями здобувачів — конкретне, релевантне дисципліні (англійська/література) доповнення до переважно STEM-ної бази свідчень K-12.
- **Мотивація і залученість.** Інструменти на кшталт ChatGPT роблять навчання більш залученим для молодших студентів, підтримуючи [[student-engagement|engagement]] і [[motivation]], — хоча огляд також попереджає, що це може перейти в надмірну залежність і технологічну залежність.

Мета-аналіз 42 досліджень це кваліфікує: мотиваційний ефект був найменшим у шкільних умовах ([[k-12|secondary]] g = 0,360, початкова g = 0,311) проти g = 0,886 в університеті, хоча ці підгрупи спираються лише на 9 і 4 дослідження ([[genai-learning-motivation-meta-analysis-2026|Fang et al. (2026)]]).
- **Оцінювання.** GAI покращує методи [[assessment]], від [[formative-assessment|formative]] [[feedback]] до [[automated-assessment|automated scoring]], хоча [[marked-pedagogies-linguistic-bias-writing-feedback|bias in automated feedback]] залишається живим занепокоєнням. [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] розширюють це на калібрацію завдань у K-5: на 5 170 завданнях математики та читання zero-shot оцінки складності від GPT-4o корелювали помірно–сильно зі складностями, каліброваними за Rasch (r = 0,83 математика, r = 0,81 читання), але були нерівномірними між класами й не кращими за регресор-фіктивну зі середнім за класом для класів K і 1 — обмеження діапазону, що має значення для оцінювання в ранніх класах. Підхід на основі ознак (ознаки, витягнуті [[llm]], у моделі на основі дерев) досяг кореляцій до r = 0,87, із здобутками, найвиразнішими для завдань ранніх класів.
 Суміжне питання — яку модель школа взагалі запускає: на наборах, узгоджених з NGSS, для середніх шкіл (1 078 завдань) і старших шкіл (1 150 завдань) дев'ять моделей із відкритими вагами від шести лабораторій здебільшого набрали вище 90%, і розмір моделі не передбачав точності — OSS-20b і Nemotron 3 Nano 30b a3 зрівнювалися з моделями в кілька разів більшими, — тоді як складність завдань була високою, а дискримінативність низькою, залишаючи авторів із запитанням, чи не є [[benchmark]] надто легким ([[llm-benchmark-secondary-science-topics-2026|Schroeder et al. 2026]]).
- **Інноваційні практики викладання.** Імерсивні, [[game-based-learning|game-based]] та [[collaborative-learning|collaborative]] підходи роблять навчання більш залученим, причому [[code-to-learn-genai-artifact-construction-2026|constructionist]] і [[ai-pbl-computational-thinking-2026|project-based]] моделі показують особливу обіцянку. Конкретний приклад на рівні всієї аудиторії — Community Builder ([[breideband-community-builder-cobi-2026|CoBi]]), система підтримки колаборації із ШІ, розгорнута в шести аудиторіях середніх шкіл, яка використовувала розпізнавання мовлення для візуалізації «піднесеного» дискурсу малих груп — свідчення того, що ШІ мовлення в реальному часі може здійсненно працювати в шумних умовах K-12 для підтримки реляційного виміру навчання.

### Імператив культурної релевантності

[[curriculum-design|LLM-supported curriculum design]] показує обіцянку для диверсифікації матеріалів — в одному дослідженні 78% викладачів визнали пропозиції ШІ корисними для [[culturally-relevant-pedagogy|culturally relevant pedagogy]]. Проте більшість інструментів ШІ центрують домінантні перспективи, вимагаючи свідомого [[equity-in-ai-education|equity-centered design]], щоб уникнути розширення прогалин у можливостях.

### Переклад політики в практику

[[governance|Institutional]] політики щодо [[generative-ai|GenAI]] здебільшого не мають настанов щодо впровадження. Систематичний огляд підкреслює, що міністерські настанови, що займаються [[ethics]] і [[privacy]], залишаються нерозвиненими, відлунюючи [[ai-literacy-assessment-misalignment|policy-to-practice]]: успішні моделі перетворюють документи політики на дієві навчальні модулі для викладачів, зводячи «що» (політика) і «як» (інструктаж з підказок).

### Масштаб і справедливість

Розгортання ШІ в K-12 діє в суспільному масштабі — мільйони студентів, обов'язкова освіта та значні наслідки для [[equity-in-ai-education|equity]]. Дослідження справедливості вивчає, чи ШІ розширює чи звужує прогалини в можливостях, включно з [[digital-divide|access]] і [[inclusive-learning|inclusive support]] для студентів з інвалідністю — однією з восьми недосліджених областей огляду.

### Вісім прогалин у дослідженнях

Інноваційний внесок огляду Marzano — явне перелічення восьми недосліджених прогалин, що формують порядок денний досліджень GenAI в K-12: (1) брак конкретних прикладів ШІ у викладанні для конструювання навчальних блоків; (2) потреба в практичному, щоденному навчанні викладачів на основі постійного застосування ШІ; (3) навички в [[reinforcement-learning|machine learning]] та баланс між дисциплінами, із надмірною репрезентацією [[stem-education|STEM]]; (4) брак досліджень і експериментів у Європі; (5) потреба визначити [[teacher-role|teacher role]] й створити конкретні педагогічні рамки, такі як [[tpack]] або AI4K12; (6) інклюзивність і підтримка студентів з [[special-education|disabilities]]; (7) зв'язок із педагогічними теоріями та інноваційними методологіями; і (8) застосування нових [[ai-technologies|technologies]], таких як [[educational-robotics|wearables, robot control]] та мобільної комунікації.

### Зв’язки

K-12 пов'язується з [[pedagogical-safety]] (захист дітей), [[ai-literacy]] (компетентність студента), [[teacher-role]] (трансформація викладача K-12), [[equity-in-ai-education]] (прогалини в доступі) та [[special-education]] (різноманітні потреби здобувачів). Його база свідчень систематичного огляду пов'язується з [[meta-analysis-systematic-review]] як методом, а його знахідка щодо дисбалансу дисциплін — зі [[stem-education]], [[humanities-education]] та [[early-childhood-elementary-ai-education]].

## Наслідки для викладачів K-12

- **Надавайте пріоритет захисту безпеки дітей.** Використання ШІ в K-12 вимагає сильніших захистів [[pedagogical-safety|safety]] — використовуйте інструменти, спеціально побудовані й перевірені для дітей ([[eduzone-llm-safety-k12|EduZone]], [[eduguard-safe-rag-llm-tutor|EduGuard]]), і будьте уважними до шкоди від незахищених тьюторів ([[hazra-safetutors-pedagogical-safety-2026|tutor harm research]]).
- **Будуйте ШІ-грамотність віково доречно.** Використовуйте навчальні програми й рамки, спроєктовані для молодших здобувачів ([[aaai2026-prompting-literacy-k12|K-12 AI literacy modules]]), і не припускайте, що студенти приходять уже зі знаннями відповідального використання.
- **Закривайте прогалину в компетентності викладачів.** Викладачі систематично переоцінюють свою компетентність у ШІ (розрив ~40% між самооцінкою і продуктивністю), проте коротке навчання (наприклад, 4-годинні підказкові семінари) дає суттєво вищу інтеграцію ШІ в аудиторії — інвестуйте у власну підготовку ([[teacher-ai-competency]], [[teacher-education]]).
- **Зберігайте навчання безперервним і заснованим на практиці.** Основна рекомендація систематичного огляду — що навчання викладачів не може бути одноразовим — воно має бути безперервним, колаборативним і заснованим на постійному щоденному застосуванні ШІ, а не на абстрактній теорії.
- **Диверсифікуйте матеріали свідомо.** ШІ сильний у генерації [[culturally-relevant-pedagogy|culturally relevant]] матеріалу (78% викладачів вважають пропозиції корисними), але інструменти за умовчанням тримаються домінантних перспектив — активно використовуйте ШІ, щоб розширювати, а не звужувати репрезентацію, і стережіться прогалин у [[equity-in-ai-education|opportunity gaps]].
- **Стережіться ризику навчального штрафу.** Свідчення показують, що перекладання роботи на ШІ може шкодити навчанню, особливо для старших студентів ([[generative-ai-reduced-study-time-math|cognitive surrender]], [[stromberg-generative-ai-learning-penalty-secondary-2026|homework-outsourcing penalty]]) — проєктуйте завдання, що зберігають когнітивну роботу в циклі, і оцінюйте тривале розуміння, а не лише завершення.

- **Відрізняйте продуктивне сповільнення від серії.** Рандомізований польовий експеримент із 6 000+ студентами середніх шкіл виявив, що підтримка ШІ сповільнила прогрес, але підвищила правильність наступної спроби після помилок, тоді як правило «три правильні поспіль» підвищило оволодіння на платформі приблизно на 28,7 відсоткових пункти, не покращуючи відкладений тест тиждень потому ([[making-ai-tutoring-productive-mastery-math-2026|Oreopoulos et al. (2026)]]).
- **Проєктуйте інструменти викладача під судження, а не під обсяг.** Більше інформації від ШІ не є краще: сповіщення в реальному часі розширювали обізнаність викладачів, але в деяких дослідженнях перевантажували увагу або відволікали від власного спостереження, і один викладач не може діяти на більше цілей втручання, ніж може фізично охопити ([[teacher-intervention-k12-ai-based-instruction-2026|Lee 2026]]). Інструменти, що розставляють пріоритети й пояснюють, на що варто діяти, і дають викладачам приймати, переглядати, відкладати або відхиляти рекомендації, пасують роботі краще, ніж панелі, що виводять на поверхню все, — а структурні умови (час на перегляд, розмір класу, допоміжний персонал) є частиною втручання, а не тловою логістикою.
- **Поширюйте за межі STEM.** База свідчень сильно перекошена до [[stem-education|STEM]]; освітяни й дослідники в мистецтві та [[humanities-education|humanities]] мають надмірну можливість генерувати збалансовану за дисциплінами свідчену базу, якої полю бракує.
- **Перекладайте політику в практику.** Інституційні політики щодо GenAI часто не мають настанов щодо впровадження; перетворюйте політику на конкретні, дієві практики в аудиторії та навчання ([[ai-literacy-assessment-misalignment|policy-to-practice]]).

### Впровадження ШІ та скептицизм у K-12

- У міру того як ШІ входить до шкіл, персонал, якого він зачіпає, дедалі частіше закликають радитися з [[conversational-ai|conversational AI]] щодо впровадження. Алгоритмічний аудит десяти фронтьєрних LLM досліджував персону скептично налаштованого до ШІ викладача сільської школи K-12 і виявив, що вісім із десяти моделей визнали занепокоєння, перш ніж перенаправити до формулювань про [[student-engagement|engagement]] ШІ — результат, залежний від моделі, а не неминуча властивість LLM. [[trust|Trust]], скептицизм і [[human-in-the-loop-ai|human oversight]] тому є центральними для того, як сільський та інший персонал K-12 зустрічає ШІ.

## Пов’язані поняття

- [[pedagogical-patterns]] — Рівень досліджень продуктивного провалу, концептуальної зміни та усного оцінювання
- [[early-childhood-elementary-ai-education]] — Ранній дитячий вік і освіта зі ШІ в початковій школі
- [[pedagogical-safety]] — Безпечні для дитини запобіжники для взаємодій із ШІ у молодших здобувачів
- [[ai-literacy]] — Віково доречне розуміння студентом ШІ та відповідальне використання
- [[teacher-role]] — Трансформація викладача та інтеграція ШІ в аудиторіях K-12
- [[equity-in-ai-education]] — Чи розширює ШІ прогалини в можливостях K-12, чи звужує
- [[special-education]] — Різноманітні потреби здобувачів у використанні ШІ в K-12
- [[scaffolding]] — Структури підтримки для навчання K-12 з підтримкою ШІ
- [[personalized-learning]] — Пристосований інструктаж, уможливлений ШІ на шкільному рівні
- [[stem-education]] — ШІ-грамотність і інструменти в науці, техніці, інженерії та математиці K-12
- [[generative-ai]] — Основна технологія за інструментами й навчальними програмами ШІ в K-12
- [[teacher-education]] — Навчання та підвищення кваліфікації викладачів для ШІ в аудиторії
- [[sociocultural-learning]] — Соціальні та культурні виміри навчання зі ШІ в K-12
- [[metacognition]] — Мислення про мислення; ключ до тривалого навчання в епосу ШІ
- [[educational-development]] — Безперервний професійний розвиток для викладачів
- [[learning-design]] — Проєктування уроків і матеріалів із підтримкою ШІ
- [[active-learning]] — Зберігання когнітивної роботи в циклі під час використання ШІ
- [[computational-thinking]] — Фундаментальна навичка K-12 і ціль навчальної програми зі ШІ
- [[intelligent-tutoring]] — Системи тьюторингу зі ШІ для молодших студентів
- [[meta-analysis-systematic-review]] — Метод систематичного огляду за базою свідчень K-12
- [[humanities-education]] — Протилежність балансу дисциплін для переважно STEM-ної бази свідчень про ШІ в K-12
- [[parents-and-families]]
- [[cognitive-surrender]]

## Пов’язані статті

- [[generative-ai-k12-teaching-learning-systematic-review-2026]] — Систематичний огляд генеративного ШІ у викладанні та навчанні K-12 (Marzano 2026)
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — Міжрівневі ефекти знань викладача щодо ШІ (TAIK, TPAIK) на навчання студентів у середній освіті зі ШІ (Shen та співавтори 2026)
- [[school-ai-education-readiness-gaps-agency-2026]] — Шкільна освіта зі ШІ звужує психологічні, але не когнітивні прогалини в готовності
- [[turano-ai-tutoring-not-a-monolith-2026]] — AI Tutoring is Not a Monolith: What We Actually Know (бриф Stanford SCALE/NSSA)
- [[ai-pbl-computational-thinking-2026]] — Навчання на основі проєктів із підтримкою ШІ та обчислювальне мислення
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Virtual tutoring with CAL: експеримент у впровадженні та навчанні
- [[making-ai-tutoring-productive-mastery-math-2026]] — Зроблення тьюторингу із ШІ продуктивним: практика математики на основі оволодіння
- [[one-click-away-khanmigo-two-year-school-experiment-2026]] — One Click Away: Khanmigo у двохрічному шкільному експерименті
- [[eduzone-llm-safety-k12]] — EduZone: безпечна для дітей платформа взаємодії з LLM для K-12
- [[eduguard-safe-rag-llm-tutor]] — EduGuard: забезпечення запобіжниками безпечного LLM-тьютора на основі RAG
- [[hazra-safetutors-pedagogical-safety-2026]] — Дослідження шкоди від незахищених ШІ-тьюторів для дітей
- [[aaai2026-prompting-literacy-k12]] — Модулі ШІ-грамотності K-12 з підказок
- [[stanford-evidence-base-ai-k12-2026]] — База свідчень щодо ШІ в K-12, зведена в масштабі
- [[ecnuclaw-k12-personalized-companion]] — Персоналізовані компаньйони ШІ для K-12
- [[gaide-vibe-coding-k12-teachers]] — Рамка vibe coding, що дає викладачам змогу будувати інструменти ШІ
- [[elementary-writing-genai-systematic-review-2026]] — Систематичний огляд: GenAI і письмо в початковій школі
- [[young-people-learning-generative-ai-rapid-review-2026]] — Швидкий огляд: GenAI і здобувачі PreK-12 (271 папер)
- [[generative-ai-reduced-study-time-math]] — Когнітивна капітуляція найсильніша для старшокласників, відсутня для 5-го класу
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — Навчальний штраф генеративного ШІ: перекладання домашніх робіт шкодить навчанню
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: упередженість в автоматизованому зворотному зв’язку для письма в середній школі
- [[code-to-learn-genai-artifact-construction-2026]] — CtL-GenAI: конструктивістська рамка для конструювання артефактів
- [[all-girls-genai-makerspace-gender-equity-2026]] — Семінари-мейкерспейси GenAI лише для дівчат і гендерна справедливість в обчислюваннях
- [[demir-akar-ai-media-literacy-children-2026]] — Програма критичної медійної грамотності на основі ШІ для дітей
- [[bird-multimodal-educational-literature-2026]] — Мультимодальне поєднання для класифікації освітньої літератури
- [[razavi-powers-item-difficulty-llm-2026]] — Оцінювання складності завдань засобами LLM та ML на основі дерев
- [[breideband-community-builder-cobi-2026]]
- [[vahedian-children-attitudes-ai-chatbot-2026]]
- [[teacher-intervention-k12-ai-based-instruction-2026]] — Втручання викладача в інструкцій на основі ШІ в K-12: систематичний огляд
- [[llm-benchmark-secondary-science-topics-2026]] — A Benchmark for LLM's Understanding of Middle School and High School Science Topics

- [[genai-learning-motivation-meta-analysis-2026]] — Мета-аналіз ефекту GenAI на мотивацію, найменший у шкільних умовах (середня школа g = 0,360, початкова g = 0,311)

---

## [Освіта дітей раннього віку](https://edtechdev.github.io/aied/concepts/early-childhood-elementary-ai-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освіта дітей раннього віку** — використання штучного інтелекту в навчанні найменших дітей, що охоплює дошкільні роки та початкові (елементарні) класи. Це стосується навчальних програм зі ШІ-грамотності та [[computational-thinking|обчислювального мислення]] для малих здобувачів, іграшок і гри з підтримкою ШІ, [[personalized-learning|персоналізованого навчання]] з початкових предметів, а також розвиткових, пов’язаних із безпекою та справедливістю міркувань, властивих саме дітям, а не підліткам чи дорослим.

## Запитання для роздумів

- Маленькі діти тепер стикаються зі ШІ через іграшки, [[conversational-ai|чат-боти]] та роботів у класі. Що робить стосунки п’ятирічної дитини зі ШІ принципово відмінними від стосунків дорослої — і що має змінитися в нашому уявленні про ризики?
- Частину ранньої ШІ-грамотності викладають через «відключену» гру — без комп’ютерів взагалі. Як абстрактні поняття ШІ можна засвоювати через [[embodied-learning|втілені]], матеріальні активності, а не через екрани?
- Проблема, яку називають «технологічним ізоморфізмом», описує те, як малі учні наслідують результат роботи ШІ, не розуміючи його. Як би ви відрізнили дитину, яка справді навчилася, від тієї, що просто механічно відтворює відполіровану відповідь?
- Оскільки малі здобувачі більш уразливі та менш здатні до саморегуляції, центральну роль набуває [[scaffolding]] з боку дорослих. Що це означає для батька чи викладача, який вирішує, коли і як дитина має користуватися ШІ?
- Якщо доступ до багатого на ШІ раннього навчання — або до захисного супроводу дорослих — є нерівним, як справедливість проявляється в ранньому дитинстві інакше, ніж для старших студентів?
- База доказів тут здебільшого дослідницька та орієнтована на дизайн, а не причинно-наслідкова. Що ви хотіли б знати, перш ніж довіряти твердженню про те, що іграшка чи застосунок зі ШІ покращує навчання дітей?

## Вступ

Маленькі діти взаємодіють зі ШІ дедалі раніше — через іграшки з підтримкою ШІ, чат-боти, платформи [[adaptive-learning|адаптивного навчання]] та роботів у класі — проте розвитково вони відрізняються від здобувачів K-12 та вищої освіти, які домінують у більшості [[research-methods-aied|досліджень]] зі ШІ в освіті. Це поняття збирає висвітлення в базі знань саме цієї молодшої вікової групи. Воно перебуває в межах ширшого омоніма [[k-12|K-12]], але є відмінним, оскільки проблеми тут розвитково специфічні: [[game-based-learning|гра]] як основний режим навчання, скаффолдинг з боку дорослих (батьків/викладачів), віково відповідна [[ai-literacy|ШІ-грамотність]] і підвищена увага до [[well-being]] та [[pedagogical-safety|безпеки]].

### Як кластерується дослідження

- **ШІ-грамотність через відключену гру.** [[ai-play-framework-early-childhood-2026|Фреймворк AI-Play]] викладає поняття ШІ для раннього дитинства через *відключені* (без комп’ютера) активності, показуючи, що абстрактні ідеї ШІ можна запроваджувати малим дітям через втілені, ігрові та матеріальні дії (див. [[game-based-learning]]) — розвитково доречний шлях у [[ai-literacy]] та [[computational-thinking]].

- **Іграшки зі ШІ та розвиток дитини.** [[ai-toys-child-development-2026|Дослідження ШІ в іграшках]] розглядає, як комерційні іграшки з підтримкою ШІ формують розвиток і гру дитини. Це породжує відкриті питання щодо [[pedagogical-agent|агентів]] у грі, [[trust-calibration|калібрування довіри]], [[agency]] та [[well-being]] для найменших здобувачів — сфера, де рекомендації щодо дизайну є біднішими, ніж для навчальних програм шкільного віку, і де батьки/опікуни стають ключовими зацікавленими сторонами.

- **Ставлення дітей до віково адаптованих чат-ботів.** [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed & Martin (2025)]] розгорнули «Ask Me Anything» (AMA) — чат-бот, обмежений тематикою (астрономія, кросівки та взуття, динозаври) та адаптований за віком через [[prompt-engineering|інжиніринг підказок]], для 63 дітей (віком 6–14), виявивши три закономірності у взаємодії дитини зі [[student-ai-interaction|ШІ]] — подив і цікавість, перевірку довіри та формування упевненості, а також побудову стосунків через антропоморфізацію — поряд із широкою відкритістю до ШІ як джерела інформації та високим рівнем довіри до нього. Їхній заклик до віково чутливого дизайну та явного [[teacher-role|викладання]] понять [[privacy|цифрової безпеки]] та використання даних підсилює розвиткові та пов’язані з [[pedagogical-safety|безпекою]] побоювання, центральні для цього поняття.

- **Навчання початковим предметам.** [[ai-powered-personalized-learning-elementary-fractions-2026|Персоналізоване навчання з підтримкою ШІ]] дробам у початкових класах та [[awareness-technological-isomorphism|ШІ в математиці початкової школи]] (включно з проблемою «технологічного ізоморфізму» — коли учні наслідують результат роботи ШІ, не розуміючи його) демонструють і перспективність, і пастки ШІ в початковому предметному навчанні. [[elementary-writing-genai-systematic-review-2026|Систематичний огляд письма в початковій школі та GenAI]] описує, як [[generative-ai|генеративний ШІ]] переосмислює [[writing-education|навчання письму]] в перших класах.

- **Роботи та малі діти.** [[tsingidou-ct-robotics-kindergarten-2026|Робототехніка в дитячому садку]] підтримує обчислювальне мислення через [[educational-robotics|освітніх роботів]], а [[icub-humanoid-storytelling-llm-hri-2025|Гуманоїдне оповідання на базі LLM]] досліджує, чи погодяться батьки сприймати роботів як партнерів для наративної гри зі своїми дітьми — виносячи на передній план [[trust]] та ставлення дорослих.

- **Фреймворк «Creative Project Approach» для агентів ШІ та робототехніки.** [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] пропонують п’ятиетапну педагогічну рамку, що інтегрує [[generative-ai|генеративні агенти]] ШІ та роботів у Project Approach для розвитку [[creativity|творчого навчання]] малих дітей. Вони стверджують, що фізичні агенти є доречнішими для малих дітей, ніж екрани, і поєднують дві взаємодоповнювальні парадигми зі своїми [[learning-theories|теоріями навчання]] — **роботи для програмування** ([[constructivist|конструкціонізм]] Паперта; [[computational-thinking|обчислювальне мислення]] через матеріальне програмування з інструментами на кшталт Matatalab та KIBO) і **генеративні соціальні роботи** ([[sociocultural-learning|виготський]] скаффолдинг у межах зони найближчого розвитку дитини, де робот виступає як співрозмовник або репетитор). П’ять етапів — виявлення навчальних потреб, сприяння взаємодії дитини та робота під керівництвом викладача, впровадження ШІ в контексти, калібрування балансу між автоматизацією та креативністю, оцінювання результатів — пропонують дизайнерам і практикам ДРД (ECE) конкретний шлях для вбудовування [[agentic-ai|агентів ШІ]] та [[educational-robotics|роботів]] у грі- та проєктно-орієнтованих класах із збереженням фасилітації викладачем і дитячої [[agency]].

- **Навчальні плани ШІ-грамотності, зосереджені на грі.** Lee (2026) описує [[design-based-research|дизайн-орієнтоване дослідження]] Play With AI (PL-AI) — розвитково доречного [[curriculum-design|навчального плану]], у якому двоє викладачів груп дошкільного віку й двоє викладачів дитячих садків спільно спроєктували сім послідовних активностей, що поєднують відключену гру (складання й перевірку алгоритмів типу «як зробити»), матеріальне програмування (Bee-Bot, Ozobot) і керований діалог із соціальним роботом із ШІ. [[formative-assessment|Формативні]] дані показали суттєве зростання упевненості викладачів і їхньої [[pedagogy|педагогічної]] суб’єктності, причому виникло чотири принципи дизайну — **втілена гра, матеріальне програмування, керований діалог і співпроєктування з викладачем** — узгоджені з ініціативою AI4K12 і рамками NAEYC. Це модель того, як [[educational-robotics|роботи й матеріальні інструменти]] можна вбудовувати в ігрову, керовану викладачем [[ai-literacy|ШІ-грамотність]] для найменших здобувачів.

- **Спрощення планування уроків для викладачів мистецьких дисциплін STEAM.** Експериментальне дослідження викладачів образотворчого мистецтва дітей ([[luo-tahir-chatgpt-steam-lesson-planning-2026|Luo and Tahir 2025]]) виявило, що плани уроків, створені за допомогою ChatGPT, отримали значно вищі оцінки якості від шести експертів-професорів, ніж створені самими викладачами (медіана 20,5 проти 17,6, p = .002, великий розмір ефекту), водночас описуючи, як викладачі делегували — найчастіше (60%) для заповнення прогалин у змісті вже самопідготовленого плану уроку, а не для генерації цілих планів. Викладачі цінували ШІ здебільшого як інструмент натхнення та пошуку прогалин для міждисциплінарної інтеграції [[stem-education|STEAM]] і швидшого вибору тем, але відзначали результати, непрактичні для реальних класів, нехтування обмеженнями щодо безпеки дітей (наприклад, різальні ножі для малих дітей) і західницький культурний упередження — конкретне, розвитково обґрунтоване застереження щодо використання [[generative-ai|генеративного ШІ]] з малими здобувачами, пом’якшити яке було створено рамку підказок «Role–Instructions–End Goal».

- **Підтримана ШІ критичної медійної грамотності в початкових класах.** Demir та Akar (2026) оцінюють 18-годинну програму критичної медійної грамотності за моделлю 5E для учнів четвертих класів державної початкової школи в Туреччині, поетапно вбудовуючи [[generative-ai|генеративний ШІ]] (ChatGPT, Grammarly, Canva AI, Padlet) як педагогічного агента, а не як ізольоване доповнення, з активностями, узгодженими з навчальними програмами з турецької мови та суспільствознавства. Група з підтримкою ШІ показала великі здобутки в читанні медіа (+3,50), письмі (+1,67) і загальній медійній грамотності (+5,17, усі p < .01) із міжгруповими розмірами ефекту Cohen's *d* = 1,12–1,31, тоді як контрольна група просувалася лише помірно. [[qualitative-research|Якісний]] аналіз інтерв’ю, робіт студентів (плакатів, малюнків, гасол) і спостереження в класі виявив шість доменів зростання критичної медійної грамотності — цифровий самозахист і [[privacy|приватність даних]], доцільне й відповідальне використання медіа, безпечна комунікація та усвідомлення меж, критична оцінка й обізнаність про дезінформацію, обізнаність про онлайн-ризики, а також медійну [[ethics]]/цифрове громадянство — пропонуючи рідкісну квазіекспериментальну, узгоджену з навчальною програмою модель того, як ШІ може підтримувати критичну [[ai-literacy|ШІ-грамотність]] і [[critical-thinking|критичне мислення]] в початкових класах.

- **Спостереження за якістю взаємодії викладач–дитина з оцінюванням від ШІ.** [[ai-rated-classroom-observation-scores-2026|Fong et al. (2026)]] зіставляють [[llm]] із навченими людями-оцінювачами на повному фреймворку CLASS Pre-K у дитячих садках Гонконгу — 87 записаних на відео спостережень із 38 класів у 30 дитячих садках, оцінених за транскриптами GPT-5.0 і порівняних із вісьмома навченими оцінювачами. Узгодженість була помірною загалом (зважений κ = 0,681), але залежала від конструкту: збіжність зберігалася для домену «Емоційна підтримка» і для «Якості зворотного зв’язку» — виміру, що несе явна, обмінна вербальна підтримка, — тоді як «Організація класу» розійшлася повністю, а оцінювачі виставляли вищі бали емоційним вимірам, ніж модель, з дуже великою розбіжністю на зворотно кодованому вимірі «Негативний клімат» (d = 2,732; оцінювачі давали максимум 7 у 63 із 71 спостереження, ШІ кластеризувався на 6). Урок для раннього дитинства є розвитково специфічним: якість, що живе в невербальній, просторовій і рутинній поведінці — управлінні, переміщенні, теплоті, тоні — невидима для конвеєра, що працює лише з транскриптом; напрямок помилки моделі залежить від конструкту, а не є рівномірно консервативним; тому автори позиціонують [[automated-assessment|оцінювання від ШІ]] як інструмент скринінгу та рефлексії для [[teacher-role|викладачів]], а не як заміну навченим спостерігачам.

- **Майбутні викладачі, що проєктують наукові активності.** [[preservice-early-childhood-genai-magnetism-2026|Efthimiou & Plakitsi (2026)]] доручили 131 майбутньому викладачеві раннього дитинства проєктувати активності з магнетизму за допомогою LLM: найвищі оцінки вони дали структурі та ефективності моделей (M = 3,95), а найнижчі — епістемічній достовірності їхнього змісту (M = 3,08), сприймаючи їх як артефакти для мозкового штурму й зберігаючи дидактичну трансформацію як людську відповідальність.

- **ШІ, що апроксимує розвиткові судження про дитячі історії.** [[clara-developmental-appropriateness-children-stories-2026|Yin et al. (2026)]] у системі CLARA анотують когнітивні, мовні та соціально-емоційні вимоги історії та збігаються з віковими референціями видавця 0,904 часу, випереджаючи формули читабельності (0,603) і пряме підказування (0,730) — і пропонуються як допоміжний сигнал, а не заміна людському судді.

### Розвиткові міркування та міркування про справедливість

Оскільки малі здобувачі більш уразливі та менш здатні саморегулювати використання ШІ, цей кластер наголошує на **скаффолдингу з боку дорослих** (батьків, опікунів і викладачів), **віково доречному дизайні** та ризику [[cognitive-offloading|надмірної опори]] та [[well-being|шкоди]], якщо ШІ заміщає, а не підтримує, розвиткову роботу гри, відкриття й напруженого навчання. Справедливість є актуальним питанням: доступ до багатого на ШІ раннього навчання (або до захисного супроводу дорослих) є нерівним, що пов’язується з [[digital-divide]] та [[equity-in-ai-education]]. Значна частина бази доказів залишається дослідницькою або орієнтованою на дизайн, а не причинно-наслідковою.

Перше вікно нейровізуалізації в цьому питанні приходить із застереженням: діти 6–7 років, що вели п’ятихвилинну усну розмову з ChatGPT у сканері МРТ, виявили слабший внутрішньомережевий зв’язок, ніж дорослі, у фронтопарієтальних мережах контролю, мережі значущості та дорсальної уваги за рівних показниках креативності та не мали зв’язку між креативністю і зв’язністю, який демонстрували дорослі. Оскільки ці виконавчі функції ще недорозвинені в першому класі, автори читають результат як доречний для дискусії про мінімальний вік — водночас відзначаючи сплутування з формулюванням завдання та відсутність контрольної групи без ChatGPT як обмеження того, що цей результат може вирішити ([[horowitz-kraus-children-chatgpt-cognitive-control-2026|Horowitz-Kraus et al. (2026)]]).

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[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)

---

## [Вища освіта](https://edtechdev.github.io/aied/concepts/higher-ed/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Вища освіта** — інтеграція штучного інтелекту в університетське [[teacher-role|викладання]], навчання, оцінювання та [[administrator|адміністрування]]. Вища освіта є найбільш дослідженим контекстом у базі знань: понад 100 статей досліджують, як ШІ трансформує навчання на рівні коледжу, [[educational-policy-ai|інституційну політику]] та [[student-experience|студентський досвід]]. ШІ у вищій освіті є водночас домінуючим середовищем для [[ai-education|досліджень]] [[research-methods-aied|в галузі AIEd]] і місцем, де його напруги найвидиміші — між обіцянкою [[generative-ai|генеративного ШІ]] щодо масштабованої [[personalized-learning|персоналізації]] та його небезпеками для [[academic-integrity|академічної доброчесності]], [[cognitive-offloading|навчання]], [[privacy]] та [[equity-in-ai-education|справедливості]]. Вона охоплює як бакалаврат, так і магістратуру, включно з професійними програмами, такими як [[medical-education|медицина]] і [[business-education|бізнес]].

## Питання для роздумів

- Вища освіта — місце, де напруги ШІ найвидиміші: масштабована персоналізація проти небезпек для доброчесності, навчання, приватності та справедливості. Яку з цих напруг ви бачите найконкретніше розгорнутою у вашій власній установі?
- Великі дослідження виявляють розриви між інституційною політикою і тим, що студенти насправді роблять із ШІ день у день. Як ви думаєте, чому офіційна політика так часто розходиться з реальною студентською практикою?
- Сторінка представляє впровадження ШІ як нерівномірне — деякі установи трансформуються, інші відстають, і це формується організаційними драйверами та національною політикою. Які фактори, на вашу думку, визначають, чи університет адаптується, чи застряє?
- Оскільки ШІ робить персоналізовану підтримку майже вільною та універсальною, як це зсуває цінність і роль самого університету? Що стає дефіцитнішим, а тому ціннішим?
- Одна знахідка зазначає зменшення часу на навчання серед студентів коледжів, які користуються ШІ. Якщо студенти витрачають менше часу на навчання, але повідомляють про задоволеність, що це говорить про те, що установам слід вимірювати та оберігати?
- З огляду на розрив між самооціненою та фактичною готовністю факультету до ШІ, як би виглядало значущий розвиток факультету у вашому контексті — і хто має за це відповідати?

## Вступ

Дослідження ШІ у вищій освіті охоплює кожну функцію університету: від [[intelligent-tutoring|репетиторства на основі ШІ]] і [[automated-assessment|автоматизованого оцінювання]] до розвитку факультету, академічної доброчесності, [[governance|інституційного врядування]] та підтримки студентів. Статті бази знань із вищої освіти групуються навколо кількох ключових тем — інституційної трансформації, студентського досвіду в масштабі, факультету та викладання, оцінювання та доброчесності, а також швидкої зміни політики та практики.

### Інституційна трансформація

[[institutional-change-framework-ai|Фреймворки інституційних змін]] аналізують, як університети адаптуються до ШІ — не лише на рівні аудиторії, але й у межах політики, врядування та організаційної структури. [[sangwa-epiq-ai-faculty-readiness-2026|Фреймворк EPIQ-AI]] переосмислює готовність факультету як завдання соціотехнічного узгодження, що охоплює епістемічну, педагогічну, інституційну та якісну домени. [[universities-ai-era-rethinking|Переосмислення університетів в еру ШІ]] досліджує, чи можуть нинішні інституційні моделі розмістити освіту, рухому ШІ. Впровадження не є рівномірним: [[alrahmi-org-drivers-ai-adoption-he-2026|дослідження організаційних драйверів]] виокремлює те, що вможливлює або блокує інституційне засвоєння, а [[ai-uk-higher-education-policy-2026|аналізи національної політики]] показують, як системний контекст формує відповіді університетів. Конкретний інституційний план дає [[ai-digital-transformation-liberal-arts-lingnan-2026|Qin (2026)]], який документує перепозиціонування університету Ліннань як «Дослідницько-інтенсивної установи вільних мистецтв цифрової ери», вводячи обов’язкову грамотність GenAI для всіх бакалаврів і вбудовуючи цифрову грамотність у Спільне ядро, водночас розвиваючи модель за участі людини в циклі, що виводить на передній план [[ethics|етичне]] міркування та критичне судження — стверджуючи, що зсув «ШІ для освіти» є інтелектуальною трансформацією, а не техноцентричним посиленням. Мапінг на макрорівні 22 інтервенцій інтеграції ШІ у вищу освіту ([[alsheikh-mapping-ai-integration-higher-education-2026|AlSheikh et al., 2026]]) підтверджує, що трансформація залишається більше прагненням, ніж реальністю: за [[samr-model|моделлю SAMR]] більшість інтервенцій сидять на рівні підстановки чи посилення, інтеграція сконцентрована в [[medical-education|медицині]], інженерії та [[cs-education|комп’ютерних науках]] із слабою присутністю [[humanities-education|гуманітарних наук]], а свідчення перекошені на Північну Америку та Азію із мінімальним представництвом [[global-south|Глобального Півдня]].

Глобальний порівняльний індекс вимірює розрив між дискурсом і структурою. [[chan-ai-institutionalization-index-global-universities-2026|Chan (2026)]] кодував офіційні сайти всіх 100 університетів із рейтингу Times Higher Education 2026 за індексом інституціоналізації ШІ з 20 індикаторів. Символічний шар насичений, тоді як структурний шар тонкий: 100 % мають робочу групу зі ШІ та магістерський ступінь зі ШІ, але лише 12 % мають виконавче лідерство в галузі ШІ, 5 % вимагають вступного курсу зі ШІ для бакалаврів, і 0 % публікують політику доступності ШІ, незважаючи на те, що 93 % розгортають сервіси ШІ на кампусі.

Інституціоналізація також виявилася незалежною від престижу (рангова кореляція r ≈ 0,04), із значущою регіональною варіацією (ANOVA F = 5,86, p < .001; Північна Америка M = 0,63 проти Європи 0,51, Азії 0,50) і типологією з шести моделей, у якій лише невелика підмножина переважно великих американських державних університетів досягає «глибокої інституціоналізації». Автор позначає індекс як першого покоління, невалідований, лише за сайтами вимір елітної сотні — порівняльну мапу, а не оціночний бал.

Те, які форми використання GenAI установа зробила легітимними, саме по собі є вимірюваним. [[sun-student-genai-entanglement-literacy-demands-2026|Sun, Dohn and Rehm (2026)]] класифікували 102 емпіричні дослідження вищої освіти за тим, як епістемічна робота розподілялася між студентом і системою, і виявили, що застосування типів Assistant (42,16 %) і Enabler (42,16 %) домінують, тоді як Generator, Reimaginator і Synthesizer разом становлять менше п’ятої частини корпусу — не тому, що моделі не можуть робити решту, а тому, що маргінальні форми розподіляють авторство способами, яких логіка індивідуальної компетентності університету ще не визнає. На їхній розповіді обмежувальним чинником для GenAI у вищій освіті є інституційна легітимність, а не технічна здатність, що ставить питання просто в ту саму територію політики та перепроєктування оцінювання, що й реформа [[academic-integrity|доброчесності]] та [[assessment]].

Розгортання ШІ поза аудиторією стало питанням захисту споживачів, і інвентаризація цього на боці студентів є тонкою. [[students-at-stake-ai-deployment-risks-2026|Звіт SHAPE AI організації Student Defense (2026)]] мапить інституційне використання ШІ в прийомі, рекрутингу та фінансовій допомозі, сервісах успішності студентів (консультування, психологічна допомога, доступ до пільг, перенесення кредитів) і постачанні освіти — вбудовані в LMS функції від Canvas, Blackboard і D2L Brightspace, загальноуніверситетські [[edtech-platform|платформи]] GenAI, системи репетиторства та зворотного зв’язку, виявлення та прокторинг — і стверджує, що впровадження випереджає захист. Його шість міжсекційних занепокоєнь (чи студенти отримують те, за що платять; втрата навчальних спільнот; розкриття та прозорість; приватність даних; упередженість; калібрований людський нагляд) поєднано з екраном закупівель із чотирьох питань: яку проблему розв’язується, чи існує здатність до врядування, чи установа є прозорою, і чи створює розгортання цінність для студентів. Позиція звіту — штати, акредитатори та федеральний Департамент освіти ще не обладнані, щоб ловити ці небезпеки, залишаючи власну письмову політику установи єдиним діючим захистом, і звіт називає режим відмови прямо: коледж, що рекламує програму під керівництвом факультету, тоді як навчання або [[learning-design|проєктування курсу]] віддано на аутсорсинг ШІ чи стороннім постачальникам, продає інший продукт під власним іменем.

### Студентський досвід у масштабі

Великомасштабні дослідження [[ai-in-the-wild-college|автентичного використання ШІ студентами]] та [[genai-availability-grades-satisfaction|доступності GenAI та задоволеності]] документують, як студенти насправді використовують ШІ — виявляючи розриви між інституційною політикою та щоденною практикою. [[genai-student-experiences-uk-he-survey-2026|Дослідження-огляд]] фіксує, як студенти орієнтуються в ландшафті ШІ, а дослідження [[generative-ai-reduced-study-time-math|часу на навчання]], [[ithaka-sr-ai-skills-college-graduates-2026|умінь зі ШІ для випускників]] і [[student-perceptions-ai-study-productivity-2026|уявлень студентів про інструменти ШІ]] показують, що студентський досвід із ШІ є змішаним — ефективним, але часто мілкішим. Значна частина цього університетського навчання відбувається нині онлайн, де [[online-teaching-and-learning|онлайн-викладання та навчання]] формує і користі ШІ (масштабована персоналізація, цілодобова підтримка), і його небезпеки ([[academic-integrity|академічна доброчесність]], [[cognitive-offloading|перекладання когнітивної роботи]]) для студентів коледжів. Дослідницький підхід на основі ML із аналізом SHAP дослідив, як уявлення та демографія студентів пов’язані з наміреним академічним використанням ChatGPT, пріоритезуючи [[explainable-ai|інтерпретовність]] ([[determinants-chatgpt-use-higher-education-2026]]). В освіті з мистецтва та [[design-education|дизайну]], де генеративний ШІ кидає виклик цінності людської [[creativity]], модель [[project-based-learning|навчання на основі проєктів]] зі [[storytelling-in-education|цифровим сторітелінгом]] у своєму ядрі культивувала емоційні, культурні та наративні здатності, яких ШІ бракує — оцінена через 15-тижневий вбудований кейс-стаді з 426 китайськими бакалаврами, які переклали локальну культурну спадщину в [[multimodal]] наративи ([[project-based-digital-storytelling-art-design-2026]]). Асистивні та інклюзивні використання GenAI також переформовують студентський досвід для [[special-education|здобувачів з інвалідністю]]: [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] — [[qualitative-research|якісний]] кейс-стаді 21 бакалавра з вадами зору у трьох палестинських університетах — виявив, що GenAI пристосовує темп, контент і постачання до індивідуальних профілів, спрощує складні тексти та переводить контент між модальностями, даючи здобувачам почуття [[agency|автономії]] і впевненості в участі в аудиторії, водночас сприймаючись як той, що доповнює, а не замінює викладачів.

Поза аудиторією ШІ сягає студентів через саму установу — консультування, звернення, направлення та розподіл дефіцитної підтримки, — що [[student-support-and-success|підтримка та успішність студентів]] збирає як власний корпус свідчень. Його центральне застереження щодо масштабу походить із чотирирічної рандомізованої оцінки (N = 8 708), у якій підштовхування до реєстрації зсунули дедлайн на 34 процентних пункти, тоді як випуск, кредити та GPA не зрушили взагалі.

### Магістерська та професійна освіта

База знань сильно перекошена на бакалаврат, і вона розміщує магістерську та професійну підготовку всередині [[discipline-specific-aied|предметно специфічних]] сторінок ([[medical-education|освіта в медичних та охоронних здоров’я професіях]], [[business-education|освіта з бізнесу]], [[teacher-education|педагогічна освіта]]), а не в окремій сторінці магістерської освіти. Однак два напрями стосуються саме студентів магістратури, докторантури та професійних програм: навчання дослідницькій роботі та програми професійних ступенів.

Післядипломна *дослідницька* практика є відмітнішою з двох. [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai and Chan (2026)]] проаналізували, як 28 аспірантів-дослідників у семи фокус-групах реалізовували [[ai-literacy]] у своєму дослідженні з допомогою GenAI, і виявили, що вони є каліброваними користувачами, а не пасивними прихильниками — узгоджуючи інструменти із завданнями за сприйнятими ставками та дисциплінарними нормами, зберігаючи [[human-in-the-loop-ai|людський нагляд]] і проводячи власні межі між прийнятною допомогою в підготовці чернетки та підміною свого міркування. Їхня центральна знахідка — прогалина в політиці: інституційні вказівки щодо GenAI стосуються [[teacher-role|викладання]], навчання та оцінювання, але майже нічого не кажуть про дослідницький процес, тому автори пропонують орієнтовані на дослідника вказівки, що [[scaffolding|забезпечують скаффолдинг]] кожного виміру ШІ-грамотності упродовж дослідницького робочого процесу для [[research-methods-aied|дослідників]] та їхніх наукових керівників. [[engagement-intensity-learner-modeling|Oh, Talton and Bui (2026)]] підходять до тієї самої популяції з інституційного боку: серед 93 аспірантів біонаук і докторантів на обов’язковому курсі дослідницької етики три прості доінструкційні поведінкові сигнали інформували легке профілювання при вступі для адаптивного навчання [[ethics]] за допомогою ШІ, тоді як попередні курси зі ШІ не передбачали жодного з п’яти результатів уявлень. ШІ також переформовує саму дослідницьку команду — [[ai-assisted-writing-research-teams|аналіз 147 074 публікацій]] з 2020 року пов’язує написання за допомогою ШІ з меншими командами, перекошеними на молодших, які створюють високоцитовану роботу, розвертаючи багатолітній дрейф «Великої науки» до більших співпраць — і [[persistent-ai-agents-academic-research|кейс-стаді одного дослідника]] документує, як виглядає стійка [[agentic-ai|аґентна]] підтримка всередині власного робочого процесу одного дослідника.

Програми професійних ступенів тримають більшість свідчень магістерського рівня, і вони організовані за дисциплінами. В [[medical-education|освіті охоронних здоров’я професій]] [[ai-standardized-patient-scaffolding-medical-2026|рандомізований контрольований дослід 100 студентів третього курсу медицини]] перевірив мультиагентну систему LLM — змодельованого пацієнта, [[socratic-method|сократичного]] репетитора, оцінювача на рівні ходу — організовану навколо явних функцій [[scaffolding]] для навчання клінічному інтерв’ю, тоді як [[ai-teammate-task-distribution-medical-training-2026|фреймворк SCAN]] переосмислює використання ШІ стажерами як задачу розподілу завдань і класифікації [[metacognition|метакогнітивної]] в реальному часі, а не *неправильного використання* здобувачем. Підготовка на рівні магістратури з’являється в [[instructional-design-proficiency-masters-math-2026|Zhu et al. (2026)]], чия модель D–T–E підвищила компетентність проєктування навчання студентів M.Ed. з [[math-education|математичної]] освіти (Cohen's *d* = 0,62), змусивши три LLM діяти як «інтелектуальні рецензенти» в циклі проєктування–зворотного зв’язку–рефлексії. [[genai-professionalization-metaphors-2026|Як студенти концептуалізують GenAI та власну професіоналізацію]] перетинає ці програми, тоді як навчання на робочому місці та безперервне професійне навчання — суміжне, але відмінне від магістерського навчання — розглядається в розділах [[adult-learning]] та [[professional-training]].

### Факультет та викладання

[[educational-development]] досліджує, як викладачі впроваджують, опираються чи адаптуються до ШІ. [[teacher-ai-adoption-confidence|Дослідження впровадження ШІ викладачами]] виокремлюють упевненість, підтримку та ставлення як ключові предиктори. Дослідження [[ai-assistance-discretionary-feedback|дискреційного зворотного зв’язку за допомогою ШІ]] зонджують, чи підвищує ШІ [[ai-feedback-quality|якість зворотного зв’язку]] та його кількість викладача, і [[luo-eaton-ai-student-feedback-ethics-2026|дослідження етики]] зважують, чи мають викладачі взагалі використовувати ШІ для зворотного зв’язку. [[enright-staff-perspectives-genai-2026|Дослідження уявлень персоналу]] та [[stenalt-good-education-teacher-ai-conceptions-2026|феноменографічні дослідження уявлень викладачів]] зонджують, як педагоги розуміють свою змінювану роль. У великих аудиторіях ШІ може нині нести зростаючу частю навантаження зі зворотного зв’язку: семестровий польовий експеримент у т’юторіалах з макроекономіки для бакалаврату ([[gpt4-feedback-student-activation-2026|Geschwind et al., 2026]]) виявив, що індивідуальний зворотний зв’язок GPT-4 підтримував найвищу участь упродовж восьми відкритих завдань і давав найбільший приріст у [[learning-gains|навчальних здобутках]] за контентом, позиціонуючи зворотний зв’язок ШІ як масштабоване доповнення до зворотного зв’язку лектора та заміну ненадійного [[peer-assessment|зворотного зв’язку однокурсників]]. Доповнювальний маршрут для великих бакалавратських [[stem-education|STEM]]-класів — діагностична система асистента викладання: [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Arthur (Yin et al. 2026)]] використовує хребет [[machine-learning|ML]] на кожне запитання, щоб давати персоналізований зворотний зв’язок у реальному часі на запитаннях Engineering Economics Calculated Formula Questions — домені, де рукописні розв’язання раніше блокували підтримку ШІ — через діалоговий вебінтерфейс із банком запитань, що зважує точність зворотного зв’язку проти ефективності збору. [[farazouli-navigating-uncertainty-teachers-genai-2026|Farazouli et al. (2026)]] фіксують *емоційний* вимір цієї зміни: 24 шведські викладачі університетів переживали появу GAI як тривожну та пригнічувачу, повідомляючи про «стан уразливості» (низька впевненість, невпевненість, страх «не бути попереду студентів») і почуття «застрягання» між утопічним і дистопічним дискурсами — водночас переосмислюючи [[assessment]] і переоцінюючи свої пріоритети на користь [[critical-thinking|критичного мислення]] та етичного використання GAI.

### Оцінювання та доброчесність

[[academic-integrity]] та дослідження [[ai-assessment-scale-reform|реформи оцінювання в умовах ШІ]] борються з питанням, як університети мають перепроєктувати оцінювання для корпусу студентів, здатного користуватися ШІ. Підходи, [[ai-detection|зосереджені на виявленні]], поступаються місцем [[authentic-assessment]] та оцінюванню на основі процесу, включно з [[fenton-oral-exams-ai-authentic-assessment-2025|усними іспитами]], [[roe-assessment-twins-2026|близнюками оцінювання]] та [[beyond-detection-authentic-assessment-ai-2025|перепроєктуванням автентичного оцінювання]]. Цей зсув відображає глибше занепокоєння: [[ai-tools-academic-work-cheating-2026|як студенти та установи визначають списування]] зі ШІ, і [[assessing-quality-ai-generated-exams-field-2025|якістю згенерованих ШІ матеріалів оцінювання]]. Автоматизація самого оцінювання дозріває для відкритої університетської роботи: [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] протестували одинадцять моделей GenAI та вбудовування речень на 1 885 відповідях на 24 запитання іспиту з програмної інженерії і виявили, що лише GPTo1 досяг майже досконалої згоди з двома експертними людьми-оцінювачами (Fleiss' Kappa 0,82), із перевагою контекст-чутливих моделей над основаними на еталоні — але витрати на пропрієтарний API змусили авторів рекомендувати гібридне розгортання за участі людини в циклі для установ з обмеженими ресурсами. На рівні професійних програм [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] показують, що оцінювання за допомогою [[llm]] (GPT-4) відкритих запитань [[medical-education|медичного]] іспиту до кліриків може досягати значущої-до-майже-досконалої згоди з оцінювачами-факультетом (зважена каппа до 0,94) після ітеративного вдосконалення рубрики людиною, тоді як автори все одно рекомендують тримати людей у циклі для арбітражу залишкових розбіжностей. Доповнюючи ці свідчення на рівні моделі, [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat, Das, Bhaumik & Thambi (2026)]] оцінили іспит університетської фармації з 21 пункту за допомогою ChatGPT-5 і виявили майже досконалу згоду з факультетом на об’єктивних пунктах (CCC 0,935–1,000), але ненадійну згоду на пунктах із короткою відповіддю та есе, причому надання рубрики не покращувало успішність послідовно — підсилюючи аргумент на користь [[human-in-the-loop-ai|гібридного оцінювання за участі людини в циклі]] в університетському оцінюванні.

## Наслідки для викладачів вищої освіти

- **Проєктуйте оцінювання для корпусу студентів, здатного користуватися ШІ.** Підходи до доброчесності, зосереджені на виявленні, поступаються місцем [[authentic-assessment|автентичному]] та основаному на процесі оцінюванню ([[beyond-detection-authentic-assessment-ai-2025|за межами виявлення]], [[ai-assessment-scale-reform|реформа оцінювання]]) — перепроєктуйте те, що ви оцінюєте, а не лише те, як ви це поліцуєте.
- **Переробіть питання «що студенти мають усе одно вчитися робити руками?»** Як і в обчислювальних науках, вирішіть, які вміння мусять бути збережені (перевірка, судження, процес), і зробіть їх оцінюваним ядром, а не припускайте, що вміння зі ШІ переносяться автоматично.
- **Розглядайте готовність факультету як соціотехнічну, а не лише технічну.** [[sangwa-epiq-ai-faculty-readiness-2026|EPIQ-AI]] формулює готовність у межах епістемічних, педагогічних, інституційних та якісних доменів — узгоджуйте свою [[pedagogy|практику викладання]] з інституційним врядуванням, а не лише з володінням інструментом.
- **Вирішуйте прогалину між політикою та практикою.** Великомасштабні дослідження ([[ai-in-the-wild-college|ШІ в природі]]) показують, що студенти використовують ШІ способами, яких інституційна політика не передбачає — узгоджуйте свої очікування з реальним використанням і явно навчайте [[ai-literacy]].
- **Використовуйте ШІ для підвищення якості та кількості зворотного зв’язку.** [[ai-assistance-discretionary-feedback|Зворотний зв’язок за допомогою ШІ]] може збільшити зворотний зв’язок, який викладачі постачають; поєднуйте його з [[human-in-the-loop-ai|людським судженням]], щоб він покращував навчання, а не просто автоматизував.
- **Занурюйтеся в інновації оцінювання свідомо.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] стверджують, що [[assessment]] та виставлення балів є серед найвпливовіших факторів, що формують навчання у вищій освіті, проте вони залишаються недостатньо дослідженими в таких галузях, як [[business-education|освіта з менеджменту]] (лише 58 статей за 20 років у чотирьох провідних журналах). Традиційні, переважно [[summative-assessment|сумативні]] та нормно-орієнтовані підходи підривають глибоке навчання, [[well-being]], справедливість та [[academic-integrity|доброчесність]] в еру генеративного ШІ; автори закликають викладачів активніше та взаємно залучатися з п’ятьма інноваційними практиками (автентичне оцінювання, само- та взаємне оцінювання, переоцінювання, оцінювання за стандартами, зняття оцінок), зазначаючи, що впровадження вимагає інституційної та культурної підтримки та інкрементальних експериментів.
- **Розглядайте навчання дослідницькій роботі та наукове керівництво як власне місце ШІ-грамотності.** [[dai-chan-responsible-genai-research-ai-literacy-2026|Аспіранти-дослідники]] реалізують [[ai-literacy]] як [[situated-learning|ситуативну]] практику, а не статичний набір умінь, і інституційні вказівки переважно зупиняються на викладанні та оцінюванні. Вказівки для роботи над тезою, дисертацією та публікацією мають [[scaffolding|забезпечувати скаффолдинг]] перевірки, атрибуції та розкриття конкретно для кожного виміру ШІ-грамотності — і [[engagement-intensity-learner-modeling|прості доінструкційні сигнали]] можуть націлювати цю підтримку на курсах дослідницької етики — замість того, щоб видавати бінарні правила.

## Пов’язані поняття

- [[pedagogical-patterns]] — Рівень, на якому було згенеровано більшість перевірених свідчень про послідовності
- [[online-teaching-and-learning]] — Онлайн-викладання та навчання
- [[generative-ai]] — Технології та моделі генеративного ШІ
- [[llm]] — Великі мовні моделі
- [[student-experience]] — Студентський досвід із ШІ у вищій освіті
- [[educational-development]] — Розвиток факультету та готовність до ШІ
- [[academic-integrity]] — Академічна доброчесність в корпусі студентів, здатному користуватися ШІ
- [[ai-literacy]] — ШІ-грамотність для студентів і факультету
- [[assessment-validity]] — Дійсність оцінювання в епоху GenAI
- [[educational-policy-ai]] — Освітня політика щодо ШІ
- [[regulation]] — Регулювання ШІ в освіті
- [[remote-proctoring]] — Дистанційний прокторинг та автоматизована доброчесність іспитів
- [[self-directed-learning]] — Самостійне навчання зі ШІ
- [[problem-based-learning]] — Навчання на основі проблем зі ШІ
- [[teacher-role]] — Роль викладача, що еволюціонує, в аудиторіях зі ШІ
- [[stakeholders]] — Зонтичне поняття: люди та аудиторії в освіті зі ШІ (здобувачі, викладачі, проєктувальники, адміністратори, політики)
- [[arts-design-and-media-education]]
- [[student-support-and-success]] — консультування, звернення, направлення та розподіл підтримки — інституційний бік успішності студентів

## Пов’язані статті

- [[chan-ai-institutionalization-index-global-universities-2026]] — Chan (2026): індекс інституціоналізації ШІ на 100 найвище ранжованих університетів; дискурс випереджає структуру, впровадження незалежне від престижу
- [[sangwa-epiq-ai-faculty-readiness-2026]] — EPIQ-AI Faculty Readiness Framework
- [[ai-in-the-wild-college]] — AI in the Wild: College Student AI Use
- [[institutional-change-framework-ai]] — Institutional Change in the Age of AI
- [[genai-availability-grades-satisfaction]] — GenAI Availability and Student Satisfaction
- [[ai-assessment-scale-reform]] — AI Assessment Scale and Reform
- [[universities-ai-era-rethinking]] — Rethinking Universities in the AI Era
- [[teacher-ai-adoption-confidence]] — AI Adoption Among Teachers
- [[enright-staff-perspectives-genai-2026]] — Уявлення персоналу щодо GenAI у вищій освіті
- [[alrahmi-org-drivers-ai-adoption-he-2026]] — Організаційні драйвери впровадження ШІ у вищій освіті
- [[luo-eaton-ai-student-feedback-ethics-2026]] — ШІ у зворотному зв’язку студентам: етика
- [[beyond-detection-authentic-assessment-ai-2025]] — Beyond detection: redesigning authentic assessment in an AI-mediated world
- [[genai-student-experiences-uk-he-survey-2026]] — Досвід із GenAI серед студентів вищої освіти Великої Британії (огляд)
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Викладачі проти роботодавців щодо умінь зі ШІ для випускників коледжів
- [[generative-ai-reduced-study-time-math]] — Зменшення часу на навчання на 26,9 % серед студентів коледжів
- [[ai-uk-higher-education-policy-2026]] — Політика Великої Британії щодо ШІ у вищій освіті
- [[ai-tools-academic-work-cheating-2026]] — Інструменти ШІ, академічна робота та списування
- [[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]] — Assessment twins for strengthening assessment validity in the age of 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]] — феноменографічне дослідження уявлень університетських викладачів про ШІ
- [[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]] — Використання GenAI аспірантами-дослідниками в дослідницькому робочому процесі та орієнтовані на ШІ-грамотність вказівки (Dai & Chan 2026)
- [[engagement-intensity-learner-modeling]] — Engagement intensity as a learner-modeling signal for adaptive AI ethics instruction (Oh, Talton & Bui 2026)
- [[ai-assisted-writing-research-teams]] — Написання за допомогою ШІ зсуває дослідницькі команди до менших, перекошених на молодших, високоцитованих співпраць (Wang et al. 2026)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: AI and human tutoring yield equivalent GRE learning gains
- [[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]] — Форми Assistant та Enabler домінують в дослідженнях GenAI у вищій освіті; маргінальні типи сплутування залишаються рідкісними з інституційних, а не технічних причин (Sun, Dohn & Rehm 2026)
- [[students-at-stake-ai-deployment-risks-2026]] — Карта розгортання ШІ на боці студентів в прийомі, фінансовій допомозі, студентських сервісах та постачанні освіти, з екраном закупівель із чотирьох питань (Student Defense 2026)

---

## [Дорослі здобувачі](https://edtechdev.github.io/aied/concepts/adult-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Доросле навчання** — теорія і практика освіти дорослих (андрагогіка), а також те, як інструменти й технології ШІ можна проєктувати так, щоб підтримувати [[agency|автономію]] дорослих здобувачів, їхній попередній досвід і зв’язок із реальним життям. Розглянуто на матеріалі 13 статей у цій базі знань.

## Питання для роздумів

- Теорія дорослого навчання припускає, що здобувачі є самокерованими, спираються на життєвий досвід і прагнуть актуальності для реального життя. Але якщо ШІ виконує значну частину когнітивної роботи, чи доводить виконання завдання без видимої допомоги те, що здобувач справді керував ним? Що дало б вам упевненість, що так і було?
- Поведінкова незалежність від інструмента вже не гарантує, що саме здобувач керував навчанням. Якби ви проєктували ШІ для дорослих здобувачів, за якими ознаками ви шукали б підтвердження справжньої самокерованості, а не тихої делегації?
- Рекомендації з проєктування інструментів ШІ для дорослих наголошують на вміщенні в заповнене життя — мобільності, можливості роботи офлайн, зв’язку з реальними проблемами. Що з цього найважливіше для вашого власного навчання, і чим обходиться здобувачеві інструмент, який це ігнорує?
- Дорослі здобувачі часто навчаються на роботі чи вдома, тому онлайн-навчання домінує — воно дає гнучкість, але й несе ризики перекладання роботи та питання академічної доброчесності. Як взаємодіє зручність допомоги ШІ з метою стійкого навчання для зайнятого дорослого?
- Дослідження виявило, що жодна окрема система ШІ для дорослого навчання не задовольняла всім рекомендаціям із проєктування — знадобилася повна екосистема. Що це говорить про очікування, що один інструмент закриє потреби кожного здобувача?
- Для маргіналізованих та нейровідмінних дорослих здобувачів справедливість може бути менше про доступ до інструментів, ніж про реляційну турботу викладача. Як змінює позиціонування людини як джерела турботи ваш підхід до проєктування чи впровадження інструмента ШІ?

## Вступ

Спроваджене в моделі андрагогіки Ноулза, доросле навчання припускає, що здобувачі самокеровані, спираються на життєвий досвід, мотивовані безпосередніми практичними цілями й отримують найбільше користі тоді, коли навчання пов’язане з їхніми ролями в реальному світі. Ці припущення важливі для проєктування ШІ, бо генеративний ШІ тепер може брати участь майже на кожному етапі навчання — визначення потреб, постановки цілей, тлумачення інформації, створення результатів і оцінювання досягнень. Коли ШІ виконує таку велику частину когнітивної роботи, поведінкова незалежність від інструмента вже не гарантує, що навчанням справді керував здобувач. Дослідження в цій базі знань відповідно переосмислюють самокерованість як активну ціль проєктування, а не припущену за замовчуванням норму, і оцінюють ШІ для дорослого навчання за такими критеріями, як володіння цілями, контроль делегації та когнітивна відновлюваність.

## Дані зі зв’язаних статей

- **Андрагогіка і когнітивна делегація в генеративному ШІ.** [[andragogy-cognitive-delegation-genai-2026|Hyoung (2026)]] переглядає шість андрагогічних припущень Ноулза в умовах когнітивної делегації, опосередкованої ШІ, стверджуючи, що виконання завдання без видимої допомоги ШІ не доводить змістовної самокерованості. У статті виокремлено п’ять аналітичних вимірів — володіння потребами та цілями, контроль делегації, епістемічну калібровку, когнітивну відновлюваність і перенесення, а також мотиваційну автономію — що пов’язують доросле навчання з [[cognitive-offloading]] та [[self-regulated-learning]], аби оцінити, чи залишаються здобувачі справді самокерованими в епоху [[generative-ai]].

- **Рекомендації з проєктування інструментів ШІ для дорослого навчання.** Спираючись на дані тривалого впровадження від National AI Institute for Adult Learning and Online Education (AI-ALOE), стаття конференції DIS 2026 [[ai-adult-learning-guidelines-dis2026|узагальнює 19 емпірично обґрунтованих рекомендацій із проєктування]] для технологій дорослого навчання на базі ШІ. Виведені з ~1 600 висловлювань зацікавлених сторін щодо семи розгорнутих систем, ці рекомендації охоплюють когнітивну, соціальну та викладацьку присутність (у рамках спільноти дослідження, Community of Inquiry) і наголошують, що інструменти мають вміщуватися в заповнене життя дорослих (мобільні, з можливістю роботи офлайн), пов’язувати зміст із реальними проблемами, персоналізувати змістовно, надавати суттєву підтримку та зворотний зв’язок і бути прозорими щодо даних. Жодна окрема система не задовольняла всі рекомендації; для їх покриття знадобилася вся екосистема AI-ALOE.

- **Контексти дорослого, дистанційного та уповноваженого навчання.** [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|Rienties та співавтори]] показують, як Відкритий університет спроєктував і оцінив вбудованого помічника на базі ШІ (AIDA) у межах шести досліджень на основі проєктування (design-based research); студенти, які ним користувалися, витрачали вдвічі більше часу на курс, хоча дослідження попереджає, що технічну можливість має супроводжувати [[governance]] та організаційна готовність. [[ai-lifelong-learning-policy|Theodora і Tselios]] окреслюють подвійну роль ШІ в дорослому та [[lifelong-learning]] навчанні — і як механізму персоналізованої, масштабованої освіти, і як джерела ризиків для справедливості та управління, закликаючи до інклюзивної, орієнтованої на людину політики. [[community-centered-ai-education-adults|Кейс із Середнього Заходу]] співпроєктував програму ШІ-грамотності для 54 дорослих у недостатньо обслугованій громаді, виявивши, що орієнтована на справедливість освіта дорослих у сфері ШІ має долати прогалини в базовій [[ai-literacy|цифровій грамотності]], формувати [[trust]] довіру навколо захисту даних і пов’язуватися з життєвим досвідом. [[sovereign-hive-titl-further-education-2026|Рамкова модель Herron «Sovereign Hive» / Tutor-in-the-Loop]] розглядає справедливість у генеративному ШІ в подальшій освіті (Further Education) як атмосферне регулювання, а не просто доступ до інструментів, позиціонуючи викладача як джерело реляційної та когнітивної турботи для маргіналізованих і [[neurodiversity|нейровідмінних]] дорослих здобувачів.

## Зв’язки з суміжними поняттями

Доросле навчання лежить на перетині кількох тісно пов’язаних понять цієї бази знань. [[higher-ed]] задає інституційний контекст, у якому відбувається значна частина дорослого та дистанційного навчання, тоді як [[professional-training]] охоплює його робочий вимір, а [[lifelong-learning]] — вимір безперервної освіти. [[vocational-education|Професійно-технічна освіта і навчання]] — сусіднє поняття, що називає заняття, а не здобувача: доросле навчання описує те, що здобувачі приносять у будь-який контекст — самокерованість, попередній досвід, безпосередні практичні цілі, — тоді як ПТО називає початкову, близьку до практики підготовку до визначеної професії чи технічної ролі, що оцінюється продемонстрованою компетентністю в роботі з обладнанням і вміщується в рамки кваліфікаційних стандартів, а не андрагогічних установок. [[online-teaching-and-learning|Онлайн-викладання і навчання]] є домінантним способом доставки для дорослих здобувачів — які часто навчаються на роботі чи вдома, — тому їхні можливості (доступ 24/7, асинхронна підтримка) та ризики ([[academic-integrity|доброчесність]], [[cognitive-offloading|перекладання роботи]]) є центральними для проєктування навчання дорослих. [[self-regulated-learning]] і [[agency]] називають здібності здобувача, які ШІ має берегти, а не руйнувати, а [[cognitive-offloading]] фіксує механізм, за допомогою якого ШІ може їх або підтримувати, або підривати. [[inclusive-learning]] і [[equity-in-ai-education]] окреслюють зобов’язання щодо справедливості для інструментів ШІ для дорослих, [[human-in-the-loop-ai]] називає модель проєктування, що зберігає відповідальність за людиною, а [[scaffolding]] описує поступову підтримку, яку такі інструменти мають надавати.

## Наслідки для викладачів і проєктувальників освіти дорослих

- **Проєктуйте ШІ як опору для самокерованості, а не замінник.** Поведінкова незалежність від інструмента не доводить, що навчанням керував здобувач — бережіть володіння цілями, контроль делегації та когнітивну відновлюваність ([[andragogy-cognitive-delegation-genai-2026|андрагогіка + когнітивна делегація]]).
- **Вміщуйтеся в заповнене життя дорослих.** Зробіть інструменти асинхронними, мобільними та здатними працювати офлайн і пов’яжіть зміст із реальними проблемами ([[ai-adult-learning-guidelines-dis2026|рекомендації AI-ALOE]]).
- **Зберігайте людину в циклі.** Позиціонуйте викладача як джерело реляційної та когнітивної турботи, особливо для маргіналізованих і [[neurodiversity|нейровідмінних]] дорослих здобувачів ([[sovereign-hive-titl-further-education-2026|Tutor-in-the-Loop]]).
- **Долайте прогалини в базовій цифровій грамотності та довіру до даних.** Формуйте [[ai-literacy]] і [[trust]] довіру навколо захисту даних, перш ніж очікувати впровадження ([[community-centered-ai-education-adults|громадянська освіта зі ШІ]]).
- **Опирайте ШІ на науку про навчання та андрагогіку й віддавайте перевагу глибокій персоналізації.** Застосовуйте андрагогічну теорію та пов’язуйте зміст із реальними проблемами; надавайте перевагу глибокій персоналізації (послідовність завдань, калібрування складності) перед адаптацією на поверхневому рівні.
- **Зробіть прозорість і громадські функції першокласними.** Прозорість практик обробки даних і соціальні/громадські функції належать до найбільш знехтуваних і водночас найбільш цінних вимірів інструментів ШІ для дорослих.
- **Розглядайте технічну та структурну надійність як передумову.** Залученість залежить не менше від стабільної, інклюзивної інфраструктури, ніж від педагогічної якості — нестабільні або виключні платформи підривають інакше продумане проєктування.

- **Принципи проєктування ШІ для андрагогіки.** [[kim-ai-andragogy-2026|Kim та співавтори (2026)]] виявляють, що дорослі здобувачі цінують ШІ як співучасника навчання, і виводять три принципи проєктування ШІ для андрагогіки: «людина в циклі» (спільні ментальні моделі, творча співучасть людини та ШІ), емоційне проєктування (калібрування опори на ШІ, емпатична комунікація) та адаптивність (безперервна адаптація, інтероперабельність). Їхні одинадцять сценарних прототипів також проектують кожен андрагогічний принцип на конкретну можливість ШІ: [[intelligent-tutoring|ШІ-тьютори]] і [[learning-by-teaching|навчальні агенти]] для залучення, моніторинг і [[learning-analytics|інструменти аналітики]] для автономії та самооцінювання, емпатичні [[conversational-ai|чат-боти]] і [[simulation|симуляції]] для досвіду, бібліотеки кейсів і генератори питань вищого порядку для проблемоцентричної роботи, а також планувальники ШІ і кар’єрні коучі для актуальності.
- **Зберігайте продуктивну боротьбу.** Дослідження продуктивного провалу тієї ж групи проектує підтримку ШІ на дві фази PF і робить висновок, що проєктування не має знімати боротьбу: розмовні агенти виступають як ненав’язливі партнери в мисленні під час генерації та дослідження, а потім підтримують порівняння, реорганізацію і перенесення під час консолідації ([[kim-ai-productive-failure-adult-2026|Kim та співавтори (2026)]]).

## Пов’язані поняття

- [[self-directed-learning]]
- [[online-teaching-and-learning]] — Онлайн-викладання і навчання
- [[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]]

## Пов’язані статті

- [[ai-adult-learning-guidelines-dis2026]] — Рекомендації з проєктування технологій ШІ для підтримки дорослого навчання
- [[andragogy-cognitive-delegation-genai-2026]] — Що залишається самокерованим? Перегляд андрагогіки крізь призму когнітивної делегації в дорослому навчанні, опосередкованому генеративним ШІ
- [[ai-lifelong-learning-policy]] — Штучний інтелект в уповноваженому навчанні: можливості та виклики в політиці освіти дорослих
- [[sovereign-hive-titl-further-education-2026]] — Sovereign Hive та рамкова модель Tutor-in-the-Loop (TITL) для справедливості в подальшій освіті
- [[community-centered-ai-education-adults]] — Співпроєктування громадянської освіти зі ШІ для дорослих: кейс із Середнього Заходу
- [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of]] — Нові системи навчання для інституцій дистанційної освіти? Огляд шести досліджень із впровадження AIDA
- [[institutional-governance-ai-universities]] — Фрагментація політики чи інституційне узгодження? Інституційне управління ШІ в університетах і бізнес-школах
- [[generative-ai-enhanced-learning-experiences-for-computational-thinking-a-systema]] — Збагачені генеративним ШІ навчальні досвіди для обчислювального мислення: систематичний огляд із визначенням меж і рекомендації з проєктування
- [[ai-assisted-se-curriculum-syllabus-analysis-2026]] — Картування формувальної навчальної програми для інженерії програмного забезпечення з підтримкою ШІ через аналіз силabusів
- [[learner-ai-interaction-patterns-oop]] — Патерни взаємодії здобувачів із ШІ та академічна успішність на курсі об’єктно-орієнтованого програмування
- [[dot-framework-survey-2026]]
- [[kim-ai-productive-failure-adult-2026]] — Проєктування систем ШІ для підтримки навчання на основі продуктивного провалу
- [[kim-ai-andragogy-2026]] — Застосування ШІ для підтримки андрагогіки (Kim та співавтори, 2026)

---

## [Професійно-технічна освіта та навчання](https://edtechdev.github.io/aied/concepts/vocational-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Професійно-технічна освіта та навчання** — сегмент освіти, що готує людей до конкретних професій, ремесел і технічних посад і організований навколо компетентності, близької до практики, а не дисциплінарних знань. Там, де навчання на робочому місці описує підвищення кваліфікації вже працюючих людей, ПТОН охоплює також початкову підготовку до ремесла; там, де [[higher-ed|вища освіта]] означає навчання для здобуття ступеня, ПТОН часто не передбачає ступеня та регламентується національними рамками кваліфікацій. Його визначальними рисами є те, що здобувачів оцінюють за тим, що вони вміють робити з обладнанням, що навчання відбувається біля майстерні, тренажера або будівельного майданчика, і що людські тренери, які несуть практичне навчання, часто є обмежувальним фактором. У дослідженнях ШІ ПТОН виступає й як окрема група здобувачів — така, чия академічна впевненість пов’язана з продемонстрованою вмілістю та професійною ідентичністю — і як окрема база доказів, тонша та фрагментованіша за шкільну чи університетську літературу.

## Питання для роздумів

- Якщо кваліфікація посвідчує те, що здобувач уміє, то скільки навчання з підтримкою ШІ вважається автентичною практикою, а скільки підміняє ті повторення, на яких формується компетентність?
- Що втрачається, коли агент ШІ відіграє роль партнера — пацієнта, пілота, клієнта — яку раніше відігравав людський тренер? Які судження синтетичний партнер не може змоделювати?
- Усне оцінювання погано масштабується залежно від розміру групи. Якщо ШІ виявляє докази, але не судить, які складові потужності оцінювання справді зменшуються, а які лише перекладаються на викладача?
- Жодне дослідження в базі доказів щодо ШІ в ПТОН не проведене на робочому місці, хоча ПТОН визначається навчанням, заснованим на праці. Що вимагало б переконливе дослідження там, де навчання справді відбувається?
- Закон ЄС про штучний інтелект класифікує ШІ, що оцінює результати навчання у професійно-технічній освіті, як високоризикований, тоді як у деяких юрисдикціях такого немає. Чи повинні закупівлі орієнтуватися на найсуворіший із наявних стандартів?

## Вступ

Професійно-технічна освіта та навчання готує людей до конкретних професій — автомеханіків, авіадиспетчерів, дизайнерів інтер’єру, соціальних працівників — і її валютою є продемонстрована компетентність, а не накопичені кредити. Оцінювання, як правило, базується на виконанні, навчання прив’язане до обладнання, а кваліфікованих тренерів, які контролюють практику, мало.

Його сусіди в цій базі знань відрізняються насамперед охопленням. [[professional-training]] стосується підвищення кваліфікації на робочому місці та корпоративного навчання, здебільшого для вже працюючих людей; ПТОН охоплює й початкову професійну підготовку. [[adult-learning]] позначає характеристики здобувачів, а не професійну специфіку. [[higher-ed]] позначає навчання з присудженням ступеня, тоді як значна частина ПТОН організована рамками кваліфікацій, як-от стандартами модулів NZQA або ЄРК. [[stem-education]] і ПТОН перетинаються в технічних доменах, але освіта STEM прагне концептуального розуміння, тоді як ПТОН — придатної до вжитку процедури. [[career-development-and-readiness]] позначає настанови щодо працевлаштування, за якими судять програми ПТОН; ПТОН позначає систему навчання, яку зобов’язують відповідати за їхнє формування.

Специфічним для ШІ в ПТОН є розрив між ти, чого сектор прагне, і тим, що він створює: конструктивістська теорія широко проголошується, тоді як домінують біхевіористські системи тренування й відпрацювання, а проєкти, спрямовані на здобувацьку активність, залишаються рідкісними. Відповідне питання дизайну полягає не в тому, чи може ШІ забезпечувати навчання, а в тому, чи може він поглинути ті частини професійно-технічного навчання, які дорого забезпечувати людьми — реалістичні сценарії, своєчасний зворотний зв’язок, відіграні ролі партнерів, усні докази — не витісняючи практику, що породжує компетентність.

### Як ШІ проявляється в професійно-технічній освіті та навчанні

- **Молода, фрагментована та географічно сконцентрована база доказів.** Перший систематичний огляд ШІ в ПТОН ([[ai-vocational-education-training-review]]) виявив 26 емпіричних досліджень, опублікованих у 2015–2026 роках, через ERIC, Web of Science і Elicit за рекомендаціями PRISMA: дев’ять із технічного домену, дев’ять загальнодисциплінарних, п’ять із ділового адміністрування і три з охорони здоров’я. Серед умов були шість класних, вісім онлайн, чотири змішаних та вісім із симуляцією — і жодного на робочому місці, незважаючи на працеорієнтований характер ПТОН. Сімнадцять із 26 походили з Азії; лише дев’ять досліджень мали спільний хоча б одне джерело, і жодне не цитувало одне одного. П’ять були рандомізованими експериментами, а 21 використовували доекспериментальний чи квазіекспериментальний дизайн, здебільшого вимірюючи результати одразу після втручання, і лише три давали здобувачам активну роль у проєкті з підтримкою ШІ. Автори попереджають про педагогічну «пастку Тьюринга» — використання ШІ для відтворення людського навчання замість посилення [[human-in-the-loop-ai|людського судження]] — і закликають до розгляду випадків невдачі та граничних умов замість панівного наративу успіху.
- **Симуляція поглинає дефіцитного виконавця ролі.** [[astra-atco-training-simulator]] спрямований на обмеження потужності в навчанні авіадиспетчерів: *simpilots*, спеціалізовані людські тренери, які відіграють і пілотів, і диспетчерів у змодельованому повітряному просторі. ASTRA замінює їх автономними керованими ВММ sim-пілотами, зберігаючи складність сценарію та усуваючи вузьке місце в кадрах і забезпечуючи [[adaptive-learning|адаптивну]] практику у масштабі. Це опис системи, а не випробування ефективності, але він називає механізм, який повторюється в усьому ШІ в ПТОН: там, де дефіцитним ресурсом є кваліфікована людина, що відіграє роль партнера, агент може тримати цю роль, дозволяючи практиці розширюватися.
- **Імерсивна, підтримана агентами проєктна робота може підвищити здатність до дизайну — вибірково.** [[ai-ive-pbl-vocational-design-creativity-2026]] конкретизує AI-IVE-PBL — модель із чотирьох вимірів і п’яти фаз (відкриття, уявлення, моделювання, комунікація, уточнення), реалізовану у ВР із підтриманим ВММ цифровим помічником-людиною на курсі дизайну інтер’єру для студентів першого року китайського професійного коледжу. У 12-тижневому квазіексперименті з двома групами (63 дійсних відповіді; 31 проти 32) умова з імерсивним агентом дала вищі результати за здатність до дизайну (η²p = .138) і креативність (η²p = .111) за ANCOVA, з когнітивним залученням d = 0.90, поведінковим залученням d = 0.75, мотивацією d = 0.74, задоволеністю d = 0.69, і нижчим когнітивним навантаженням (d = −0.52). Інноваційне мислення та афективне залучення не досягли значущості, що автори пояснюють короткостроковими обмеженнями на вкорінених когнітивних патернах. Кожен результат є [[self-report-measures|самооцінним]], без артефактів дизайну чи експертних оцінок. У порівнянні з [[genai-xr-architectural-design-education-2026]], де конвеєр GenAI-plus-XR давав зниження дизайнерської [[self-efficacy]] і жодної переваги за сліпою оцінкою експертної комісії, різниця виглядає менше залежною від обладнання, ніж від того, хто тримає структуру фаз і рубрику.
- **Оцінювання — місце, де проблема автентичності найгостріша.** [[ai-supported-oral-assessment-tvet-2026]] описує AkoVoice, апробований у чотирьох групах Level 3 з автомобільної справи та одній Level 3 з інженерії, розроблений так, що ШІ виявляє докази за рубрикою, тоді як судить людина-асерсор. Із 33 опитаних здобувачів 21 (64%) погодилися, що голосове завдання було реалістичним, і така сама частка сказала, що воно дало чіткий спосіб повідомити те, що вони знають; ніхто не заперечував, що усне мовлення в реальному часі більше пасує цьому [[authentic-assessment|автентичному оцінюванню]], ніж письмовий портфель. Кількість слів на однакові запитання відрізнялася у п’ять-вісім разів між здобувачами, не покращуючи точності на фактичних запитаннях, і дев’ятьох здобувачів, що відповідали від 2 до 13 слів, усіх оцінили правильно, найкоротша відповідь була у два слова, «3500 kgs», співставлена за значенням. Повний цикл запису, зберігання, підготовки судження ШІ та звітування викладача працював офлайн на одному ноутбуці з Windows із 8 ГБ відеопам’яті (Mistral 7B через Ollama, faster-whisper, Chatterbox), оцінюючи до 12 здобувачів одночасно у майстерні, де сталевий каркас ламає wifi, із зашифрованими записами, що видалялися через 90 днів. Стаття зазначає, що закон ЄС про штучний інтелект класифікує ШІ, який оцінює результати навчання у професійно-технічній освіті, як високоризикований, тоді як у Новій Зеландії немає галузевого регулювання TVET.
- **Обмежене супроводження, а не підміна.** [[ai-pedagogical-accompaniment-amico]] стверджує, що цінність ШІ в технічних і професійних умовах залежить від підзвітного [[pedagogy|педагогічного]] посередництва, а не від людськоподібності. Його прототип Amico поєднує AmicoMio, орієнтований на технічну ясність і покрокове керівництво завданням, із AmicoTuo, орієнтованим на рефлексивний діалог і майєвтичні запитання. Принципом дизайну є *реляційний місток*: взаємодія навмисно тимчасова, спрямована до людського контакту й обмежена гарантіями, а дорослі зберігають відповідальність за керівництво людиною. Попередні пілоти (N = 30, Італія та Китай, 20 обмежених сесій) виявили, що учасники сприймали систему як обмежений інструмент підтримки, без жодного зафіксованого очікування підміни чи залежності.
- **Навчання з підтримкою ШІ має психологічну ціну, коли підміняє зусилля.** [[ai-autonomous-learning-accomplishment-2026]] опитав 1264 студентів професійних коледжів у Китаї за допомогою моделювання структурними рівняннями і виявив, що автономне навчання з підтримкою ШІ негативно пов’язане з hardiness (зобов’язання, контроль, виклик) і позитивно — зі зниженим академічним досягненням, виміром вигорання негативного самооцінювання. Hardiness частково опосередковував цей зв’язок. Дизайн є поперечним, за самооцінними даними й в одному закладі, тому причинність не встановлена, але рамка має значення для ПТОН: там, де впевненість формується повторюваною практикою, ШІ як замінник може зменшити і схильність наполягати, і пережите відчуття майстерності.
- **Прискорення виробництва навчальних програм без здачі перевірки.** [[crewscaler-ai-upskilling-framework]] застосовує ШІ на всіх п’яти етапах підвищення професійної кваліфікації — засвоєння знань, розробка контенту, рецензування та верифікація, [[intelligent-tutoring|тьюторське коучинг]] і розробка оцінювання — зберігаючи проєктування навчального плану, фахове рецензування та створення хибних уявлень за людьми. Його зовнішня валідація включає акредитацію NASBA CPE, три із трьох здобувачів, які складали сертифікаційний іспит NVIDIA, використовуючи лише базу знань фреймворку, і банк із 530 запитань, пов’язаних із навчальним планом із 53 умінь. Він належить сюди, оскільки розглядає верифікацію як повноцінний етап: виявлення [[hallucination-risk|галюцинацій]] у освітніх конвеєрах здебільшого відсутнє, а стаття повідомляє, що стандартне тьюторство за ВММ досягало лише 52–70% правильних педагогічних дій.

## Пов’язані поняття

- [[professional-training]]
- [[adult-learning]]
- [[higher-ed]]
- [[career-development-and-readiness]]
- [[simulation]]
- [[authentic-assessment]]
- [[intelligent-tutoring]]
- [[human-in-the-loop-ai]]
- [[cognitive-offloading]]
- [[self-efficacy]]

## Пов’язані статті

- [[ai-vocational-education-training-review]] — Перший систематичний огляд ШІ в ПТОН: цілі, теорія та емпірична ефективність
- [[ai-ive-pbl-vocational-design-creativity-2026]] — AI-IVE-PBL: імерсивне проєктне навчання та креативність у дизайні
- [[ai-supported-oral-assessment-tvet-2026]] — AkoVoice: офлайн-усне оцінювання з підтримкою ШІ в TVET
- [[ai-pedagogical-accompaniment-amico]] — Двомодовий прототип Amico: принципи дизайну та спостережувані індикатори
- [[ai-autonomous-learning-accomplishment-2026]] — Автономне навчання з підтримкою ШІ та знижене досягнення, опосередковане hardiness
- [[astra-atco-training-simulator]] — Автономні sim-пілоти для масштабованого навчання АТСО
- [[crewscaler-ai-upskilling-framework]] — Сквозний фреймворк із прискоренням ШІ для швидкого підвищення професійної кваліфікації
- [[genai-xr-architectural-design-education-2026]] — Контрприклад: GenAI плюс багатокористувацький XR зі зниженням дизайнерської self-efficacy

---

## [Спеціальна освіта](https://edtechdev.github.io/aied/concepts/special-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Спеціальна освіта** — проєктування та надання навчання для здобувачів з інвалідністю, що охоплює когнітивні, фізичні, сенсорні та нейророзвиткові відмінності. [[research-methods-aied|Дослідження]] [[ai-education|освіти зі ШІ]] в цій базі знань вивчає, як інструменти ШІ можуть підтримувати різноманітні потреби здобувачів через [[personalized-learning|персоналізацію]], [[scaffolding|адаптивний скаффолдинг]] та доступні інтерфейси — водночас досліджуючи ризики [[ai-technologies|систем ШІ]], які не помічають або маргіналізують здобувачів з інвалідністю.

> ⚠️ **«Спеціальна освіта» є переважно терміном [[k-12]].** Він укорінений у Законі США про освіту осіб з інвалідністю (IDEA) і в заснованій на праві системі індивідуалізованих навчальних програм (IEP), якою регулюється спеціально-освітнє обслуговування в початковій і середній школі. У [[higher-ed|вищій освіті]] — і дедалі частіше також у K-12 — поширенішим є формулювання **[[universal-design-for-learning|універсальне проєктування для навчання]]** (проактивна рамка проєктування, що приносить користь усім здобувачам) поряд із [[accessibility]] та [[assistive-technology]], а не «спеціальна освіта». Стаття про спеціальну освіту в K-12 і стаття про UDL у коледжі стосуються частково перекривних, але відмінних контекстів; база знань зберігає обидві, бо наукова література охоплює обидва. Коли джерело стосується вищої освіти та здобувачів з інвалідністю, його зазвичай краще пов’язувати з [[universal-design-for-learning]], [[accessibility]] або [[inclusive-learning]], ніж зі спеціальною освітою.

## Питання для роздумів

- Сторінка наголошує, що «спеціальна освіта» є переважно терміном K-12, заснованим на праві та укоріненим у IDEA і IEP, тоді як у вищій освіті частіше говорять про універсальне проєктування для навчання та доступність. Як ви думаєте, чому ці контексти відрізняються і що розкриває ця відмінність?
- Обіцянка ШІ щодо персоналізації здається створеною для здобувачів із різноманітними потребами. Але якщо система може адаптуватися до «індивідуальних когнітивних профілів», що може піти не так, коли модель інвалідності надто груба або взагалі відсутня?
- Дослідження включають інструменти ШІ, розроблені для конкретних профілів інвалідності (наприклад, для здобувачів із дислексією або глухих і з порушеннями слуху). Які ризики ви бачите в проєктуванні під вузькі профілі порівняно з проєктуванням універсально, для всіх здобувачів від самого початку?
- Як системи ШІ, створені для «середнього» здобувача, можуть опинитися такими, що не помічають або маргіналізують здобувачів з інвалідністю, навіть ненавмисно, — і чия відповідальність це запобігти?
- Що означало б, коли інструмент ШІ справді включає, а не лише пристосовує здобувача з інвалідністю, — і як би ви визначили цю різницю на практиці?

## Вступ

Спеціальна освіта — це домен, де здатність ШІ до персоналізації та адаптації дає особливу надію. На відміну від універсального навчання, [[intelligent-tutoring|ШІ-тьютори]] теоретично можуть адаптуватися до індивідуальних когнітивних профілів, комунікаційних потреб і темпів навчання. Статті в цій базі знань охоплюють ШІ для конкретних профілів інвалідності, досвід нейророзвикових здобувачів та критичні погляди на ШІ та інвалідність.

**ШІ-тьюторство під конкретну інвалідність** пристосовує ШІ до особливих потреб здобувача. **[[special-r1-rl-special-education|Special-R1]]** розширює [[reinforcement-learning|підкріплювальне навчання]], щоб моделювати когнітивне й комунікативне різноманіття в межах п’яти профілів інвалідності, використовуючи персонно обізнані підказки та нагороди за міркування для формування відповідей тьютора під кожного здобувача. **[[dyslexlens-dyslexic-learners-ai|DysLexLens]]** проаналізував, як здобувачі з дислексією переживають інструменти ШІ, виявивши водночас цінність ШІ для підтримки письма й стійкі бар’єри доступності. **[[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al.]]** розробили систему генерації запитань на базі [[llm]] для здобувачів, які є [[accessibility|глухими або мають порушення слуху]], запровадивши стратегії запитань Visual і Emotion і ітеративно вдосконалюючи запитання разом із цільовою спільнотою, щоб подолати невідповідність між текстовими підказками ШІ та першими мовами на основі жестів. **[[embodied-string-learning-blindness-low-vision-musicians]]** розробили невізуальні стратегії навчання разом із незрячими музикантами та музикантами з частинною втратою зору, ставлячи в центр кероване інвалідністю [[embodied-learning|увічнене]] проєктування. Це пов’язується з [[inclusive-learning]] та [[neurodiversity]].

**Досвід нейророзвикових здобувачів** ставить у центр аутичних студентів і студентів із СДУГ. **[[neurodivergent-computing-students|Zastudil et al.]]** виявили, що нейророзвикові студенти комп’ютерних спеціальностей потребують структурованих завдань, невеликих стабільних команд і явних визначень ролей — вимог до проєктування, які мають враховувати інструменти [[collaborative-learning]]. **[[adhd-video-segmentation-computing-education]]** продемонструвало, що сегментовані за допомогою ШІ відео ліквідували розрив у показниках за СДУГ. Обидва пов’язуються з [[learning-design]] та [[universal-design-for-learning]].

**Критичні погляди** досліджують, як ШІ може маргіналізувати здобувачів з інвалідністю. **[[genai-minoritized-knowledges-disability|Tali-Otmani]]** стверджує, що системи ШІ активно маргіналізують знання, зцентровані на інвалідності, через західноцентричні навчальні дані, — що пов’язується з міркуваннями щодо [[equity-in-ai-education]] про епістемічну справедливість.

**ШІ для дислексії: від виявлення через підтримку до персоналізованого навчання.** Міждисциплінарний [[meta-analysis-systematic-review|систематичний огляд]] 2026 року (Dabaghi, D'Urso & Sciarrone, за PRISMA, 2018–2024, n=72) картографує, як ШІ підтримує студентів із дислексією в освіті, виявляючи, що ШІ застосовується для виявлення, асистивної підтримки та персоналізованого навчання — проте ці напрями розвиваються паралельно, а не в інтеграції, і рухає ними більше технологічна можливість, ніж консолідована освітня теорія. Інструменти допомоги навчанню на базі ML розпадаються на п’ять областей (конкретні застосування, залученість, персоналізація, рекомендації, універсальна підтримка), але наголошують на технічній продуктивності та точності класифікації, нехтуючи екологічною валідністю та практичним розгортанням в аудиторії. Дослідження виявлення (ЕЕГ, стеження за поглядом, моделі ML) надають пріоритет ранньому втручанню й показують діагностичну перспективність, але часто вимагають спеціалізованого обладнання та контрольованих середовищ, обмежуючи масштабованість і доступність у типових шкільних умовах. Відкриті виклики включають обмежену експериментальну валідацію, масштабованість, занепокоєння щодо [[ethics]]/приватності стосовно чутливих даних студентів, обмежену підтримку й підготовку викладачів, а також мовні та культурні бар’єри (більшість досліджень спрямована на англомовні популяції).

**Когнітивне розвантаження для студентів із порушеннями навчання (SWLD).** [[seung-basham-cognitive-offloading-swld-2026|Seung & Basham (2026)]] — концептуальний огляд у спеціальній серії *Learning Disability Quarterly* про ШІ для студентів із порушеннями навчання — переосмислюють використання [[generative-ai|GenAI]] для SWLD через призму [[cognitive-offloading]]. Вони стверджують, що GenAI може бути **компенсаторною допомогою або скороченою дорогою** залежно від того, як рішення про розвантаження взаємодіють із когнітивними та [[motivation|мотиваційними]] профілями SWLD (виклики щодо функцій виконавчого контролю й робочої пам’яті, підвищене когнітивне навантаження, цілі продуктивності, що уникають зусиль, нижча академічна самооцінка та завищені очікування щодо GenAI) і з проєктуванням навчання. Для читання й письма GenAI може забезпечити доступ через скаффолдинг (вирівнювання рівня тексту, узагальнення, [[multimodal]] результати, планування, чернеткування, зворотний зв’язок щодо редагування), зберігаючи при цьому вищу [[student-engagement|залученість]] — проте надмірне розвантаження ризикує обминути процеси розуміння, планування й моніторингу, які для цих здобувачів уже крихкі, плекаючи «[[metacognition|метакогнітивну]] лінь» і накопичуючи труднощі з письмом у різних доменах. Стаття ставить **навчальні [[guardrails]]** як ключовий модеруючий фактор і рекомендує [[teacher-role|навчати]] стратегічному розвантаженню, розвивати [[ai-literacy]] для калібрування довіри до інструментів, послідовно розташовувати досвіди оволодіння для зростання [[self-efficacy]] та узгоджувати завдання й оцінювання з цілями IEP, які надають пріоритет розвитку навичок над заміщенням. Це розширює спеціально-освітнє висвітлення в базі знань на вимір справедливості розвантаження: той самий інструмент, який знижує бар’єри доступу, може, якщо його не обмежити, замінити практику, найбільш необхідну для SWLD.
**Вміст втручань, згенерований ШІ, потребує контролів до генерації, а не лише перевірки після.** [[adapted-stories-social-story-intervention-2026|Enkhjargal et al. (2026)]] виявили, що практики високо оцінили зручність спільно спроєктованого інструменту Social Story (SUS 86.8), але назвали його зображення узагальнено західними, а трекер поведінки — невідповідним клінічному судженню, пов’язаному з цілями, тобто обмеженнями, які вони встановили б до генерації.

## Наслідки для викладачів спеціальної освіти

- **Спільно проєктуйте ШІ разом із цільовими здобувачами та спільнотою.** [[llm-question-generation-deaf-hard-of-hearing-2026|Генерація запитань для глухих здобувачів та здобувачів із порушеннями слуху]] показує цінність ітеративного вдосконалення ШІ разом зі спільнотою, щоб подолати розрив між текстовими підказками та першими мовами на основі жестів, — залучайте здобувачів і їхні спільноти до проєктування, а не припускайте, що ШІ їм підходить.
- **Відповідайте профілям конкретної інвалідності, а не універсальній доступності.** [[special-r1-rl-special-education|Special-R1]] моделює когнітивне й комунікативне різноманіття в межах профілів інвалідності; [[dyslexlens-dyslexic-learners-ai|DysLexLens]] документує водночас цінність для письма й стійкі бар’єри доступності, з якими стикаються здобувачі з дислексією, — обирайте інструменти, узгоджені з профілем кожного здобувача, і будьте пильними щодо незакритих бар’єрів.
- **Структуруйте співпрацю для нейророзвикових здобувачів.** [[neurodivergent-computing-students|Нейророзвикові студенти комп’ютерних спеціальностей]] потребують структурованих завдань, невеликих стабільних команд і явних ролей, — застосовуйте ці вимоги до проєктування в будь-якій опосередкованій ШІ спільній діяльності.
- **Використовуйте ШІ, щоб закривати (а не розширювати) розрив у показниках.** [[adhd-video-segmentation-computing-education|Сегментовані за допомогою ШІ відео]] ліквідували розрив у показниках за СДУГ, — розгортайте адаптивний ШІ там, де докази показують, що він вирівнює результати, а не там, де він лише автоматизує.
- **Ставте в центр кероване інвалідністю увічнене проєктування.** Дослідження [[embodied-string-learning-blindness-low-vision-musicians|незрячих музикантів і музикантів із частинною втратою зору]] показує, що невізуальні стратегії, керовані інвалідністю, перевершують типові візуальні інтерфейси, — будуйте й адаптуйте ШІ спільно з експертизою здобувачів з інвалідністю.
- **Оберігайтеся від епістемічної маргіналізації.** [[genai-minoritized-knowledges-disability|Критичні погляди]] застерігають, що західноцентричні навчальні дані можуть маргіналізувати знання, зцентровані на інвалідності, — перевіряйте вміст і інструменти ШІ на епістемічну справедливість поряд із [[equity-in-ai-education]].

## Пов’язані поняття

- [[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]]

## Пов’язані статті
- [[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

---

## [Професійний розвиток](https://edtechdev.github.io/aied/concepts/teacher-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **[[educational-development|Professional development]]** — підготовка та безперервний професійний розвиток викладачів, що охоплює передпрофесійну підготовку вчителів (програми початкової сертифікації) та професійний розвиток діючих викладачів. У [[research-methods-aied|research]] ШІ в освіті підготовка викладачів стала центральним завданням, бо ШІ-грамотність викладачів, технологічно-[[pedagogy|pedagogical]] знання, [[ethics|ethical]] вільність і готовність інтегрувати ШІ в навчальний процес визначають, чи буде впровадження ШІ в аудиторіях успішним. Це поняття організовує суттєве висвітлення в базі знань того, як ШІ перебудовує підготовку, знання, переконання та практику як майбутніх, так і діючих викладачів.

## Питання для роздумів

- Підготовка викладачів тут охоплює передпрофесійну підготовку (майбутні викладачі в програмах сертифікації) та професійний розвиток діючих викладачів (практикуючі вчителі). Яка з двох, на вашу думку, стикається з більшим викликом у підготовці до аудиторій із ШІ, і чому?
- Сторінка припускає, що підготовка викладачів має готувати викладачів не просто користуватися інструментами ШІ, а розуміти, оцінювати та етично інтегрувати їх — зсув, який «переозначує, що означає бути викладачем». Як ви думаєте, як ця переознака має змінити те, чому навчає програма атестації?
- Такі рамки, як AI-TPACK, розширюють класичну модель TPACK, додаючи вимір ШІ та етики. Що, на вашу думку, мав би фактично містити «вимір ШІ» технологічно-педагогічно-предметного знання понад те, як користуватися [[conversational-ai|chatbot]]?
- [[meta-analysis-systematic-review|scoping review]] 55 досліджень, наведених на сторінці, встановлює, що ШІ посилює проєктування навчального процесу, рефлексію та критичне мислення майбутніх викладачів. Але якщо ШІ може виконати частину цього за них, коли його використання в підготовці викладачів будує вміння, а коли заміщає те саме судження, яке їм знадобиться?
- Якби ви перепроєктовували програму підготовки викладачів для епохи ШІ, що б ви вимагали пережити кожному майбутньому викладачеві — і від чого б ви свідомо не дозволяли їм передавати це ШІ?

## Вступ

Підготовка викладачів лежить на перетині кількох напрямів бази знань: вона є дисципліною/предметною областю (як [[medical-education]] та [[humanities-education]]), але вона також спирається на загальні поняття [[teacher-role]], [[tpack]], [[teacher-ai-competency]] та [[ai-literacy]]. В епоху ШІ підготовка викладачів має готувати викладачів не просто користуватися інструментами ШІ, а розуміти, оцінювати та етично інтегрувати їх — зсув, який переозначує, що означає бути викладачем. [[learning-sciences|learning sciences]] постачають знання, яке це формування має нести: там, де це поле досліджує, як люди навчаються і як слід проєктувати навчальні середовища, підготовка викладачів є професійним формуванням, у якому такі свідчення мають осісти як власна здатність викладача проєктувати, викладати та оцінювати.

Міжрівневі свідчення загострюють пріоритет проєктування: [[pedagogy-first-technology-second-teacher-knowledge-2026|a multilevel study of 46 teachers and 2,832 secondary students]] встановило, що педагогічне знання про ШІ (TPAIK) — а не технічне знання про ШІ — спричиняло сприйняття студентами ШІ для суспільного блага та їхній намір вивчати ШІ. Тому підготовка викладачів має виносити на передній план *як викладати зі ШІ і про ШІ* понад майстерність користування інструментами, відповідно до настанови «спочатку педагогіка, потім технологія».

### Передпрофесійна підготовка викладачів

Передпрофесійна (початкова) підготовка викладачів готує майбутніх викладачів упродовж їхніх програм сертифікації. Дослідження ШІ в цьому напрямі включають:

- **Готовність на основі AI-TPACK та Intelligent-TPACK.** Інструменти та рамки вимірюють і будують готовність майбутніх викладачів інтегрувати ШІ, розширюючи рамку [[tpack]] виміром ШІ/етики.([[conceptualizing-preservice-teachers-ai-readiness-2026]])([[ai-tpack-mathematics-teacher-education-2026]])
- **Профілі сприйняття та парадокс легкості використання/наміру.** [[chen-preservice-teachers-chatgpt-lpa-2026|Chen et al. (2026)]] розподілили 128 майбутніх викладачів за чотирма групами сприйняття ChatGPT: «Опірливі скептики» (14,06%) повідомляли про високе сприйману легкість використання, але про дуже низький поведінковий намір, тому лише навчання операційним навичкам їх не перетворює.
- **Застосування та вигоди.** Огляд з визначення обсягу 55 досліджень показує, що ШІ посилює проєктування навчального процесу майбутніх викладачів, предметне викладання, практичні викладацькі навички, оцінювання, рефлексивну практику, [[critical-thinking|critical thinking]], інтеграцію технологій та педагогічні інновації.([[harnessing-ai-preservice-teachers-scoping-2026]])

- **Неструктурований доступ до генеративного ШІ оцінився нижче за відсутність генеративного ШІ.** В одинадцятитижневому квазіексперименті з 52 майбутніми викладачами клас без структурованого скаффолдингу з генеративним ШІ дав плани уроків з нижчими оцінками за рубрикою, ніж клас без генеративного ШІ (скориговані 86,54 проти 81,87, F = 8,348, p = 0,006, η² = 0,146), без різниці між групами в [[self-regulated-learning]] чи критичному мисленні ([[unscaffolded-genai-preservice-teachers-quasi-experiment-2026|Zhang et al. (2026)]]).
- **[[educational-robotics|Educational robotics]] та машинне навчання.** Початкова підготовка вчителів вбудовує заняття з кодування, робототехніки та [[machine-learning]] (наприклад, micro:bit) для формування [[computational-thinking|computational thinking]] в майбутніх викладачів.([[microbit-robotics-machine-learning-teacher-training-2026]])
- **Автентичне оцінювання та метакогніція.** Моделі оцінювання з опосередкованим ШІ (наприклад, AAIWA) інтегрують [[authentic-assessment|authentic rubric-based assessment]], чутливий до стану [[ai-feedback-quality|AI feedback]] та [[metacognition|metacognitive reflection]] в передпрофесійних програмах.([[aaiwa-ai-authentic-assessment-metacognition-2026]])
- **Дослідження з підтримкою ШІ в [[stem-education|science education]].** Квазіексперимент з 48 майбутніми викладачами природничих наук у Туреччині ([[ai-supported-inquiry-photosynthesis-respiration-2026|Aydın]]) інтегрував навчання на основі проблем і дизайну в восьмитижневу програму керованого дослідження з підтримкою ШІ на тему фотосинтезу та дихання. Вона дала значний приріст у розумінні понять двох [[biology-education|biological]] процесів, але *не* дала суттєвого ефекту на ШІ-грамотність чи самовизначене [[computational-thinking|computational thinking]] — нагадування про те, що навчання на основі дослідження з ШІ (IBL) може поглибити предметне розуміння в кандидатів на викладачів, не будуючи автоматично їхніх компетентностей зі ШІ/ОМ, які потребують явного, цілеспрямованого проєктування.

- **[[generative-ai|Generative AI]] для конструктивістського проєктування навчального процесу.** [[sahab-model-genai-constructivist-id-2026|SAHAB model]] — це квазіекспериментальна інтервенція професійного розвитку, в якій генеративний ШІ дає можливість викладачам проєктувати [[constructivist]] навчання, із значними здобутками (d = 1,18). Вона показує, що генеративний ШІ може забезпечити [[scaffolding|scaffold]] для [[learning-design|instructional design]] як для майбутніх, так і для діючих викладачів — не просто постачати контент, а підтримувати *проєктування* навчальних активностей, орієнтованих на студента.
- **Навчання розумної аудиторії для студентів магістерської програми з [[math-education|mathematics]].** [[instructional-design-proficiency-masters-math-2026|Zhu, Liang, Mao, and Wang (2026)]] показують, як курс магістерської програми з математики може бути покращений розумними освітніми [[ai-technologies|technologies]] ([[automated-assessment|automated scoring]], персоналізовані рекомендації, зворотний зв’язок від кількох систем ШІ) на етапах до, під час і після заняття, даючи статистично значний приріст у майстерності проєктування навчальних цілей. Переносима модель D-T-E (Дисциплінарний запит — Технологічне розширення — Петля оцінювання) пропонує педагогам-методистам [[discipline-specific-aied|discipline-specific]] рамку для інтеграції розумної освіти в магістерську підготовку викладачів.
- **Впровадження за дозвільної політики є біднішим, ніж свідчать опитування, і грамотність в оцінюванні не переноситься.** [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] опитали 85 студентів-викладачів на трьох курсах підготовки викладачів у Гонконзі, де генеративний ШІ був явно дозволений в оцінюванні: 62,4% (53) обрали взагалі ним не користуватися, а використання тих, хто впровадив, було поверхневим і коригувальним (коректура 43,8%, перевірки зрозумілості 34,4%, генерація тексту 18,8%, мозковий штурм 12,5%). Страх бути помилково звинуваченим у плагіаті (41,5% серед тих, хто не впровадив) та перевага індивідуальної роботи (77,4%) переважали відсутність навичок (13,2%), і дев’ять із одинадцяти опитаних читали дозвільну політику як можливу «пастку» — свідчення того, що майбутні викладачі приносять тривожність щодо [[academic-integrity|integrity]], а не лише готовність інструментів, у курсову роботу, де ШІ дозволений.
- **Написання політики щодо ШІ в аудиторії як оптика на мислення майбутніх викладачів.** [[nash-preservice-teachers-classroom-ai-policies-2026|Nash & Burriss (2026)]] дали завдання 27 майбутнім викладачам англійської середньої школи в капстоун-році програми підготовки викладачів англійської середньої школи написати [[educational-policy-ai|AI policies]], які вони використовували б у власних аудиторіях 6–12 класів, у штаті без настанов зі ШІ на рівні штату. 26 із 27 дозволили певне використання ШІ, майже завжди обмежене завданнями, часами та місцями, визначеними викладачем, і лише один заборонив його прямо з етичних підстав, пов’язаних із трудовою практикою та авторським правом; 22 дозволили ШІ для генерації ідей, тоді як 22 заборонили або залишили невизначеним використання ШІ для створення речень, абзаців чи робіт, і супровідні рефлексії читаються як узгодження між педагогічними зобов’язаннями і відчутною повинністю інтегрувати [[generative-ai|AI]]. Прохання до майбутніх викладачів створити політику — а не обговорювати ШІ абстрактно — виявляло їхні філософії, переконання та припущення щодо навчального плану, роблячи написання політики високоцінною активністю для методичних курсів.

- **Політика не керує практикою.** Дані опитувань за чотири семестри з програми підготовки викладачів у США показують, що використання генеративного ШІ для підготовки до оцінювання зросло з 57% до 83%, а для навчання — з 44% до 76%, навіть коли установи розглядали програмне забезпечення для виявлення ШІ, при зростанні етичної невизначеності в усіх хвилях ([[longitudinal-ai-usage-ethics-policy-teacher-education-2026|Parker et al. (2026)]]).

### Професійний розвиток діючих викладачів

Професійний розвиток діючих викладачів підтримує практикуючих вчителів в інтеграції ШІ. Дослідження ШІ тут включають:

- **Рамки професійного розвитку на основі Intelligent-TPACK.** Рамка, обґрунтована дослідженнями, узгоджує п’ять доменів знань i-TPACK із чотирма заснованими на свідченнях шляхами професійного розвитку ([[active-learning|active learning]], моделі/приклади, коучинг, зворотний зв’язок/рефлексія).([[designing-ai-professional-development-itpack-2026]])
- **Технологічно-педагогічне знання (TPK), специфічне для генеративного ШІ.** Самі педагоги-методисти потребують GenAI-TPK — педагогічного міркування, етичної обізнаності та проєктування навчального процесу з розширенням від ШІ — для підготовки викладачів.([[teaching-the-teachers-genai-tpk-review-2026]])
- **Людиноцентрована та критична ШІ-грамотність.** [[design-based-research|Design-based research]], дає навчальні програми професійного навчання, які операціоналізують критичну ШІ-грамотність через людиноцентровані активності зі ШІ, включно із завданнями за участі освітянина в циклі.([[human-centered-ai-teacher-educators-2026]])

- **Потенціал будується практикою, а не вивченням.** Структурна модель на основі TPACK для 122 діючих викладачів встановила, що фактичне використання ШІ на завданнях з природничих наук і зеленої енергетики та участь у розробці матеріалів, узгоджених із OSR, прогнозували здатність інтегрувати ШІ, тоді як абстрактне знання про ШІ та ставлення до ШІ — ні ([[riandi-teacher-ai-green-energy-education-2026|Riandi et al. (2026)]]).
- **Спільне [[ai-ed-evaluation|evaluation of AI]] контенту як професійний розвиток.** [[teachers-collaborative-evaluation-ai-content-2026|Gat, Usher, and Barak (2026)]] повідомляють про семінар, на якому 60 викладачів природничих наук [[k-12|middle-school]] оцінювали згенеровані ChatGPT запитання для оцінювання через своє дисциплінарне, педагогічне та навчальнопланове судження. Саме спільне оцінювання функціонувало як професійний розвиток, допомагаючи викладачам застосовувати критерії понятійної точності до результату ШІ та виявляти ризик того, що контент ШІ посилює [[misconceptions]] — позиціонуючи викладачів як критичних оцінювачів матеріалу [[generative-ai|GenAI]], а не пасивних споживачів.
- **Структурований професійний розвиток для викладачів мов є рідкісним, але ефективним.** [[li-language-educators-genai-review-2026|systematic review of 23 studies]] (Li та співавт. 2026) встановив, що лише три включені дослідження повідомляли про структурований професійний розвиток — вбудований модуль граматичного курсу, урядову програму EMI та вбудоване дослідження з чатботом, — проте всі сходилися на здобутках у знанні, впевненості та переозначенні ідентичності, зсуваючи погляди освітян на генеративний ШІ від «ризику заміщення» до помічника/розширювача. Огляд стверджує, що професійний розвиток має поєднувати формування технічного вміння з практичною мудрістю, переходячи від [[ai-literacy|awareness-raising]] та етики через опанування інструментами вручну до співпроєктування уроків із розширенням від ШІ, і рекомендує двофазну стратегію впровадження «спочатку серверна частина, потім аудиторія».

Найяснішим прикладом рамково керованого професійного розвитку з генеративного ШІ для математики в базі знань є дослідження восьми діючих викладачів із сільських та недостатньо забезпечених районів, які завершили десять інтерактивних модулів, побудованих на рамці 4P Роудса ([[bicer-genai-pd-math-creativity-2026]]). Вона постачає два механізми проєктування, яких інакше бракує в проєктуванні професійного розвитку діючих викладачів тут: скаффолдинг, який свідомо знімається (явна вказівка на початку, потім прохання обґрунтувати, узагальнити та спроєктувати завдання) та імітацію міркувань студентів у модулях 6-10, поряд із висновком, що MC, CK і PCK рухалися разом, — при вимірюванні лише залученості, а не знання викладачів чи навчання студентів.
- **Програми після отримання кваліфікації.** ШІ-грамотність і використання ШІ викладачами природничих наук інформують проєктування програм після отримання кваліфікації, пов’язаних зі ШІ.([[science-educators-ai-literacy-postqualification-2026]])

- **Підтримка та керівництво від ШІ в проєктній роботі викладачів.** [[pishtari-teacher-ai-training-learning-design-2026|Pishtari, Gnadlinger & Ley (2026)]] дали завдання 13 викладачам вищої освіти спроєктувати активності в умовах без ШІ, з чатботом ШІ та зі ШІ плюс навчанням у південній програмі. Доступ до ШІ підвищив досягнення завдань вищого порядку (за Блумом) і зменшив сприймане когнітивне зусилля, тоді як наступна сесія навчання взаємодії стабілізувала якість, але дещо підвищила зусилля (питання релевантного проти позаситуативного навантаження залишається нерозв’язаним). Це обрамлює професійний розвиток для викладання епохи ШІ як потребу і рамок проєктування, спираючись на педагогіку (Блум, [[icap-framework|ICAP]]), і структурованих стратегій взаємодії з чатботом, застерігаючи водночас, що здобутки в якості можуть маскувати [[cognitive-offloading|offloading]] педагогічних рішень на ШІ.
### Знання, переконання та практика

Ключовим висновком досліджень з підготовки викладачів є розрив між тим, що викладачі *висловлюють*, і тим, що вони *втілюють*: викладачі часто стверджують, що мають операційні навички зі ШІ, але зіткнуваються з труднощами в застосуванні педагогічно значущого знання на практиці.([[teachers-ai-knowledge-genai-lesson-planning-2026]]) Це розрізнення стає ще глибшим, коли досвід перехрещується з майстерністю в галузі ШІ: [[choi-teacher-ai-interaction-lesson-design-2026|Choi et al. (2026)]] встановили, що технічно вільні *новаки* усе ще пасивно приймають результат ШІ під час проєктування уроків, тоді як досвідчені викладачі — навіть ті, хто має нижчу виміряну майстерність в галузі ШІ, — критично повторно підказують і адаптують пропозиції ШІ до своїх студентів і контексту. Наслідок полягає в тому, що професійний розвиток діючих викладачів не може вважати «формування майстерності в галузі ШІ» достатнім; він має диференціюватися за профілем досвіду та майстерності викладача — скаффолдинг для оцінювання відповідей і критичної адаптації для новаків, практичне формування майстерності в галузі ШІ для досвідчених викладачів із слабшою майстерністю в галузі ШІ. Експертне судження про згенеровані ШІ плани уроків позначає таку позицію критичної адаптації як норму, а не виняток: [[karaismailoglu-ai-lesson-plans-science-experts-2026|Karaismailoglu, Surmeli and Yildirim (2026)]] встановили, що одинадцять турецьких фахівців із природничої освіти оцінили плани ChatGPT-4 і Teacher’s Buddy для модуля шостого класу як придатні для використання чернетки — 7 із 11 судили їх як «застосовні з коректурою», лише 3 — прямо «Застосовні», — і їхні переваги розходилися з «сирими» оцінками, віддаючи перевагу афективним і контекстуальним якостям понад структурною відповідністю. Тому підготовка викладачів має будувати здатність оцінювати, адаптувати та локалізувати згенеровані ШІ навчальні матеріали як основну професійну компетентність — в програмах як передпрофесійної підготовки, так і професійного розвитку діючих викладачів. Психологічні чинники також мають значення — [[self-efficacy]] позитивно прогнозує AI-TPACK, тоді як сильні традиційні викладацькі переконання можуть діяти як когнітивний бар’єр.([[ai-tpack-mathematics-teacher-education-2026]]) [[trust]] до ШІ формується як технічним знанням, так і етичними сприйняттями (прозорість, справедливість, підзвітність, інклюзивність).([[intelligent-tpack-ethics-teachers-trust-distrust-2026]]) Вимірювання ШІ-грамотності викладачів саме є активним фронтом: оскільки більшість оцінювань ШІ-грамотності спрямовані на студентів або загальних користувачів, шкалу ШІ-грамотності викладачів (TAILS) — спираючись на шестивимірну рамку ED-AI — було розроблено та валідовано саме для [[language-learning|preservice language teachers]] через EFA і CFA, заповнюючи прогалину в вимірюванні в межах підготовки викладачів. Порівнянно знехтуваним питанням є те, чи змінює готовність щодо ШІ *режим* підготовки. [[ai-training-science-teacher-tpack-distance-2026|Mnguni et al. (2026)]] опитали 186 студентів-викладачів природничих наук останнього року навчання в Південній Африці й встановили, що [[self-report-measures|self-reported]] TPACK для інтегрованого зі ШІ викладання був вищим на університеті з навчанням на кампусі (64,0%), ніж на університеті [[online-teaching-and-learning|distance education]] (47,4%), причому педагогічне знання було найслабшим в обох, а навчання зі ШІ асоціювалося із самоописаним TPACK лише в дистанційній установі, де короткий курс на п’ять кредитів прогнозував слабіший самоописаний TPACK, ніж відсутність навчання. Тому дистанційна підготовка потребує власної бази свідчень, а не припущення, що навчання, розроблене для програм на кампусі, переноситься.

### Змодольована навчальна практика

Понад контент і переконання, підготовка викладачів дедалі більше використовує **змодельовані аудиторії** для практики вручну, яка масштабується. [[educasim-cs1-instructional-practice|EducaSim]] використовує агенти-студенти на основі генеративного ШІ (з персонами, пам’яттю, закріпленою в курсі, та оракулом мовлення на основі [[llm]]-судді) для імітації секції малої групи для викладачів-стажерів на курсі CS1, що обслуговує ~20 000 студентів. Розгорнутий як додатковий інструмент підготовки в 254 сесіях (у середньому ~16 хв), він дає недорогу (\\$0,05–\\$0,10/сесія) практику рольової гри зі структурованим зворотним зв’язком після сесії (статистика часу мовлення, виявлені LLM поведінки викладання) та підказками для саморефлексії. Це доповнює парадигму [[simulating-students]]: змодельовані здобувачі служать не лише оцінюванню, а й досвідницькій, високочастотній підготовці викладачів, особливо для масових онлайн-курсів, де живе коучування не може масштабуватися. Предметно специфічним прикладом є **Student GPT** ([[zhuang-zhang-chatgpt-math-teacher-education-2026|Zhuang & Zhang 2025]]) — спеціальний чатбот на базі ChatGPT, який відіграє роль студента середньої школи, що має поширені хибні уявлення в міркуванні про пропорції; майбутні викладачі математики середньої школи практикували діагностику та корекцію цих хибних уявлень у взаємодіях із низьким ризиком та персоналізацією в межах методичного курсу, показуючи, як легка рольова гра на [[generative-ai|GenAI]] може підтримувати викладання, засноване на практиці.

## Наслідки для педагогів-методистів

- **Будуйте і ШІ-грамотність, і критичний AI-TPACK.** Майбутні та діючі викладачі потребують готовності інтегрувати ШІ — інструменти розширюють TPACK виміром ШІ/етики ([[ai-tpack-mathematics-teacher-education-2026|AI-TPACK]], [[designing-ai-professional-development-itpack-2026|i-TPACK PD]]); викладайте етичне міркування, прозорість і справедливість поряд із користуванням інструментами.
- **Закривайте розрив між висловлюванням і втіленням.** Викладачі часто стверджують, що мають операційні навички зі ШІ, але зіткнуваються з труднощами в їхньому педагогічному застосуванні; проєктуйте професійний розвиток, який рухається від знання до втіленої практики ([[teachers-ai-knowledge-genai-lesson-planning-2026|lesson planning]]).
- **Використовуйте змодельовану практику для масштабування підготовки.** Змодельовані аудиторії в стилі [[educasim-cs1-instructional-practice|EducaSim]] дають викладачам-стажерам недорогу, високочастотну практику зі зворотним зв’язком — доповнення до обмеженого живого коучування.
- **Робота з переконаннями та довірою.** [[self-efficacy]] прогнозує AI-TPACK, тоді як сильні традиційні викладацькі переконання можуть бути бар’єром, а [[trust]] формується прозорістю/справедливістю — звертайте увагу на ці психологічні чинники, а не лише на навички.

- **Відхід від дилем аудиторії.** [[preservice-teachers-responsible-genai-2026|Kohnke et al. (2026)]] інтерв’ювали **17 майбутніх викладачів** в університеті Гонконгу й працювали назад від очікуваних дилем аудиторії до потреб проєктування підготовки викладачів. Майбутні викладачі піднімали занепокоєння щодо **[[academic-integrity|academic integrity]], приватності та збереження суттєвих людських вмінь** у середовищі, керованому генеративним ШІ, вказуючи на наслідки для [[curriculum-design|curriculum]], які вплітають **етику, [[privacy]] та ШІ-грамотність** (із навичками критичного мислення) в усю підготовку викладачів, а не розглядають відповідальне використання як додатковий елемент.

- **ШІ як когнітивний посередник у рефлексії викладача (2026):** модель «Рефлексивного трикутника», заснована на практиці, використовує ШІ для опосередкування між індивідуальною рефлексією викладача та спільним професійним знанням у навчальних співтовариствах, усуваючи поширену невдачу рефлексії перетворюватися на колективне професійне навчання ([[reflective-triangle-model-teacher-ai-2026]]).

- **Зробіть проєктування [[assessment|assessment design]] з генеративним ШІ частиною професійної роботи з навчальним планом.** Студенти-викладачі в дослідженні [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] виявили слабкий намір перепроєктовувати власні майбутні шкільні оцінювання у відповідь на генеративний ШІ, а учасники з [[early-childhood-elementary-ai-education|kindergarten]] та середньої школи здебільшого судили технологію нерелевантною до власного контексту викладання — недорозвинений вимір грамотності в оцінюванні, а не прогалина в знанні. Тому програми підготовки викладачів мають вбудовувати етичне використання генеративного ШІ в проєктування оцінювання як частину професійного [[curriculum-design|curriculum]], поєднуючи узгодженість [[educational-policy-ai|program-level policy]] з конкретними зразками прийнятного та неприйнятного використання та своєчасним [[feedback]] на фактичне використання ШІ студентами.
- **Відокремлюйте роботу, яку можна передати, від тієї, яку не можна.** [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026|O'Byrne (2026)]] встановив, що 23 студенти бакалаврату, переважно майбутні викладачі, створювали порівнянні артефакти незалежно від того, чи підтримували вони роботу з кордонів, чи передавали її рано, і «напруження щодо шахрайства» над авторством була найсильнішою серед тих, хто виконував найбільше роботи з кордонів, — тому навчальна мета — судити про те, яку інтерпретаційну роботу не варто віддавати.
- **Зробіть написання політики для аудиторії основною активністю підготовки викладачів і розглядайте невизначеність як ваду політики.** [[nash-preservice-teachers-classroom-ai-policies-2026|Nash & Burriss (2026)]] встановили, що прохання до майбутніх викладачів написати власні політики щодо ШІ в аудиторії функціонує як риторичне конструювання світу щодо того, для чого потрібне письмо, — вікно в новітні переконання, яке абстрактне обговорення не відчиняє. Оскільки ШІ відокремлює письмо як продукт від письма як процесу, програми мають допомагати викладачам знаходити, де насправді живуть мислення, навчання та цінність у мозковому штурмі, чернетці, перегляді та редагуванні, а не розміщувати мислення лише в остаточному тексті, і мають підтримувати їх у переведенні переконань на операційні, однозначні правила, поєднані з інструкцією щодо [[ai-literacy]]: суперечності, як-от заборона згенерованого ШІ тексту при збереженні відповідальності студентів за згенерований ШІ контент, який вони подають, залишають студентів неспроможними дотримуватися вимог.

## Пов’язані поняття

- [[teacher-role]]
- [[tpack]]
- [[teacher-ai-competency]]
- [[ai-literacy]]
- [[educational-development]]
- [[k-12]]
- [[ethics]]
- [[ai-education]]
- [[learning-sciences]]
- [[chemistry-education]] — Освіта з хімії та ШІ: лабораторії, формативне оцінювання, межі LLM, філософія експериментування

## Пов’язані статті
- [[bicer-genai-pd-math-creativity-2026]] — Як керований професійний розвиток із генеративним ШІ підтримує залученість викладачів із математичною креативністю, предметним знанням та педагогічним предметним знанням
- [[nash-preservice-teachers-classroom-ai-policies-2026]] — Майбутні викладачі англійської створюють політики щодо ШІ в аудиторії: дозволене, обмежене та заборонене використання (Nash та Burriss 2026)
- [[zou-is-this-a-trap-student-teachers-genai-2026]] — 85 студентів-викладачів: поверхневе впровадження генеративного ШІ, тривожність щодо доброчесності та грамотність в оцінюванні, яка не переноситься
- [[pishtari-teacher-ai-training-learning-design-2026]] — Підтримка чатбота ШІ та навчання в проєктуванні навчання викладачами
- [[pedagogy-first-technology-second-teacher-knowledge-2026]] — Педагогічне знання про ШІ як пріоритетний важіль для професійного навчання викладачів (Shen та співавт. 2026)
- [[preservice-teachers-responsible-genai-2026]] — Відповідальне використання генеративного ШІ майбутніми викладачами: наслідки для навчального плану (Kohnke та співавт. 2026)
- [[harnessing-ai-preservice-teachers-scoping-2026]] — Огляд з визначення обсягу ШІ в розвитку майбутніх викладачів
- [[designing-ai-professional-development-itpack-2026]] — Рамка професійного розвитку на основі Intelligent-TPACK
- [[human-centered-ai-teacher-educators-2026]] — Професійне навчання критичній ШІ-грамотності в педагогів-методистів
- [[teaching-the-teachers-genai-tpk-review-2026]] — TPK, специфічне для генеративного ШІ, у підготовці викладачів
- [[teachers-ai-knowledge-genai-lesson-planning-2026]] — Знання викладачів про ШІ в плануванні уроків із генеративним ШІ
- [[choi-teacher-ai-interaction-lesson-design-2026]] — Патерни взаємодії викладача зі ШІ залежно від педагогічного досвіду та майстерності в галузі ШІ в проєктуванні уроків (Choi та співавт. 2026)
- [[conceptualizing-preservice-teachers-ai-readiness-2026]] — Готовність майбутніх викладачів на основі Intelligent-TPACK
- [[ai-tpack-mathematics-teacher-education-2026]] — AI-TPACK у підготовці викладачів математики
- [[intelligent-tpack-ethics-teachers-trust-distrust-2026]] — Домен етики та довіра діючих викладачів
- [[microbit-robotics-machine-learning-teacher-training-2026]] — Робототехніка на Micro:bit у початковій підготовці вчителів
- [[aaiwa-ai-authentic-assessment-metacognition-2026]] — Автентичне оцінювання з опосередкованим ШІ в передпрофесійній освіті
- [[science-educators-ai-literacy-postqualification-2026]] — ШІ-грамотність викладачів природничих наук та програми після отримання кваліфікації
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Викладачі повідомляють про інституційний консенсус щодо навичок зі ШІ та прогалин в оцінюванні
- [[young-people-learning-generative-ai-rapid-review-2026]] — Викладачі є суттєвими для реляційної/високопорядкової роботи в гібридних устроях
- [[context-based-ai-secondary-chemistry-2026]] — Контекстно орієнтована інструкція 7E + ШІ в хімії середньої школи
- [[instructor-ai-roles-chatgpt-formative-assessment-2026]] — Ролі викладача та ШІ в формативному оцінюванні з розширенням від ChatGPT
- [[educasim-cs1-instructional-practice]] — EducaSim: інтерактивні симулякри для навчальної практики з CS1
- [[chen-preservice-teachers-chatgpt-lpa-2026]] — Профілі сприйняття ChatGPT майбутніми викладачами
- [[motivation-shape-future-education-ai-switzerland-china]] — Мотивація формувати майбутнє освіти зі ШІ
- [[ai-supported-inquiry-photosynthesis-respiration-2026]] — Кероване дослідження з підтримкою ШІ в підготовці викладачів природничих наук
- [[reflective-triangle-model-teacher-ai-2026]] — Модель «Рефлексивного трикутника»: ШІ як когнітивний посередник
- [[sahab-model-genai-constructivist-id-2026]] — Модель SAHAB: конструктивістське проєктування навчального процесу з генеративним ШІ
- [[riandi-teacher-ai-green-energy-education-2026]] — Участь викладачів в інтеграції ШІ для освіти з зеленої енергетики (Riandi та співавт. 2026)
- [[utility-value-intervention-teach-responsibly-genai-2026]] — Ефекти інтервенції з ціннісною корисністю в навчанні відповідально викладати з генеративним ШІ (Boos, Eder та Lachner 2026)
- [[preservice-teacher-agency-genai-design-learning-2026]] — Агентність майбутніх викладачів під час взаємодій із генеративним ШІ в проєктуванні для навчання (Krushinskaia, Elen та Raes 2026)
- [[longitudinal-ai-usage-ethics-policy-teacher-education-2026]] — Поздовжнє використання генеративного ШІ, етика та політика в підготовці викладачів (Parker та співавт. 2026)
- [[instructional-design-proficiency-masters-math-2026]] — Модель розумної аудиторії та петля D-T-E, що покращують майстерність проєктування навчального процесу в магістерській програмі з математики (Zhu та співавт. 2026)
- [[li-language-educators-genai-review-2026]] — Практики та розвиток викладачів мов із генеративним ШІ
- [[zhuang-zhang-chatgpt-math-teacher-education-2026]]
- [[karaismailoglu-ai-lesson-plans-science-experts-2026]]
- [[teachers-collaborative-evaluation-ai-content-2026]] — Спільне оцінювання викладачами згенерованого ШІ контенту як професійний розвиток (Gat, Usher та Barak 2026)
- [[ai-training-science-teacher-tpack-distance-2026]] — Порівняння на кампусі та на відстані для 186 студентів-викладачів природничих наук: TPACK, пов’язаний зі ШІ, та рівні навчання
- [[obyrne-co-constructing-ai-boundaries-agency-judgment-2026]] — відстежує, як майбутні викладачі будують кордони зі ШІ в семестровій етнографії грамотності

- [[unscaffolded-genai-preservice-teachers-quasi-experiment-2026]] — Неструктурований генеративний ШІ знизив якість планів уроків майбутніх викладачів нижче за клас без генеративного ШІ

---

## [Рівні освіти](https://edtechdev.github.io/aied/concepts/education-levels/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Рівні освіти** — смуги, що організовують метадані `level` цієї бази знань: **preschool**, **primary education**, **middle school**, **secondary**, **K-12**, **higher ed**, **undergraduate**, **graduate**, **adult learning**, **special education** та освіта [[teacher-role|викладачів]]. Ця сторінка є омонімом для цього поля, а не дублікатом будь-якої окремої сторінки смуги: вона пояснює, що змінюється під час переходу між смугами, чому розрив між школою та університетом має більше значення, ніж викладаний предмет, і де докази щодо ШІ є щільними, а де — рідкісними.

## Запитання для роздумів

- Аспірантський семінар і урок математики в другому класі — обидва є «освітою», проте інструмент, що допомагає одному, може нашкодити іншому. Що саме в смузі — а не в предметі — змінює те, як виглядає добре використання ШІ?
- Одне випробування зі 132 дітьми другого класу виявило, що адаптивний репетитор математики не кращий за фіксовану послідовність. Чи очікували б ви того самого нульового результату для студента університету, і яку здібність здобувача адаптація мовчки припускає?
- «K-12» і «вища освіта» кожне стискає кілька різних умов в одну мітку. Які порівняння ці мітки приховують?
- Якщо база доказів якоїсь смуги є рідкісною, чи є чесною відповіддю не казати нічого, запозичувати з суміжної смуги, чи спроєктувати дослідження?

## Вступ

Поле метаданих `level` називає смугу освіти, про яку є джерело, — смуги, а не віки: **preschool**, **primary education**, **middle school**, **secondary**, **K-12**, **higher ed**, **undergraduate**, **graduate**, **adult learning**, **special education**, **teacher education**. Деякі називають етап шкільної освіти, дві називають дуже різні половини університетської освіти, дві називають [[learners|популяцію здобувачів]], а не етап, і одна називає людей, які викладають. Джерело може нести кілька смуг одночасно.

Ця сторінка є омонімом для цього поля; сторінки смуг роблять глибоку роботу й мають читатися разом із нею: [[k-12]], [[early-childhood-elementary-ai-education]], [[higher-ed]], [[adult-learning]], [[special-education]], [[teacher-education]] і [[vocational-education]].

## Що відрізняє одну смугу від іншої

Смуги відрізняються відразу за кількома осями, і дослідження ШІ зазвичай змінює лише одну з них.

- **Здатність до саморегуляції.** Дві версії того самого репетитора математики для другого класу — ідентичний зміст, інтерфейс, зворотний зв’язок і усні підказки, що відрізнялися лише тим, чи вибір завдання слідував оцінці mastered за [[knowledge-tracing|Bayesian Knowledge Tracing]] — не дали жодної різниці в поштestовому тесті серед 132 семирічних дітей (F(1, 124) = 0.32, p = .574). Перше пояснення авторів є розвитковим: [[adaptive-learning|адаптивні системи]] припускають здобувачів, які можуть залучати зворотний зв’язок, регулювати зусилля та зберігати фокус, а в малих дітей [[self-regulated-learning|саморегуляція]] обмежена ([[adaptive-intelligent-tutoring-primary-mathematics-2026]]).
- **Хто посередничає у взаємодії.** У шкільних смугах між здобувачем і інструментом стоїть дорослий. Опитування 270 викладачів дошкільних груп виявило, що намір упровадження керувався [[technology-acceptance-model|сприйнятою корисністю]], легкістю використання, ШІ-[[self-efficacy]] — а не самоефективність та [[anxiety-and-stress|ШІ-тривогою]] — і дослідження навмисно виключило ШІ, спрямований на дітей ([[preschool-teachers-ai-behavioral-intention-2026]]).
- **Для чого є оцінювання.** Оцінювання в середній школі живить зовнішні ставки; університетське оцінювання — це курсова робота й атестати; аспірантське оцінювання — це становлення дослідника.
- **[[prior-knowledge|Попередні знання]].** Попередні знання домінували в поштestовій успішності того випробування (F(1, 124) = 206.99, p < .001, η²p = .63), тому мітка смуги корелює з рівнем знань, але не дорівнює йому.

## Шкільні роки та університетські роки

Найвагоміший розрив — це розрив між школою та університетом, і дві найпоширеніші мітки кожна або приховує його, або перетинає.

Усередині шкільних років виміряний результат різко змінюється за смугами. У початковій школі це навчання предмету: 97 китайських третьокласників, що використовували [[conversational-ai|чат-боти GenAI]] в [[science-education|науковому дослідженні]], ставили кращі питання, ніж контрольна група з пошуковою системою (t = 2.47, p = 0.015) ([[dai-chatbots-problem-posing-primary-2026]]). У середній школі це часто стає ставленням, а не досягненням: опитування 508 тайванських учнів молодшої середньої школи виявило, що досвідницька привабливість діє через задоволення, формуючи намір використовувати [[generative-ai|ChatGPT]] для навчання лірики (XM → PEOU β = 0.630; PE → ATU β = 0.369), причому 81,5% — на безкоштовному рівні, — тобто факт [[equity-in-ai-education|справедливості]] доступу, замаскований під висновок про сприйняття технологій ([[chatgpt-music-education-junior-high-2026]]). Середня школа також містить найбільше навчальне попередження в корпусі: серед 26 811 китайських студентів 7–12 класів бали за домашні завдання виросли на 18%, а час виконання впав на 30%, тоді як бали за [[summative-assessment|іспит із закритими підручниками]] впали приблизно на 20% протягом шести місяців, зосереджено серед ~81%, чия поведінка вказувала на делегування домашніх завдань ([[stromberg-generative-ai-learning-penalty-secondary-2026]]).

Університетські роки знову діляться. Бакалаврат — це курсова робота під зовнішнім судом: серед авторів-бакалаврів університету R1, що обслуговує меншини, [[ai-literacy]] передбачала *який тип* опори на [[llm]] обрав студент, а не наскільки інтенсивно він ним користувався ([[llm-reliance-types-undergrad]]). Аспірантура — це навчання дослідницькій роботі, де результат зміщується від успішності до становлення. Серед 420 дослідників-астрономів на рівні докторантури та постдокторантури опора на ШІ була негативно пов’язана з [[agency|автономією]] дослідження (r = −.355) та [[self-efficacy]] (r = −.321), а опосередкований шлях до інноваційної поведінки проходив переважно через автономію (−.115), а не через самоефективність (−.069); підтримка наукового керівника послаблювала негативний зв’язок із автономією (B = .077, p = .020) ([[ai-mediated-research-agency-formation-2026]]). Докторанта судять за тією здатністю до судження, яку, здається, підриває опора на ШІ; бакалавра — ні. Злиття обох під міткою «вища освіта» це приховує.

## Де докази зосереджені і де вони рідкісні

Корпус заповнений нерівномірно, і поле level робить цю нерівність видимою.

**Щільно.** Вища освіта — найбільш висвітлена смуга: сторінки, використані тут, включають восьмитижневе випробування платформи з 60 студентами-інженерами ([[ai-assisted-seminar-learning-information-literacy-2026]]), опитування 395 менеджерів освіти ([[ai-adoption-readiness-ukraine-education-managers-2026]]), метасинтез 18 африканських досліджень вищої освіти ([[data-privacy-ai-african-higher-education-2026]]) і дослідження 420 дослідників про докторантську підготовку ([[ai-mediated-research-agency-formation-2026]]). Початкова та середня школа також мають докази щодо результатів.

**Рідкісно, а місцями відсутнє.** Використані тут сторінки не повідомляють жодного дослідження дитячих результатів у дошкільній смузі взагалі; найближчі докази — це опитування намірів викладачів, яке виключало інструменти, звернені до дітей ([[preschool-teachers-ai-behavioral-intention-2026]]). Середня школа з’являється переважно як *запропонований* дизайн і довготривале дослідження, а не як повідомлені результати ([[ai-lms-middle-school-longitudinal]]). Найсильніші докази професійно-технічної смуги — це 63 відповіді [[self-report-measures|самоогляду]] з одного курсу, які, за словами їхніх авторів, потребують відтворення ([[ai-ive-pbl-vocational-design-creativity-2026]]). Докази щодо аспірантури є поперечними, причому модель зворотного шляху пасує трохи краще за розвиткову, тому напрям від опори до зниженої автономії є виведеним, а не підтвердженим ([[ai-mediated-research-agency-formation-2026]]). Жодне з використаних джерел не повідомляє доказів результатів ШІ для **adult learning** чи **special education** як смуг; вони мають власне висвітлення на [[adult-learning]] і [[special-education]], і ця сторінка не узагальнює висновків шкільного віку, щоб заповнити прогалину.

Одна закономірність тримається на кожному дослідженому рівні: людський шар поглинає найважчі випадки. Людський експерт лишався в точці рішення про достовірність для студентів-інженерів навіть тоді, коли алгоритмічна рекомендація досягала F1 = 0,64 ([[ai-assisted-seminar-learning-information-literacy-2026]]); підтримка наукового керівника була єдиною умовою, що послаблювала негативні зв’язки опори на ШІ в докторантській підготовці ([[ai-mediated-research-agency-formation-2026]]); і саме викладачі дошкільних груп, а не діти, є тими, хто впроваджує ([[preschool-teachers-ai-behavioral-intention-2026]]).

## Що насправді змінює дизайн, доречний рівню

- **Автономія та підтримка.** З малими здобувачами адаптуйте *рівень підтримки* — більше [[scaffolding]], керівництва чи підказок, — а не складність завдання; адаптація складності не дала нічого в ранній початковій школі, тоді як гейтування за mastered могло стримувати адаптивних студентів ([[adaptive-intelligent-tutoring-primary-mathematics-2026]]).
- **Рівень читання.** Віково адаптований чат-бот використовував змінні підказок для віку 7–9, 9–11 та 12–14, і 63 діти від першого до восьмого класу сприймали його як достовірне джерело інформації ([[vahedian-children-attitudes-ai-chatbot-2026]]).
- **Посередництво.** [[parents-and-families|Батьки]] та викладачі посередничають у шкільні роки, [[librarians]] та наукові керівники — в університетські, — і університетським аналогом є експертиза, а не опіка: інженерна платформа залишала людину там, де алгоритм був найменш упевненим ([[ai-assisted-seminar-learning-information-literacy-2026]]).
- **Ставки оцінювання.** Дизайн LMS для середньої школи гейтує ШІ за активністю, зберігаючи обмежені підказки в режимі практики та вимикаючи ШІ на оцінюваних елементах ([[ai-lms-middle-school-longitudinal]]) — передбачливість, яку докази про навчальний штраф у середній школі роблять конкретною ([[stromberg-generative-ai-learning-penalty-secondary-2026]]).
- **Обов’язки щодо захисту даних неповнолітніх.** Обов’язки масштабуються з віком: для неповнолітніх пропозиції корпусу є структурними — мінімізація даних, обмеження відповідей, доречні віку, контроль доступу на основі ролей, журнали, придатні для аудиту ([[ai-lms-middle-school-longitudinal]]) — і обізнаність дітей щодо цифрової безпеки не може припускатися сама собою, оскільки деякі були готові довірити секрети чат-боту ([[vahedian-children-attitudes-ai-chatbot-2026]]). Для дорослих обов’язки зміщуються в бік згоди, контролю та транскордонного потоку даних ([[data-privacy-ai-african-higher-education-2026]]).
- **Управління, що відповідає смузі.** Готовність є специфічною для шару: 395 українських менеджерів оцінили особисту готовність на 0,68 пунктів вище за системну (d = 0,73), найчастіше згадували відсутність регулювання (58,5%) і поставили [[personalized-learning|персоналізацію]] — вигоду, яку постачальники обіцяють найбільше, — найнижче з усіх застосунків (29,4%) ([[ai-adoption-readiness-ukraine-education-managers-2026]]).

## Наслідки для ШІ в освіті

- **Читайте поле level перед полем теми.** Висновок з однієї смуги є гіпотезою для іншої, а не переносим результатом.
- **Для найменших смуг адаптуйте підтримку, а не складність завдання** ([[adaptive-intelligent-tutoring-primary-mathematics-2026]]).
- **Не переносьте інструмент через розрив між школою та університетом, не перевизначивши, хто тримає епістемічну владу.** Опора, що знижує автономію в докторантській підготовці, є ризиком для становлення дослідника ([[ai-mediated-research-agency-formation-2026]]).
- **Гейтуйте ШІ за активністю, а не за ентузіазмом**, і масштабуйте обов’язки щодо приватності з віком ([[ai-lms-middle-school-longitudinal]], [[data-privacy-ai-african-higher-education-2026]]).
- **Проєктуйте для посередницького дорослого цієї смуги** — батька, викладача, бібліотекаря чи наукового керівника — і вимірюйте їхню готовність окремо від інституційної ([[ai-adoption-readiness-ukraine-education-managers-2026]], [[ai-assisted-seminar-learning-information-literacy-2026]]).
- **Кажіть прямо, коли в якоїсь смуги немає доказів**, і **не плутайте намір із досягненням**: кілька досліджень, специфічних для рівня, повідомляють результати ставлення чи [[self-report-measures|самоогляду]], а не навчання.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[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

---

## [Оцінювання](https://edtechdev.github.io/aied/concepts/assessment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Оцінювання** — процес збирання й інтерпретації доказів про те, що знають і що вміють здобувачі, і методи, якими оцінюється навчання. [[ai-education]] фундаментально перебудував оцінювання: воно живить [[automated-assessment|automated grading and scoring]], генерує та адаптує завдання оцінювання й породжує глибокі питання про те, що оцінювання справді вимірює, коли студенти можуть користуватися ШІ. Оцінювання — поняття-парасолька, що організовує висвітлення в базі знань [[formative-assessment]], [[automated-assessment|automated grading]], [[assessment-validity|validity]] та [[educational-measurement]].

## Питання для роздумів

- Оцінювання тут визначено як збирання й інтерпретація доказів про те, що знають і що вміють здобувачі. Перш ніж читати, як би ви завершили речення «оцінювання є валідним, якщо…» — і що змінилося б у цій відповіді, якби кожен студент міг таємно користуватися ШІ, щоб створити свою роботу?
- Сторінка стверджує, що те, *як* студент використовує генеративний ШІ (оцінна інтеграція проти некритичного засвоєння скорочень), передбачало результати, тоді як те, *як часто* він його використовував, не передбачало нічого. Що це натякає про поширений інстинкт регулювати ШІ, обмежуючи його використання?
- Здобувач може видати роботу професійного рівня, яку він не здатен відтворити без інструмента, — розриваючи висновок між виконанням і базовою здатністю. Чи стикалися ви з тим, що «компетентність» привласнювалася за роботу, яку студент насправді не міг виконати самостійно? Що це виявило?
- Конструктивне питання, яке пропонує сторінка, — не «як заборонити студентам користуватися ШІ?», а «як уможливити обдумане використання в контекстах, що віддзеркалюють їхню майбутню роботу?» Яким було б оцінювання у вашій галузі, якби це було метою?
- Рамка DRIVE пропонує оцінювати якість [[student-engagement|engagement]] студента з генеративним ШІ — не лише артефакт, — дивлячись на те, чи стратегічно він скеровує підказки та інтегрує власні ідеї. На що ви дивилися б, щоб відрізнити глибку, рефлексивну [[student-ai-interaction|AI interaction]] від поверхневого споживання?
- Опосередковане ШІ оцінювання диверсифікується в [[oral-assessment|oral exams]], портфоліо та розмовні формати, які зменшують тривожність і відчуваються професійно релевантними. Який формат оцінювання з власного досвіду ви вважаєте найбільш «стійким до ШІ» — і чи є стійкість тим самим, що освітня цінність?

## Вступ

Оцінювання є центральним для ШІ в освіті з двох причин. По-перше, сам ШІ використовується для оцінювання студентів — есеїв, коду, коротких відповідей та іспитів у масштабі. По-друге, ШІ в аудиторії змінює те, що оцінювання може валідно вимірювати, оскільки студенти можуть використовувати [[generative-ai]] для створення роботи. Тому поле охоплює і *інструменти*, що автоматизують оцінювання, і питання *валідності та доброчесності*, які підносить ШІ.

## Як ШІ використовується в оцінюванні

- **Автоматизоване оцінювання:** [[automated-assessment|AI-based assessment]] охоплює кілька модальностей — множинний вибір, коротку відповідь, есе, код і оцінювання на основі виконання — через [[automated-assessment|automated grading]], [[automated-essay-scoring]] та [[automated-question-generation]].
- **Формативне оцінювання:** [[formative-assessment|AI systems]] генерують, валідують і адаптують завдання формативного оцінювання в масштабі, інформуючи поточне викладання, а не лише [[summative-assessment|summative]] оцінювання.
- **Аналітика навчання та вимірювання:** [[learning-analytics]] і [[educational-measurement]] пов’язують дані оцінювання з процесами навчання, використовуючи [[item-response-theory]], [[knowledge-tracing]] і [[student-modeling]], щоб інтерпретувати результати. [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] демонструють оцінювання складності завдань на основі LLM як вхід вимірювання: на 5 170 завданнях з математики й читання для K-5, каліброваних за моделлю IRT Раша, оцінки GPT-4o в режимі zero-shot корелювали помірно-сильно зі справжньою складністю (r = 0,83 математика, r = 0,81 читання), але варіювали за класами, тоді як підхід на основі ознак (ознаки, вилучені LLM, у моделях на деревах) досягав кореляцій до r = 0,87. Дослідження пропонує практичний семикроковий робочий процес для професіоналів з тестування, застерігаючи водночас, що генералізовність за межі математики й читання для K-5 неясна.
- **Цикли зворотного зв’язку:** оцінювання за допомогою ШІ дедалі частіше живить [[feedback|feedback loops]], що замикають цикл від оцінювання до навчання.
- **Оцінювання через е-портфоліо:** [[eportfolio|e-portfolios]] збирають роботи студентів і рефлексії з часом як засновану на процесі, стійку до ШІ форму оцінювання. Генеративний ШІ може допомагати портфолійному *процесу* — генеруючи зворотний зв’язок, [[scaffolding]] рефлексію та (при доречному проєктуванні рубрики) підтримуючи оцінювання, — тоді як наголос портфоліо на слідах міркування та чернетках опирається фабрикації ШІ. [[ni-lam-multiliteracies-ai-portfolio-2026|AI-assisted portfolio assessment]] та [[sutama-chatgpt-eportfolio-speaking-2026|ChatGPT + e-portfolio for EFL speaking]] показують, що ШІ може посилювати й портфолійний досвід, і [[feedback-literacy]] здобувача.
- **Надійність оцінювання відкритих завдань залежить від моделі:** [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] зіставляли одинадцять моделей генеративного ШІ та вбудовування речень з двома експертними оцінювачами на 1 885 відповідях із відкритих завдань з програмної інженерії: лише GPTo1 досяг майже досконалої погодженості (каппа Флейса 0,82), тоді як орієнтовані на еталон моделі знижували бали за правильні, але інакше сформульовані відповіді. Оскільки GPTo1 була єдиною моделлю, визнаною придатною до розгортання без нагляду, але несе власні витрати на API, автори рекомендують гібридні стратегії, що поєднують передові моделі з доступними варіантами або [[human-in-the-loop-ai|human oversight]] в умовах обмежених ресурсів. Керований PRISMA [[meta-analysis-systematic-review|systematic review]] 42 емпіричних досліджень (2023–2025) підтверджує цю картину умовної надійності в усьому полі оцінювання: LLM зрівнюються з людськими оцінювачами на завданнях із закритими й короткими відповідями, але не можуть повністю замінити людське судження на складній, відкритій чи суб’єктивній роботі, і жодного рівномірного упередження в оцінюванні не виявилося — моделі були іноді поблажливіші, іноді суворіші й часто уникали крайніх балів ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]). Ітеративне уточнення рубрики може підштовхнути оцінювання відкритих завдань за допомогою LLM до майже людської надійності в умовах високих ставок [[medical-education|medical]] освіти: [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] виявили, що коли викладачі неодноразово переглядали аналітичні та цілісні рубрики на аналізі зразків помилок, GPT-4 досягла суттєво-майже-досконалої погодженості з викладацькими оцінювачами за трьома з чотирьох передклірських завдань (зважена каппа до 0,94), тоді як залишкове завдання з цілісної рубрики залишалося лише на помірній погодженості (κw = 0,54), — показуючи водночас віддачу інженерії рубрик із людиною в циклі та її межі на синтетичних, цілісних завданнях.
- **Усне й виконавське оцінювання з підтримкою ШІ.** Дослідження проєктування в [[vocational-education|TVET]] відводить оцінювання від форматів, навантажених текстом, до інтерактивного [[oral-assessment]] з підтримкою LLM: за чотирьох когорт 21 із 33 здобувачів оцінили голосове завдання реалістичним, і жоден не заперечив, що говоріння в реальному часі віддзеркалює компетентність краще за письмове портфоліо, тоді як кількість слів на ідентичні завдання варіювалася вп’ятеро-ввосьмеро між когортами, а дев’ятьох здобувачів відповіли двома–тринадцятьма словами, і всі відповіді були правильними. Система працювала офлайн на одному ноутбуці, обслуговуючи до 12 одночасних здобувачів за допомогою Mistral 7B і faster-whisper, видаляла записи через 90 днів і залишала судження про бали в оцінювачів — приклад [[human-in-the-loop-ai]]-проєктування оцінювання для кваліфікацій, орієнтованих на робоче місце. ([[ai-supported-oral-assessment-tvet-2026]])

## Валідність і виклики вимірювання

ШІ породжує фундаментальні питання [[assessment-validity|validity]]: чи вимірює оцінювання, оцінене ШІ, навчання студентів чи [[prompt-engineering|AI-prompting skill]]? Чи зневаліднює використання ШІ студентами традиційні оцінювання? Ключові виклики:
- **Валідність конструкту:** [[competency-based-education-genai-production-2026|Research on competency-based education]] показує, що генеративний ШІ розірвав висновок між виконанням і базовою здатністю — здобувач може видати роботу професійного рівня, яку він не здатен відтворити без інструмента. Це мотивує переконцептуалізацію того, які компетентності оцінюються.
- **Співавторство та доброчесність:** [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|Coauthorship integrity]] пропонує нове джерело доказів валідності, яке порушується, коли студенти подають згенерований ШІ контент, якого вони не розуміють, і досліджує розмовні «ШІ-віви» як відповідь.
- **Психометрична якість:** [[psychometrically-aware-ai]] і [[automated-assessment|confidence-aware assessment]] працюють над тим, щоб оцінювання ШІ залишалося надійним, невпередженим та інтерпретованим.
- **Оцінювання оцінювачів ШІ:** [[ai-ed-evaluation]] дає методи та [[benchmark|benchmarks]] для визначення, чи автоматизовані оцінювачі справді працюють — за надійністю, [[pedagogy]] та [[equity-in-ai-education]] — а не лише за помітною точністю.
- **Залежна від якості надійність оцінювання ШІ та однолітками (2026):** Порівнюючи оцінювання ChatGPT, однолітків і [[teacher-role|instructor]] тих самих [[higher-ed|undergraduate]] [[group-work|group projects]], [[usher-faraon-who-grades-best-2026|Usher & Faraon (2026)]] показали, що узгодженість оцінювання з викладачем *залежить від якості роботи студента*: ChatGPT найбільше завищувало оцінки слабких робіт і краще узгоджувалося з викладачем на сильних роботах, тоді як однолітки узгоджувалися найкраще на слабших роботах і знижували бали сильним проєктам. Висновок кидає виклик бінарному фреймуванню «надійний проти ненадійного», вказуючи на моделі умовної надійності, у яких альтернативні оцінювачі узгоджуються із завданням і рівнем виконання.
- **Людське оцінювання саме несе в собі цінності (2026):** [[luo-dawson-value-judgments-grading-2026|Luo & Dawson (2026)]] показують, що навіть людське оцінювання підтриманої ШІ роботи не є нейтральним, заснованим на критеріях актом. Інтерв’ю на основі сценаріїв із 33 викладачів університетів виявили, що рішення про бали рухалися цінностями, орієнтованими на особу (чесність, старанність), на здатність (незалежність, навичка користування генеративним ШІ, дисциплінарна майстерність), на стосунок (довіра) і на справедливість (чесність, благодійність) — виходячи за межі завдання до здогадів викладачів про студента. Дослідження перерамковує питання оцінювання з «чи є використання генеративного ШІ списуванням?» на «як ціннісні судження викладачів формують бали, і чи є ці цінності релевантними тим результатам, що оцінюються?», — висуваючи на передній план [[assessment-validity|validity]] і «двосторонню [[explainable-ai|transparency]]» щодо того, як використання генеративного ШІ впливатиме на бали.

## Доброчесність і дебати довкола виявлення

ШІ в оцінюванні посилив розмову про [[academic-integrity|integrity]]. Одна нитка фокусується на [[ai-detection|detecting AI-generated text]], тоді як зростаюче тіло [[research-methods-aied|research]] стверджує, що виявлення — обмежений, ситуативний інструмент, а не стратегія першого вжитку. [[beyond-detection-authentic-assessment-ai-2025|Beyond Detection]] та [[responsible-assessment-ai-era-stanford-2026|Responsible Assessment]] стверджують, що автентичність не можна ввести примусом; її треба перепроєктувати, позиціонуючи ШІ як задекларованого співучасника й надаючи пріоритет [[authentic-assessment|authentic]], [[process-oriented-assessment|process-based]] оцінюванню над спостереженням. **[[walton-bearman-assessment-judgment-2025|Walton et al. (2025)]]** заземлюють це на доказах того, **як студенти справді судять** свій шлях через оцінювання з генеративним ШІ: інтерв’ю з прокручуванням із 26 студентів виявили спектр із шести подій судження — від критичного оцінювання знань ШІ й навчання через обмеження ШІ до некритичного засвоєння ідей і хибного приписування внесків ШІ власним. **[[stamatoulis-genai-use-patterns-2026|Stamatoulis et al. (2026)]]** додають [[quantitative-research|quantitative]] аналог: на 157 студентах те, *як* використовувався генеративний ШІ (оцінна інтеграція для підтримки розуміння проти засвоєння скорочень із низькою перевіркою), передбачало результати, тоді як проста **частота використання не передбачала** ні результатів, ні академічної [[self-efficacy]]. Разом ці дослідження перерамковують питання оцінювання з *того, чи* студенти користуються ШІ, на *те, як вони судять і структурують це використання*.
 [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] йдуть далі, стверджуючи, що виявлення не слід використовувати взагалі: його ймовірнісний результат не може бути незалежно перевірений, бо справжнє походження тексту невідоме, а бали детекторів — самі по собі чи з мовними маркерами, порівняннями стилю, твердженням LLM або мовчанням студента — не відповідають стандарту балансу ймовірностей, якого вимагають розслідування щодо доброчесності.

Огляд PRISMA 25 досліджень додає фактор ризику, який дебати про виявлення залишають поза увагою: носії іншої мови, ніж англійська, виявляли високу схильність порушувати доброчесність, коли мали труднощі писати англійською, тому очікування щодо доброчесності слід поєднувати з конкретною підтримкою академічного письма, а не лише з примусом ([[ssaho-ai-academic-integrity-review-2025|Balalle and Pannilage (2025)]]).

## Перепроєктування оцінювання в епоху ШІ

Конструктивне питання в літературі бази знань про оцінювання — не «як запобігти використанню ШІ студентами?», а «як уможливити їм обдумано користуватися ним у контекстах, що віддзеркалюють їхню майбутню роботу?» Це перерамковує оцінювання довкола:

- **Автентичні та засновані на процесі завдання**, що роблять використання ШІ видимим і оціненим. [[authentic-assessment]] — дослідження виконання студентами гідних, реалістичних завдань — є провідною відповіддю на виклик ШІ: будь-яке завдання, яке [[llm]] може переконливо змоделювати, втрачає свою валідність, тому автентичність треба перепроєктувати довкола реальночасної [[collaborative-learning|collaboration]], цифрового та соціального внеску та індивідуального смислотворення. Це пов’язується з [[zhan-boud-du-authentic-assessment-scoping-review-2025|design frameworks for authentic assessment]], [[authentic-products-authenticated-processes-2026|authentic products and authenticated processes]] та [[tool-invariant-framework-agentic-ai|tool-invariant assessment of process]].
- **Проєктування відповідального оцінювання**, заземлене в доказах валідності ([[responsible-assessment-ai-era-stanford-2026]])
- **Дозволи на використання ШІ на рівні завдання, виведені з цілей оцінювання:** [[mccorkle-aligned-genai-course-policy-2025|McCorkle (2025)]] показує роботу з проєктування оцінювання, що передує [[educational-policy-ai|AI policy]] — інвентаризацію кожного завдання в проєкті, зазначення того, що оцінюється і за якою метою, і дозвіл або заборону ШІ на кожне завдання на цій основі (мозковий штурм і курування зображень дозволено; формулювання цілей навчання й дизайн слайдів — ні). Те саме вправу на узгодженість подвоюється як перевірка висновку, який підтримує оцінювання, бо змушує викладача назвати виконання, яке має гарантувати бал ([[assessment-validity]]).
- **Оцінювання, що виходить за межі мовного режиму:** Jiang et al. (2026) визначають мультимодальну грамотність оцінювання для викладачів другої мови як знання, цінність і компетентність для завдань, які викликають відповіді в мовних, візуальних, слухових, жестових і просторових режимах. Річна програма з 30 викладачами англійської в Гонконзі підвищила знання стратегій оцінювання з 3,13 до 4,15 із 5 (часткове η² = 0,571) і компетентність у підтримці студентів з 3,05 до 3,98 (0,482), тоді як усі три ціннісні субдомени залишалися плоскими. Власний досвід викладачів додав рамці два виміри: підтримання практики всупереч конкуруючим навчальним пріоритетам і критичну мобілізацію генеративного ШІ ([[multimodal-assessment-literacy-l2-teachers-genai-2026|Jiang et al. (2026)]]).
- **Співавторство і декларація** як частина договору про оцінювання
- **Продукування як компетентність** — оцінювання здатності здобувачів керувати інструментами й створювати роботу професійного рівня ([[competency-based-education-genai-production-2026]])
- **Оцінювання процесу взаємодії, а не лише артефакту** — [[assessing-student-drive-framework-2025|DRIVE framework]] (Directive Reasoning Interaction + Visible Expertise — спрямовуюча міркуванням взаємодія + видима експертиза) трактує якість *взаємодії студента з генеративним ШІ* як оцінюваний конструкт. Вона відрізняє поверхневе споживання від глибокої, рефлексивної взаємодії, дивлячись на те, чи стратегічно студенти скеровують підказки (DRI) та чи інтегрують і розвивають власні дисциплінарні ідеї через обмін (VE), заземлюючи зосереджені на процесі критерії в теоріях [[self-directed-learning]] і когнітивної залученості в дусі ієрархії [[icap-framework|ICAP]]. Це робить DRIVE прикладом *автентичного оцінювання, опосередкованого ШІ*, — рубрики для оцінювання того, як здобувачі партнерять із генеративним ШІ, а не інструментом виявлення.

Пропозиція в цій літературі просувається далі за перепроєктування в межах чинної рамки. [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma (2026)]] стверджують, що реформа, організована довкола попередження порушень або виявлення використання ШІ, звужує освітню уяву до контролю та дотримання, і пропонують замість цього **радісне оцінювання**: оцінювання, яке є безпечним, емоційно чуйним, розширювальним повноваження та підтримувальним для [[agency|student agency]], із безпекою як несущою умовою, бо без неї емоційна налаштованість стає перформансом, розширення повноважень — тиском, а агентність — ризиком. Їхнє рамкування інвертує порядок денний виявлення — доброчесність стає наслідком проєктування оцінювання, у яке студенти хочуть залучатися, а не його вихідною точкою, — і вони позиціонують створені викладачами [[agentic-ai|AI agents]] (кастомні GPT, Gems, агенти Copilot Studio) як простір репетицій із низькими ставками, де студенти практикуються перед судженням, із твердженням, що ШІ організовує докази, тоді як викладач їх інтерпретує.

## Наслідки для ШІ в освіті

- **Оцінювання й навчання нероздільні:** добре оцінювання за допомогою ШІ має підтримувати навчання ([[feedback|formative feedback]]) так само, як його оцінює.
- **Валідність має бути переконцептуалізована:** коли ШІ може створювати роботу студента, оцінювання мусить вимірювати процеси, судження та автентичне продукування, а не лише результати.
- **Автоматизація має оцінюватися суворо:** автоматизованим оцінювачам потрібна психометрична оцінка та оцінка [[bias-mitigation|fairness]], а не лише твердження про точність.
- **Доброчесність зміщується від виявлення до дизайну:** найстійкіша відповідь на ШІ в оцінюванні — проєктувати завдання, де використання ШІ очікуване, задеклароване й ретельно розглянуте.
- **Інноваційні практики можуть вирішувати кілька проблем водночас.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] стверджують, що набір із п’яти взаємно посилювальних практик — [[authentic-assessment]], само- й [[peer-assessment]], переоцінювання, [[mastery-learning|standards-based grading]] і дебалізація (ungrading), — узгоджений із парадигмою «оцінювання для навчання», може протистояти шкодам традиційного, переважно підсумкового, нормно-орієнтованого виставлення балів (поверхневе навчання, роз’їдена [[motivation|intrinsic motivation]], стрес і тривожність, нерівність і поступлена [[academic-integrity|integrity]]) в епоху генеративного ШІ. Вони виявляють, що впровадження є нерівномірним за галузями — само- й оцінювання однолітками домінують, тоді як зосереджені на балах інновації залишаються маргінальними, — і закликають викладачів залучатися активніше й узаємно з інноваціями в оцінюванні та виставленні балів, спираючись на поступові експерименти та [[governance|institutional]] підтримку.

- **Опосередковане ШІ оцінювання диверсифікується.** [[aivaluate-anxiety-assessment-2026|AIvaluate]] показує, що [[conversational-ai|conversational agent]], розширений LLM, зменшив тривожність студентів під час оцінювання на основі виконання; [[asynchronous-oral-assessment-2026|Pentland (2026)]] виявляє, що асинхронні усні оцінювання давали вищу залученість і сприймалися як професійно релевантні; [[graph-its-adaptive-algorithms-2026|graph-based ITS]] використовує адаптивне відстеження стану знань для інформування оцінювання.

## Пов’язані поняття
- [[learners]] — Здобувачі: парасолька для понять на боці здобувача
- [[pedagogical-partnerships]] — Педагогічні партнерства
- [[formative-assessment]] — Формативне оцінювання: згенеровані, валідовані, адаптивні завдання в масштабі
- [[automated-assessment]] — Автоматизоване оцінювання та виставлення балів у різних модальностях оцінювання
- [[authentic-assessment]] — Засновані на процесі, стійкі до ШІ автентичні завдання
- [[assessment-validity]] — Валідність оцінювань в умовах генеративного ШІ
- [[educational-measurement]] — Теорія вимірювання, на якій спирається оцінювання ШІ
- [[automated-essay-scoring]] — Автоматизоване оцінювання есеїв
- [[automated-question-generation]] — Автоматизована генерація завдань
- [[oral-assessment]] — Усне оцінювання: формати в реальному часі та з записом, які опираються заміщенню ШІ
- [[summative-assessment]] — Підсумкове оцінювання: стійкі до ШІ формати (усні, із прокторингом, іспити без книг)
- [[item-response-theory]] — IRT для інтерпретації відповідей в епоху ШІ
- [[psychometrically-aware-ai]] — Психометрично обізнане оцінювання ШІ
- [[learning-analytics]] — Аналітика, що пов’язує дані оцінювання з навчанням
- [[feedback]] — Цикли зворотного зв’язку, що замикають цикл від оцінювання до навчання
- [[feedback-literacy]] — Грамотність здобувача щодо зворотного зв’язку
- [[academic-integrity]] — Доброчесність і дебати довкола виявлення ШІ
- [[ai-detection]] — Виявлення згенерованого ШІ тексту
- [[ai-ed-evaluation]] — Методи та бенчмарки для оцінювання автоматизованих оцінювачів
- [[eportfolio]] — Оцінювання через е-портфоліо, засноване на процесі
- [[speech-and-voice-technologies]]
- [[peer-assessment]]

## Пов’язані статті
- [[multimodal-assessment-literacy-l2-teachers-genai-2026]] — Річна програма, що визначає мультимодальну грамотність оцінювання й вимірює, що змістилося, а що ні
- [[ai-agents-joyful-assessment-third-space-2026]] — Агенти ШІ, радісне оцінювання та третій простір
- [[mccorkle-aligned-genai-course-policy-2025]] — Дозволи на використання ШІ на рівні завдання, виведені з того, що оцінюється (McCorkle 2025)
- [[usher-faraon-who-grades-best-2026]] — Порівняння оцінювання ChatGPT, однолітків і викладача за рівнів якості проєкту (Usher & Faraon 2026)
- [[responsible-assessment-ai-era-stanford-2026]] — Відповідальне оцінювання в епоху ШІ
- [[beyond-detection-authentic-assessment-ai-2025]] — Поза виявленням: автентичне оцінювання
- [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene]] — Доброчесність співавторства та валідність оцінювання
- [[competency-based-education-genai-production-2026]] — Освіта на основі компетентностей після генеративного ШІ
- [[genai-assessment-governance]] — Зосереджене на доказах управління генеративним ШІ в оцінюванні
- [[ssaho-ai-academic-integrity-review-2025]] — Огляд доброчесності в умовах ШІ: виявлення мусить поєднуватися з перепроєктуванням оцінювання
- [[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: оцінювання навчання через взаємодію з генеративним ШІ (DRI + видима експертиза)
- [[walton-bearman-assessment-judgment-2025]] — Судження в роботах студентів із генеративним ШІ на завданнях оцінювання (26 студентів, прокручування)
- [[stamatoulis-genai-use-patterns-2026]] — Моделі використання генеративного ШІ (оцінна інтеграція проти засвоєння з низькою перевіркою) та результати
- [[luo-dawson-value-judgments-grading-2026]] — Ціннісні судження в оцінюванні підтриманої ШІ роботи: чесність, довіра, валідність і двостороння прозорість (Luo & Dawson 2026)
- [[razavi-powers-item-difficulty-llm-2026]] — Оцінювання складності завдань за допомогою LLM і машинного навчання на деревах
- [[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]] — ШІ може зробити вашу домашню роботу. Що тепер? Звіт із онлайн-семінару з оцінювання в обчислювальних дисциплінах в епоху генеративного ШІ

---

## [Оцінювальний розсуд](https://edtechdev.github.io/aied/concepts/evaluative-judgment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Оцінювальний розсуд** — здатність робити обґрунтовані судження про якість власної роботи та роботи інших, проти критеріїв, якими можна міркувати, а не лише їх декламувати. В епоху [[generative-ai|generative AI]] він перейшов від бажаної атрибутики випускника до несучої можливості: коли інструмент може створити правдоподібну завершену роботу, можливість, що відрізняє компетентного здобувача, — це здатність оцінити цей результат: висудити, що є добрим, що є хибним, що прийняти, що відкинути і чому. Це робить оцінювальний розсуд легітимним об’єктом [[assessment]] самим по собі і практичним шарніром для переходу закладів від [[ai-detection|detection]] до [[assessment-validity|validity-centered]] і [[authentic-assessment|authentic]] проєктування оцінювання.

## Питання для роздумів

- Згадайте щось, що ви вмієте добре оцінювати. Як ви навчилися цього розсуду — явно навчені чи засвоїли через створення й порівняння — і що це означає для того, як його слід оцінювати?
- Рубрику можна застосувати механічно або зрозуміти. Якщо студент правильно дотримується критеріїв, але не може сказати, чому одна робота перевершує іншу, яку здатність оцінювання справді виміряло?
- Коли [[llm|language model]] складає правдоподібний розв’язок, робота, що залишається здобувачеві, — здебільшого розсуд: що залишити, що виправити, що відкинути. Чи є це зменшеним завданням чи більш вимогливим, ніж створення чернетки?
- Студент може прийняти пропозицію ШІ, бо вона добре читається, або бо вона витримує його власну перевірку. Ззовні подання може виглядати ідентично — що дозволило б оцінювачу побачити різницю?
- Багатосайтовий експеримент виявив, що прямий [[ai-feedback-quality|AI feedback]] давав найбільші здобутки в переробці, але ризикував пасивним віддаванням розсуду на аутсорсинг. На що вказує цей компроміс щодо того, як ви проєктували б зворотний зв’язок, аби будувати, а не оминати розсуд?
- Огляд рівесників і огляд ШІ можуть тренувати калібрування, але обидва можуть стати перформативними. Як би ви проєктували оцінювання, щоб здійснення розсуду було необхідним, а не лише зіграним?

## Вступ

Оцінювання, яке просить студентів створити роботу, припускає, що вони можуть відрізнити добру роботу від поганої — спершу в інших, а зрештою у власній. Це припущення більше не є надійним: коли [[generative-ai|generative AI]] може генерувати компетентну прозу, код і аналіз на вимогу, здатність *продукувати* продукт є слабким сигналом навчання, тоді як здатність *судити* продукт — сильним. Оцінювальний розсуд найменує цю здатність, і дослідницька література бази знань з оцінювання постійно до нього приходить, питаючи, що залишається тим, що можна і варто оцінювати. Він лежить там, де сходяться [[feedback]], [[formative-assessment]] і [[self-regulated-learning]], бо розсуд розвивається через порівняння роботи зі стандартами і дію на відміну, і він є тим, що робить справді [[critical-thinking|critical]] [[student-engagement|engagement]] з результатами ШІ можливим, а не лише бажаним.

## Що таке цей конструкт

Оцінювальний розсуд — це здатність оцінювати якість — власної роботи, роботи рівесників і дедалі частіше роботи системи ШІ — за допомогою критеріїв, якими можна міркувати, а не лише декламувати. Три риси відрізняють його від суміжних понять.

- **Він про якість, а не про правильність.** Правильна відповідь потребує знання; судження про те, чи є відповідь доброю, потребує стандартів, яких генератор не може надати від імені здобувача.
- **Він розвивається, а не передається.** Розсуд зростає через повторні акти порівняння — проти зразків, явних критеріїв і різних підходів рівесників, — тому зразки, калібрувальні вправи та [[peer-assessment|peer assessment]] є його природною педагогікою.
- **Він домен-[[situated-learning|situated]].** Він здійснюється всередині стандартів доказу і аргументування дисципліни, тому його не можна оцінювати узагальнено більше, ніж можна припускати [[transfer-of-learning|transfer]].

Він тісно пов’язаний із, але вужчий за автентичність в оцінюванні: [[authentic-assessment|authentic assessment]] питає, чи нагадує завдання варту того реальну роботу; оцінювальний розсуд питає, чи може здобувач відрізнити добру роботу від поганої. [[self-assessment]] оцінює власну роботу, компетентність або поступ здобувача проти критеріїв, тоді як оцінювальний розсуд поширює це оцінювання на роботу рівесників і на результати системи ШІ також.

## Чому генеративний ШІ зробив його центральним

Чотири аргументи сходяться.

- **Продукт перестає бути доказом.** Завершення завдання більше не демонструє можливість, яку завдання було призначено сертифікувати, бо інструмент може завершити значну його частину. Те, що залишається, — міркування, яке продукує, перевіряє і пояснює продукт, — коротко кажучи, розсуд.
- **Це можливість, що керує використанням ШІ.** Вирішити, чи варто прийняти, адаптувати або відкинути пропозицію ШІ, *і є* оцінювальний розсуд, застосований до машинного результату. Курси, які не можуть зробити його видимим, не можуть відрізнити відповідальне використання від підміни, — тому [[academic-integrity|integrity]] дослідники дедалі частіше трактують критичне використання ШІ як оцінюваний результат, а не правило для поліціювання.
- **Це шарнір від примусу до проєктування.** Там, де заборонене використання не може бути виявлено, [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] найменує культивування оцінювального розсуду одним із трьох ниток проєктування, що переміщують заклади від [[ai-detection|detection-led enforcement]] до оцінювання, зосередженого на валідності, — бо там, де заклад не може виявити, можливість, що витримує інспекцію, — це чи може студент пояснити роботу і її якість.
- **Це перетворює розкриття зі сповіді на доказ.** Коли завдання просить студентів пояснити, для чого вони використовували ШІ, які пропозиції прийняли чи відкинули і як фінальне подання відображає їхній власний розсуд, [[ai-use-disclosure|declaration]] стає демонстрацією розсуду, а не визнанням, яке слід тлумачити карально, — і саме це знижує [[academic-integrity|cost of honesty]], яка інакше заганяє розкриття у підпілля.

Наступний шар стосується *джерела* розсуду, а не лише його змісту. [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] дає цьому шару точніший словник: його 13 саудівських студентів з обчислювальної галузі висували два незалежні судження в межах однієї події оцінювання — чи був зворотний зв’язок корисним і чи мали його джерело авторитет оцінювати. Усі сприйняли рубричний зворотний зв’язок ChatGPT як ясний і конкретний, водночас переважно зберігаючи оцінку для викладача («Я з ним згоден, але з однією умовою, щоб доктор перевірив зворотний зв’язок»), що натякає на те, що оцінювальний розсуд в опосередкованому ШІ оцінюванні має тепер включати міркування про саму оцінювальну авторитетність, а не лише про якість отриманого зворотного зв’язку.

[[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] дає цьому конструкту його найсильніше розміщення в літературі з доброчесності. Розширюючи рамку постплагіату Ітон (2023) з [[ethics|ethical]] орієнтації в проєктування оцінювання, він стверджує, що моделі [[academic-integrity|integrity]], засновані на виявленні та верифікації, не узгоджуються з роботами, у яких людський розсуд і машинна генерація переплетені, і переосмислює доброчесність як педагогічну практику, втілену через оцінювальний розсуд — здатність здобувача зважувати варіанти, обґрунтовувати академічні вибори й брати відповідальність за епістемічної невизначеності. Його чотири практики (антотовані сліди рішень, верифікація і підзвітність, усний захист і діалогічна підзвітність, відмінності чернеток з історією версій) роблять цей розсуд видимим як доказ, а не виводять його з артефакту, і він відокремлює розсуд від конструктів, з якими його часто зводять: рефлексивна практика розглядає власне мислення ретроспективно, [[metacognition]] — усвідомленість і регуляція когнітивних процесів, тоді як розсуд оцінює варіанти проти стандартів і приймає наслідки за невизначеності. Він також найменує режим відмову, який відстежує ця сторінка, — вимога документованого міркування ризикує «заміною одного режиму дотримання іншим», бо розсуд як доказ «залишається реляційним і ситуативним, а не механічно перевірюваним».

## Докази: як розсуд розвивається і що ШІ робить з ним

[[collaborative-learning|collaborative]] та дослідницька література бази знань з оцінювання дає сходяться свідчення, що оцінювальний розсуд є таким, що *можна навчитися*, таким, що *можна витіснити*, і таким, що *можна проєктувати*, — і що ШІ ріже в обидві сторони.

- **Навчання на порівнянні вимірно його будує.** У 14-тижневому дослідженні з 28 майбутніми [[teacher-role|teachers]] [[ai-internal-feedback-evaluative-judgments|AI-generated strong, average, and weak exemplars]] закріплювали ітеративне порівняння чернеток студентів з референтними точками; фокус оцінювання розширився від поверхневих мовних рис до змісту, організації та узгодженості, — але міркування залишалося тонким, причому зразково-засноване обґрунтування подвоїлося, тоді як найвитонченіше порівняльне міркування залишалося рідкісним. Розсуд можна ввести в існування через скаффолдинг; він не з’являється на вимогу, і якість референтних точок має значення.
- **Проєктування зворотного зв’язку вирішує, чи виживає аґентність.** Багатосайтовий, кластер-рандомізований польовий експеримент з 1 176 студентів першого року на 48 секціях [[genai-feedback-design-multisite-experiment|compared four feedback conditions]] для наукової аргументації: лише рівесники, прямий GenAI, рефлексивний GenAI (спершу самооцінювання, потім критика) і гібридний (самооцінювання + рівесники + GenAI). **Гібридна умова дала найбільший приріст якості аргументування**; прямий зворотний зв’язок GenAI ризикував пасивним засвоєнням — студенти віддавали оцінювальний розсуд на аутсорсинг системі, — тоді як рефлексивні та гібридні дизайни зберігали [[agency|epistemic agency]], змушуючи студента спершу оцінити власну роботу. Ключова знахідка авторів — освітня цінність GenAI залежить менше від доступу до ШІ, ніж від того, чи зберігає середовище зворотного зв’язку аґентність, розсуд і право власності під час переробки.


- **Джерело зворотного зв’язку формує, який вимір розсуду розвивається.** У кейс-стаді з докторської статистики ChatGPT-4o давав процедурні настанови, але не міг позначити хибний файл даних чи неправильно застосований тест, тоді як діалог рівесників фіксував хибні дані в режимі реального часу і змушував обґрунтовувати вибір методу ([[chatgpt-peer-feedback-evaluative-judgement-2025|Xie et al. (2025)]]).
- **Структурований огляд рівесників і ШІ масштабує калібрування.** Модель PAIRR [[pairr-ai-peer-review-2025|(Sperber et al., 2025)]] поєднує огляд рівесників з оглядом ШІ і структурованою рефлексією і була перевірена в найбільшому на сьогодні дослідженні використання студентами зворотного зв’язку ШІ (654 студенти, десять курсів письма). Вона трактує *порівняння* між власним розсудом, розсудом рівесників і розсудом ШІ як навчальний ґрунт, позиціонуючи оцінювальний розсуд як явний навчальний результат, а не неявний побічний продукт.
- **Зворотний зв’язок ШІ допомагає лише тоді, коли грамотність уже існує.** Концептуальна рамка від лідерів з грамотності у зворотному зв’язку [[zhan-boud-dawson-genai-feedback-engagement|(Boud, Dawson & Yan)]] аналізує зворотний зв’язок за фазами отримання, обробки та втілення, використовуючи два протилежні кейси IELTS з ChatGPT: студент з низькою [[feedback-literacy|feedback literacy]] використав невиразну підказку, отримав узагальнений результат і йому довірився або його надмірно скопіював, тоді як грамотний студент використовував ШІ критично і навчався. GenAI знижує когнітивні та емоційні бар’єри до пошуку зворотного зв’язку, але сам може бути галюцинованим, упередженим або узагальненим, — тому [[teacher-role|teachers]], як стверджується, мають моделювати оцінювальне планування й тренувати розсуд, а не лише [[prompt-engineering|prompting]].
- **Сталий розсуд, а не миттєвий зворотний зв’язок, — це прогалина.** [[meta-analysis-systematic-review|scoping review]] автентичного оцінювання [[zhan-boud-du-authentic-assessment-scoping-review-2025|(Zhan, Boud & Du)]] виявив, що формуючий зворотний зв’язок ШІ рясніє, але **sustainable feedback** — переносимий у майбутні контексти, — присутній лише в 4 із 23 формуючих досліджень. Зворотний зв’язок, який закриває поточне завдання, залишаючи здобувача нездатним судити майбутню роботу, — це відмова оцінювального розсуду в її найяснішій формі.

- **Критика згенерованих чернеток будувала розсуд освітян.** [[authentic-assessments-generative-ai-pilot-2026|Paula et al. (2026)]] виявили, що грамотність в оцінюванні вісьмох координаторів курсів зросла, коли вони критикували згенеровані інструментом GPT-4.1 рубрики та часові розкладки проти дисциплінарних стандартів, тоді як усі вісьмеро відмовилися від повністю автоматизованого процесу, — інструмент посилив академічний розсуд, а не замінив його.
- **Оцінювання можна проєктувати так, щоб винагороджувати розсуд замість результату.** Модель [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|response-region model]] формалізує чому: перепроєктування знижує виграш від прихованого аутсорсингу й підвищує цінність видимого міркування, пояснення та критики. Прохання до студентів пояснити, які пропозиції ШІ вони прийняли й відкинули, перетворює саме рішення на оцінюваний доказ.
- **Власний розсуд закладу бракує критеріїв, яких він вимагає від студентів.** [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] оцінили доведену цінність 1 855 елементів доказів у 1 162 звинуваченнях у неправильному використанні генеративного ШІ і виявили, що якість доказів не мала надійного зв’язку з результатами справ, бо жодна стадія процедури не встановлювала мінімального порогу доведеності і не вимагала від слідчих зважати на доведену цінність, перш ніж просувати звинувачення, — панелі зважували докази через неструктурований професійний розсуд. Результат детектора був найслабшою категорією в цьому корпусі (окремі результати детекторів цілком низькі за довірою), а [[hadra-ai-detector-accuracy-efl-2026|Hadra et al. (2026)]] показують, що інструмент не може встановити факт, який стверджує знахідка, — макроточність 0,69 і 0,61 на 192 текстах, майже повна відмова на гібридному письмі людини—ШІ і межове занепокоєння щодо упередженості для авторів EFL, — тому власна рекомендація авторів — людський розсуд, чіткіша [[educational-policy-ai|policy]] і краще специфіковані завдання, а не нагляд. Краща специфікація важлива двічі: [[wright-transcription-not-generation-2026|Wright (2026)]] стверджує, що правила, написані за ідентичністю платформи, а не за функцією, є надмірно об’ємними за ознакою дефініційної випадковості, караючи студента, який не вчинив того, що правило мало запобігти, тож розсуд оцінювача має застосовуватися до того, що зробив інструмент, а не до того, яку платформу використано. Розсуд, здійснюваний без спільних критеріїв, не може бути навчений, калібрований чи проаудиторений, — проблема узгодженості, яку ця сторінка повідомляє для студентів, що доходить до рівня закладу. Розсуд оцінювача несе також вимірюваний власний напрям: п’ять офіцерів із прийому, розділяючи 50 людських і 50 згенерованих ШІ есеїв до прийому, досягли AUC 0,70 (95 % CI [0,65, 0,75]), і їхні оцінки якості падали, коли сприймана ймовірність ШІ зростала, — асоціація, що витримала корекцію на оцінену машиною якість, справжнє походження та характеристики апліканта (−0,109, p < 0,05). Оскільки ніхто не перевіряв подання, цей непідсилений розсуд був усім механізмом примусу, і кожне позначене есе несло на 1,5 відсоткових пункти меншу ймовірність прийому, 2,6 — за утримання якості есея сталою ([[ai-written-admissions-essays-penalized-2026|Isley, Gaebler and Goel 2026]]).

- **Проксі на рівні аудиторії для розсуду запропоновано.** [[austin-ai-agents-assignment-redesign-2026|Austin (2026)]] додає два поведінкові сигнали до перепроєктованої послідовності завдань: UnBlooms™ *Discernment Rate* — частку результатів ШІ, які здобувач допитує, кидає їм виклик або переробляє, а не приймає, — і *First-Pass Acceptance Rate*. Жоден із них не валідований — обидва пропонуються як дешеві діагностики на завдання, — але вони роблять конструкт спостережуваним усередині звичайного оцінювання, де розпізнавальна ставка, близька до нуля, на кількох завданнях читається як сигнал проєктування завдання, а не індивідуальний дефіцит.

## Як неправильне використання витісняє розсуд

Найясніший ризик — витіснення, і воно підтверджене в літературі з зворотного зв’язку, а не лише теоретизоване. Коли інструмент постачає рубрику, зворотний зв’язок і моніторинг, [[metacognition|metacognitive]] та оцінювальна практика здобувача витісняється, а не підтримується, — оцінювання стає перформансом розсуду, який студент ніколи не здійснював, тим самим режимом відмову, що [[cognitive-offloading|cognitive offloading]], висловлений в регістрі оцінювання. Прямий зворотний зв’язок GenAI в багатосайтовому експерименті пхнув саме до цього пасивного аутсорсингу. Тиск оцінювання його посилює: там, де самооцінювання або рефлексія щодо використання ШІ сама оцінюється, студенти можуть створити ту рефлексію, якої хоче рубрика, а не міркування, тож справжній розсуд потребує зробити вправу наслідковою — рішення, яке проявляється в пізнішій роботі, усному поясненні або документованому обґрунтуванні, яке саме піддається перевірці.

## Наслідки для практики

- **Назвіть це результатом.** Якщо оцінювання якості роботи — включно з результатами ШІ, — є тим, що має значення, запишіть це в [[learning-gains|learning outcomes]] і оцінюйте його, а не залишайте як побічний продукт завдання.
- **Оцінюйте рішення, а не лише артефакт.** Просите студентів обґрунтовувати, що вони залишили, змінили чи відкинули; це перетворює мислення на доказ і робить підміну видимою без нагляду.
- **Найменуйте процедуру розсуду.** Перевірка аґентності О’Бирна — Credible, Relevant, Acceptable, Nuanced — питає, чи є результат точним, відповідним, придатним і несе позицію й голос; у семестровому дослідженні фінальні артефакти найбільш і найменш схильних судити студентів виглядали оманливо схоже ([[obyrne-co-constructing-ai-boundaries-agency-judgment-2026|O'Byrne, 2026]]).
- **Використовуйте зразки та калібрування свідомо.** Порівняльний розсуд проти сильних, середніх і слабких зразків — це механізм, який підтримують докази, і ШІ робить генерацію цих зразків дешевою — одне з його найясніших [[pedagogy|pedagogical]] використань.
- **Надавайте перевагу гібридному та рефлексивному зворотному зв’язку над прямим результатом.** Самооцінювання перед критикою ШІ або себе + рівесників + ШІ зберігає [[agency]], який прямий зворотний зв’язок ШІ роз’їдає; проєктуйте середовище зворотного зв’язку, а не лише додавайте інструмент.
- **Будуйте до сталого розсуду, а не до миттєвих латок.** Зворотний зв’язок, який не може перенестися на наступне завдання, не тренує нічого довговічного.
- **Поєднуйте його з процесом і усним.** Артефакти процесу й короткі усні пояснення показують розсуд у дії там, де фінальний продукт не може, і це ключова причина, чому перепроєктування оцінювання в епоху ШІ покладається на них.

- **Робіть утриманий розсуд видимим за допомогою проб боргу розуміння.** [[judgment-centred-software-engineering-education-2026|Mahmoud (2026)]] визначає чотири наскрізні обов’язки — пояснити, перевірити, змінити й відзвітувати — які роблять утриману компетентність видимою на кожному рівні інтеграції ШІ, і пропонує відкладені запити на зміни, розбори коду, незалежно проєктовані тести, локалізацію дефектів і живу діагностику як проби, що порівнюють те, що було створено, з тим, що можна згодом продемонструвати. За [[agentic-ai|agentic]] можливості ціль оцінювання переходить до нагляду — контрактів завдань, кордонів дозволів, пісочниць, обв’язок оцінювання, огляду відмінностей, відкату й людської підзвітності, — переміщуючи оцінювання від видимого авторства до видимого розсуду.

## Пов’язані поняття

- [[pedagogical-patterns]] — Крок оцінювання, який студенти здійснюють над результатами ШІ всередині цих послідовностей
- [[ai-education]] — ШІ в освіті (узагальнення)
- [[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]]

## Пов’язані статті
- [[chatgpt-peer-feedback-evaluative-judgement-2025]] — ChatGPT проти зворотного зв’язку рівесників як навчальних ґрунтів для різних вимірів оцінювального розсуду

- [[ai-internal-feedback-evaluative-judgments]] — Як внутрішній зворотний зв’язок з підтримкою ШІ розвиває оцінювальні розсуди і де міркування залишається тонким
- [[genai-feedback-design-multisite-experiment]] — Гібридний зворотний зв’язок себе/рівесників/ШІ зберігає аґентність і розсуд краще, ніж прямий зворотний зв’язок ШІ
- [[pairr-ai-peer-review-2025]] — Огляд рівесників і ШІ зі структурованою рефлексією як калібрування в масштабі
- [[zhan-boud-dawson-genai-feedback-engagement]] — Як грамотність у зворотному зв’язку вирішує, чи зворотний зв’язок ШІ навчає, чи підміняє
- [[zhan-boud-du-authentic-assessment-scoping-review-2025]] — Прогалина сталості в зворотному зв’язку ШІ
- [[teichmann-detecting-undetectable-misconduct-2026]] — Оцінювальний розсуд як одна з ниток проєктування, що замінює примус, керований виявленням
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Роблячи видимим міркування і розсуд тим, що винагороджує рубрика
- [[learner-centered-feedback-ai]] — Оцінювальний розсуд викладача з інструментами зворотного зв’язку ШІ
- [[beyond-detection-authentic-assessment-ai-2025]] — Поза виявленням: автентичність перепроєктована, а не поліційована
- [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene]] — Переосмислення валідності оцінювання для епохи генеративного ШІ
- [[du-yuan-epistemic-dependence-2026]] — Оспорюваність, відновлюваність і критерії, що відокремлюють сперяння від залежності
- [[rethinking-ai-writing-feedback-literacy]] — Грамотність у зворотному зв’язку для письма з допомогою ШІ
- [[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]] — Розсуд як оцінювальне ядро доброчесності: антотовані сліди рішень, усний захист, історія версій (Sharma 2026)
- [[munoz-misconduct-allegation-evidence-2026]] — Панелі, що зважують докази без кодифікованих стандартів: власна проблема розсуду закладу (Munoz et al. 2026)
- [[hadra-ai-detector-accuracy-efl-2026]] — Неточність детектора і відмова на гібридному письмі: людський розсуд як рекомендована заміна вердикту (Hadra et al. 2026)
- [[wright-transcription-not-generation-2026]] — Функція, а не платформа: судження про те, що зробив інструмент, а не що він є (Wright 2026)
- [[austin-ai-agents-assignment-redesign-2026]] — UnBlooms і ставка розпізнавання: оцінювання сліду міркування позаду роботи з допомогою ШІ (Austin 2026)
- [[ai-written-admissions-essays-penalized-2026]] — Написані ШІ есеї для прийому поширені, але карані
- [[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]] — перевірка аґентності (credible, relevant, acceptable, nuanced), що структурує кожну взаємодію зі ШІ

- [[judgment-centred-software-engineering-education-2026]] — Огляд і рамка після гайпу для освіти з програмної інженерії, посиленої ШІ

---

## [Зворотний зв’язок](https://edtechdev.github.io/aied/concepts/feedback/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Зворотний зв’язок** — інформація, надана здобувачеві про його результативність чи розуміння, яка має на меті закрити розрив між поточною та бажаною результативністю. У [[ai-education|AI in education]] зворотний зв’язок став центральною і швидко трансформованою темою: [[ai-technologies|AI systems]] тепер генерують зворотний зв’язок, його доставляють і навіть навчають студентів, як ним користуватися, переформовуючи кожну стадію процесу зворотного зв’язку.

## Питання для роздумів

- Зворотний зв’язок часто уявляють як інформацію, передану здобувачеві, але [[research-methods-aied|research]] стверджує, що він «береться на рахунок» лише тоді, коли здобувач його осмислює і діє на його основі. Якщо зворотний зв’язок — це відношення, а не повідомлення, що має змінитися в тому, як ми маємо його доставляти?
- Сприйняття студентами того, чи походить зворотний зв’язок від ШІ чи від людини, може змінювати, скільки вони з нього навчаються. Чому, на вашу думку, *джерело* має таке велике значення — і що це означає для згенерованого ШІ зворотного зв’язку у вашому контексті?
- Негайний зворотний зв’язок може бути пасткою: «пастка правильної відповіді» показує, що студенти, які просто копіюють виправлення, навчаються менше. Коли миттєвий зворотний зв’язок допомагає, а коли він коротко замикає саме навчання, яке має підтримувати?
- Дослідження навіть виявило, що добре спроєктована послідовність зворотного зв’язку — підбадьорення, потім підказки, потім відповідь, — створена, щоб будувати автономію, справді *зашкодила* навчанню, незважаючи на підвищення [[student-engagement|engagement]]. Якщо студенти почуваються добре від зворотного зв’язку, який змушує їх навчатися менше, що ми маємо оптимізувати?
- Зворотний зв’язок описується як система з частинами: петля зворотного зв’язку, якість надання, здатність здобувача засвоювати та контекст оцінювання. Якби ви намагалися покращити зворотний зв’язок у власному курсі, яку частину ви виправили б першою і чому?

## Вступ

Це узагальнене поняття для ідей бази знань, пов’язаних зі зворотним зв’язком. Зворотний зв’язок лежить на перетині оцінювання та навчання: без зворотного зв’язку оцінювання вимірює результативність, але не покращує її; з ефективним зворотним зв’язком оцінювання стає навчальною подією. База знань трактує зворотний зв’язок як **систему** з багатьма гранями — якість самого зворотного зв’язку ([[ai-feedback-quality]]), петлю, через яку він закриває розрив у навчанні, здатність здобувача ним користуватися ([[feedback-literacy]]) і контексти оцінювання, у яких він діє ([[formative-assessment]], [[peer-assessment]], [[automated-assessment]]).

- **[[yilmaz-genai-feedback-srl-online-higher-ed-2026|Yilmaz et al.]]** показують, що сприйняття студентами *джерела* зворотного зв’язку (ШІ проти людини) формує саморегульоване навчання від зворотного зв’язку [[generative-ai|GenAI]] — важливий кваліфікатор для тверджень про ефективність зворотного зв’язку.
- **[[nazaretsky-feedback-source-bias-2025|Nazaretsky et al. (2025)]]** виділяють джерело зі змісту: 472 студенти EPFL оцінили порівнянні за змістом людський зворотний зв’язок і зворотний зв’язок GPT-4.0 до власної роботи — спершу сліпо, а потім знову після розкриття джерела, — і більшість не могла надійно відрізнити одне від одного (287 із 472 вгадали правильно). Щойно мітку було розкрито, оцінки варіанта ШІ впали, а людського варіанта — зросли, значимо для Genuineness (p < 0,01), — і довіра до постачальника розділилася чітко (людина μ = 3,28 проти ШІ μ = 2,25, d Коена = 0,57). Упередженість прив’язується до постачальника, а не до тексту, оскільки два варіанти були порівнянні за правильністю та когнітивною якістю.

## Система зворотного зв’язку

Зворотний зв’язок найкраще розуміти не як поодиноку подію, а як пов’язану систему взаємодіючих частин, кожну з яких база знань документує як власне поняття:

- **Петля зворотного зв’язку** — механізм, через який зворотний зв’язок закриває розрив між поточною та бажаною результативністю; цикл результативності → зворотного зв’язку → переробки → покращеної результативності, що рухає навчання.
- **[[ai-feedback-quality]]** — точність, корисність, своєчасність і [[pedagogy|pedagogical]] цінність зворотного зв’язку, згенерованого ШІ; сторона надання системи.
- **[[feedback-literacy]]** — здатності й схильності, потрібні студентам, щоб розуміти, оцінювати зворотний зв’язок і діяти на його основі; сторона засвоєння системи.
- **[[formative-assessment]]** — контекст оцінювання, у якому зворотний зв’язок використовується для покращення навчання, поки воно ще триває, а не лише для його осудження.
- **[[peer-assessment]]** — зворотний зв’язок, яким обмінюються [[learners]], дедалі частіше посилюваний ШІ, і місце для розвитку грамотності у зворотному зв’язку.
- **[[automated-assessment]]** — кероване ШІ оцінювання і зворотний зв’язок, від [[automated-essay-scoring|automated essay scoring]] до оцінювання коротких відповідей, усвідомленого щодо впевненості.

### Петля зворотного зв’язку

Петля зворотного зв’язку — циклічний процес, у якому системи ШІ оцінюють роботу студента, доставляють зворотний зв’язок, спостерігають відповідь студента і адаптують наступне навчання. Петлі зворотного зв’язку, опосередковані ШІ, діють на багатьох часових шкалах:

- **Негайний зворотний зв’язок:** [[automated-assessment|Automated grading systems]] і [[intelligent-tutoring|AI tutors]] забезпечують коригування в режимі реального часу під час [[problem-solving]]. Дослідження [[correct-answer-trap-ai-tutor|Correct-answer trap research]] показує, що негайний зворотний зв’язок може коротко замикати навчання, якщо студенти просто копіюють виправлення. Генерація цього негайного коригувального зворотного зв’язку за допомогою LLM усередині репетитора здійсненна, але недосконала: на 6 926 зафіксованих транзакціях у платформі Apprentice Tutor College Algebra [[reddig-maclellan-personalized-feedback-llm-2026|Reddig, Arora & MacLellan (2025)]] виявили, що GPT-4 створював підказки, націлені на конкретну помилку студента, приблизно в 66 % випадків, проте приблизно 35 % підказок були надто загальними, хибними або передчасно розкривали відповідь, а автоматизовані перевірки якості на основі LLM були невідповідними людському судженню — посилюючи тезу, що неперевірений зворотний зв’язок ШІ в негайній петлі несе реальний ризик короткого замикання.
- **Зворотний зв’язок на рівні завдання:** системи [[formative-assessment]] і дослідження [[ai-feedback-quality|AI feedback quality research]] розглядають, чи покращує згенерований ШІ зворотний зв’язок на рівні завдання наступну роботу. Дослідження [[sequenced-ai-feedback-learning|Sequenced feedback studies]] перевіряють, чи має порядок зворотного зв’язку значення.
- **Петлі на рівні курсу:** [[learning-analytics|Learning analytics dashboards]] і [[edtech-platform|educational platforms]] агрегують зворотний зв’язок через завдання, щоб виявляти закономірності й рекомендувати втручання.

Ефективність петлі зворотного зв’язку залежить від [[ai-feedback-quality|feedback quality]] — точності, специфічності, своєчасності та дієздатності. Системи [[becerra-aicofe-feedback-2026|AI peer feedback systems]] додають до петлі соціальний вимір.

**Людина в петлі:** петлі зворотного зв’язку не є цілком автоматизованими — викладачі часто медіють згенерований ШІ зворотний зв’язок, перш ніж він дійде до здобувачів. [[learner-centered-feedback-ai|Studies of AI feedback tools for teachers]] (наприклад, інструмент PolyFeed, що поєднує детектор ML із перефразувальником [[llm]]) виявляють, що викладачі використовують професійний розсуд, щоб **приймати, редагувати чи відкидати** пропозиції ШІ — патерн «допомагай, але перевіряй», — і систематично пом’якшують перебільшену похвалу та узагальнені пропозиції, щоб захистити автентичність і голос. **Реляційний/[[affective-computing|affective]] вимір** зворотного зв’язку (відношення студент–викладач, підбадьорення) найсильніше опирається делегуванню ШІ, що натякає, що ця частина петлі залишається сутнісно людською. Ця медіація «людини в петлі» пов’язується з [[human-in-the-loop-ai]] і з [[teacher-role]].

Огляд політики Luo та Ітона загострює той самий пункт: лише 14 із 50 найвище рейтингованих університетів мали конкретні настанови щодо використання викладачами ШІ для зворотного зв’язку, і студенти описували нерозкритий зворотний зв’язок ШІ як «нещирий», роблячи прозорість і згоду передумовами етичної практики, а не чемностями ([[luo-eaton-ai-student-feedback-ethics-2026|Luo & Eaton (2026)]]).

LearnLens перетворює цю медіацію на механізм: він трактує редагування викладача як сигнал незадоволення, а не як коригування, витрачаючи додаткові обчислювальні ресурси на глибшу рефлексію замість повернення швидкої відповіді, і медіанний час його викладачів на завдання впав з 10–30 хвилин до менше п’яти ([[zhao-learnlens-feedback-educators-loop|Zhao et al. (2025)]]).

Реляційне прочитання ріже глибше за підміну. На воркшопах з 12 студентів і 18 освітян [[ai-feedback-ecosystem-higher-education-2026|Bearman et al. (2026)]] виявили, що студенти трактували ШІ як додаткове, але дефектне джерело, зважуючи його проти рубрик, конспектів лекцій, дискусійних дошок і коментарів освітян, і використовуючи його як тимчасове утримування, коли людські відповіді були повільними; один вклеїв тонкі коментарі освітян у [[conversational-ai|chatbot]], щоб з’ясувати, що робити далі. Присутність ШІ змінювала відношення, а не лише додавала коментарів — до того, що один студент перестав довіряти зворотному зв’язку дискусійної дошки, вважаючи його, ймовірно, написаним ШІ. Тому автори пропонують концепцію humans-as-the-loop: люди, що допомагають людям будувати сильніші відношення зворотного зв’язку з часом, замість нагляду над машинним результатом.

[[care-full-feedback-genai|Winstone et al. (2026)]] переосмислюють зворотний зв’язок GenAI як справи турботи — етичну, реляційну практику, а не передавання інформації, — і найменують парадокс безпечного простору: зменшений особистий ризик інструмента може відмовити в приготуванні студентів до тертя справжніх професійних зустрічей зі зворотним зв’язком.

### Як ШІ трансформує зворотний зв’язок

ШІ змінює зворотний зв’язок у трьох наслідкових напрямах, кожен із яких підвищує ставки інших граней:

- **Обсяг і негайність.** ШІ може генерувати зворотний зв’язок миттєво і в масштабі, різко збільшуючи, скільки зворотного зв’язку отримують студенти. Дослідження [[genai-feedback-design-multisite-experiment|Multi-site GenAI feedback studies]] і [[ai-generated-feedback-higher-ed|AI feedback in higher education]] документують, що зворотний зв’язок ШІ сприймається як порівнянний із зворотним зв’язком викладача за прийнятністю та підтримкою. [[meta-analysis-systematic-review|systematic review]], керований PRISMA, 42 емпіричних досліджень (2023–2025) підтверджує цю вигоду масштабу — LLM можуть прискорювати оцінювання та доставляти швидкий, персоналізований зворотний зв’язок у масштабі, особливо в великих когортах [[higher-ed|higher-education]], — водночас застерігаючи, що такий зворотний зв’язок іноді є надто узагальненим або невідповідним призначеній оцінці, і що надійність сповзає на довших, [[multilingual-learning|multilingual]] чи нюансованих завданнях ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]).

- **Персоналізація є вектором упередженості.** Утримуючи есея восьмого класу сталою, чотири LLM перехвалювали і приховували критику для студентів, позначених за расовою належністю, мовою або інвалідністю, — тож те, які атрибути студента живлять систему зворотного зв’язку, є рішенням про справедливість, а не нейтральним ([[marked-pedagogies-linguistic-bias-writing-feedback|Tan, Phalen & Demszky (2026)]]).
- **Вимоги оцінювання на боці здобувача.** Оскільки зворотний зв’язок ШІ може бути неточним або галюцинованим, студенти мають судити, чи варто йому [[trust]] і діяти на його основі. Саме тут [[feedback-literacy]] і [[trust-calibration]] стають вирішальними: [[mendoza-ai-feedback-feedback-literacy-srl|Mendoza et al. (2026)]] показують, що лише грамотні у зворотному зв’язку студенти перетворюють зворотний зв’язок ШІ на здобутки [[self-regulated-learning]], тоді як [[llm-fallacy-misattribution|the LLM fallacy]] фіксує, як студенти можуть надмірно приписувати зворотний зв’язок ШІ власній компетентності.

- **Грамотність у зворотному зв’язку будується використанням, а не демографією.** У 486 студентів бакалаврату з EFL лише частота використання інструментів ШІ передбачала грамотність у зворотному зв’язку ШІ (β = 0,29) — а не спеціальність чи рік навчання, — тож скаффолдинг доступу до опосередкованого ШІ зворотного зв’язку є питанням справедливості так само, як і проєктування ([[liu-deris-ai-feedback-literacy-uptake|Liu & Deris (2025)]]).
- **Схвалення в лабораторії — не використання за семестр.** Усі 18 студентів позитивно відреагували на функцію пояснення GenAI на лабораторних заняттях, проте лише половина використовувала її протягом терміну, посилаючись на невідповідність, нерелевантність і надмірність, коли зворотний зв’язок освітянина вже був ясним ([[jin-genai-learning-analytics-feedback-literacy|Jin et al. (2025)]]).
- **Довіра і турбота, а не точність, обмежують засвоєння.** Сімнадцять студентів EFL надали помічнику з письма на основі ШІ високу експертність, проте сумнівалися в його гідності довіри щодо обробки даних і оцінили його доброзичливість найнижче, уповноважуючи його лише на широкі мовні занепокоєння; кілька також визнали обсяг його пропозицій таким, з яким неможливо впоратися ([[bounded-reliance-ai-writing-feedback-2026|Serpil & Mor, 2026]]).
- **Придатність на рівні завдання: сортування зворотного зв’язку за епістемічним статусом.** [[tripartite-feedback-framework-ai-assessment-2026|Venetsanos (2026)]] стверджує, що рамки, на які спирається галузь, — рівні Хетті та Тімперлі, принципи проєктування Буд і Моллой, — пояснюють, *де* зворотний зв’язок діє в навчанні, але не те, чи включає дане завдання зворотного зв’язку перевірку правил, фактичну верифікацію чи інтерпретаційний розсуд, і що саме друге розрізнення вирішує, чи є автоматизація виправданою. Запропонований тричастинний розділ — зворотний зв’язок низького рівня, структурний і презентаційний (форматування, посилання, граматика, ясність на рівні речень — правилозалежний проти явних стандартів і безпечно автоматизований), верифікація фактична та процедурна середнього рівня (чи використовувало обчислення специфікований метод правильно, чи відповідає заявлений факт авторитетним джерелам — порівняння проти встановленого знання, а не судження міркування) і висока [[critical-thinking|critical evaluation]] і синтез, де розсуд є інтерпретаційним і має залишитися людським. Рівні є вимірами, а не драбиною: одне обчислення може бути водночас правильно представленим, арифметично хибним і методологічно невідповідним, і може притягнути верифікацію, зворотний зв’язок процесу і зворотний зв’язок саморегуляції разом. Найгостріший граничний випадок рамки — ясність: ясність на рівні речень є поверхневою, але *аргументативна* неясність часто сигналізує про неповне концептуальне засвоєння, тож позначені випадки мають ескалувати до людського огляду, а не виправлятися як проза — виправлення письма залишило б справжню проблему недоторканою.
- **Зворотний зв’язок, усвідомлений ролі.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] показали, що [[prompt-engineering|prompting]] тієї самої LLM оцінити той самий артефакт студента за різними ролями — викладач, оглядач-ровесник, оглядач грантів — давав якісно відмінний зворотний зв’язок: викладачі були підбадьорливими та процесо-зорієнтованими, ровесники — підтримувальними й розмовними, оглядачі грантів — формальними та зорієнтованими на результати. Ці відмінності були епістемічними, а не лише стилістичними, виводячи на передній план різні аспекти практики проєктування, — свідчення того, що усвідомлений ролями підказування може генерувати чутливий до ролей оцінювальний зворотний зв’язок, а не поодиноку узагальнену відповідь.

- **Тип зворотного зв’язку важливіший за його щільність.** Восьмитижневе адаптивне дослідження зі стохастики (194 студенти) виявило, що директивний, інформативний і трансформативний зворотний зв’язок засвоювалися по-різному, і що трансформативний зворотний зв’язок сприяв когнітивному перевантаженню, — тож проєктування зворотного зв’язку має відповідати типу фази здобувача, а не максимізувати обсяг ([[mejeh-fromm-srl-adaptive-learning-feedback-2026|Mejeh & Fromm (2026)]]).
- **Корисність зворотного зв’язку проти оцінювальної авторитетності.** [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] показує, що студенти можуть водночас приймати згенерований ШІ зворотний зв’язок як корисний і відкидати ШІ як відповідного оцінювача — відокремлюючи *корисність зворотного зв’язку* (інформаційну цінність зворотного зв’язку на поверхневому рівні) від *оцінювальної авторитетності* (того, кому належить вирішувати оцінку). У прозорому проєктуванні пост-[[assessment|assessment design]] саудівські студенти з обчислювальної галузі трактували їх як аналітично розділені судження, цінуючи ясність ChatGPT для переробки, водночас зберігаючи авторитет оцінювання за викладачем-людиною і артикулюючи діалогічні, інституційно зважені причини чому. Знахідка розширює [[feedback-literacy]] за межі судження якості зворотного зв’язку до міркування про саму оцінювальну авторитетність і натякає, що [[explainable-ai|transparency]] щодо залучення ШІ може зробити зворотний зв’язок об’єктом критичної рефлексії, а не пасивного прийняття.
- **Позиція переробки — результат, а не лише її якість.** Дослідження зворотного зв’язку звичайно питає, чи покращила переробка текст. [[zhao-ji-appraisal-human-ai-revisions-2026|Zhao and Ji (2026)]] питають, яку риторичну позицію займає перероблений текст, кодуючи 168 аргументативних есеїв EFL за теорією оцінки через перші чернетки, переробки після зворотного зв’язку [[peer-assessment|peer feedback]] і переробки ChatGPT-4 тих самих чернеток. Мова залученості була однаково частою в усіх трьох, але по-різному сконфігурована: переробки після зворотного зв’язку рівесників стали більш контрактивними (більше Counter та Endorse, менше Entertain), тоді як переробки ШІ зберігали більш зрівноважений мікс Contract/Expand. Жодне не є кращим письмом — справа в тому, що два шляхи переробки залишають аргумент у різній діалогічній позиції, що робить саму позицію тим, що може найменувати розмова про зворотний зв’язок і що може вибрати письменник.
- **Пояснення може бути переконливим і водночас невірним.** [[shap-llm-rationales-teaching-quality-assessment|Bueno et al. (2026)]] виявили, що видалення речень, які обґрунтування LLM ранжувало найвпливовішими, ледве зрушувало бал рубрики, тоді як вибрані SHAP речення зрушували його надійно і переносилися між сімействами моделей, — тож плавне обґрунтування не є доказом того, що на ньому спочиває бал.
- **Грамотність у зворотному зв’язку як мета навчання.** Замість того щоб лише надавати зворотний зв’язок, інструменти ШІ дедалі частіше проєктуються, щоб *навчати* студентів користуватися зворотним зв’язком — [[tubino-adachi-ai-automated-feedback-literacy|reframing automated feedback tools as literacy-building instruments]], [[zhan-boud-dawson-genai-feedback-engagement|framing GenAI as an enabler of feedback engagement]] і [[richmond-nicholls-genai-psych-feedback-ai-literacies|using GenAI critique tasks to build psychological, feedback, and AI literacies together]].

- **Грамотність у зворотному зв’язку і калібрування — віддільні важелі.** З 120 студентами бакалаврату скрипт грамотності у зворотному зв’язку (Filter–Reason–Act–Check) підвищував якість письма, ефективне засвоєння і глибоку переробку, активність калібрування «оцінювання–результативність» покращувала точність самооцінювання і зменшувала надмірну впевненість, а їхнє поєднання давало найбільші здобутки в письмі й найсильніше утримання після відведення підтримки ШІ ([[rethinking-ai-writing-feedback-literacy|Dai (2026)]]).

- **Ясність — не ефективність.** Переписані LLM повідомлення про помилки Python оцінювалися як значно читабельніші і менш когнітивно вимогливі, ніж стандартний результат інтерпретатора, проте не давали значного приросту в частоті виправлень, спробах чи часі до виправлення ([[llm-adaptive-programming-error-explanations-2026|Moraru, Biswas & Gadiraju (2026)]]).

### Що робить зворотний зв’язок ефективним: докази калібрування

[[metacognitive-training-optimal-cognitive-offloading-2026|Ngai & Gilbert (2026)]] дають чистий експериментальний результат із проєктування зворотного зв’язку з безпосередньою релевантністю до AIED: **правдивий, негайний, пробний зворотний зв’язок, прив’язаний до власного попереднього прогнозу здобувача, є тим, що змінює поведінку — одного прогнозу чи переконань недостатньо**. У їхньому чотиригруповому дизайні зворотний зв’язок у поєднанні з попереднім прогнозом результативності покращував калібрування і поведінку, тоді як прогнози без зворотного зв’язку не робили нічого, а додавання явної мітки над-/недовпевненості не додавало більше нічого. LLM можуть також слугувати партнерами з калібрування в цьому процесі: [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] виявили, що після вдосконалення рубрики LLM демонстрували більшу узгодженість, ніж деякі людські оцінювачі, у застосуванні порогів результативності — корисно для сеансів нормування і середовищ зворотного зв’язку [[formative-assessment|formative peer feedback]], де модель допомагає калібрувати [[evaluative-judgment|evaluative judgment]], а не заміщає його. Це узгоджується з поглядом бази знань на систему зворотного зв’язку: сила зворотного зв’язку лежить у закритті розриву проти *власної* оцінки здобувача (парування надання—засвоєння), і ефективний зворотний зв’язок має бути негайним, точним і явно пов’язаним із тим, що здобувач прогнозував, — принцип проєктування як для систем зворотного зв’язку ШІ, так і для навчання [[feedback-literacy]].

Зусилля, проте, не є автоматично відсутнім інгредієнтом. У передзареєстрованому міжсуб’єктному експерименті з 302 дорослих у США, які навчалися вступного Python, [[structured-reflection-ai-explanatory-feedback-2026|Asher, Gold & Carvalho (2025)]] поєднували персоналізований пояснювальний зворотний зв’язок [[llm|Claude Sonnet 3.5]] зі структурованою трьохкроковою підказкою самообґрунтування — для кожного хибного фрагмента коду: що правильний код робить і чому власна спроба здобувача зазнала невдачі, — і додана рефлексія не купила нічого. Учасники Reflective Practice витрачали 4,1 хвилини на огляд зворотного зв’язку проти 2,1 хвилини в звичайному Practice (t(267) = 11,30, p < 0,001), що залишало місце лише для 2,0 практичних задач замість 3,4 (t(267) = 8,20, p < 0,001); кожна задача коштувала однаково в обох випадках (Reflection × номер задачі OR = 1,03, z = 0,23, p = 0,486), тож Practice закінчився вищим володінням, 79 % проти 65 % (d = 0,41), і ніколи не відставав на пунктах ближнього [[transfer-of-learning|transfer]], далекого перенесення чи оцінювання коду. Рефлексія також не доставила метакогнітивної вигоди, на яку була націлена: судження про навчання не відрізнялися між групами, і умови практики були краще каліброваними (недовпевнені на 11 пунктів, проти глядачів відео, надмірно впевнених на 20 пунктів, d = −0,93) і повідомляли про менше [[cognitive-offloading|distraction]] (d = −0,80), ніж рефлексивні здобувачі, чиї рефлексії в середньому становили лише 35 слів. Прочитання авторів — зворотний зв’язок ШІ вже поставив той [[scaffolding]], який самообґрунтування звичайно додає: повідомлення, яке найменує помилку, пояснює правильний підхід і описує базове поняття, залишає мало що робити для підказки рефлексії, — і що писання рефлексій, поки ще навчаєшся незнайомого синтаксису, конкурувало безпосередньо з різноманітним повторенням, що будує переносиму навичку. Це розташовує граничну умову для [[desirable-difficulties]] і [[productive-failure]] на осі глибини обробки: зусилля окупається, коли воно рухає додаткове відтворення, застосування чи порівняння, і є надмірним, коли здобувач уже отримує персоналізоване пояснення своєї конкретної помилки. Це також має відношення до того, як [[ai-feedback-quality|feedback quality]] взаємодіє з [[self-regulated-learning|uptake]]: чим більше розробленим і націленим є зворотний зв’язок, тим вужчий простір, який має додана шар для додавання цінності, що переміщує увагу проєктування від поглиблення одного епізоду до витрачання дефіцитних хвилин практики на обсяг, варіативність задач і розташування рефлексії в моменти, такі як виявлене плато, — дослідження перевірило поодиноке неперевірене посилення, і автори зазначають, що ці варіанти залишаються відкритими.


- **Фокус і [[adaptive-learning|adaptivity]] — віддільні виміри зворотного зв’язку.** Анотація коментарів викладача та LLM у трьох університетських курсах письма з сімома типами фокуса зворотного зв’язку показує, що більшість моделей охоплює майже кожен тип, тоді як жодна не відповідає розподілу викладача через них, і жодна не змінює свій фокус через стадії чернеток так, як це робить експерт-викладач ([[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al., 2026]]).
- **Агреговані здобутки можуть приховувати протилежні зсуви.** Три місяці зворотного зв’язку WISE Agent з 260 китайськими шостикласниками не зрушили загального бала схильності до критичного мислення (t = −0,854, p = 0,394), проте Truth-seeking зріс (p < 0,001), тоді як Cognitive Maturity впав (p = 0,019) — падіння, яке автори читають як студентів, що перекалібровують переоцінене розуміння. ([[ai-feedback-critical-thinking-writing-2026|Zhu et al. (2026)]])

### Зворотний зв’язок у контекстах оцінювання

Дослідження зворотного зв’язку в базі знань сягає всього діапазону контекстів оцінювання, кожен зі своєрідною динамікою зворотного зв’язку:

- **Формуючий зворотний зв’язок** є канонічним місцем зворотного зв’язку-для-навчання — [[formative-assessment|formative assessment]] живить [[self-regulated-learning|self-regulated learning]] через зворотний зв’язок, який приходить, поки навчання ще триває ([[automated-formative-assessments-a-level-sciences|automated formative assessments]], [[ai-feedback-enactment-workflow-2026|feedback enactment]]).
- **Підсумковий зворотний зв’язок** — зворотний зв’язок, прикріплений до [[summative-assessment|summative assessment]] — тести на кінець розділу, [[oral-assessment|oral exams]] і прокторовані/закритокнижні іспити. В епоху ШІ підсумкове середовище є тим, де опір ШІ має найбільше значення (див. [[summative-assessment]]): зворотний зв’язок на прокторованому усному іспиті чи закритокнижному оцінюванні перевіряє справжнє навчання, тоді як зворотний зв’язок на домашній роботі з допомогою ШІ може бути завищеним. [[fenton-oral-exams-ai-authentic-assessment-2025|Oral assessments]] переосмислюють момент зворотного зв’язку як живий, інтерактивний діалог — зворотний зв’язок стає негайним, розмовним і невіддільним від самого оцінювання, і саме тому вони опираються підміні з боку ШІ.
- **Зворотний зв’язок рівесників** додає соціального шару — [[peer-assessment|peer feedback]] розвиває грамотність у зворотному зв’язку і дедалі частіше посилюється ШІ ([[becerra-aicofe-feedback-2026|AI peer feedback]], [[irwin-muller-efl-peer-feedback-literacy|GenAI in EFL peer feedback]]). Проте зворотний зв’язок рівесників є лише настільки добрим, наскільки доброю є його справжня доставка: у семестровому польовому експерименті менш ніж дві третини студентів, яким було призначено зворотний зв’язок рівесників, не отримали жодного текстового зворотного зв’язку взагалі, і значна частина того, що було доставлено, була ненаціленою похвалою, — тож коли індивідуальний зворотний зв’язок GPT-4 замінив ненадійних рівесників, студенти підтримували найвищу участь і виставляли найбільші навчальні здобутки за змістом [[learning-gains|learning gains]] ([[gpt4-feedback-student-activation-2026|Geschwind et al., 2026]]), свідчення того, що перевага ШІ — це перевага *надійності*, а не сутнісної вищості.
- **Скаффолдинг підказками перетворює GenAI на фасилітатора зворотного зв’язку.** [[chang-genai-peer-feedback-collaborative-argumentation-2026|Chang et al. (2026)]] виявили, що студенти, яким дали структуровані підказки (контекст, ціль, роль) для зворотного зв’язку рівесників, створювали більше пояснень і пропозицій, і лише ця група перевершила інших за даними спростування і за звертанням до протилежного погляду.
- **Автоматизований зворотний зв’язок** масштабує доставку — [[automated-assessment|automated scoring and feedback]] від оцінювання есеїв до оцінювання коротких відповідей. [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Arthur (Yin et al. 2026)]] розширює це на неструктуровані [[quantitative-research|quantitative]] задачі: хребет діагностики [[machine-learning|XGBoost]] на кожне питання виводить позначені рубрикою помилки з поданих студентами числових відповідей на запитання з розрахунковими формулами з економіки для інженерів і перетворює їх на зворотний зв’язок природною мовою, тоді як діалогова схема запитує проміжні відповіді лише тоді, коли впевненість низька, — зрівноважуючи точність зворотного зв’язку проти тягару збирання на студентах.

- **Автоматизоване оцінювання письма — інструмент сторони доставки з вимірюваною вартістю.** Огляд 50 емпіричних досліджень (2019–2024) виявив, що автоматизоване оцінювання письма покращувало граматику, пунктуацію і конструювання речень у 25 дослідженнях і зменшувало механічне навантаження коригування на викладачах у 15, звільняючи час для аргументу, узгодженості та організації; здобутки трималися лише там, де інструменти містилися всередині структурованих циклів чернеткування й переробки, а не як самостійні засоби, важка сперяність на них була пов’язана зі слабкішим [[critical-thinking|critical thinking]] і креативністю, а інструменти відтворювали стандартизовані норми англійської, які користувачі EFL повідомляли як невідповідні їхнім риторичним традиціям ([[ai-powered-writing-feedback-awe-review-2026|Gres et al., 2026]]).

Ключове наскрізне прозріння — **надійність зворотного зв’язку залежить від цілісності оцінювання, до якого він прикріплений**: зворотний зв’язок є лише настільки гідним довіри, наскільки гідною довіри є міра, на яку він відповідає. В епоху ШІ це спрямовує освітян до [[authentic-assessment|authentic]] і стійких до ШІ форматів [[summative-assessment|summative formats]], де зворотний зв’язок, який отримує студент, відображає справжнє навчання, а не створений з допомогою ШІ результат.

Парадигма «оцінювання для навчання» переосмислює зворотний зв’язок як наскрізну філософію, а не компонент. [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] синтезують ширшу літературу з вищої освіти, щоб вмістити [[formative-assessment|formative]], тривалий та індивідуалізований зворотний зв’язок як центральний для цієї філософії, зрівноважуючи формуючі цілі з підсумковими і виводячи на передній план [[agency|student agency]], само-[[regulation]] і [[metacognition|metacognitive]] навичку. Вони зазначають, проте, що в [[business-education|management education]] багаті на зворотний зв’язок практики залишаються нерівномірно впровадженими: само- та взаємооцінювання (місце зворотного зв’язку рівесників) домінують у літературі, тоді як переоцінювання — яке використовує керовані зворотним зв’язком другі шанси для покращення навчання, — майже відсутнє.


- **Продемонстрована дієздатність — не втілена дієздатність.** В огляді з метою охоплення 421 дослідження, що застосовують NLP до відкритих коментарів студентів з оцінювання навчання, 61,3 % давали результат на рівні продемонстрованого результату або сильнішому, проте лише 11,6 % показували докази, що передбачені користувачі його оцінили чи використали ([[nlp-student-evaluation-teaching-scoping-review-2026|Eicher & da Silva, 2026]]).

### Парування надання—засвоєння

Ключове прозріння бази знань про зворотний зв’язок — **якість зворотного зв’язку і грамотність у зворотному зв’язку — дві сторони однієї системи**: високоякісний зворотний зв’язок є інертним без грамотного отримувача, а грамотний студент отримує мало від поганого зворотного зв’язку. [[ai-feedback-quality]] охоплює сторону надання (чи є зворотний зв’язок точним, своєчасним, дієздатним?), тоді як [[feedback-literacy]] охоплює сторону засвоєння (чи може студент судити його і діяти на його основі?). Петля зворотного зв’язку — те, що їх пов’язує, — механізм, яким якісний зворотний зв’язок, отриманий грамотним здобувачем, закриває розрив. Тому проєктування ефективного зворотного зв’язку ШІ означає проєктування і системи, і студента.

Те, які здатності на боці студента мають значення, є емпірично віддільним: серед 1 507 студентів середньої школи, кожен із яких отримав одне стандартизоване автоматизоване повідомлення зворотного зв’язку на аргументативний текст, лише поведінкова залученість із зворотним зв’язком та інструментальні ставлення до нього передбачали результативність переробки — студенти на 75-му перцентилі за будь-яким із вимірів покращувалися приблизно на 0,10 або 0,11 пункти WLE більше, ніж порівнянні студенти на 25-му, приблизно з 46-го на 54-й перцентиль, — тоді як глобальна сприйнятливість, когнітивна залученість і досвідні ставлення не були пов’язані з нею, а [[technology-acceptance-model|perceived usefulness]] не медіювало шлях жодного виміру до результативності. Корисність діяла на інший результат замість цього: ефект глобальної сприйнятливості на ситуаційний інтерес проходив цілком через сприйману корисність (непряме β = 0,09, 95 % CI [0,06, 0,13]), тож здобутки переробки відстежували довговічні звички діяти на основі зворотного зв’язку, тоді як інтерес відстежував оцінку конкретного повідомлення. ([[jansen-argumentative-writing-feedback-receptivity-2026]])


Джерело може відрізнятися тим, як воно калібрує, а не тим, як добре оцінює: у рандомізованому експерименті зворотний зв’язок ШІ з ланцюгом міркувань перевершив досвідченого викладача за якістю рубрики, проте не давав більших здобутків у переробці, тоді як зворотний зв’язок викладача залишався каліброваним через чернетки, а зворотний зв’язок GenAI відстежував силу початкового есея ([[farrokhnia-genai-feedback-student-revisions-2026|Farrokhnia et al. (2026)]]).

Двошарова модель показує, як парування може бути організоване навколо машини, не делегуючи їй розсуду. У [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma's worked example]] [[agentic-ai|agent]] створює чернетковий звіт доказів на основі рубрики по кожному транскрипті, причому кожна оцінка прив’язана до процитованих уривків, а викладач потім оглядає звіт, веде розбір і вирішує, що докази означають для цього студента, — поділ, який автори узагальнюють як ШІ, що організує докази, тоді як викладач їх інтерпретує. Їхнє твердження щодо засвоєння ґрунтується на оцінюванні: зворотний зв’язок та ітерація поза соціальними ієрархіями, якими студенти орієнтуються з рівесниками та викладачами, легші для спроби, і репетиція у власному темпі студента є тим, що, як вони стверджують, перетворює випадкову впевненість на всталену звичку взаємодії зі зворотним зв’язком.

### Чому зворотний зв’язок має значення для ШІ в освіті

Зворотний зв’язок — один із найбільш наслідкових і найкраще підтверджених механізмів в освіті, і ШІ водночас його посилює і ускладнює. Добре спроєктований зворотний зв’язок ШІ може відповідати зворотному зв’язку людини або перевершувати його і масштабуватися через когорти, проте він потребує нових здатностей здобувача ([[feedback-literacy]], [[ai-literacy]]) і несе ризики (некритичне прийняття, [[cognitive-offloading|Over-Reliance]]). Коли згенерований ШІ зворотний зв’язок стає всюдисущим, база знань вміщує зворотний зв’язок як цілу систему — якість, петлю, грамотність і контекст оцінювання, що працюють разом, — а не як будь-який поодинокий компонент.

- **Зворотний зв’язок може бути націлений на того, хто його дає.** Навчання репетиторів — недостатньо досліджений контекст зворотного зв’язку: автоматизовані системи, що послідовно позначають відкриті відповіді репетиторів, щоб позначати типи похвали (похвала на основі зусиль — бажаний процесо-зорієнтований рід — проти похвали на основі результату проти похвали на основі особи, найменш бажаного ріду, що атрибує риси), можуть доставляти пояснювальний зворотний зв’язок, який змінює поведінку репетиторства. Обмежувальним чинником є позначені експертами дані. Підхід посилення — GPT-4o генерує синтетичні позначені відповіді, розширюючи набір із 13 прикладів у низькоресурсному середовищі до 520, потім донавчає GPT-3.5 — відновлює більшу частину розриву: F2 +20,5 % на похвалі на основі зусиль, +17,3 % на похвалі на основі результату і +16,5 % на *непоміченій* категорії на основі особи. Тест генералізації на непомічений тип похвали є перевіркою валідності, яка відділяє це від перенавчання, і механізм є ближчим до дистиляції моделі-викладача, ніж до класичного посилення. ([[xu-automated-feedback-tutor-training-2025]])

## Пов’язані поняття

- [[pedagogical-patterns]] — Перевірені послідовності зворотного зв’язку, включно з тим, чому вищоякісніший зворотний зв’язок ШІ не давав більше переробки
- [[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]]

## Пов’язані статті
- [[jansen-argumentative-writing-feedback-receptivity-2026]] — Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception
- [[ai-agents-joyful-assessment-third-space-2026]] — Аґенти ШІ, радісне оцінювання і третій простір
- [[student-perspectives-ai-writing-grading-2026]] — Перспективи студентів щодо прозорого оцінювання письма з допомогою ШІ (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]] — Когнітивне розвантаження, чутливе до шару, в письмі з допомогою GenAI (Chen 2026)
- [[mejeh-fromm-srl-adaptive-learning-feedback-2026]]
- [[farrokhnia-genai-feedback-student-revisions-2026]] — Зворотний зв’язок викладача проти GenAI: студенти переробляють менше зі ШІ
- [[yilmaz-genai-feedback-srl-online-higher-ed-2026]] — Зворотний зв’язок GenAI і саморегульоване навчання: сприймане джерело має значення
- [[chang-genai-peer-feedback-collaborative-argumentation-2026]] — Зворотний зв’язок рівесників з допомогою GenAI в колаборативній аргументації
- [[luo-eaton-ai-student-feedback-ethics-2026]] — Етика ШІ у зворотному зв’язку студентам
- [[metacognitive-training-optimal-cognitive-offloading-2026]] — Метакогнітивне навчання полегшує оптимальне когнітивне розвантаження (Ngai & Gilbert 2026)
- [[liu-deris-ai-feedback-literacy-uptake]] — Шкала AI Feedback Literacy і передбачення засвоєння (Liu & Deris 2025)
- [[zhan-boud-dawson-genai-feedback-engagement]] — GenAI як умовник залученості студентів до зворотного зв’язку (Zhan, Boud, Dawson & Yan 2025)
- [[mendoza-ai-feedback-feedback-literacy-srl]] — Грамотність у зворотному зв’язку модерує зворотний зв’язок ШІ → SRL (Mendoza et al. 2026)
- [[rethinking-ai-writing-feedback-literacy]] — Скрипти грамотності у зворотному зв’язку для письма з допомогою ШІ (Dai 2026)
- [[jin-genai-learning-analytics-feedback-literacy]] — Аналітика навчання GenAI у зворотному зв’язку (Jin et al. 2025)
- [[tubino-adachi-ai-automated-feedback-literacy]] — Інструмент автоматизованого зворотного зв’язку ШІ для грамотності у зворотному зв’язку (Tubino & Adachi 2025)
- [[irwin-muller-efl-peer-feedback-literacy]] — GenAI у зворотному зв’язку рівесників в EFL для грамотності у зворотному зв’язку (Irwin & Muller 2026)
- [[ai-generated-feedback-higher-ed]] — Згенерований ШІ зворотний зв’язок у вищій освіті
- [[care-full-feedback-genai]] — Проєктування турботливого зворотного зв’язку з GenAI
- [[ai-feedback-ecosystem-higher-education-2026]] — Екосистема зворотного зв’язку у вищій освіті: ШІ переробляє відношення зворотного зв’язку, і люди як петля (Bearman et al. 2026)
- [[learner-centered-feedback-ai]] — Практики зворотного зв’язку ШІ, зосередженого на здобувачі
- [[genai-feedback-design-multisite-experiment]] — Проєктування зворотного зв’язку GenAI на багатьох сайтах
- [[ai-feedback-critical-thinking-writing-2026]] — Зворотний зв’язок ШІ і критичне мислення в письмі
- [[richmond-nicholls-genai-psych-feedback-ai-literacies]] — Оцінювання з GenAI будує психологічну грамотність, грамотність у зворотному зв’язку та грамотності ШІ
- [[zhao-learnlens-feedback-educators-loop]] — LearnLens: зворотний зв’язок, обґрунтований курсом, з наглядом освітян (Zhao et al. 2025)
- [[sequenced-ai-feedback-learning]] — Дослідження послідовного зворотного зв’язку ШІ
- [[becerra-aicofe-feedback-2026]] — Системи зворотного зв’язку рівесників на основі ШІ
- [[automated-formative-assessments-a-level-sciences]] — Автоматизовані формуючі оцінювання в науках рівня A
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Переосмислення усних іспитів як автентичного, стійкого до ШІ оцінювання
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: упередженість в автоматизованому зворотному зв’язку для письма
- [[shap-llm-rationales-teaching-quality-assessment]] — SHAP проти обґрунтувань LLM для зворотного зв’язку навчання на основі рубрики
- [[llm-adaptive-programming-error-explanations-2026]] — Адаптивні пояснення LLM для помилок програмування
- [[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]] — LLM як аґенти ітеративного педагогічного проєктування
- [[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]] — Тричастинна рамка: сортування зворотного зв’язку за епістемічним статусом і п’ять граничних принципів залучення ШІ (Venetsanos 2026)
- [[structured-reflection-ai-explanatory-feedback-2026]] — Вигода чи вузьке місце? Структурована рефлексія над пояснювальним зворотним зв’язком ШІ (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]] — Той, хто дає зворотний зв’язок, має значення: мітки джерела зрушують оцінки, коли текст утримується порівнянним (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]] — Що переробка робить із позицією письменника: зворотний зв’язок рівесників робить аргументативні есеї більш контрактивними, а переробка ШІ зберігає рівновагу Contract/Expand (Zhao & Ji 2026)
- [[xu-automated-feedback-tutor-training-2025]] — Покращення автоматизованих систем зворотного зв’язку для навчання репетиторів у сценаріях з низькою кількістю ресурсів через посилення даними (Xu et al. 2025)

---

## [Грамотність у зворотному зв’язку](https://edtechdev.github.io/aied/concepts/feedback-literacy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Грамотність у зворотному зв’язку** — здатності й схильності, потрібні студентам, щоб розуміти, оцінювати зворотний зв’язок і діяти на його основі для покращення свого навчання. Це аналог на боці здобувача до надання зворотного зв’язку: тоді як [[ai-feedback-quality]] і [[feedback|Feedback Loop]] стосуються якості та механіки системи зворотного зв’язку, грамотність у зворотному зв’язку стосується здатності здобувача шукати зворотний зв’язок, його осмислювати, судити його і продуктивно використовувати.

## Питання для роздумів

- Добре спроєктований зворотний зв’язок допомагає лише тим студентам, які можуть його інтерпретувати і діяти на його основі. Якщо двоє студентів отримують ідентичний зворотний зв’язок і навчаються в різному обсязі, де мешкає різниця — і чи є це провиною студента, чи системи?
- [[research-methods-aied|Research]] виявляє, що студенти з сильнішою грамотністю у зворотному зв’язку отримують більше вигоди від зворотного зв’язку ШІ, тоді як студенти зі слабкішою грамотністю показують мінімальні або навіть негативні ефекти. Що це натякає про те, щоб просто додавати зворотний зв’язок ШІ до курсу, не будуючи водночас здатність студентів ним користуватися?
- Грамотність у зворотному зв’язку включає пошук зворотного зв’язку, висування суджень, керування афектом і дію на основі зворотного зв’язку — не лише його отримання. Коли ви востаннє *шукали* зворотний зв’язок, а не чекали на нього, і що давало вам достатньо сміливості (або ні) це зробити?
- Якщо ШІ може тепер генерувати рясний, миттєвий зворотний зв’язок, чи перемістилося вузьке місце від надання зворотного зв’язку до здатності здобувача його використовувати? Що могло б змінитися у вашому проєктуванні зворотного зв’язку, якби ви бачили грамотність студентів у зворотному зв’язку як справжнє обмеження?

## Вступ

Грамотність у зворотному зв’язку має значення, бо добре спроєктований зворотний зв’язок допомагає лише тим студентам, які можуть його інтерпретувати і діяти на його основі. Студент, який не може оцінити, чи є згенерований ШІ зворотний зв’язок точним, або який не знає, як перетворити зворотний зв’язок на конкретну переробку, навчається з того самого зворотного зв’язку набагато менше, ніж більш грамотний у зворотному зв’язку ровесник. Коли ШІ переформовує надання зворотного зв’язку, грамотність у зворотному зв’язку стала ключовою граничною умовою того, чи покращує зворотний зв’язок ШІ навчання.

### Що таке грамотність у зворотному зв’язку

Грамотність у зворотному зв’язку широко вміщується як набір взаємопов’язаних здатностей — здатність цінувати зворотний зв’язок, висувати судження, керувати афектом і вживати дій (за Carless & Boud). Статті бази знань групують грамотність у зворотному зв’язку навколо кількох здатностей:

- **Пошук і викликання зворотного зв’язку** — проактивне запитування зворотного зв’язку, а не пасивне його отримання.
- **Висування суджень** — оцінювання точності й корисності зворотного зв’язку, включно зі зворотним зв’язком, створеним ШІ.
- **Осмислення** — інтерпретація зворотного зв’язку у зв’язку з цілями та критеріями завдання і розуміння того, що він означає для покращення.
- **Керування афектом** — продуктивна взаємодія зі зворотним зв’язком без зневіри чи надмірного запалу від нього.
- **Дія на основі зворотного зв’язку** — перетворення зворотного зв’язку на конкретні переробки чи зміни підходу ([[feedback|Feedback Loop]], [[self-regulated-learning]]).
- **Судження оцінювальної авторитетності** — додаткова здатність, запропонована [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]]: поряд із цінуванням зворотного зв’язку, висуванням суджень, керуванням афектом і вжиттям дій студентам, які міркують про створений ШІ зворотний зв’язок, потрібно було судити, *яке джерело тримає оцінювальну авторитетність*, віддільно від судження якості зворотного зв’язку. Оскільки учасникам сказали, що ChatGPT створив і бал, і зворотний зв’язок, їхня грамотність у зворотному зв’язку була здійснена над джерелом і легітимністю оцінювання, а не лише над його змістом, і вона породила вимоги валідації викладачем, а не пасивного прийняття.

### Як грамотність у зворотному зв’язку з’являється в дослідженнях

- **Грамотність у зворотному зв’язку як модератор цінності зворотного зв’язку ШІ:** [[mendoza-ai-feedback-feedback-literacy-srl|Mendoza et al. (2026)]] показують, що грамотність у зворотному зв’язку модерує зв’язок між прийняттям ChatGPT і [[self-regulated-learning]]: студенти з сильнішою грамотністю сприймають більшу вигоду SRL від зворотного зв’язку ШІ, тоді як студенти зі слабкішою грамотністю показують мінімальні або навіть негативні ([[cognitive-offloading|Over-Reliance]]) ефекти. Грамотність у зворотному зв’язку — гранична умова того, чи можуть студенти «осмислити» зворотний зв’язок ШІ.


- **Грамотність у зворотному зв’язку як шлях від використання GenAI до критичного мислення:** у 421 китайського студента бакалаврату асоціація використання GenAI з самооголошеним критичним мисленням проходила майже цілком через грамотність у зворотному зв’язку GenAI ([[feedback-literacy]]; β = 0,185; 71,98 % усього ефекту), і цей шлях посилювався з ростом рефлексивного мислення (індекс модерованого посередництва = 0,030) ([[genai-use-critical-thinking-moderation-2026|Yan et al. (2026)]]).
- **Грамотність у зворотному зв’язку передбачає навчання з письма з допомогою ШІ:** [[hawkins-feedback-literacy-ai-essay-writing|Hawkins et al. (2026)]] виявляють, що грамотність у зворотному зв’язку була єдиним значним позитивним предиктором оцінки есея в завданні письма есея з посиленням від ШІ, тоді як [[liu-deris-ai-feedback-literacy-uptake|Liu & Deris (2025)]] розробляють і валідують шкалу AI Feedback Literacy (AIFL) і показують, що вона передбачає засвоєння зворотного зв’язку.
- **Рамки для залученості до зворотного зв’язку [[student-engagement|engagement]], уможливленої [[generative-ai|GenAI]]:** [[zhan-boud-dawson-genai-feedback-engagement|Zhan, Boud, Dawson & Yan (2025)]] (Boud і Dawson — провідні дослідники грамотності у зворотному зв’язку) стверджують, що GenAI може *уможливити* залученість студентів до зворотного зв’язку, відображаючи циклічну модель само-[[regulation]] зворотного зв’язку на фази отримання/обробки/втілення.
- **Зворотний зв’язок ШІ приходить без вміщення викладача:** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] стверджують, що GenAI робить грамотність у зворотному зв’язку *більш* вимогливою, бо відповіді генеруються інтерактивно і без негайного вміщення викладача: студенти мають інтерпретувати, оцінювати їх, взаємодіяти з ними й використовувати їх — включно з вирішенням, коли відповідь надто абстрактна, коли наполягати і коли повертатися до звичайних ресурсів. Через їхню демонстрацію з восьми обмінів спрощення і придатна структура з’являлися лише після втручань здобувача, роблячи цикл отримання/обробки/втілення залученості до зворотного зв’язку тим, що студент має рухати сам ([[zhan-boud-dawson-genai-feedback-engagement|Zhan, Boud, Dawson & Yan]] відобразили цей цикл для GenAI; [[self-regulated-learning]]).
- **Грамотність у зворотному зв’язку в письмі з допомогою ШІ та EAP:** [[rethinking-ai-writing-feedback-literacy|Feedback literacy scripts]] і [[feedback-literacy-scripts-eap-writing|second-rater mechanisms]] тренують студентів взаємодіяти критично зі зворотним зв’язком ШІ під час переробки письма, переміщуючи переробку до покращення на рівні аргументування, а не поверхневих редагувань.
- **Інструменти автоматизованого зворотного зв’язку для розвитку грамотності:** [[tubino-adachi-ai-automated-feedback-literacy|Tubino & Adachi (2025)]] стверджують, що інструменти автоматизованого зворотного зв’язку ШІ слід переосмислювати як засоби *розвитку* грамотності студентів у зворотному зв’язку, а не лише надання більше зворотного зв’язку.
- **Зворотний зв’язок рівесників і грамотність у зворотному зв’язку:** [[irwin-muller-efl-peer-feedback-literacy|Irwin & Muller (2025)]] позиціонують GenAI всередині зворотного зв’язку рівесників у EFL, щоб тренувати грамотність у зворотному зв’язку й уможливити засвоєння на заняттях з говоріння, а [[scaffolding-srl-feedback-genai-human-peers|scaffolding studies]] порівнюють GenAI проти людських рівесників у плеканні саморегульованого зворотного зв’язку.
- **Зворотний зв’язок, збережений як довговічні, придатні для консультації дані.** Поєднання ChatGPT з електронним портфелем підвищило результативність говоріння і грамотність у зворотному зв’язку разом (часткове η² = 0,218 для останньої), оскільки студенти трактували архівований зворотний зв’язок від лектора, рівесників і ШІ як дані для узгодження, а не разове виправлення ([[sutama-chatgpt-eportfolio-speaking-2026|Laksana et al. (2026)]]).
- **Грамотність у зворотному зв’язку в аналітиці навчання та інформаційних панелях GenAI:** [[jin-genai-learning-analytics-feedback-literacy|Jin et al. (2025)]] досліджують, як студенти сприймають зворотний зв’язок GenAI-анлітики [[learning-analytics]] з перспективи грамотності у зворотному зв’язку.
- **Грамотність у зворотному зв’язку як мета проєктування ШІ-грамотності та оцінювання:** [[richmond-nicholls-genai-psych-feedback-ai-literacies|Richmond & Nicholls (2025)]] використовують оцінювання процес-над-артефактом, у якому студенти критикують результат ChatGPT проти рубрики, будуючи грамотність у зворотному зв’язку, психологічну грамотність і грамотності ШІ разом; [[learner-centered-feedback-ai|learner-centered AI feedback]] і [[care-full-feedback-genai|care-full feedback design]] пов’язують якість зворотного зв’язку зі здатністю здобувача взаємодіяти.

### Чому грамотність у зворотному зв’язку має значення для ШІ в освіті

ШІ змінює зворотний зв’язок у двох напрямах, які обидва підвищують ставки грамотності у зворотному зв’язку. По-перше, ШІ різко збільшує *обсяг і негайність* зворотного зв’язку ([[ai-feedback-quality]], [[feedback|Feedback Loop]]), тож студенти стикаються з набагато більшим зворотним зв’язком, який вони мають сортувати та оцінювати. По-друге, згенерований ШІ зворотний зв’язок несе своєрідні ризики — неточність, [[hallucination-risk|hallucination]] та «ілюзію володіння» — які потребують навичок [[critical-thinking|critical evaluation]] та пильності проти Over-Reliance і [[llm-fallacy-misattribution|misattribution]]. Грамотність у зворотному зв’язку стає тому ключовим компонентом [[ai-literacy]]: знання не лише того, як попросити ШІ про зворотний зв’язок, але й того, як судити, чи варто діяти на основі цього зворотного зв’язку і як перетворити його на справжнє навчання, а не завершення завдання.

[[ai-feedback-ecosystem-higher-education-2026|Bearman and colleagues (2026)]] додають до цього переліку подальшу вимогу. У їхньому дослідженні на воркшопі студенти керували не одним джерелом зворотного зв’язку, а мережею: вони зважували коментарі освітян проти результату ШІ, рубрик, матеріалів курсу і рівесників, і коли людський зворотний зв’язок був повільним, вони продовжували працювати зі ШІ як із тимчасовим утримуванням, переробляючи пізніше, якщо він їх збив зі шляху. Автори припускають, що студенти можуть діяти як власна «людина в циклі», керуючи цими відношеннями від ґранулярного завдання до ширшої траєкторії, що саме є здатністю грамотності у зворотному зв’язку. Їхнє застереження — тонкі чи запізнілі коментарі освітян є тим, що пхне студентів до неперевірених джерел.

### Зв’язки з суміжними поняттями

Грамотність у зворотному зв’язку пов’язується з [[ai-feedback-quality]] і [[feedback|Feedback Loop]] (сторона надання, яку вона доповнює), [[formative-assessment]] (цикл оцінювання, який вона живить), і [[self-regulated-learning]] ([[self-assessment]] і адаптація, які вона підтримує). Це підмножина [[ai-literacy]], коли застосовується до згенерованого ШІ зворотного зв’язку, перетинається з [[peer-assessment]] в колаборативних контекстах і особливо наслідкова для [[writing-education]]. Вона також пов’язується з [[metacognition]] і [[trust-calibration]] — здатністю судити, чи є зворотний зв’язок гідним довіри.

Дія на основі зворотного зв’язку — не те саме, що покращення артефакту. Серед 22 майбутніх викладачів математики вибіркове прийняття зворотного зв’язку ШІ та рівесників було нормою (32 із 44 епізодів), проте лише п’ятеро покращили якість своїх спроєктованих завдань — розрив перекладу, який автори приписують оцінювальному розсуду, а не засвоєнню ([[ai-peer-feedback-stem-teacher-education-2026|Oh, 2026]]).

## Пов’язані поняття

- [[pedagogical-patterns]] — Кроки критичної оцінки, які ці послідовності вбудовують у робочий процес
- [[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]]

## Пов’язані статті
- [[ai-peer-feedback-stem-teacher-education-2026]] — Вибіркове засвоєння без покращення артефакту: розрив перекладу зворотного зв’язку (Oh 2026)
- [[brunnstrom-ai-interaction-literacy-srl-2026]] — Зворотний зв’язок ШІ без вміщення викладача підвищує планку грамотності у зворотному зв’язку (Brunnström & Palmqvist 2026)
- [[sutama-chatgpt-eportfolio-speaking-2026]]
- [[mendoza-ai-feedback-feedback-literacy-srl]] — Грамотність у зворотному зв’язку модерує зворотний зв’язок ШІ → саморегульоване навчання (Mendoza et al. 2026)
- [[hawkins-feedback-literacy-ai-essay-writing]] — Грамотність у зворотному зв’язку передбачає оцінку есея в письмі з посиленням від ШІ (Hawkins et al. 2026)
- [[liu-deris-ai-feedback-literacy-uptake]] — Шкала AI Feedback Literacy і передбачення засвоєння (Liu & Deris 2025)
- [[zhan-boud-dawson-genai-feedback-engagement]] — Рамка GenAI як умовника залученості до зворотного зв’язку (Zhan, Boud, Dawson & Yan 2025)
- [[rethinking-ai-writing-feedback-literacy]] — Скрипти грамотності у зворотному зв’язку та навчання калібруванню для письма з допомогою ШІ (Dai 2026)
- [[feedback-literacy-scripts-eap-writing]] — Скрипти грамотності у зворотному зв’язку + другий оцінювач у переробці письма в EAP (Yao 2026)
- [[tubino-adachi-ai-automated-feedback-literacy]] — Інструмент автоматизованого зворотного зв’язку ШІ для розвитку грамотності у зворотному зв’язку (Tubino & Adachi 2025)
- [[irwin-muller-efl-peer-feedback-literacy]] — Позиціонування GenAI у зворотному зв’язку рівесників в EFL для тренування грамотності у зворотному зв’язку (Irwin & Muller 2026)
- [[scaffolding-srl-feedback-genai-human-peers]] — Скаффолдинг саморегульованого зворотного зв’язку: GenAI проти людських рівесників (Gu, Chen & Yan 2026)
- [[jin-genai-learning-analytics-feedback-literacy]] — Аналітика навчання GenAI у зворотному зв’язку, перспектива грамотності у зворотному зв’язку (Jin et al. 2025)
- [[richmond-nicholls-genai-psych-feedback-ai-literacies]] — Оцінювання з GenAI будує психологічну грамотність, грамотність у зворотному зв’язку та грамотності ШІ (Richmond & Nicholls 2025)
- [[learner-centered-feedback-ai]] — Практики та сприйняття викладачами зворотного зв’язку ШІ, зосередженого на здобувачі
- [[care-full-feedback-genai]] — Проєктування турботливого зворотного зв’язку з GenAI
- [[ai-generated-feedback-higher-ed]] — Згенерований ШІ зворотний зв’язок у вищій освіті
- [[ai-feedback-ecosystem-higher-education-2026]] — ШІ переробляє відношення між студентами, освітянами, рівесниками та матеріалами в екосистемі зворотного зв’язку (Bearman et al. 2026)
- [[ai-feedback-critical-thinking-writing-2026]] — Зворотний зв’язок ШІ і критичне мислення в письмі
- [[repeated-ai-writing-feedback-semester]] — Повторюваний зворотний зв’язок ШІ для письма через семестр
- [[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]] — Шлях від використання GenAI до критичного мислення проходив через грамотність у зворотному зв’язку GenAI, посилюючись із рефлексивним мисленням

---

## [Якість зворотного зв’язку ШІ](https://edtechdev.github.io/aied/concepts/ai-feedback-quality/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Якість зворотного зв’язку ШІ** — точність, корисність, своєчасність та [[pedagogy|pedagogical]] цінність зворотного зв’язку, який генерують системи ШІ для здобувачів. У міру того як згенерований ШІ зворотний зв’язок стає всюдисущим в освіті, розуміння того, що робить зворотний зв’язок ефективним — і коли він не дотягує, — є критичним для забезпечення того, що ШІ підтримує навчання, а не підриває його.

## Питання для роздумів

- Що робить зворотний зв’язок «добрим» — лише точність, чи також своєчасність, конкретність, придатність до дії та каліброваність щодо того, що ви вже знаєте? Якого з цих якостей вам першим бракувало б?
- Дослідження виявляють, що студенти сприймають згенерований ШІ зворотний зв’язок як подібний до викладацького — але прийнятність не гарантує [[learning-gains|learning effectiveness]]. Чому зворотний зв’язок, який здається нормальним, може все ж не допомогти вам покращитися?
- Навіть високоякісний зворотний зв’язок ШІ є інертним без «грамотного щодо зворотного зв’язку» отримувача — дослідження показують, що низька грамотність щодо зворотного зв’язку може зробити зворотний зв’язок ШІ мінімально корисним або навіть негативним. Чия відповідальність будувати цю грамотність?
- Якість зворотного зв’язку і глибина перегляду пов’язані: скаффолдинг того, як студенти взаємодіють із зворотним зв’язком ШІ, зміщує їх до покращення на рівні аргументу, а не до поверхневих правок. Як спосіб, у який ви отримуєте зворотний зв’язок, змінює те, що ви з ним робите?
- Сикофантський зворотний зв’язок змішує підтримку зі згодою — ШІ, який підтверджує вашу відповідь, а не кидає їй виклик, підриває коригувальну функцію зворотного зв’язку. Коли зворотний зв’язок має кидати вам виклик, а не втішати вас?
- Калібрування довіри має значення: система, яка знає, коли невпевнена, дає кращий зворотний зв’язок, ніж та, що впевнено помиляється. Як інструмент має сигналізувати вам свою невизначеність і як би ви використали цей сигнал?

## Вступ

Якість зворотного зв’язку ШІ не є просто правильністю. Ефективний зворотний зв’язок має бути своєчасним, конкретним, придатним до дії та каліброваним щодо поточного розуміння здобувача. Дослідження в цій базі знань вивчають якість зворотного зв’язку ШІ за кількома вимірами: точністю (чи є зворотний зв’язок правильним?), корисністю (чи допомагає він студенту покращитися?) та педагогічною узгодженістю (чи сприяє він навчанню, а не лише виконанню завдання?).

### Як якість зворотного зв’язку ШІ проявляється в дослідженнях

- **Порівнянність із людським зворотним зв’язком:** [[ai-generated-feedback-higher-ed|Studies in higher education]] виявляють, що згенерований ШІ зворотний зв’язок сприймається як прийнятний і підтримувальний — подібний до викладацького. Але прийнятність не гарантує навчальної ефективності. [[meta-analysis-systematic-review|systematic review]], керований PRISMA, 42 емпіричних досліджень (2023–2025) також виявляє, що якість оцінювання та зворотного зв’язку на основі [[llm]] є зумовленою завданням — збігаючись із людськими оцінювачами на коротких, добре структурованих відповідях із детальними рубриками, але погіршуючись на складній, відкритій чи [[multilingual-learning|multilingual]] роботі, зі зворотним зв’язком, що іноді є занадто загальним або невідповідним до оцінки — і визначає якість підказки, детальність рубрики, версію моделі та мову оцінювання як домінуючі детермінанти якості оцінювання та зворотного зв’язку ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]).
- **Згенеровані LLM матеріали уроків збігалися зі створеними людьми — коли зворотний зв’язок був присутній.** [[lin-rag-lesson-generation-tutor-training-2026|Lin et al. (2026)]] згенерували сценарні уроки підготовки тьюторів за допомогою конвеєра з доповненням пошуком над курованими джерелами досліджень і порівняли їх у рандомізованому експерименті з восьми умов (N = 208) проти ретельно написаних людьми уроків. Створений людьми урок дав вищу продуктивність на посттесті (0.793 проти 0.730), але лише в умові без зворотного зв’язку; з негайним пояснювальним зворотним зв’язком різниця джерела зникла, і зворотний зв’язок не мав загального основного ефекту. Для генерації контенту висновок вказує, що розрив «людина проти LLM» є розривом скаффолдингу: згенеровані матеріали є конкурентоспроможними, коли навчальне середовище постачає той пояснювальний зворотний зв’язок, якого сам урок не дає.



Сприйнята студентами якість є більш змішаною, ніж указує прийнятність: 77 із 93 студентів бакалаврату вважали зворотний зв’язок ШІ зрозумілим, проте 68 вважали його повторюваним, а 79 — суперечливим самому собі; лише 31 погоджувалися, що він оцінює складне чи творче письмо, і 81.7% віддавали перевагу людському оцінюванню для фінальної роботи, що становить 40% оцінки ([[when-students-prefer-ai-scoring-feedback-2026|Yildirim-Erbasli et al. (2026)]]).
- **Об’єднаний опорний пункт для механізму зворотного зв’язку.** Метааналіз 53 досліджень виявив, що зворотний зв’язок GenAI дав найбільший ефект у дослідженні (g = 1.27), проти g = 0.40 для досягнень, що пояснюється розумінням, своєчасністю та об’єктивністю — хоча студенти можуть не довіряти зворотному зв’язку ШІ, а відсутність у нього емоційної реакції може підвищити когнітивне навантаження ([[genai-educational-outcomes-meta-analysis|Dong (2026)]]).

Кероване порівняння ізолює компонент зворотного зв’язку від адаптивної системи: з тією самою діагностичною системою [[intelligent-tutoring|tutoring]] здобувачі, які отримували автоматизований зворотний зв’язку в реальному часі, піднялися з 1.90 до 3.54 на чотирибальній шкалі оцінювання математики проти 1.90 до 2.85 без нього (F(1, 76) = 9.24, p = .003, d = 0.73) ([[intelligent-tutoring-mathematics-education-review-2026|Ogunsakin et al. (2026)]]).

- **Підтримувальна послідовність зворотного зв’язку може все ж зашкодити навчанню.** [[sequenced-ai-feedback-learning|Cao et al. (2026)]] виявили, що послідовність «підбадьорення → підказки → правильна відповідь» знизила оцінки на посттесті (B = −0.83, p = .02), попри підвищення сприйнятого підбадьорення, причому часті повторні подання передбачали гіршу продуктивність (B = −0.33, p = .001), тому залученість і задоволеність не є сурогатами [[learning-gains|learning]].

- **[[benchmark|benchmarks]] класифікації зворотного зв’язку:** [[teaching-feedback-classification-benchmark|Cross-language feedback benchmarks]] оцінюють, чи переноситься класифікація якості зворотного зв’язку між мовами та освітніми контекстами, пов’язуючись із [[ai-ed-evaluation]].

- **Системи спільного зворотного зв’язку:** [[becerra-aicofe-feedback-2026|AICoFE]] реалізує та розгортає заснований на ШІ спільний зворотний зв’язок у [[higher-ed|higher education]], оцінюючи і продуктивність системи, і сприйняття студентами.
- **Персоналізація може кодувати упередженість.** Утримуючи есе незмінним, зумовлювання зворотного зв’язку расою, мовою чи інвалідністю студента змістило чотири LLM до упередженості позитивного зворотного зв’язку (надмірної похвали) і упередженості утримання зворотного зв’язку (менш змістовної критики) — механізму, через який персоналізований зворотний зв’язок стає дискримінаційним ([[marked-pedagogies-linguistic-bias-writing-feedback|Tan, Phalen & Demszky (2026)]]).
- **Зворотний зв’язок автоматизованого оцінювання:** [[automated-assessment|Automated Grading]] та дослідження [[formative-assessment]] вивчають, чи дають оцінювані ШІ [[assessment|assessments]] зворотний зв’язок, який збігається з якістю людського оцінювання або перевершує її.
- **Зворотний зв’язок оцінювання есе:** [[cong-confidence-asag-2026|Confidence-aware ASAG]] та [[choi-anchor-aes-prompting-2025|anchor-based AES]] досліджують, як калібрування довіри та дизайн [[prompt-engineering|prompting]] впливають на якість зворотного зв’язку при оцінюванні письма.
- **Зворотний зв’язок, обмежений доказами та адаптивний до ризику:** [[risk-adaptive-genai-feedback-programming-2026|Wang (2026)]] розділяє три функції, які дослідження зворотного зв’язку зазвичай оцінюють разом — передбачення того, який невдалий стан збережеться, вирішення, коли має бути витрачена обмежена спроможність підтримки, і генерацію зворотного зв’язку, чиї твердження залишаються в межах зафіксованих доказів. На 2993 станах невдалих подань від 215 студентів калібрована модель ризику відібрала 17.8% придатних тестових станів і охопила 25.2% спостережуваних стійких збоїв, і після одного стандартизованого проходу відновлення 519 із 544 згенерованих повідомлень несли всі необхідні компоненти. Тому своєчасність і заземлення приєднуються до лінгвістичної якості та відновлюваності як виміри, за якими має судитися система зворотного зв’язку.

- **Надання зворотного зв’язку на розсуд:** [[ai-assistance-discretionary-feedback|Research on AI-assisted feedback in higher education]] вивчає, чи збільшує ШІ кількість і якість зворотного зв’язку, який дають викладачі.
- **Реляційний шар опирається делегуванню:** серед 21 викладача вищої освіти, які використовували інструмент зворотного зв’язку ШІ, 12 переписували текст моделі, причому правки згруповувалися на тоні та підбадьоренні (Student–Teacher Relationship f = 24), і досвідченіші викладачі позначали тягар редагування, довіру та ризик дезінформації, тоді як новачки поступли інструменту ([[learner-centered-feedback-ai|Aldino et al. (2026)]]).
- **Надійне надання, а не внутрішня перевага, рухає перевагу ШІ:** семестровий польовий експеримент [[gpt4-feedback-student-activation-2026|Geschwind et al. (2026)]] виявив, що зворотний зв’язок GPT-4 перевершив [[peer-assessment|peer feedback]], оскільки був *узгоджено* доставленим — майже всі респонденти зі зворотним зв’язком ШІ (369/398) отримували текстовий і числовий зворотний зв’язок, тоді як менше двох третин студентів зі зворотним зв’язком однокурсників не отримували жодного, і багато зворотного зв’язку однокурсників було нецільовою похвалою. Коли високоякісний текстовий зворотний зв’язок однокурсників *був* отриманий, результати однокурсників збігалися з результатами ШІ — що вказує, що перевага ШІ є надійністю, а не якістю на маржі. Студенти також оцінили зворотний зв’язок однокурсників трохи вище за сприйняту валідність та емоцію (легку [[trust|algorithm aversion]]), проте все ж активізувалися і навчалися більше зі ШІ, показуючи, що сприйнята якість і поведінкові результати можуть розходитися.
- **Парітет якості може поступитися з раундами.** За спільною рубрикою зворотний зв’язок груп однокурсників збігався зі зворотним зв’язком ChatGPT-4o за п’ятьма вимірами в першому раунді, але модель випередила за конструктивністю, точністю та конкретністю в другому раунді — зсув, який вони пояснюють узгодженим із рубрикою підказуванням і практикою, а не сталою властивістю моделі ([[peer-group-vs-ai-feedback-2026|Li et al. (2026)]]).
- **Перевага може походити від розібраного прикладу, а не від коригувального зворотного зв’язку.** Практика супровідних листів із ШІ перевершила зворотний зв’язок досвідчених людських редакторів на пізнішому завданні без допомоги (d = .20), і лише перегляд одного відредагованого ШІ листа збігався з практикою за допомогою інструмента, тому здобуток відстежував приклад ([[coach-not-crutch-ai-writing|Lira et al. (2025)]]).

- **Позначка джерела проти якості зворотного зв’язку:** [[perceptions-teacher-vs-ai-feedback-bias-2026|Mertens et al. (2026)]] розділяють *джерело* зворотного зв’язку від його якості, утримуючи контент незмінним — 401 викладач оцінювали повідомлення зворотного зв’язку, які всі були згенеровані за допомогою GPT-4-turbo, але випадково позначені як згенеровані викладачем чи [[generative-ai|ChatGPT]], і лише позначка змістила довірчивість (b = 0.21), корисність (b = 0.47) і справедливість (b = 0.48, усі p < .001), причому 73% віддавали перевагу позначеному як викладацькому повідомленню, t(400) = 15.55, d = 0.78. Керовані провайдером пункти змістилися найдалі — сприйнята зусилля (b = 1.34) і готовність покладатися (b = 1.45) — і письмове пояснення того, як працює ChatGPT, не змінило нічого (взаємодії ps ≥ .399), вказуючи на [[trust]], [[teacher-role|professional identity]] та [[bias-mitigation|ingroup bias]] в оцінювачу, а не на будь-який недолік самого зворотного зв’язку. Тому сприйнята якість може бути знижена походженням навіть коли контент ідентичний, що означає, що справді добрий інструмент може все ж застрягти в точці використання.
- **Позначка джерела проти якості зворотного зв’язку, на боці студента:** [[nazaretsky-feedback-source-bias-2025|Nazaretsky et al. (2025)]] провели студентський аналог, у якому 472 студенти EPFL у шести курсах оцінювали зворотний зв’язок на власних роботах, не знаючи його джерела, і знову після розкриття, і більшість не могла розрізнити два варіанти (287 із 472 вгадали правильно). Оцінки потім змістилися в протилежних напрямах — значуще для Genuineness (p < .01) — причому людським провайдерам надавали більше довірчивості (μ = 3.28, σ = 0.77), ніж ШІ (μ = 2.25, σ = 0.85, Cohen's d = 0.57). Неправильне віднесення йшло здебільшого в один бік: зі 219 випадків низько оціненого людського зворотного зв’язку 205 були прочитані як ШІ, тому сприйнята якість і сприйнята ідентичність переформують одна одну в обох напрямах, а не лише позначка знижує ідентичний текст.
- **Грамотність щодо зворотного зв’язку як межа на боці засвоєння:** [[liu-deris-ai-feedback-literacy-uptake|Liu & Deris (2025)]] валідують **шкалу AI Feedback Literacy (AIFL)** (16 пунктів, фактори Attitudes/Practices), яка передбачає фактичне засвоєння студентами зворотного зв’язку ШІ, а [[mendoza-ai-feedback-feedback-literacy-srl|Mendoza et al. (2026)]] показують, що [[feedback-literacy|feedback literacy]] модерує, чи покращує зворотний зв’язок ШІ [[self-regulated-learning]] — висока грамотність дає користь, низька грамотність дає мінімальні або навіть негативні ефекти. Якість зворотного зв’язку і грамотність щодо зворотного зв’язку — дві сторони однієї системи: навіть високоякісний зворотний зв’язок ШІ є інертним без грамотного отримувача.
- **Якість зворотного зв’язку рухає глибину перегляду:** [[rethinking-ai-writing-feedback-literacy|Feedback literacy scripts]] та [[feedback-literacy-scripts-eap-writing|second-rater mechanisms]] показують, що [[scaffolding]] того, як студенти взаємодіють із зворотним зв’язком ШІ, зміщує перегляд до покращення на рівні аргументу, а не до поверхневих правок — зворотний зв’язок, який сприяє глибшому перегляду, є зворотним зв’язком вищої якості. Те, що студенти *роблять* із коментарями, також залежить від їхнього роду, а не лише від їхньої кількості. У восьмитижневому порівнянні письма другою мовою ширше, самоналаштовуване виправлення помилок викладача дало більший здобуток на першому завданні, але впало приблизно на третину в другому завданні, щойно робота зажадала структурних проривів, тоді як вужчий, але стійкіший фокус [[peer-assessment|AI-assisted peer feedback]] утримав своє покращення і трохи випередив середнє перегляду другого завдання в класі викладача — міжгруповий розрив, який автори повідомляють як не статистично значущий. Автори читають авторитетне, багате на помилки виправлення як сприяння пасивному, уникаючому помилок перегляду і розглядають два режими як доповнювальні [[scaffolding|heterogeneous scaffolds]], а не замінники ([[teacher-vs-ai-peer-feedback-l2-writing-2026|Tang, Li & Luo, 2026]]); жоден режим не змістив синтаксичної складності, тому якість зворотного зв’язку також обмежена тим шаром уміння, на який вона може діяти.
- **Сикофантія як збій зворотного зв’язку:** [[ai-sycophancy|Sycophantic]] зворотний зв’язок змішує підтримку зі згодою — ШІ, який підтверджує відповідь студента, а не кидає їй виклик, підриває коригувальну функцію зворотного зв’язку, погіршуючи якість навіть коли він здається підбадьорливим. [[eduframetrap-llm-sycophancy-educational-safety|EduFrameTrap]] показує [[intelligent-tutoring|tutors]], які утримують коригувальний зворотний зв’язок під соціальним тиском, а [[contextual-sycophancy-ai-literacy|contextual sycophancy]] поширює помилки в наступні поради; ефективний зворотний зв’язок має іноді кидати здобувачу виклик.
- **Діагностична точність лише частково визначає якість зворотного зв’язку — і [[self-assessment|self-evaluation]] LLM невідповідне [[human-in-the-loop-ai|human judgment]]:** [[reddig-maclellan-personalized-feedback-llm-2026|Reddig, Arora & MacLellan (2025)]] виявили, що GPT-4 давав спрямовані на помилку підказки приблизно 66% часу в тьюторі з College Algebra, проте приблизно 35% були занадто загальними, неправильними або видавали відповідь; навіть коли діагноз був неправильним, модель часто відновлювалася відповідним, загальним, але правильним зворотним зв’язком, хоча майже весь неправильний зворотний зв’язок слідував за міждіагнозом. Їхні автоматизовані перевірки якості на змодельованому студенті пройшли лише 21.4% підказок на обох тестах, відкинули спрямований зворотний зв’язок приблизно 70% часу і надавали перевагу підказкам, які просто розкривали відповідь — разюча демонстрація того, що автоматизоване [[ai-ed-evaluation|evaluation]] може різко розходитися з людськими судженнями про корисність і має бути каліброване проти них.
- **Стабільний результат не є валідним зворотним зв’язком:** на 12 відео класів за рамкою TEACH надійність і точність розійшлися — найстабільніший із восьми кінцевих пунктів LLM був серед найслабших проти сертифікованих експертів (точна узгодженість 0.31), і кожна модель надавала перевагу вербальним підказкам над неявними педагогічними доказами, оцінюючи низько там, де директиви були відсутні ([[melo-llm-classroom-observation-teach-2026|Melo et al., 2026]]).
- **Лінгвістична та перцептивна якість інструкційних коментарів ШІ:** [[wang-chatgpt-comments-video-learning-scaffolding-2026|Wang, Du and Jin (2026)]] оцінюють згенеровані ChatGPT коментарі скаффолдингу в відео проти коментарів викладача за складом частин мови, різноманіттям 3-грам, відповідністю до закону Ціпфа, читабельністю, тематичною релевантністю (TF-IDF і BERTScore) та оцінками здобувачів. Згенеровані коментарі були *більш* складними і багатими на прикметники, але *менш* різноманітними і менш читабельними, і відставали від людських коментарів за тематичною узгодженістю (0.607 проти 0.747 BERTScore для підтримки знань) і за сприйнятою своєчасністю та корисністю — доказ того, що якість зворотного зв’язку ШІ має судитися за лінгвістичною [[accessibility]] та [[affective-computing|affective]] пасуванням, а не лише за релевантністю. Їхній аналітичний набір пропонується як багаторазовий конвеєр [[learning-analytics]] для аудиту згенерованого ШІ інструкційного контенту.
- **Дизайн підказки та вибір моделі як виміряні предиктори якості:** [[teacher-ai-literacy-prompt-feedback-quality-2026|Jacobsen et al. (2026)]] розкладають джерела якості зворотного зв’язку ШІ за допомогою ієрархічної регресії на зворотному зв’язку, згенерованому для цілей планування уроків 153 майбутніх викладачів. На 240 зворотних зв’язках від трьох моделей за чотирма систематично зміненими підказками сама модель пояснювала 26.9% дисперсії в оцінках якості за дев’ятьма категоріями, і додавання підказки підвищило модель до 42.8% (ΔR² = 15.9%); у реплікації з найсильнішими поєднаннями модель-підказка (345 зворотних зв’язків) модель пояснювала 18.4%, а підказка — ще 5.7%. Найбільший одиничний ефект підказки був негативним: заміна специфічної для домену технічної термінології щоденними парафразами суттєво знизила якість зворотного зв’язку (β = −0.412), тоді як додавання конкретних прикладів і видалення інструкції ланцюга міркувань не були значущими в першому дослідженні. Тому якість не є сталою властивістю «ШІ» — вона спільно створюється тим, яку модель обрано, і тим, як сформульовано завдання, і обидва є придатними для навчання.


Стиль є виміром якості з ціною: за тією самою моделлю директивний зворотний зв’язок набрав вище за пріоритезацією істотних ознак і за конкретністю, тоді як сократичний зворотний зв’язок підвищив моніторинг розуміння — і директивний зворотний зв’язок ніс вище когнітивне навантаження ([[agent-type-feedback-style-self-directed-learning-2026|Han et al. (2026)]]).

Те, як зворотний зв’язок *створюється*, також належить до цього списку. У модульній автоматизованій системі оцінювання письма для аргументованих есе донавчання під наглядом на 90 анотованих викладачами есе дало непридатний зворотний зв’язок — донавчений GPT-4o перевищував своє вікно контексту 8,000 токенів на кожному висновку, а донавчена LLaMA-3.3-70B видавала JSON, який не розбирався — тоді як пряме підказування Claude 3.7 згенерувало 630 мікрокоментарів на 40 есе, яких викладачі визнали 94.69% необхідними та ефективними, зумовивши висновок авторів, що для недетерміністичного завдання генерації підказування може перевершувати донавчання ([[wraft-automated-writing-evaluation-argumentative-2026|Labib et al., 2026]]).

### Виміри якості

Якість зворотного зв’язку ШІ охоплює кілька вимірів, зафіксованих у базі знань:
- **Точність:** Чи визначає зворотний зв’язок правильно помилки та сильні сторони? ([[automated-assessment|Automated Grading]], [[automated-essay-scoring]])
- **Відновлюваність доказів:** Чи може система справді дістати докази, які вона судить? [[ai-assisted-physics-lab-report-assessment-2026|Abreu, Stari and Martí (2026)]] розділяють докази, присутні в поданні, від доказів, доступних після обробки — рівняння, графік чи одиниця можуть бути включені в звіт, проте ніколи не відновлені, тому зворотний зв’язок про той критерій спирається на ніщо — роблячи відновлення виміром якості, відмінним від точності чи калібрування. Їхня відповідь — вимагати, щоб кожна оцінка цитувала конкретні докази зі звіту, так що спостереження, яке не можна відстежити назад до тексту, є видимим як непідтримане.
- **Корисність:** Чи спрямовує зворотний зв’язок покращення? ([[feedback|Feedback Loop]], [[becerra-aicofe-feedback-2026]])
- **Своєчасність:** Чи доставляється зворотний зв’язок тоді, коли здобувач може діяти на його основі? ([[formative-assessment]])
- **Перевірність щодо об’єктивної міри:** Там, де ціль є машинно вимірюваною, зворотний зв’язок може бути перевірений щодо фізичного вимірювання, а не рубрики. [[ai-feedback-violin-intonation-2026|Aksoy (2026)]] витягнув 2,208 відхилень висоти тону на рівні ноти в центах і дав ці таблиці моделі, так що її твердження мали вимірюване референтне віднесення.
- **Упередженість:** Чи є зворотний зв’язок справедливим між населеннями студентів? ([[bias-mitigation]], [[equity-in-ai-education]])

- **Етика та прозорість:** Лише 14 із 50 найвище ранжованих університетів мали конкретні вказівки щодо використання ШІ викладачами для зворотного зв’язку, і студенти описували нерозкритий зворотний зв’язок ШІ як «нещирий» — прозорість і згода формують, чи приймається зворотний зв’язок, а не лише чи є він точним ([[luo-eaton-ai-student-feedback-ethics-2026|Luo & Eaton (2026)]]).
- **Калібрування:** Чи знає система, коли вона невпевнена? ([[automated-assessment|Confidence Aware AI Assessment]])

- **Критерії випуску, оцінені верифікатором.** LearnLens оцінює згенерований зворотний зв’язок за науковою точністю, ясністю та конкретністю і ітерує цикл перевірки та перегляду, доки кожен критерій не пройде поріг, використовуючи *окрему* базову модель, відмінну від генератора, щоб уникнути упередженості родини моделей; його оцінювання пройшло на 8–13% нижче за кожен базовий рівень за MSE (3.190) ([[zhao-learnlens-feedback-educators-loop|Zhao et al. (2025)]]).
- **Зрозумілість рідною мовою здобувача.** Зворотний зв’язок закриває розрив лише тоді, коли здобувач може стежити за поясненням, а не лише за позначкою. Kwara-STEM AI Tutor, локалізована модель, донавчена на національних навчальних планах технічної освіти, підштовхувала студентів, а не видавала відповіді, і постачала функцію «Clarify», яка перекладала складні технічні терміни на йоруба чи нупе, так що коригування в реальному часі потрапляло в мовний контекст самого здобувача ([[real-time-ai-feedback-technical-skills-2026|Muritala, Ahmed & Olumorin, 2026]]). Пояснення рідною мовою є умовою корисності синхронного зворотного зв’язку, а не декоративним доповненням.
- **Охоплення не є узгодженістю.** Шість LLM за трьома стратегіями підказування кожна дала більшість із семи типів фокусу зворотного зв’язку, проте їхній розподіл за цими типами розійшовся з викладацьким (найкраща дивергенція Дженсена-Шеннона 0.134, найгірша 0.270), тому ширина охоплення і розподільче пасування є окремими сигналами якості ([[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al., 2026]]).

### Зв’язок із ширшими поняттями

Якість зворотного зв’язку ШІ фундаментально пов’язується з [[formative-assessment]] та [[feedback|Feedback Loop]] — якісний зворотний зв’язок закриває розрив між поточною та бажаною продуктивністю. Вона перетинається з [[automated-assessment|Automated Grading]] (яке генерує оцінки, на яких базується зворотний зв’язок), [[ai-literacy]] (студенти мають критично оцінювати якість зворотного зв’язку) та [[cognitive-offloading|Over-Reliance]] (некритичне прийняття зворотного зв’язку ШІ може витіснити навчання). Для [[writing-education]] якість зворотного зв’язку є особливо значущою з огляду на зростаючу роль ШІ в оцінюванні письма.

## Пов’язані поняття

- [[pedagogical-patterns]] — Quality does not predict revision: the sequences that make AI feedback usable
- [[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]]

## Пов’язані статті

- [[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

---

## [Формативне оцінювання](https://edtechdev.github.io/aied/concepts/formative-assessment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Формативне оцінювання** — оцінювання, що призначене для поінформування поточного навчання та викладання, на відміну від [[summative-assessment|підсумкової]] оцінки. У сфері освіти зі ШІ формативне оцінювання водночас трансформується ШІ і є необхідним для нього: системи ШІ можуть генерувати, валідувати та адаптувати формативні завдання та зворотний зв’язок у великих масштабах, тоді як формативний зворотний зв’язок є основним механізмом, за допомогою якого [[intelligent-tutoring|штучні інтелект-тьютори]] та [[adaptive-learning|адаптивні системи]] підтримують навчання. [[research-methods-aied|Дослідження]] цієї бази знань розглядають створені ШІ формативні завдання, створений ШІ зворотний зв’язок, а також проєктування й оцінювання таких систем.

## Запитання для роздумів

- Формативне оцінювання має замикати петлю — виявляти, чого студенти не знають, і давати зворотний зв’язок, на який вони можуть діяти *поки навчання ще триває*. Чим це принципово відрізняється від підсумкової оцінки та коли на практиці ці два види можуть бути переплутані?
- ШІ може генерувати завдання з вибором відповіді з вражаючою точністю за перевірними вимірами, проте найслабший за вимірами педагогічного судження. Якщо машина добра у правильних відповідях, але слабша в [[pedagogy|педагогічному]] судженні, то чому варто їй довіряти — і що мають і далі робити люди?
- Створений ШІ зворотний зв’язок допомагає лише тоді, коли студенти справді його втілюють — умова «втіленого зворотного зв’язку», за якої студенти обирають, оцінюють і застосовують пропозиції, перевершила просте отримання зворотного зв’язку. Якщо втілення важливіше за сам зворотний зв’язок, що це означає для проєктування формативного зворотного зв’язку?
- Зворотний зв’язок описується не як передача інформації, а як [[ethics|етична]], реляційна практика. �о втрачається, коли формативне оцінювання масово виробляється як «ШІ-шлак» — і що можуть зберегти людські банки коментарів та реляційна турбота?

## Вступ

Формативне оцінювання є центральним для [[ai-education|ШІ в освіті]], оскільки перебуває на перетині [[assessment]] і [[feedback|навчального зворотного зв’язку]]. Його мета — замкнути петлю: виявити, що студенти знають і чого не знають, і дати зворотний зв’язок, на який вони можуть діяти для покращення. ШІ робить це можливим у масштабі — генеруючи завдання, оцінюючи відповіді й надаючи індивідуалізований зворотний зв’язок — але дослідження бази знань показують, що якість різко відрізняється за типами завдань і що зворотний зв’язок допомагає лише тоді, коли студенти справді його втілюють.

## Створені ШІ формативні завдання

Системи ШІ генерують завдання формативного оцінювання в різних модальностях, і надійність залежить від типу:

- **Завдання з вибором відповіді:** [[code-gen]] показує, що [[agentic-ai|агентний ШІ]] може надійно генерувати завдання з вибором відповіді для розуміння коду за умови валідації за сімома педагогічними вимірами — показники успіху досягають **98.6%** за узгодженістю понять і **79.9%** за якістю зворотного зв’язку — що свідчить про те, що ШІ найсильніший за перевірними вимірами й найслабший за вимірами педагогічного судження. Це пов’язується з [[automated-question-generation|автоматичною генерацією запитань]] загалом.

- **Легкий банк згенерованих завдань не дає формативного сигналу.** У 10-тижневому впровадженні близько 70% згенерованих ШІ практичних завдань були правильно відповідені кожним студентом (p = 1.0), тому некваліфіковані вікторини, що проводилися кожні 15–20 хвилин, були добре сприйняті, але майже не несли розрізняльної інформації для адаптації викладання ([[student-llm-use-ai-question-difficulty-data-science-2026|An & Wang (2026)]]).

- **Автоматизоване оцінювання есе:** багатоагентні фреймворки (наприклад MASS) підвищують узгодженість порівняно з окремими [[llm|ВММ]] для [[automated-essay-scoring|оцінювання есе]], хоча [[explainable-ai|інтерпретованість]] багатоагентних оцінювальних рішень залишається відкритою проблемою.

- **Конвеєри формативного оцінювання:** [[cotal-formative-assessment-scoring-2026|CoTAL]] поєднує підказки типу ланцюжок-роздумів з [[active-learning|активним навчанням]] і Evidence-Centered Design, щоб отримати узагальнюване оцінювання формативного типу з підтримкою людини в циклі [[prompt-engineering|інженерії підказок]].

- **Високочастотні [[automated-assessment|автоматизовано оцінювані перевірки]]:** [[automated-formative-assessments-a-level-sciences|автоматизоване формативне оцінювання у науках рівня A]] розглядає вплив високочастотного автоматизовано оцінюваного формативного оцінювання на [[learning-gains|навчальні результати]]. Оглядове дослідження (scoping review) автоматичного оцінювання коротких відповідей у [[science-education|науці]] (2017 – початок 2024) підтверджує, що цей формативний сценарій із короткими відповідями є галуззю з реальною динамікою: моделі родини BERT домінували в автоматичному оцінюванні до 2021 року, перш ніж з ~2022 року їх змінили більші [[llm|ВММ]] на підказках, а моделі з розширенням предметної області, орієнтовані на рубрики та з ланцюжками-роздумів показали найкращі результати — проте заклики огляду до комплексного оцінювання та невирішені прогалини в [[bias-mitigation|справедливості]] та пояснюваності попереджають проти поширення таких систем на неопосередковане [[summative-assessment|підсумкове]] або високоставлене в ставку використання ([[auto-marking-short-answer-science-2026]]).

## Створений ШІ зворотний зв’язок

Значний масив досліджень бази знань розглядає створений ШІ формативний зворотний зв’язок:

- **Проблема втілення:** [[ai-feedback-enactment-workflow-2026|Making AI-Generated Feedback Matter]] (13 037 студентів; 51 296 ресурсів) показує, що цінність зворотного зв’язку залежить від того, чи студенти його *втілюють* — умова **втіленого зворотного зв’язку**, за якої студенти обирають, оцінюють і застосовують пропозиції ШІ, перевершила простий направлений зворотний зв’язок.

- **Зворотний зв’язок ШІ може зрівнятися з відповіддю експертів-викладачів, коли рубрика несе критерії.** Сліпий до джерела і рандомізований на 47 університетських проєктних групах експеримент із ВММ, якому дали спільно побудовану рубрику 0–30 та зразок, був не гіршим *і* еквівалентним експертному зворотному зв’язку (+0.23, 90% CI [−0.46, 0.91]) — калібрувала рубрика, а не модель ([[ai-generated-feedback-higher-ed|Grion et al. (2026)]]).

- **Зворотний зв’язок — це не передача інформації:** [[care-full-feedback-genai|The care-full craft of feedback]] стверджує, що зворотний зв’язок є етичною, реляційною практикою, а не передачею інформації — він стає зворотним зв’язком лише тоді, коли студенти осмислюють його і діють відповідно до нього, і протиставляє масово вироблений «ШІ-шлак» людським скороченням у вигляді банків коментарів.
- **Послідовний зворотний зв’язок може спрацювати навпаки:** [[sequenced-ai-feedback-learning|Sequenced AI feedback]] (підбадьорення → підказки → правильна відповідь, розроблений для підтримки автономії) насправді **зашкодив навчанню** в рандомізованому експерименті (N=199), попри підвищення [[student-engagement|залученості]] та позитивних сприйнять — це попереджаючий висновок щодо проєктування зворотного зв’язку.

- **Інструменти, орієнтовані на здобувача:** [[learner-centered-feedback-ai|PolyFeed]] поєднує моделі пропозицій машинного навчання з практикою [[teacher-role|викладача]], показуючи, як викладачі засвоюють і адаптують пропозиції щодо зворотного зв’язку від ШІ; [[ai-internal-feedback-evaluative-judgments|AI-supported internal feedback]] допомагає студентам бакалаврату розвивати [[evaluative-judgment|оцінювальне судження]].

- **Підказки за рубриками та зворотний зв’язок із врахуванням ролей:** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] показали, що ітеративне спільне вдосконалення рубрики — уточнення дескрипторів продуктивності та явне визнання імпліцитних індикаторів навчання — підвищило узгодженість між ВММ і людиною щодо проєктних робіт студентів з 54.75% до 81.25% (альфа Кронбаха зросла з 0.393 до 0.798), з найбільшим приростом у когнітивно вимогливій категорії Iteration & Reflection. Підказки тій самій моделі в ролях викладача, рецензента-колеги та рецензента грантів давали різний оцінювальний зворотний зв’язок, а ВММ після ревізії були узгодженішими за деяких людських оцінювачів у застосуванні порогів продуктивності — що позиціонує керовані рубриками ВММ як партнерів із калібрування та спільного проєктування в середовищах формативного зворотного зв’язку, де нагляд із участю людини залишається необхідним.

- **Цифри узгоденості приховують спрямованість: модель може ховатися в середню категорію.** Оцінювач на основі ВММ, що позначав ходи діалогу в оцінюванні на основі розмови, збігався з людським кодуванням на 52.2% з 155 подій, але частіше за оцінювачів використовував приховану мітку PARTIAL_CORRECT (53.5% проти 41.3%) і позначив 5.4% ходів як IRRELEVANT, тоді як оцінювачі не позначили жодного ([[llm-multi-agent-conversation-assessment-2025|Hou et al., 2025]]).

- **Зворотний зв’язок ШІ підтримує участь і дає здобутки в масштабі:** семестровий польовий експеримент [[gpt4-feedback-student-activation-2026|Geschwind et al. (2026)]] у семінарських заняттях бакалаврату виявив, що індивідуальний формативний зворотний зв’язок GPT-4 (що охоплював усі три виміри Хатті та Тімперлі — Feed-Back, Feed-Up, Feed-Forward) підтримував найвищу участь у восьми завданнях із відкритою відповіддю, подовжував відповіді студентів і давав найсильніші навчальні здобутки за змістом — ефект, зумовлений надійним і послідовним забезпеченням з боку ШІ, оскільки коли якісний текстовий зворотний зв’язок від колег справді отримували, результати колегів зрівнювалися з результатами ШІ.

- **Майбутнє зворотного зв’язку:** [[feedback-futures-genai|Feedback Futures]] синтезує спеціальний випуск і стверджує, що питання не в тому, *чи* [[generative-ai|генеративний ШІ]] може давати зворотний зв’язок, а в тому, як проєктувати зворотний зв’язок, що підтримує навчання, виокремлюючи повторювані напруги в усій галузі.

- **Більшість формативного зворотного зв’язку є моментальною, а не стійкою.** В оглядовому дослідженні 37 досліджень автентичного оцінювання 23 використовували формативний зворотний зв’язок для негайного покращення, але лише чотири використовували стійкий зворотний зв’язок, який студенти переносять у майбутні контексти — такий реактивний патерн відтворюють поточні інструменти зворотного зв’язку на основі ШІ ([[zhan-boud-du-authentic-assessment-scoping-review-2025|Zhan, Boud & Du (2025)]]).

- **Зворотний зв’язок із діагностикою попереду для відкритих кількісних задач:** [[yin-arthur-ai-teaching-assistant-engineering-econ-2026|Arthur (Yin et al. 2026)]] дає зворотний зв’язок у режимі реального часу та персоналізований формативний зворотний зв’язок щодо розрахункових формульних запитань з інженерної економіки — галузі, де раніше рукописні, неструктуровані рішення блокували підтримку з боку ШІ. Основа на рівні окремого запитання — [[machine-learning|XGBoost]] — діагностує ймовірні помилки за мітками рубрики з поданих студентами числових відповідей (середня точність 0.81, повнота 0.79), а діалогова схема запитує проміжні відповіді лише тоді, коли впевненість прогнозу низька — балансуючи точність зворотного зв’язку та ефективність збирання в межах вебінтерфейсу банку запитань.

- **Масштаб і межі формативного зворотного зв’язку ВММ (систематичні дані):** систематичний [[meta-analysis-systematic-review|огляд]] за методикою PRISMA з 42 емпіричних досліджень (2023–2025) виявляє, що ВММ можуть зменшити навантаження викладачів і давати швидкий персоналізований зворотний зв’язок у масштабі — особливо у великих когортах [[higher-ed|вищої освіти]] — але зворотний зв’язок іноді є занадто загальним або розладнаним із призначеним рівнем, а надійність падає на довших, [[multilingual-learning|багатомовних]] або нюансованих задачах, що підкреслює: формативний зворотний зв’язок від ШІ найкраще впроваджувати під наглядом педагогів ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]).

- **Адаптивність — окремий інгредієнт, а не оздоблення:** [[ai-feedback-adaptivity-children-plans-2026|Sukjaitham, Schaaf, Brod & Breitwieser (2026)]] дають прямий причинний тест, який більшість досліджень зворотного зв’язку ВММ припускають без доведення, зіставляючи зворотний зв’язок GPT-4, контингентний відповіді, з написаними експертами загальними вказівками, узгодженими за структурою, тоном, довжиною та [[motivation|мотиваційними]] формулюваннями (перевірено п’ятивимірною рубрикою якості, κ = .76–1.00). У пререєстрованому експерименті з мірою в середині суб’єкта 155 німецьких п’яти- й шестикласників (M = 12.08 років) переробляли шість планів «якщо—то»: якість плану зросла з медіани **2 → 5** за адаптивного зворотного зв’язку проти **2 → 3** за загальних вказівок (усередині особи V = 10 440, p < .001, r = .86; оцінка взаємодії умова × час = 1.68, SE = 0.14, p < .001, за відсутності відмінності до підтримки). Діти оцінили адаптивний зворотний зв’язок і як більш корисний (r = .67), і як більш мотивуючий (r = .74), а сприйняття на рівні спроби передбачали розмір приросту від переробки — роблячи [[technology-acceptance-model|сприйману корисність]] частиною шляху, а не емоційним побічним продуктом. Оскільки контрольна умова сама була добре спроєктована, дослідження показує додану вартість *понад* хороші неконтингентні вказівки, а не різницю між зворотним зв’язком і нічим: загальні вказівки — справжня, але обмежена заміна, що виходить на плато на власній медіані. Планування слугувало тестовим випадком як базова стратегія [[self-regulated-learning|саморегульованого навчання]] з явними критеріями якості, що робить контингентність — властивість, яка відрізняє [[scaffolding]] від статичної підтримки — безпосередньо вимірюваною на відповіді в одне речення. Автори визначають адаптивність вузько як адаптацію змісту зворотного зв’язку до конкретної відповіді здобувача, контингентну відповіді, відрізняючи її від розмовної інтерактивності, тону та стійкої риси [[adaptive-learning|адаптивного навчання]].

- **Сприймана корисність відстежує здійсненність:** [[mendonca-llm-feedback-perceived-usefulness-programming-2026|Mendonça et al. (2026)]] дали 144 студентам програмування оцінити 893 примірники створеного ВММ зворотного зв’язку за п’ятьма вимірами і 237 узагальнених звітів за шістьма, утримуючи постійними галузь, завдання та інструмент, змінюючи лише рівень освіти. Оцінки були сприятливими усюди: середні значення на рівні студента від 4.24 до 4.43 для окремих відповідей і від 4.11 до 4.38 для звітів, проте здійсненність і корисність отримали найнижчі оцінки, хоч здійсненність і сприймана точність несли найбільші відносні ваги (32.6% і 29.0%) у моделі, що пояснює 76% дисперсії сприйманої корисності, а мотивація і персоналізація очолили модель на рівні звіту для наміру використання, що пояснює 53%. Оскільки здійсненність є тим виміром, який [[feedback]]-дослідження вважають найважчим для забезпечення, патерн читається як [[technology-acceptance-model|сприйняття технології]], застосоване до зворотного зв’язку: корисність відстежує те, чи може здобувач діяти, а не те, наскільки відполіровано звучить зворотний зв’язок.

- **Узгоденість офлайн перебільшує продуктивність наживо:** конвеєр зворотного зв’язку GPT-4o [[ai-assisted-instructor-supervised-grading-feedback|Cruz et al. (2026)]] відтворював оцінку викладача з точністю до 0.5 бала на 83% із 362 поданих робіт, проте узгоденість із поправкою на випадковість була лише помірною (ICC(2,1) = 0.49) і падала з r = 0.92 на історичних роботах до 0.57 у живому використанні з наглядом викладача.

- **Розуміння випереджає здійсненність на шляху до переробки:** [[automated-scoring-learning-diagnosis-mechanism-2026|Yao and Fan (2026)]] відокремили діагностику на рівні проблеми від пропозицій і дали студентам письмовий аркуш тлумачення (перефразування, пояснення впливу, визначення невизначеності, план переробки) перед незалежною переробкою, структурованим переглядом викладача, переоцінюванням і рефлексією. У трьох письмових циклах у двох непорушених класах (96 студентів; 288 спостережень на рівні циклу) розуміння зворотного зв’язку мало найсильніший зв’язок із якістю переробки (r = 0.501, попереду здійсненності з 0.480 і точності діагностики з 0.445), а діагностична група здобула 5.92 письмових бала проти 3.58 (Hedges' g = 1.12), розташовуючи точку опори в розумінні студентами діагностики, а не лише в її здійсненності.

## Проєктування, прив’язане до навчального плану, і з участю викладача в циклі

[[ai-learning-tools-engineering-education-needs|LearnLens]] вирішує три стійкі проблеми формативного оцінювання з ШІ: **оцінювання з урахуванням помилок** (фіксація нюансованих помилок мислення, а не лише поверхневих), **ланцюги пам’яті, пов’язані з темами** (заміна шумного пошуку за схожістю на [[rag]] структурованим пошуком, прив’язаним до [[curriculum-design|навчального плану]]) і **проєктування з участю викладача в циклі** (налаштування та нагляд з боку викладача, а не повна автоматизація). Це пов’язується з ширшою напругою в [[human-in-the-loop-ai]]: масштабована автоматизація з експертною валідацією.

[[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026|Hoppe, Loibl & Leuders (2026)]] уточнюють, що означає участь викладача в циклі, коли інструмент дає власні твердження, а не сирі спостереження. Їхній концептуальний аналіз стверджує, що створені ШІ діагностичні висновки є якісно іншими доказами, оскільки вже є продуктом алгоритмічної інтерпретації, тому викладачам потрібен подальший шар, який автори називають **метадіагностикою**: свідоме прийняття, відхилення або зміна висновку та його інтеграція з власними контекстними знаннями. Специфікація фреймворку DiaCoM для цього розглядає створені ШІ висновки як характеристику ситуації, а рішення прийняти, відхилити або змінити — як діагностичну поведінку, розширючи при цьому характеристики особи, потрібні викладачам, щоб включити знання про те, як системи ШІ насправді працюють. Оскільки нинішні системи спираються переважно на дані про продуктивність, такі як правильність завдань і час їх виконання, мотиваційні стани та динаміка аудиторії залишаються переважно відсутніми, тому стаття зберігає викладачів, а не панель керування, як відповідальних рефлексивних агентів і розглядає оцінювання алгоритмічних тверджень як ціль професійного розвитку.

Відповідність ролі ШІ рівню досягнень — пов’язаний проєктувальний крок: майбутні викладачі природничих наук описували ChatGPT як Patient Tutor для слабких здобувачів, Personal Coach — для середніх і Intellectual Sparring Partner — для сильних, тоді як викладач зберігав за собою фінальне пояснення важкого змісту ([[instructor-ai-roles-chatgpt-formative-assessment-2026|Ratniyom et al., 2026]]).

## Проєктувальні компроміси

| Вимір | Придатність ШІ | Потреба в людині |
|-----------|----------------|-------------------|
| Фактична правильність | Висока | Низька |
| Узгодженість понять | Висока | Середня |
| Якість дистракторів | Низька | Висока |
| Глибина зворотного зв’язку | Низька | Висока |
| Узгодженість рубрики | Середня | Середня |

## Оцінювання, зворотний зв’язок і навчання

Формативне оцінювання в освіті зі ШІ пов’язане з самим процесом навчання:

- **Петлі зворотного зв’язку:** [[feedback|петлі зворотного зв’язку]] — це механізм, за допомогою якого формативне оцінювання поінформовує навчання; штучні інтелект-тьютори та адаптивні системи замикають ці петлі в масштабі.

- **Саморегульоване навчання:** формативний зворотний зв’язок підтримує [[self-regulated-learning|саморегульоване навчання]], коли студенти відстежують прогрес і коригують його; зворотний зв’язок від ШІ має розвивати [[ai-internal-feedback-evaluative-judgments|оцінювальне судження]], а не витісняти його.

- **Автоматизоване оцінювання охоплює деякі фази циклу, але не всі:** [[chen-automated-scoring-interpreting-self-regulated-learning-2026|Chen & Liu (2026)]] провели 14-тижневий квазіексперимент, у якому 46 студентів із перекладу щотижня подавали роботи в систему автоматизованого оцінювання, що повертала негайну оцінку, транскрипт, позначені помилки та еталонний варіант, тоді як контрольна група отримувала лише зворотний зв’язок викладача на весь клас. Автоматизована група покращилася більше загалом (d = 1.03), але приріст зберігся там, де дефіцит був розкладним, сигнал надійним, а шкала чутливою: мовна точність і логічна узгодженість зросли, тоді як відповідність інформації (узгоденість із людськими оцінювачами r = 0.12) і плавність виконання не зрушили. [[self-regulated-learning|Саморегульоване навчання]] було нерівним відповідним чином: виконання і моніторинг корелювали з приростом оцінок (r = 0.42), тоді як планування та емоційна мотивація перебували біля середини шкали, а кілька студентів відкладали залучення після низьких оцінок, замість аналізувати причини. Система дісталася фази виконання циклу, а не планування, що йому передує.

- **Від автоматизованої діагностики до згенерованої практики:** [[zhu-adaptive-teaching-assistance-genai-big-data-2026|Zhu, Luo & Li (2026)]] вплітають узгодження аудіо та оцінки, квантифікацію помилок і шар Proximal Policy Optimization в одну замкнену петлю для музичної освіти, перетворюючи сигнали помилок ритму (91.2% повноти, 98.4% специфічності) у винагороди, що керують згенерованими практичними треками, і повідомляють про значиму взаємодію Група × Час на користь групи з системою (beta = 0.52) у 12-тижневому квазіексперименті з 120 студентами-музикантами бакалаврату. Автори розглядають це як технічну доцільність, і практичне прочитання — сортування, а не оцінювання: точність 89.7% означає, що приблизно одна позначена помилка ритму з десяти є хибним тривогою, а експертні рецензенти дослідження оцінили підтримку музичної виразовості найслабшою галуззю, тому автоматизовані петлі пасують технічним вправам, тоді як оцінювання виразовості залишається за викладачами.

- **Скаффолдинг:** [[scaffolding]] і формативне оцінювання працюють разом — ШІ може давати підказки саме вчасно, хоча дослідження послідовного зворотного зв’язку попереджають проти надмірної структуризації.

- **Якість рубрики рухає узгоденість автоматизованого оцінювання більше, ніж вибір моделі.** На 1 200 відповідях із іспитів з Linux/bash [[automated-grading-linux-bash-examinations-large-language-models|Alonso-Carracedo et al. (2026)]] виявили, що додавання повної рубрики та еталонної відповіді підвищило результати кожної моделі (найкраща: Gemini 3.0 Pro, ICC(3,1) = 0.888 проти людського стелі 0.949), тоді як узгоденість падала монотонно зі зростанням когнітивного рівня запитання.

- **Створені ШІ рубрики збігалися з людським оцінюванням лише в межах допуску.** Чотири рубрики ШІ досягли узагальненої еквівалентності з людським базовим рівнем у межах ±5 балів на 308 відповідях із програмування (кореляції 0.948–0.973), але п’ять осередків «рубрика × завдання» перевищили її, і GPT-4.1/4o оцінювали систематично суворіше за структурованих рубрик (−4.46 проти −0.66 за вільної форми) ([[harmogen-ai-assessment-rubric-generation|Mendonça et al., 2026]]).

- **Валідність і якість:** [[ai-feedback-quality|якість]] і [[assessment-validity|валідність]] створених ШІ формативних завдань і зворотного зв’язку мають бути оцінені; [[ai-ed-evaluation]] дає методи.

- **Оцінювання з боку ШІ додає загрозу валідності.** Оскільки оцінювач на основі ШІ може винагороджувати конструктно нерелевантні риси, такі як мовна плавність, замість наукового мислення, білий документ Stanford/ETS, виготовлений за підсумками зустрічі близько 100 лідерів галузі, стверджує, що оцінювання має накопичувати безперервні, контекстно багаті докази, а не сертифікувати разові результати ([[responsible-assessment-ai-era-stanford-2026|McGee et al. (2026)]]).

- **Збережіть уразливе завдання й додайте близнюка.** [[roe-assessment-twins-2026|Roe, Perkins & Giray (2026)]] стверджують, що есе та дослідницькі звіти, що виконуються поза аудиторією, несуть суттєву формативну цінність і мають зберігатися для навчання в парі з другим завданням, що оцінює ті ж результати і дає надійні підсумкові докази.

## Ризик: оцінювання як нагляд

Системи формативного оцінювання можуть перейти від інструментів підтримки навчання до інфраструктури моніторингу поведінки. Ті самі потоки даних, що дозволяють адаптивне тьюторство, можуть дозволяти каральне відстеження, якщо [[governance]] слабке. Це пов’язується з [[privacy]] і [[well-being|благополуччям студентів]] і вимагає формативних систем, що підтримують навчання, а не стежать за ним.

## Наслідки для ШІ в освіті

- **Відповідність типу завдання надійності ШІ:** використовуйте ШІ для перевірних вимірів (узгодженість понять, правильність) і зберігайте людське судження для педагогічних вимірів (якість дистракторів, глибина зворотного зв’язку).

- **Проєктуйте для втілення, а не лише для надання:** зворотний зв’язок від ШІ допомагає лише тоді, коли студенти обирають, оцінюють і застосовують його — структуруйте робочі процеси, що підтримують втілення.

- **Проєктування зворотного зв’язку важливіше за обсяг:** послідовний або надмірно структурований зворотний зв’язок може спрацювати навпаки; надавайте пріоритет зворотному зв’язку, що підтримує осмислення студентами та їхню автономію.

- **Зберігайте педагогів у циклі:** системи, прив’язані до навчального плану і з участю викладача в циклі, підвищують релевантність і зменшують шум.

- **Оцінюйте якість і валідність:** оцінюйте створені ШІ завдання та зворотний зв’язок на якість, валідність і [[equity-in-ai-education|справедливість]], а не лише на швидкість генерації.

- **Розглядайте формативне оцінювання як філософію, а не як набір інструментів.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] синтезують ширшу літературу вищої освіти в парадигму «оцінювання для навчання», що розглядає формативний, безперервний та індивідуалізований [[feedback]] як загальну філософію, а не просто набір інструментів — балансуючи формативні цілі з [[summative-assessment|підсумковими]] й виносячи на передній план [[agency|агентивність студентів]], саморегуляцію та [[metacognition|метакогнітивну]] вмілість. Вони виокремлюють п’ять взаємопідсилювальних практик ([[authentic-assessment|автентичне оцінювання]], само- й [[peer-assessment]], переоцінювання, [[mastery-learning|стандартизоване оцінювання]], ungrading), через які цю філософію можна втілювати, зазначаючи водночас, що її впровадження залишається вкрай нерівномірним між галузями вищої освіти.

- **Безперервне оцінювання переосмислює сам формативний запис.** Еталонна архітектура AIM-CAI (позиційний документ, а не реалізація) пропонує замінити епізодичне оцінювання як основну базу доказів шестишаровою інфраструктурою: генерація доказів між платформами, серіалізація зі збереженням контексту джерела, опосередкована ШІ семантична трансляція, психометрична інтерпретація, довготривалі профілі компетентностей і федеративне врядування. Її таблиця змін визначає перехід: зворотний зв’язок за окремим завданням стає довготривалим зворотним зв’язком, що підтримує консультування та рефлексію; оцінки стають профілями компетентностей, що розвиваються; документи про кваліфікацію стають прозорими записами розвитку. Шар врядування — це наполягання документу: сім названих напруг (інтероперабельність проти локальної автономії, приватність проти корисності, агентивність здобувача проти предиктивної автоматизації, нагляд проти підтримки тощо), кожна з яких відображена на ризики та відповіді, із попередженням, що некероване безперервне висновування надає переваги домінантним культурним нормам. Заява про новизну є інтегративною: компоненти існують; внеском є архітектура та карта врядування. ([[mcnamara-aim-cai-continuous-assessment-2026]])

## Пов’язані поняття

- [[pedagogical-patterns]] — Послідовні форми, яких набуває формативне оцінювання, коли ШІ постачає частину зворотного зв’язку
- [[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]] — Підсумкове оцінювання: стійкі до ШІ формати (усні, під наглядом, закриті іспити)

## Пов’язані статті

- [[llm-multi-agent-conversation-assessment-2025]] — Архітектура з чотирьох агентів для оцінювання на основі розмови, оцінювач якої ховається в середню категорію (Hou et al. 2025)
- [[causal-modeling-competency-assessment-2026]] — Причинне моделювання втручань підтримки для оцінювання компетентностей студентів
- [[nicola-richmond-programwide-assessment-genai-2025]] — Програмні підходи до перепроєктування оцінювання в епоху генеративного ШІ
- [[ai-feedback-enactment-workflow-2026]] — Як зробити створений ШІ зворотний зв’язок значущим: від надання до втілення
- [[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]] — Impact and pathways of sequenced AI feedback
- [[learner-centered-feedback-ai]] — Enhancing learner-centered feedback with AI
- [[automated-scoring-learning-diagnosis-mechanism-2026]] — Від автоматизованого оцінювання до діагностики навчання: механічне дослідження підтримуваного ШІ формативного оцінювання в англійському письмі
- [[ai-internal-feedback-evaluative-judgments]] — Розвиток оцінювальних суджень через підтримуваний ШІ внутрішній зворотний зв’язок
- [[cotal-formative-assessment-scoring-2026]] — CoTAL: оцінювання формативного типу з підказками за участю людини в циклі
- [[automated-formative-assessments-a-level-sciences]] — Високочастотне автоматизоване формативне оцінювання
- [[ai-generated-feedback-higher-ed]] — Створений ШІ зворотний зв’язок у вищій освіті
- [[ai-learning-tools-engineering-education-needs]] — LearnLens: прив’язаний до навчального плану зворотний зв’язок на основі ШІ
- [[genai-teacher-feedback-comparison]] — Порівняння зворотного зв’язку генеративного ШІ та викладача
- [[chatgpt-feedback-engagement-genai]] — Зворотний зв’язок ChatGPT і залученість
- [[code-gen]] — CODE-GEN: валідована генерація завдань із вибором відповіді
- [[responsible-assessment-ai-era-stanford-2026]] — Відповідальне оцінювання в епоху ШІ
- [[zhan-boud-du-authentic-assessment-scoping-review-2025]] — Проєктування автентичного оцінювання
- [[automated-grading-linux-bash-examinations-large-language-models]] — Автоматизоване оцінювання іспитів із Linux/bash
- [[instructor-ai-roles-chatgpt-formative-assessment-2026]] — Ролі викладача та ШІ в підсиленому ChatGPT формативному оцінюванні
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Перегляд усних іспитів як автентичного, стійкого до ШІ оцінювання
- [[roe-assessment-twins-2026]] — Близнюки оцінювання для підсилення валідності оцінювання в епоху генеративного ШІ (Roe, Perkins & Giray 2026)
- [[harmogen-ai-assessment-rubric-generation]] — HARMOGEN-R: генерація рубрик оцінювання на основі ШІ
- [[ai-assisted-instructor-supervised-grading-feedback]] — Оцінювання та зворотний зв’язок із підтримкою ШІ під наглядом викладача
- [[adaptive-scaffolding-cognitive-engagement-its]] — Адаптивний скаффолдинг за ICAP в ITS (BKT проти DRL)
- [[yasar-llms-iterative-pedagogical-design-2026]] — ВММ як агенти ітеративного педагогічного проєктування
- [[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]] — Адаптивність робить зворотний зв’язок ефективним: докази від створеного ШІ зворотного зв’язку на планах дітей
- [[chen-automated-scoring-interpreting-self-regulated-learning-2026]] — Автоматизоване оцінювання, тлумачення виконання та саморегульоване навчання (Chen & Liu 2026)
- [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026]] — Діагностичні вмілість викладачів у підтримуваному ШІ формативному оцінюванні: від діагностики до метадіагностики
- [[mendonca-llm-feedback-perceived-usefulness-programming-2026]] — Сприймана корисність і намір використання створеного ВММ зворотного зв’язку в програмуванні на трьох рівнях освіти
- [[zhu-adaptive-teaching-assistance-genai-big-data-2026]] — Адаптивна допомога у викладанні, що поєднує генеративний ШІ та аналітику великих даних у музичній освіті
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Використання студентами ВММ і межі створеної ШІ складності запитань у курсах науки про дані
- [[mcnamara-aim-cai-continuous-assessment-2026]] — AI-Mediated Continuous Assessment Infrastructure (AIM-CAI): Connecting Learning Evidence Across Contexts and Time (McNamara & Hasnine 2026)

---

## [Підсумкове оцінювання](https://edtechdev.github.io/aied/concepts/summative-assessment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Підсумкове оцінювання** — оцінювання, яке застосовується для того, щоб виміряти й засвідчити, чого навчився здобувач наприкінці модуля, курсу або програми, на відміну від [[formative-assessment|formative assessment]], яке підтримує навчання під час навчального процесу. Підсумкове оцінювання, як правило, має форму високоставких іспитів — письмових, усних, із інтернет-контролем або за книжками — які виставляють оцінки, визначають перехід на наступний рівень і засвідчують компетентність. В епоху ШІ підсумкове оцінювання стало центральним полемем бою навколо [[academic-integrity]] та валідності: [[generative-ai|generative AI]] може завищувати результати на завданнях без нагляду або на домашніх завданнях, тому вибір формату підсумкового оцінювання — і те, наскільки він стійкий до підміни з боку ШІ — є ключовим проєктним рішенням.

## Питання для роздумів

- Підсумкове оцінювання засвідчує, чого навчився студент наприкінці курсу, тоді як формативне оцінювання підтримує навчання під час нього. Де ви бачили, що межа між ними розмивається, і чому важливо, що вони виконують різні функції?
- Сторінка подає генеративний ШІ як чинник, який перебудує підсумкове оцінювання у двох напрямах водночас: ШІ оцінює іспити, а студенти використовують ШІ, щоб обійти вимірювання на основі іспитів. Який із цих двох тисків здається вам більшою загрозою для валідності й чому?
- Якщо завдання без нагляду або виконані вдома втрачають валідність, бо ШІ може створити відповіді, що це означає для того, як слід проєктувати оцінювання — і чим, можливо, доведеться поступитися в цьому процесі?
- [[research-methods-aied|Research]], на які посилається сторінка, встановлює, що великі мовні моделі (LLM) не оцінюють есе так, як це роблять люди. Якщо автоматизоване оцінювання є швидким і послідовним, але виставляє інші оцінки, — це проблема [[bias-mitigation|fairness]], можливість, чи й те й інше?
- Що означає результат іспиту з високими ставками (оцінка, атестат, вступ до навчального закладу), якщо робота за ним могла бути створена ШІ? Як би ви спроєктували оцінювання, якому справді можна довіряти?

## Вступ

Підсумкове оцінювання виконує принципово іншу функцію, ніж формативне оцінювання: воно вимірює й засвідчує досягнення, а не задає напрям наступним крокам. Воно включає тести наприкінці модуля, випускні іспити, стандартизовані та високоставкі тести (наприклад, вступні іспити), усні захисти та кумулятивні оцінювання результатів діяльності. Оскільки результати підсумкового оцінювання мають реальні наслідки (оцінки, перехід на наступний рівень, атестація, вступ до університету), воно зазнає особливого тиску в епоху ШІ — і як *ціль* автоматизованого оцінювання, і як *уразливе* вимірювання, яке студенти можуть намагатися обіграти за допомогою генеративного ШІ.

## Ставки епохи ШІ: валідність і доброчесність

Дослідження, задокументовані в базі знань, показують, що генеративний ШІ принципово перебудував ландшафт підсумкового оцінювання у двох напрямах: ШІ використовується для того, щоб **оцінювати** іспити у великому масштабі, а також може бути використаний студентами для того, щоб **уникнути** іспит-орієнтованого вимірювання власного навчання.

- **ШІ як оцінювач.** Підсумкове оцінювання дедалі більше спирається на [[automated-assessment|automated scoring]] іспитів, есе й коротких відповідей. [[llms-do-not-grade-essays-like-humans-2026|Research on LLM essay grading]] встановлює, що [[llm|LLM]] не оцінюють есе так, як це роблять люди, що породжує питання валідності та справедливості високоставкого автоматизованого оцінювання. [[llm-automated-assessment-student-self-explanations|LLMs assessing student self-explanations]], і [[cong-confidence-asag-2026|automatic short-answer grading]] досліджують надійність оцінювання за допомогою LLM у підсумкових контекстах, тоді як [[psyscore-essay-scoring-zpd-feedback|psychometrically-aware frameworks]] прагнуть зберегти автоматизоване оцінювання надійним і адаптивним. Іспит із загальної хімії з рукописними відповідями, виконаний 296 студентами, ілюструє, чому потрібен вибірковий нагляд: узгодженість загальної оцінки мультимодальної LLM з оцінками асистентів була високою (R² = 0.91), проте надійність на рівні окремих завдань різко відрізнялася за форматами, а хибнопозитивні результати (ШІ зараховує справді неправильні відповіді) зазвичай залишаються незауваженими, бо студенти рідко їх оскаржують, — тому оцінювач ШІ з єдиним правилом «оцінюй усе» не є виправданим для високоставкого застосування без передачі оцінювання людині на основі впевненості моделі ([[cvengros-grading-handwritten-chemistry-ai-2026]]).
- **Узгодженість результатів може зберігатися за неточного оцінювання окремих завдань.** Порівняно з узгодженими офіційними оцінками, мультимодальна LLM, що оцінювала 10 364 рукописних сторінки Всеукраїнської олімпіади з фізики та університетських робіт, показала кореляцію r = 0,93–0,96 і відтворила той самий склад із п’ятьох студентів, який представляв країну, хоча точне узгодження по частинах завдань сягало лише 70% — про оцінювача судять за рішеннями, які він інформує ([[ai-grading-handwritten-physics-2026|Pathak et al. (2026)]]).
- **ШІ як спосіб обходу.** Оскільки генеративний ШІ може створювати відповіді на письмові питання, підсумкові завдання без нагляду та вдома втрачають валідність: [[generative-ai-reduced-study-time-math|proctored, unassisted measures are essential]], бо результати без контролю завищуються ШІ, а [[generative-ai-guardrails-harm-learning|guardrailed (hint-not-answer) tools]] можуть усунути штраф на іспиті, який спричиняє ШІ без обмежень. [[chirikov-ai-grade-inflation-2026|Chirikov's (2026)]] на 500 000+ оцінках робить цей механізм наочним: після виходу ChatGPT частка оцінок A на курсах із більшою кількістю завдань, відкритих для ШІ, зросла на 13 відсоткових пунктів, і ефект зосередився на **курсах із великим обсягом домашніх завдань** (додаткові 16 в.п. в оцінці методом потрійних різниць) — прямий доказ того, що саме домашні завдання без контролю, а не справжні [[learning-gains|learning gains]], є тим місцем, де ШІ завищує підсумкові результати.
- **Згенеровані ШІ іспити.** [[assessing-quality-ai-generated-exams-field-2025|A large-scale field study]] та [[ai-vs-human-assessment-efl-tpck-2026|EFL assessment research]] аналізують, чи може ШІ *створювати* високоякісні іспити та завдання для оцінювання — новий напрям використання ШІ в проєктуванні підсумкового оцінювання.

## Формати підсумкового оцінювання, стійкі до ШІ

Ключова тема бази знань полягає в тому, що **формат підсумкового оцінювання визначає його стійкість до ШІ** — чим більше завдання потребує живої, особистої, індивідуально перевіряємої демонстрації, тим важче студентам підмінити власне навчання ШІ.

- **Усні іспити та оцінювання.** [[fenton-oral-exams-ai-authentic-assessment-2025|Fenton (2025)]] стверджує, що усний іспит є низькотехнологічним і за природою стійким до ШІ форматом підсумкового оцінювання: його діалог у реальному часі й інтерактивність перевіряють розуміння, [[critical-thinking|critical thinking]] та міркування, а не запам’ятовування, не дають студентам використовувати ШІ для генерації та заучування відповідей і віддзеркалюють професійну практику. [[socratic-tests-conversational-assessment|Socratic tests]] та [[code-review-genai-cs1|code-review interviews]] розширюють цей підхід на динамічне, розмовне та інтерв’ю-орієнтоване підсумкове оцінювання.
- **Закриті книги, контроль, відсутність допомоги інструментів.** [[generative-ai-reduced-study-time-math|Evidence]] та [[stromberg-generative-ai-learning-penalty-secondary-2026|large-scale field data]] показують, що іспити за книжками з контролем — а не завищені домашні або виконані вдома роботи — є надійним сигналом фактичного навчання, коли студенти користуються ШІ. Системи [[responsible-assessment-ai-era-stanford-2026|Responsible assessment]] вбудовують ці заходи без допомоги інструментів у перебудову, керовану валідністю. Коли іспити залишаються онлайн, цю роль перебирає [[remote-proctoring|remote proctoring]], а два огляди автоматизованого контролю в корпусі виявляють занепокоєння щодо приватності та [[bias-mitigation|fairness]] поряд із вигодами в виявленні ([[automated-online-exam-proctoring-decade-review-2026]], [[academic-dishonesty-automated-proctoring-ai-2026]]).

- **Поєднайте уразливе завдання з підтверджуючим близнюком.** [[roe-assessment-twins-2026|Roe, Perkins & Giray (2026)]] зберігають завдання, уразливе до генеративного ШІ, заради його навчальної цінності, але поєднують його з другим завданням, що оцінює ті самі результати, роблячи оцінку взаємозалежною через підтверджувальний поріг або вагу, так що близнюк засвідчує результат.

## Високоставке та стандартизоване підсумкове оцінювання

Високоставке підсумкове оцінювання — вступні іспити, стандартизовані тести та сертифікація — має надмірні наслідки й є центром занепокоєння в епоху ШІ. [[stromberg-generative-ai-learning-penalty-secondary-2026|The generative AI learning penalty study]] вимірювало результати на вступних іспитах до старшої школи (Zhongkao) та коледжу (Gaokao) і встановило, що результати вступних іспитів знизилися на 18–24% після тривалого використання ШІ. [[brcic-effortless-trap-productive-struggle-2026|The Effortless Trap]] та [[genai-performance-vs-learning|performance-vs-learning research]] попереджають, що здобутки на завданнях із допомогою ШІ не переносяться на високоставкі вимірювання без допомоги інструментів.

## Підсумкове проти формативного в епоху ШІ

Література з оцінювання в базі знань послідовно наголошує, що [[assessment]] є найефективнішим, коли поєднує [[formative-assessment|formative]] та підсумкові функції, — але епоха ШІ загострює це розрізнення. Оскільки ШІ завищує результати на завданнях із низькими ставками, без контролю та з прихованим процесом, **підсумкові (особливо з контролем, за книжками та особисто) вимірювання стають вирішальною перевіркою** того, чи навчання справді відбулося. Це спонукає до перебудови оцінювання, яка зберігає автентичні, стійкі до ШІ підсумкові завдання (усні іспити, інтерв’ю з розгляду коду, іспити з контролем, процесно орієнтовані [[eportfolio|portfolios]]) як основу [[academic-integrity|integrity]], використовуючи водночас формативне оцінювання для підтримки навчання. Див. [[authentic-assessment]] як конструктивну проєктну відповідь.

## Наслідки для ШІ в освіті

- **Формат підсумкового оцінювання — це важіль валідності та доброчесності:** стійкі до ШІ формати підсумкового оцінювання (усні, з контролем, за книжками, особисті) зберігають зв’язок між оцінюваною результативністю й фактичним навчанням.
- **Вимірювання з контролем і без допомоги інструментів — надійний сигнал:** коли студенти користуються ШІ, саме підсумкові іспити без допомоги інструментів, а не домашні завдання, виявляють справжнє навчання.
- **Автоматизоване оцінювання потребує психометричного аналізу:** використання LLM для оцінювання високоставких іспитів вимагає оцінки надійності, справедливості та валідності, а не лише точності.
Помилка оцінювання залежить також від оцінки: на 32 роботах іспиту з громадського здоров’я LLM уникали кінців шкали — у швидкому режимі не з’явилося жодної оцінки E або F, — тоді як найкраща модель точно відтворила оцінку людини в 50,0% випадків і в межах ±1 оцінки в 90,6% випадків ([[llm-grading-assistants-public-health-2026|Brevik et al. (2026)]]).
- **ШІ може також створювати іспити:** генерація іспитів і завдань із допомогою ШІ є новим застосуванням у проєктуванні підсумкового оцінювання, яке саме потребує оцінки якості.
- **Переосмислити мету оцінювання, а не лише формат.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] критикують традиційне підсумкове, нормозалежне оцінювання за те, що воно сприяє поверхневому, фрагментованому навчанню, дає студентам мало контролю й прозорості, шкодить внутрішній [[motivation]], підживлює стрес і [[well-being|anxiety]] та відтворює нерівність, водночас здебільшого оцінюючи запам’ятовування, а не застосування в реальному світі. Вони позиціонують переоцінювання, [[mastery-learning|standards-based grading]] та відмову від оцінок як інновації, орієнтовані на оцінювання, що можуть пом’якшити практику, перевантажену підсумковим оцінюванням, визнаючи при цьому, що вони залишаються маргінальними в освіті з менеджменту через нормативні бар’єри — оцінювання за кривою, зовнішню сигналізацію (рейтинги, стажування, акредитацію) та інструментальне мислення студентів — і рекомендують поступові експерименти за підтримки установи.

## Пов’язані поняття

- [[remote-proctoring]]
- [[assessment]]
- [[formative-assessment]]
- [[authentic-assessment]]
- [[automated-assessment]]
- [[assessment-validity]]
- [[academic-integrity]]
- [[ai-ed-evaluation]]
- [[higher-ed]]
- [[k-12]]

## Пов’язані статті

- [[llm-grading-assistants-public-health-2026]] — Оцінювачі на основі LLM стискають шкалу оцінок і уникають крайніх значень у високоставкому оцінюванні есе

- [[academic-dishonesty-automated-proctoring-ai-2026]]
- [[automated-online-exam-proctoring-decade-review-2026]]
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Переосмислення усних іспитів як автентичного, стійкого до ШІ підсумкового оцінювання
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — Штраф за генеративний ШІ в навчанні: дані іспитів за книжками з контролем
- [[chirikov-ai-grade-inflation-2026]] — Витиснення завдань ШІ як механізм інфляції оцінок; курси з великим обсягом домашніх завдань (Chirikov 2026)
- [[generative-ai-reduced-study-time-math]] — Швидше виконання, менше навчання: необхідність вимірювання з контролем
- [[generative-ai-guardrails-harm-learning]] — Генеративний ШІ без обмежень шкодить навчанню
- [[assessing-quality-ai-generated-exams-field-2025]] — Оцінка якості згенерованих ШІ іспитів
- [[llms-do-not-grade-essays-like-humans-2026]] — LLM не оцінюють есе так, як люди
- [[llm-automated-assessment-student-self-explanations]] — LLM для автоматизованого оцінювання самояснень студентів
- [[cong-confidence-asag-2026]] — Автоматизоване оцінювання коротких відповідей
- [[psyscore-essay-scoring-zpd-feedback]] — Психометрично обізнане, адаптивне за рисами оцінювання есе
- [[socratic-tests-conversational-assessment]] — Сократичні тести: динамічне, розмовне, мультимодальне оцінювання
- [[code-review-genai-cs1]] — Інтерв’ю з розгляду коду на вступному курсі з інформатики
- [[responsible-assessment-ai-era-stanford-2026]] — Відповідальне оцінювання в епоху ШІ
- [[test-driven-ai-assisted-learning]] — Навчання за методом TDD із підтримкою ШІ
- [[genai-oop-programming-assessments-2026]] — Результативність генеративного ШІ на оцінюваннях з об’єктно-орієнтованого програмування
- [[brcic-effortless-trap-productive-struggle-2026]] — «The Effortless Trap»: продуктивна боротьба та ілюзія навчання
- [[ai-vs-human-assessment-efl-tpck-2026]] — Згенеровані ШІ завдання порівняно з розробленими людьми в оцінюванні EFL
- [[roe-assessment-twins-2026]] — Близнюки оцінювання для зміцнення валідності оцінювання в добу генеративного ШІ (Roe, Perkins & Giray 2026)
- [[ai-grading-handwritten-physics-2026]] — Оцінювання рукописних робіт із фізики за допомогою ШІ (олімпіада)
- [[mesny-innovative-assessment-grading-management-2026]]
- [[cvengros-grading-handwritten-chemistry-ai-2026]]

---

## [Аутентичне оцінювання](https://edtechdev.github.io/aied/concepts/authentic-assessment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Аутентичне оцінювання** — проєктування оцінювань, які досліджують виконання студентом гідних, реалістичних інтелектуальних завдань, а не ізольованих стандартизованих тестових пунктів. Починаючи з Віггінса (1990) як противагу стандартизованим тестам, аутентичне оцінювання еволюціонувало від відтворення робочих завдань до багатовимірних рамок, що охоплюють професійну, цифрову, особисту та соціальну аутентичність. [[generative-ai|Генеративний ШІ]] зробив аутентичне оцінювання ново суттєвим: будь-яке завдання, яке [[llm|мовна модель]] може достовірно симулювати в умовах роботи вдома, втрачає свою валідність як доказ первісної компетентності студента, тому аутентичні форми мають бути перепроєктовані навколо того, що ШІ не може достовірно підробити.

## Питання для роздумів

- Аутентичне оцінювання досліджує виконання гідних, реалістичних інтелектуальних завдань, а не ізольованих тестових пунктів. Перед читанням: чи припускали ви, що «аутентичне» завдання просто відтворює реальний або робочий сценарій? Ця сторінка стверджує, що аутентичність еволюціонувала далеко за межі простого відтворення — яких інших форм вона може набувати?
- Центральне твердження: будь-яке завдання, яке мовна модель може достовірно симулювати в умовах роботи вдома, втрачає валідність як доказ первісної компетентності студента. Яке оцінювання у вашому власному викладанні чи навчанні ви тепер вважали б «підроблюваним» — і на якій підставі?
- Сторінка підкреслює разючий розрив: лише 3 з 37 досліджень розглядали соціальну аутентичність — чи допомагає оцінювання студентам сприяти трансформації суспільства. Як ви думаєте, чому соціальний вимір аутентичності настільки знехтуваний, і як могло б виглядати його оцінювання?
- База знань стверджує, що аутентичність має бути «перепроєктована, а не контрольована». Коли студенти співавторствують рубрики, обирають, що і як подавати, і беруть участь у взаємодії в реальному часі, використання ШІ стає очікуваним і декларуваним, а не прихованим. Як це зрушило б відносини між студентом і оцінювачем?
- Усні іспити та портфоліо, засновані на процесі, пропонуються як аутентичні форми, стійкі до ШІ. Але оцінювана рефлексія та самооцінювання ризикують стати перформативними — студенти відтворюють ту рефлексію, яку, на їхню думку, від них хочуть. Як би ви могли спроєктувати справжню рефлексію, а не її демонстрацію?
- Коли ШІ постачає рубрику, зворотний зв’язок і моніторинг, сторінка попереджає, що метакогнітивна практика студента може бути витіснена. Якщо інструмент оцінює, що залишається здобувачу практикувати чи засвоювати?

## Вступ

Аутентичне оцінювання лежить в серці того, як [[assessment]] переосмислюється в епоху ШІ. Воно пов’язане з [[assessment-validity]] (чи вимірює оцінювання те, що стверджує?), [[formative-assessment]] (аутентичними завданнями, що інформують навчання) та [[academic-integrity]] (переходом від виявлення до проєктування завдань, де використання ШІ є очікуваним і декларуваним). Це центральна відповідь у літературі бази знань про перепроєктування оцінювання.

## Еволюція аутентичності

- **Виникнення в 1990-х — гідні інтелектуальні завдання:** Віггінс (1990) запропонував аутентичне оцінювання як пряме дослідження «виконання студентом гідних інтелектуальних завдань», противагу стандартизованим тестам.
- **Поширення в кінці 1990-х — відтворення робочого середовища:** Joughin (1998) осмислив аутентичність як міру того, наскільки оцінювання відтворює професійну практику чи реальне життя — погляд, який домінував два десятиліття.
- **Критика 2020-х — за межі відтворення:** McArthur (2023) стверджував, що аутентичне оцінювання має давати студентам змогу «впливати на майбутнє та трансформувати суспільство», а не лише відтворювати існуючі завдання; Ajjawi et al. (2024) розширили аутентичність до контекстуальних, завданьних та особистих форм, що віддзеркалюють [[student-experience|досвід студентів]].
- **Генеративний ШІ як екзистенційний виклик:** [[zhan-boud-du-authentic-assessment-scoping-review-2025|Zhan, Boud & Du (2025)]] зазначають, що генеративний ШІ робить аутентичність, засновану на відтворенні робочого середовища, ново вразливою, керуючи поворотом до [[ai-literacy|цифрової грамотності]], [[collaborative-learning|співпраці в реальному часі]], соціального внеску та індивідуального осмислення, які ШІ не може достовірно підробити.

## Шестивимірна модель проєктування

[[zhan-boud-du-authentic-assessment-scoping-review-2025|Оглядовий огляд Zhan, Boud & Du (2025)]] 37 емпіричних досліджень (2000–2024) пропонує шість вимірів проєктування: (1) аутентичність в оцінюванні (аутентичність оцінювання, професійна, цифрова, особиста та соціальна аутентичність — із лише 3/37 дослідженнями, що розглядали соціальну аутентичність, критичним розривом), (2) когнітивні виклики, (3) критерії оцінювання (де студенти часто є пасивними отримувачами, а не співавторами рубрик), (4) зворотний зв’язок (домінує формативний, але стійкий зворотний зв’язок рідкісний), (5) [[agency|агентивність студентів]] (вибір у тому, що/як/коли/де подавати, був рідкісний) та (6) соціальна співпраця. Він також пропонує циклічну модель співавторського проєктування — узгодити цілі, створити контекст, співавторськи проєктувати критерії, запланувати зворотний зв’язок, — яку інструменти ШІ могли б операціоналізувати.

[[dollinger-equitable-assessment-ai-2026|Dollinger and Nieminen (2026)]] обмежують цей оптимізм *парадоксом інклюзивного оцінювання*: і модель адаптацій, і структурні критики, що переосмислюють оцінювання як таке, що робить людину неповноспроможною, залишають недоторканою логіку гри з нульовою сумою, за якою «щоб один студент досяг успіху, хтось інший має зазнати невдачі», тому розподілені та агентивні форми мають змінювати цю логіку, а не лише розширювати доступ.

## Аутентичне оцінювання в епоху ШІ

Література бази знань про перепроєктування оцінювання стверджує, що аутентичність має бути **перепроєктована, а не контрольована**:

- [[beyond-detection-authentic-assessment-ai-2025|Beyond Detection]] стверджує, що аутентичність не можна ввести контролем; вона має бути спроєктована, позиціонуючи ШІ як декларованого співавтора, а не як застосування для списування, і надаючи пріоритет аутентичному [[process-oriented-assessment|оцінюванню, заснованому на процесі]], а не нагляду.
- [[responsible-assessment-ai-era-stanford-2026|Responsible Assessment]] переосмислює оцінювання навколо доказів валідності та аутентичних завдань, що віддзеркалюють майбутню роботу студентів.
- [[authentic-products-authenticated-processes-2026|Authentic products, authenticated processes]] досліджує, як освіта [[higher-ed|вищого рівня]], багата на ШІ, може оцінювати і справжні виходи, і процеси, що їх створили.

- **Партнер із ШІ для чернеток усе одно залишає судження.** [[authentic-assessments-generative-ai-pilot-2026|Paula et al. (2026)]] провели пілотне дослідження дизайнера оцінювань на базі GPT-4.1 із вісьмома координаторами: він створював придатні огляди, завдання, критерії, хронології та рубрики, але повторно не враховував дисциплінарний контекст і послідовність тем, і всі вісім відмовилися від повної автоматизації, розташовуючи [[evaluative-judgment|академічне судження]] радше в собі, ніж у моделі.
- [[tool-invariant-framework-agentic-ai|Рамки, інваріантні до інструменту]] пропонують оцінювати обчислювальні методи та процес, а не специфічні для інструменту виходи, використовуючи усний захист і перевірку.
- **Інституційна інфраструктура для доказів процесу.** Замовлена з боку рамка забезпечення якості перетворює аргумент про процес на політику, розглядаючи сліди навчального процесу — позначені часом редагування, використання ресурсів, метакогнітивні підказки — як тривалі докази, яких не може показати академічний запис, і посилаючись на особливості процесу, що пояснюють більше варіації в продуктивності, ніж самі по собі особливості продукту ([[lodge-adaptive-capabilities-genai-future-2026|Lodge et al. (2026)]]).

- **Масштабоване усне оцінювання з застереженням щодо оцінювання.** [[asynchronous-oral-assessment-2026|Pentland, Lowenthal & Krier (2026)]] надавали часово обмежені, незмінні записані відповіді, оцінені за вбудованими рубриками, і виявили, що студенти перевершували результати своїх очних іспитів з вибором відповіді; вони підкреслють, що це ефект формату, а не [[learning-gains|приріст у навчанні]], із тим що переоцінювання LLM погоджується з інструктором на ICC = 0.73 та 0.60.
- [[fenton-oral-exams-ai-authentic-assessment-2025|Reconsidering oral exams]] позиціонує усний іспит/оцінювання як низькотехнологічну аутентичну альтернативу, яка від природи стійка до ШІ — його діалог у реальному часі перевіряє розуміння, [[critical-thinking|критичне мислення]] та міркування (а не запам’ятовування), віддзеркалює професійну практику та не дозволяє студентам використовувати ШІ для створення та запам’ятовування відповідей. Він пропонує конкретний набір практичних рекомендацій (чіткі рубрики, стандартизований контент, підготовка оцінювачів, настанови щодо [[prompt-engineering|підказок]], [[bias-mitigation|пом’якшення упереджень]]) для повторного впровадження [[oral-assessment]] в середній та вищій освіті.
- [[eportfolio|Оцінювання е-портфоліо]] — ще одна аутентична, заснована на процесі форма, яка опирається фабрикації ШІ: [[zhan-boud-du-authentic-assessment-scoping-review-2025|Zhan, Boud & Du (2025)]] ідентифікують портфоліо соціального внеску серед аутентичних форм, найстійкіших до генеративного ШІ, а [[beyond-detection-authentic-assessment-ai-2025|Beyond Detection]] рекомендує анотовані портфоліо та записані проходи, що досліджують міркування в реальному часі. [[ni-lam-multiliteracies-ai-portfolio-2026|Ni & Lam (2026)]] та [[sutama-chatgpt-eportfolio-speaking-2026|Laksana et al. (2026)]] показують, що генеративний ШІ може допомагати процесу портфоліо — зворотний зв’язок, чернеткування, рефлексію, — тоді як сліди міркування та чернетки портфоліо зберігають аутентичність.
- **Критерії аутентичності самі можуть стримувати використання ШІ.** [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] виявили, що рубрика, яка вимагала від студентів обґрунтувати групову презентацію їхнім власним безпосереднім досвідом викладання та осмислити спостереження в спільній аудиторії, призвела до того, що сім із п’ятнадцяти студентських груп *навмисно скоротили* своє використання GenAI. Студенти стверджували, що інструмент не міг відповісти епістемічній вимозі — «AI only knows that moment when you type» — оскільки йому бракувало поздовжнього, ситуативного знання, яке мали їхні однокурсники та [[teacher-role|викладач]]. Важливими були обидва шари: аутентичність завдання та реляційна аутентичність внеску власного мислення в групу, що переосмислило інтенсивне використання ШІ як поїдання праці однокурсників. Наслідок для дизайну: аутентичні, обґрунтовані на досвіді критерії виконують оцінну роботу навіть без примусу — вони постачають причину для стримання, якої не можуть постачити політичні заяви.

- **З’єднайте вразливе завдання з менш вразливим.** [[roe-assessment-twins-2026|Roe, Perkins & Giray (2026)]] поєднують вразливе до GenAI завдання з другим, що оцінює ті самі результати, планують їх близько одне до одного, щоб кожне могло перевіряти інше, і роблять оцінку взаємозалежною через підтвердний поріг або зважування.

[[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] стверджує, що орієнтований на доброчесність дизайн і аутентичний дизайн — не одне й те саме, і що різниця є епістемічною, а не стилістичною. Аутентичність запитує, чи віддзеркалює завдання варту реальну практику; орієнтований на доброчесність дизайн запитує, чи можуть здобувачі обґрунтовувати свої рішення й брати на себе відповідальність у відношенні до дисциплінарних стандартів, що робить доброчесність явним, оцінюваним критерієм, вбудованим в архітектуру завдання, а не випадковим побічним продуктом реалізму. Практики, які він пропонує — анотовані сліди рішень, перевірка тверджень, створених за участі GenAI, усний захист та діалогічна підзвітність, відмінності між чернетками з історією версій — є впізнавано формами аутентичного оцінювання, але вони обрані заради [[evaluative-judgment|судження]], яке вони роблять видимим, а не заради їхнього реалізму, що є корисною поправкою для завдань, які виглядають аутентичними і залишаються підроблюваними за суттю. Його застереження належить і цій сторінці: вимога документованого міркування надає перевагу здобувачам, вільно володіючим рефлексивним дискурсом, а судження як доказ «залишається реляційним і ситуативним, а не механічно перевірним», тому дизайн несе власне навантаження інтерпретаційної надійності.

Те саме питання переосмислюється [[thapa-lewis-process-oriented-assessment-2026|Thapa and Lewis (2026)]], які називають те, що завдання має *засвідчувати*, а не те, чи воно виглядає реальним: епістемічна аутентичність — міра того, наскільки оцінювання фіксує справжню залученість в інтерпретацію, оцінне судження, міркування та конструювання знань. Їхній аргумент: аутентичність сама по собі не виживає генеративного ШІ, оскільки аутентичне завдання, доказ якого є один непід наглядом продукт, піддається тій самій проблемі підстановлення, що й есе, яке воно замінило. Зроблення міркування видимим потребує замість цього поетапних подач, рефлексивного обґрунтування, діалогічної залученості та оцінної прозорості. Вони переносять застереження вище в дизайн: рефлексивні та діалогічні завдання можуть надавати перевагу студентам, упевненим в академічній самовиразності, якщо вони не спроєктовані інклюзивно та не підтримані скаффолдингом, а реляційна робота посилює емоційну працю освітян у великих або обмежених у ресурсах умовах.

## Коли практики відступають до контрольованих форматів

База знань стверджує, що аутентичність має бути спроєктована, а не контрольована, і [[teacher-educators-ai-integration-preservice-2026|Goldstein, Marae-Haj and Zidan (2026)]] постачають контрдоказ із практики: після кризи довіри, в якій студенти-викладачі подавали сировину, згенеровану ШІ, як власну, освітяни викладачів у семи ізраїльських коледжах перепроєктували оцінювання навколо доказів процесу (підказки, історія версій документа, контрольовані групові внески) та виконання в аудиторії, — але кілька з них також описали відступ, як останній засіб, до контрольованих іспитів і передбачуваних усних захистів дисертацій, один учасник назвавши повернення до іспитів особисто болісним, але неминучим. Прочитане на тлі позиції «спочатку дизайн», це висновок позначає режим відмови, а не рішення: там, де аутентичність не перепроєктована заздалегідь, практичною відповіддю на неоцінні подані роботи є відновлений контроль — нагляд під іншим іменем, — який повертає ті самі формати, від яких література аутентичного оцінювання намагається відійти. Це також показує відчутну вартість альтернативи: учасники повідомляли, що їхні письмові оцінювання на винесення додому більше взагалі не могли засвідчувати навчання, і що документування процесу вимагало справжньої роботи.

Другий режим відмови сидить усередині самого перепроєктування: у п’яти методах онлайн-викладання мов напруги, пов’язані з аутентичністю, домінували в оповідях викладачів (11 із 20), включно з корозією реалізму завдань — активностями, перепроєктованими так, щоб бути стійкими до ШІ, а не аутентичними ([[ai-ethics-tensions-online-pedagogy-2026|Baoyi and Khan (2026)]]).

Відступ несе евіденційну вартість, яку видно в доказах із файлів справ. [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] кодували 1 162 звинувачення про порушення з генеративним ШІ і виявили, що найсильніші типи доказів генеруються розслідуванням або наглядом, а не самим звинуваченням, і що докази процесу, такі як чернетки, зустрічі з наглядом та презентації, з’являються лише там, де ці практики вже існують, — тому в неперепроєктованому оцінюванні докази процесу, які рекомендує ця література, просто не доступні, і справи спираються на слабші категорії. Тим, що стоїть на їхньому місці, є найслабший матеріал у їхньому корпусі: виходи [[ai-detection|детектора]] отримали найнижчі оцінки доведеності з усіх категорій, і [[hadra-ai-detector-accuracy-efl-2026|Hadra et al. (2026)]] показують чому, із макроточністю 0.69 (Originality) і 0.61 (Turnitin) на 192 текстах, майже повним провалом на гібридному людсько-ШІ письмі та побічною схильністю хибно читати роботи студентів EFL як ШІ. [[wright-transcription-not-generation-2026|Wright (2026)]] додає вимір проєктування правила: заборони, написані за ідентичністю платформи, а не за функцією, є надмірно широкими через визнавальну випадковість, тому контрольований формат може покарати студента, який не зробив того, що правило мало запобігти, найсильніше вдаряючи по студентах, які покладалися на інструменти транскрипції для [[accessibility]]. Прочитані разом, відступ підставляє найменш доведені з доступних доказів замість доказів процесу, які аутентичний дизайн створив би на першому місці.

- **Саморегульоване навчання:** агентивність студентів в аутентичному оцінюванні (вибір, саморефлексія, співавторство) віддзеркалює цикл [[self-regulated-learning|передбачення → виконання → саморефлексії]], хоч оцінювана рефлексія ризикує стати перформативною.
- **Метакогніція:** [[metacognition]] потрібна студентам, щоб оцінювати свою роботу за співавторсько спроєктованими рубриками; коли ШІ постачає рубрику, зворотний зв’язок і моніторинг, метакогнітивна практика студента може бути витіснена.
- **Формативний і стійкий зворотний зв’язок:** аутентичне оцінювання робить акцент на [[formative-assessment|формативному]], орієнтованому в майбутнє зворотному зв’язку, який переноситься в пізніші контексти.

## Наслідки для ШІ в освіті

- **Типи оцінювання, стійкі до ШІ:** демонстрації in-vivo, портфоліо соціального внеску, співавторськи створені артефакти з перевірним походженням та взаємодія [[embodied-learning|утілена]] в реальному часі є стійкішими до генеративного ШІ, ніж есе на винесення додому чи завдання з вибором відповіді.
- **Експозиція є вимірюваною.** Трирічна програма з психології виявилася на 90% такою, що складається: ChatGPT створював достатній вихід на 36 із 40 завдань з оцінюванням курсу, і лише чотири завдання, що вимагали присутності, візуального артефакту або власних даних студента, опиралися ([[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]]).
- **Співавторство в масштабі:** інструменти ШІ могли б уможливити співавторське проєктування рубрик і співстворення студентами параметрів оцінювання в масштабі аудиторії чи [[online-teaching-and-learning|MOOC]], — хоч агентивність, опосередкована машиною, має бути ретельно спроєктована.
- **Подолайте розрив соціальної аутентичності:** лише 3/37 досліджень розглядали соціальні питання; інструменти оцінювання ШІ мають допомагати студентам сприяти трансформації суспільства, а не лише симулювати її.
- **Стійкий зворотний зв’язок:** [[ai-feedback-quality|зворотний зв’язок ШІ]] має бути спроєктований так, щоб переноситися в майбутні контексти, а не лише надавати реактивні, миттєві виправлення.

- **Вимірювання, зосереджене на процесі, тепер має докази валідності.** [[assessing-student-drive-framework-2025|Oliveira et al. (2025)]] оцінили 70 оцінених есе на те, як студенти керували діалогом із GenAI і робили знання курсу видимими; ці оцінки процесу корелювали r = 0.54 з традиційними оцінками есе, водночас винагороджуючи концептуальну роботу понад структуровану специфікацію завдань.
- **Аутентичне оцінювання пасує практично орієнтованим галузям.** [[mesny-innovative-assessment-grading-management-2026|Mesny, Roberge-Maltais & Galy (2026)]] знаходять, що аутентичне оцінювання особливо добре пасує [[business-education|освіті з менеджменту]]: завдання, що віддзеркалюють реальні професійні проблеми (консалтингові проєкти в реальному часі, [[visualization|інформаційні панелі]] з брифінгами для керівництва), узгоджуються з практично орієнтованим, [[career-development-and-readiness|зосередженим на працевлаштуванності]] фокусом галузі і можуть підтримувати інклюзивні, зберігаючі доброчесність альтернативи оцінюванню, зосередженому на іспитах, в епоху генеративного ШІ. Проте в їхньому огляді 58 статей із чотирьох журналів з освіти в менеджменті аутентичне оцінювання поставало здебільшого через опосередковані технологіями [[simulation|симуляції]] і часто змішувалося з [[experiential-learning|експериєнційним навчанням]] — розрив термінології, який може затемнювати його ширшу цінність і впровадження.

- **Аутентичність — це не безпека, і розрив видно в масштабі сектора.** Там, де аудит однієї програми вище виявив 90% курсів, що складаються, [[villanueva-ai-vulnerability-assessment-audit-2026|Villanueva (2026)]] оцінює записані презентації, віддалені групові проєкти та неконтрольовані цифрові артефакти в смузі високої експозиції на 53 915 пунктів, оскільки публічний запис не говорить нічого про те, як наглядалося за створенням.

## Пов’язані поняття

- [[learner-identity]] — Еволюція дисциплінарних, професійних, творчих та академічних ідентичностей здобувача
- [[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]] — Підсумкове оцінювання: формати, стійкі до ШІ (усні, іспити з наглядом, закриті іспити)
- [[arts-design-and-media-education]]
## Пов’язані статті

- [[thapa-lewis-process-oriented-assessment-2026]] — оцінювання, орієнтоване на процес, та епістемічна аутентичність як те, що завдання має засвідчувати
- [[ivory-psychology-assessment-integrity-2026]] — Чого ШІ не міг скласти: присутність, візуальні артефакти та власні дані студента (Ivory et al. 2026)
- [[paternalistic-filter-llm-history-education]] — Патерналістське використання ШІ та ідентичність студента в освіті з історії
- [[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]] — Оцінювання коротких відповідей, уважне до упевненості
- [[llm-fallacy-misattribution]] — Заблудження LLM і хибна атрибуція компетентності
- [[universities-ai-era-rethinking]] — Переосмислення університетів в епоху ШІ
- [[ssaho-ai-academic-integrity-review-2025]] — Кілька методів оцінювання для протидії порушенням із ШІ
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Переосмислення усних іспитів як аутентичного, стійкого до ШІ оцінювання
- [[roe-assessment-twins-2026]] — Близнюки оцінювання для зміцнення валідності оцінювання в епоху 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]] — Асинхронні усні оцінювання в епоху ШІ (Pentland 2026)
- [[assessing-student-drive-framework-2025]] — DRIVE: оцінювання навчання через взаємодію з GenAI (DRI + Visible Expertise)
- [[mesny-innovative-assessment-grading-management-2026]]
- [[chen-zou-genai-group-assessment-agency-2026]] — Критерії аутентичності, що призвели до скорочення студентськими групами використання GenAI
- [[teacher-educators-ai-integration-preservice-2026]] — Криза довіри до ШІ, що відкинула освітян викладачів назад до контрольованих іспитів і усних захистів (Goldstein et al. 2026)
- [[sharma-judgment-visible-genai-assessment-2026]] — Орієнтований на доброчесність дизайн, відмінний від аутентичного оцінювання: зробити судження видимим (Sharma 2026)
- [[munoz-misconduct-allegation-evidence-2026]] — Що насправді містять файли звинувачень про порушення як докази і яких доказів процесу їм бракує (Munoz et al. 2026)
- [[hadra-ai-detector-accuracy-efl-2026]] — Точність детектора та провал на гібридному письмі: чому виявлення є слабким резервним доказом (Hadra et al. 2026)
- [[wright-transcription-not-generation-2026]] — Надмірно широкі заборони ШІ: транскрипція — це не генерація (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]] — Корозія реалізму завдань: перепроєктування, стійке до ШІ, що руйнує аутентичність в онлайн-викладанні мов
- [[villanueva-ai-vulnerability-assessment-audit-2026]] — Формати з аутентичною поверхнею (записані презентації, віддалені групові проєкти, цифрові артефакти) оцінюються високо на 53 915 пунктів: аутентичність не перевіряє авторство

---

## [Оцінювання, орієнтоване на процес](https://edtechdev.github.io/aied/concepts/process-oriented-assessment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Оцінювання, орієнтоване на процес** — це проєктування [[assessment]] навколо того, як здобувач доходить висновку, а не лише навколо артефакту, який він здає: поетапні здачі, рефлексивне обґрунтування, діалогічний та усний обмін, історія чернеток і версій, а також критерії, які студенти можуть застосовувати до себе. Це не синонім [[authentic-assessment|реалістичності завдання]] і не твердження про те, хто оцінює роботу: реалістичне завдання, єдиною підставою якого є один непідконтрольний продукт, піддається тій самій проблемі підміни, що й твір, який він замінив. [[generative-ai|Генеративний ШІ]] саме те, що робить цю відмінність нагальною, оскільки вільний текст тепер можна створити за запитом, і готовий файл більше не несе інформації про те, чиє мислення його породило.

## Питання для роздумів

- Якщо студент здає відшліфований твір, що цей артефакт насправді дозволяє стверджувати про його мислення — і які твердження він лише здається підтримує?
- Процесуальні докази потребують чернеток, обґрунтувань і діалогу. Хто у вашому контексті вільно володіє таким академічним самовираженням, і кого можуть судити за зручність користування ним, а не за розуміння?
- Виявлення ненадійне, а перепроєктування навколо процесу — дороге. Куди б ви спрямували обмежений інституційний бюджет, і які докази змінили б вашу відповідь?

## Вступ

Оцінювання у [[higher-ed|вищій освіті]] давно виводило мислення з продукту. Зданий твір, доповідь чи відповідь на іспиті стояли на місці [[critical-thinking|міркувань]] за ними, а оцінювання трактувало добре аргументований артефакт як доказ добре аргументованого процесу. [[thapa-lewis-process-oriented-assessment-2026|Thapa and Lewis (2026)]] називають припущення, яке руйнує генеративний ШІ: відшліфована відповідь "може більше не представляти чий завгодно процес мислення", тому висновок від артефакту до розуміння перестає бути безпечним. Їхня відповідь — не кращий детектор, а інша база доказів. Оцінювання, орієнтоване на процес, збирає докази інтерпретації, обґрунтування та конструювання знань у міру їхнього розвитку, щоб міркування залишалися видимими, коли результат можна створити за запитом.

Корисно сказати, чим це поняття не є. Це не [[authentic-assessment|аутентичне оцінювання]], яке запитує, чи віддзеркалює завдання вартісну реальну практику; Thapa and Lewis зберігають ці осі роздільно й наполягають, що аутентичне завдання з одним непідконтрольним продуктом усе одно вразливе. Це не [[ai-detection|виявлення ШІ]], яке запитує, чи використовувався інструмент, а не як було прийнято рішення. І це не [[automated-assessment|автоматизоване оцінювання]], яке стосується того, хто або що виконує оцінювання: машинно оцінене поетапне [[eportfolio|портфоліо]] може бути орієнтованим на процес, а людський фінальний твір — не обов’язково. Поняття стосується того, які докази збираються, за який період і за яких умов вони створюються.

Ідея пройшла шлях від тези до повторюваної рекомендації в межах бази знань. Вона постає як названа пріоритетність в програмі [[ai-education|AIED]] щодо [[agency|суб’єктності]] та [[motivation]] здобувачів, як організовуюча дослідницька програма для проблеми [[transfer-of-learning|збереження та перенесення]] в дослідженнях [[genai-performance-vs-learning|успішності проти навчання]], як "Оцінювання чорної скриньки" в розвідці Brunnström and Palmqvist про [[self-regulated-learning|саморегульоване навчання]] зі ШІ, і як прохання від практикуючих викладачів-методистів, які виявили, що їхня домашня письмова робота взагалі більше не може свідчити про навчання.

## Як процесуальні докази виглядають на практиці

Найбільш явний словник проєктування походить від Thapa and Lewis, чиї чотири зобов’язання переносять аргумент у проєктування завдань: рефлексивне обґрунтування, поетапне проєктування завдання, діалогічну залученість та оцінну прозорість. На практиці студенти пояснюють інтерпретаційні рішення, а не лише подають висновки, здають роботу, що розвивається через контрольні точки, беруть участь в [[oral-assessment|усних або діалогічних]] обмінах щодо своїх міркувань і працюють проти критеріїв, які можуть застосовувати самі, — на терені [[feedback-literacy|грамотності у роботі зі зворотним зв’язком]] та [[self-assessment]]. Пропозиція Boysen's (2026) щодо відкритих навчальних практик перекладає ту саму логіку в аудит-слід: спільний навчальний план, укладений до початку проєкту, план навчального аналізу, що називає дозволені та заборонені джерела, і задокументовані чернетки та історії версій, збережені через Track Changes і збережені версії файлів, які розкривають процес роботи й пояснюють, що інформувало кожну правку. Він оформлює це як [[self-regulated-learning|саморегуляцію]], зроблену видимою.

Канал, обраний для процесуальних доказів, змінює те, що можна підтвердити: в тому самому дослідженні генеративного ШІ на 79 студентів глибокіше моніторинг і планування частіше траплялися в блоках міркування вголос, тоді як глибокіша регуляція — частіше в журналах взаємодії, тому жоден єдиний запис не охоплює всього процесу ([[metacognitive-processes-genai-interaction-logs-2026|Li and Liu (2026)]]). Сліди також можуть прямо розходитися з оцінками: у 150 розмовах студентів зі ШІ 41% мала оцінку завдання рівно 1.00, тоді як спостережувана когнітивна участь варіювалася, тому збіжні оцінки можуть приховувати різні процеси ([[epistemic-ownership-ai-mediated-education-2026|Fábrega, 2026]]). DraftTrace відповідає на ту саму проблему для письма з інтеграцією ШІ, узгоджуючи процесуальні показники на рівні натискань клавіш із фінальним продуктом та слідами взаємодії зі ШІ, показуючи, що переписування визначається лише тоді, коли продукт і процес читаються разом ([[drafttrace-ai-writing-analytics-2026|Chandarana et al. (2026)]]) — конкретний приклад вимірювання поведінкових слідів, якого галузі усе ще бракує.

Практичні та рамкові розвідки доповнюють артефакти. Рамка LEARN Uden and Hwang's (2026), спрямована на [[problem-based-learning|навчання, засноване на проблемі]] [[assessment]], вимагає рубрик, зосереджених на процесі, усних обґрунтувань, поетапних здач і слідів міркувань із [[ai-use-disclosure|розкриттям використання ШІ]], і трактує рефлексію через навчальні журнали та протоколи міркування вголос як [[metacognition|метакогнітивний]] двигун послідовності. Moganadas and colleagues (2026) роблять прозоре для ШІ, орієнтоване на процес оцінювання однією з п'яти досліджуваних тез, вимагаючи документування, перевірки та рефлексивного обґрунтування, а не заборони чи використання детекторів. Padhy (2026) рекомендує фіксувати історію правок, патерни взаємодії та час на завдання в парі з прозорим розкриттям. Goldstein, Marae-Haj and Zidan (2026) повідомляють про ті самі артефакти, що виникають з практики після кризи [[trust]]: записи підказок, історію версій документів, контрольовані внески груп і рефлексивні "журнали подорожі", що ведуться у фізичних зошитах — порівняно з простим висновком, що домашня письмова робота більше не могла свідчити про навчання.

## Інша вісь, ніж автентичність, і ніж оцінювання

Розділяти ці осі важливо, бо змішування їх — це те, як перепроєктування виглядає завершеним, тоді як уразливість залишається. Sharma (2026) проводить доповнювальну відмінність між автентичністю та проєктуванням, орієнтованим на доброчесність: автентичність запитує, чи віддзеркалює завдання вартісну практику, тоді як проєктування, орієнтоване на доброчесність, запитує, чи можуть здобувачі обґрунтувати свої рішення й узяти на себе відповідальність щодо дисциплінарних стандартів, — і саме тому практики, які він пропонує: анотовані сліди рішень, перевірка тверджень, згенерованих GenAI, усний захист, розбіжності між чернетками з історією версій — відібрані заради [[evaluative-judgment|судження]], яке вони роблять видимим, а не заради їхнього реалізму. Десятирічний огляд Espino and Espino's (2026) [[business-education|бізнес-освіти]] приходить до того самого проєктувального висновку з боку літератури, знаходячи, що галузь сходиться на автентичних завданнях із видимим процесом, які вимагають інтерпретації, контекстуального застосування та ітеративного вдосконалення, і трактуючи ізольоване впровадження інструментів усередині незмінних структур оцінювання як її найстійкішу невдачу.

Конструкт також відрізняється від питання про те, як оцінюються докази. [[assessment-validity|Валідність]] — це місце, де вони перетинаються: Brunnström and Palmqvist (2026) стверджують, що коли [[conversational-ai|чат-бот]] може створити правдоподібну відповідь на іспиті, зданий продукт стає слабшим індикатором того, чого навчився студент, — проблемою валідності оцінювання, а не лише проблемою [[academic-integrity|доброчесності]]. Це той самий висновок, що під ризиком в аргументі Yan, Greiff, Lodge and Gašević's [[genai-performance-vs-learning|успішності проти навчання]], де [[learning-gains|приріст у навчанні]], що зменшується, коли допомогу прибирають, показує приріст, який живе в інструменті, а не в здобувачі, і де запропонованим засобом є процесуальні показники, такі як [[transfer-of-learning|тести збереження та перенесення]], а не негайний успіх у завданні.

## Чому виявлення не може нести це навантаження

Оцінювання, орієнтоване на процес, зазвичай пропонується як альтернатива виявленню, і саме докази про виявлення пояснюють чому. [[ai-detection|Література про виявлення]] знаходить рівні помилок, залежність від завдання та систематичне [[bias-mitigation|упередження]] проти неписьменних носіїв мови та письменників з інвалідністю, а найновіші роботи приходять до процедурного висновку: оцінка детектора може спонукати до пильнішого розгляду, але не є висновком. Munoz and colleagues (2026) показують, чого це коштує на практиці. Кодуючи 1,162 звинувачення в порушеннях із генеративним ШІ, вони знайшли, що найсильніші типи доказів генеруються розслідуванням або супервізією, що процесуальні докази, такі як чернетки, зустрічі супервізії та презентації, постають лише там, де ці практики вже існують, — тобто в неперепроєктованому оцінюванні їх просто немає, — і що вихід детектора отримав найнижчі оцінки доказовості серед усіх категорій. Проєктувальним наслідком є порядок: процесуальні докази мають існувати раніше, ніж справа їх потребує, і роздуми Weidlich's (2026) про те, який висновок під ризиком, роблять ту саму точку з боку валідності, оскільки спроби відновити безпеку оцінювання через виявлення вносять нерелевантну конструкту варіацію, а не докази про здобувача.

## Витрати на проєктування та робоче навантаження

Джерела надзвичайно відверто стверджують, що це дорого. Thapa and Lewis прямо називають застереження щодо справедливості: рефлексивні та діалогічні завдання можуть привілейовувати студентів, які впевненіші в академічному самовираженні, якщо їх інклюзивно не проєктувати та не [[scaffolding|підтримати скаффолдингом]], і реляційна робота, що вимагає багато [[feedback|зворотного зв'язку]], посилює емоційну та професійну працю [[teacher-role|викладачів]] у великих або ресурсно обмежених контекстах — суперечність із інституційними очікуваннями щодо масштабованості, стандартизації та вимірної успішності. Sharma додає інтерпретаційну версію: вимога задокументованих міркувань привілейовує [[learners]], які вільно володіють рефлексивним дискурсом, а судження як доказ "залишається реляційним і ситуативним, а не механічно перевірним".

Операційні витрати перелічено в іншому місці. Boysen перелічує нові технології, переглянуті завдання та програми, навчання студентів незнайомих навичок і додаткові матеріали для збирання та оцінювання, попереджає, що невисокі кредити за процес можуть роздути оцінки, і визнає, що модель набагато краще пасує великим проєктам розвитку навичок, ніж повсякденній роботі з набуття знань; він також зазначає, що відстеження процесу є тим, що деякі критики називають ШІ-спостереженням. Учасники Goldstein, Marae-Haj and Zidan's повідомляли, що створення процесуальної документації потребувало реальної роботи, що дев'ять з тринадцяти фінансованих просунутих інструментів оплачували з власної кишені у спосіб, який міг поглибити [[digital-divide|цифрову нерівність]], і що кілька повернулися до [[summative-assessment|контрольованих іспитів]] та очікуваних усних захистів. Турбота про [[equity-in-ai-education|справедливість]] має специфічну для ШІ грань у знахідці Brunnström and Palmqvist, що некероване використання інструменту вимагає навички управління взаємодією, яка нерівномірно розподілена, тому ШІ "може бути найбільш корисним для вже привілейованих студентів" — той самий дистрибутивний ризик, що супроводжує прохання студентів управляти задокументованим процесом. Lopez-López, Bru-Cordero and Correa-Álvarez (2026) знайшли, що студенти, які вкладали більше незалежного часу на навчання, судили використання ШІ суворіше, і рекомендують перевірити, чи зменшують шаблони розкриття, усні захисти та оцінювання, засноване на процесі, [[ethics|етичну]] невизначеність — дослідження, яке галузь усе ще потребує. Ризик прикріплюється до механізму, який робить процесуальні докази робочими: там, де співпраця, правки та рефлексія оцінюються, студенти мають причину створювати докази, що відповідають тому, чого, на їхню думку, хоче оцінювач, тому процесуальні записи можуть стати перформативними, а не доказовими ([[alam-process-oriented-collaborative-essays-2026|Alam & Jackson, 2026]]).

## Що залишається невирішеним

Розвідка Thapa and Lewis's є концептуальною: жодних учасників, жодного збирання даних і жодного випробування впровадження, тому чотири принципи аргументовані, а не перевірені, і сама стаття закликає до емпіричної роботи над [[student-experience|студентським досвідом]], робочим навантаженням викладачів і довгостроковою життєздатністю. Оцінюваність залишена недиференційованою між контекстами — перенесення на великі лекції, лабораторії, студії чи клінічні практики не розглянуто. Позиційна стаття Lane's (2026) зазначає інституційну стелю: оцінювання, засноване на процесі, притуплюється структурами оцінювання та академічних записів, які винагороджують відшліфовані фінальні артефакти, тому перепроєктування однієї аудиторії не змінює стимулу. [[educational-measurement|Вимірювання]] також тонке: огляд Jin and colleagues' (2026) інструментів [[ai-literacy|ШІ-грамотності]] закликає до оцінювання, заснованого на успішності та орієнтованого на процес, і до вимірювання поведінкових слідів [[prompt-engineering|підказок]] та перевірки, але повідомляє, що наявні інструменти спираються на [[self-report-measures|самозвіти]]. Жодне джерело тут не повідомляє про [[rct|контрольоване випробування]] процесуально орієнтованого перепроєктування проти продуктно орієнтованого, що залишає центральне твердження — що процесуальні докази і важче підробити, і справедливіше судити — аргументованим із принципу, практичного звіту та доказів із файлів справ, а не продемонстрованим у масштабі.

## Пов’язані поняття
- [[pedagogical-patterns]] — Поетапні контрольні точки та процесуальні докази як упорядковані проєкти
- [[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]]

## Пов’язані статті
- [[alam-process-oriented-collaborative-essays-2026]] — Оцінюваний процесуальний твір, написаний спільно, в учнівстві першого курсу: ітерація та співпраця в рубриці, GenAI дозволено в межах заявлених кордонів (Alam & Jackson 2026)
- [[genai-performance-vs-learning]] — успішність — це не навчання: дослідницька програма, побудована на процесуальних показниках (Yan et al. 2026)
- [[human-centered-ai-teacher-educators-2026]] — викладачі-методисти, які просять завдання, стійкі до ШІ та засновані на обґрунтуванні й рефлексії (Baran et al. 2026)
- [[sharma-judgment-visible-genai-assessment-2026]] — анотовані сліди рішень, усний захист та розбіжності між чернетками, відібрані заради видимого судження
- [[munoz-misconduct-allegation-evidence-2026]] — що містять файли справ про порушення та яких процесуальних доказів їм бракує
- [[weidlich-inference-at-risk-assessment-validity-2026]] — який висновок під ризиком, коли докази оцінювання підміняються
- [[beyond-detection-authentic-assessment-ai-2025]] — автентичність потрібно перепроєктовувати, а не поліціювати
- [[authentic-products-authenticated-processes-2026]] — автентичні продукти та процеси, які їх породили
- [[fenton-oral-exams-ai-authentic-assessment-2025]] — усний іспит як формат, стійкий до ШІ, який оживляє міркування
- [[thapa-lewis-process-oriented-assessment-2026]] — епістемічна автентичність та чотири проєктувальні зобов’язання за оцінюванням, орієнтованим на процес (Thapa & Lewis 2026)

- [[metacognitive-processes-genai-interaction-logs-2026]] — Процесуальні докази, залежні від каналу: журнали та міркування вголос розкривають різні процеси
- [[drafttrace-ai-writing-analytics-2026]] — DraftTrace: багатовіконне аналітичне середовище для письма з інтеграцією ШІ
- [[epistemic-ownership-ai-mediated-education-2026]] — Та сама успішність, інший процес: епістемічна власність в освіті, опосередкованій ШІ

---

## [Групова робота](https://edtechdev.github.io/aied/concepts/group-work/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Групова робота** — навчання та оцінена робота, виконана командою, а не окремим здобувачем; використовується для розвитку співпраці, комунікації та спільної відповідальності, водночас формуючи результат і часто оцінку для кожного учасника. Вона стоїть на перетині [[assessment|проєктування оцінювання]] та [[collaborative-learning|колаборативного навчання]] і успадковує напругу обох: «безкорисливих пасажирів» і соціальну лінь, нерівний внесок, уникнення конфліктів і складність віднесення колективного продукту до індивідуального навчання. [[generative-ai|Генеративний ШІ]] посилює це, бо командам тепер доводиться узгоджувати, чий і який саме вид залучення [[student-engagement|ШІ]] вважається прийнятним — узгодження, яке [[agency]] [[research-methods-aied|дослідження]] показує, що може завершитися протилежними результатами навіть у межах одного набору, і яке [[agentic-ai|агенти ШІ]], що приєднуються до групи, самі можуть переформатувати.

## Питання для роздумів

- Що насправді породжує групове завдання — результат групи, навчання кожного учасника чи їхню здатність співпрацювати? Якщо ці три речі можуть розійтися, яку з них ваша система оцінювання стверджує, що гарантує?
- Згадайте груповий проєкт, у якому ви брали участь. Хто виконував роботу, хто вирішував, що вважається хорошою роботою, і хто мовчав? Наскільки це залежало від проєктування завдання, а не від людей?
- Дослідження групової роботи показують, що студенти часто відмовляються притягувати до відповідальності «безкорисливих пасажирів», щоб зберегти стосунки. Коли учасник групи використовує [[generative-ai|GenAI]] для написання свого розділу, чи це «безкорисливий пасажир» — чи цей суд складніший, ніж саме слово?
- Група може отримувати доступ до ШІ через один спільний інтерфейс або через приватні підказки кожного учасника. Що створює більш чесну співпрацю, і що приховує кожен із цих підходів?
- Якби агент ШІ приєднався до вашої групи як товариш по команді — підтримуючи, ставлячи запитання або провокуючи, — це поглибило б співпрацю чи переформатувало б, хто нею керує, так, що ніхто цього не помітить? Як би ви визначили різницю?
- Колаборативний ШІ, що максимізує ефективність виконання завдання, зазвичай мінімізує саморегуляційне залучення здобувачів. Якби вам довелося вибирати між результатом і боротьбою, що б ви захищали?
- Медіатору ШІ довіряють лише доки він зберігає нейтральність. Коли він переходить від узагальнення до порад або викликів, довіра руйнується. Наскільки нейтральним ШІ групи має бути насправді?

## Вступ

Групова робота займає особливе місце в [[higher-ed|вищій освіті]] та [[professional-training|професійній підготовці]]: її цінують за розвиток співпраці, комунікації та спільної відповідальності, і вона є педагогічно центральною у професійно орієнтованих програмах, зокрема в [[teacher-education|педагогічній освіті]]. Проте її обіцянка не реалізується автоматично. І викладачі, і студенти повідомляють про перешкоди для ефективної співпраці, а оцінюваний груповий продукт несе відразу два різні твердження — про те, чого досягла група, і про те, що навчився кожен учасник. ШІ, і зокрема [[generative-ai|генеративний ШІ]], тиснуть на обидва: він змінює те, як можна розподілити роботу, наскільки легко можна поєднати внески, і як можна відрізнити мислення кожного учасника від результату інструменту. Велика частина досліджень бази знань із колаборативного навчання стосується групової роботи, і ця сторінка спирається на кілька її напрямів, а не на якесь одне дослідження.

## Чому групова робота є складною за своєю суттю

- **«Безкорисливі пасажири» та соціальна лінь.** Деякі учасники зменшують свій внесок, і робоче навантаження перерозподіляється на активніших однокурсників. Масштаб завдання, розмір групи та [[writing-education|композиція]] підвищують ймовірність; механізми підзвітності та групова ефективність її зменшують.
- **Підзвітність є як відносинною, так і структурною.** У Гонконзі — де проводилося одне з досліджень бази знань щодо групового оцінювання — студенти часто обирали *не* повідомляти про «безкорисливих пасажирів», щоб зберегти міжособистісні стосунки, і виконували роботу самостійно замість того, щоб протистояти проблемі. Отже, [[agency]] студентів може набувати форми прагнення до оцінки при уникненні конфлікту.
- **Співпрацю потрібно проєктувати, а не припускати.** Там, де завдання можна розбити на незалежні підзавдання, студенти йдуть цим шляхом, і група стає форматом подання роботи, а не спільним інтелектуальним починанням. [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] виявили, що саме так роблять три з їхніх п’ятнадцяти груп — ділять роботу, працюють на «індивідуальних платформах» і ніколи не об’єднують свої індивідуальні можливості GenAI, навіть коли узгодженість була явним критерієм оцінювання.
- **Процес проти продукту.** Групова робота найсильніша тоді, коли поряд із результатом оцінюється процес, що вимагає [[peer-assessment|взаємного оцінювання]] або інших видимих проміжних результатів, а не єдиного фінального артефакту.
- **[[equity-in-ai-education|Справедливість]] та [[inclusive-learning|інклюзія]].** Норми внеску, мова та упевненість розподіляються нерівно всередині груп. [[neurodivergent-computing-students|Нейровідмінні студенти]] повідомляють, що їм потрібні структуровані завдання, малі постійні команди та явно визначені ролі — вимоги, які інструменти співпраці зі ШІ, часто створені для «середнього» здобувача, регулярно не здатні задовольнити.

## Як ШІ змінює групову роботу

Дослідження ШІ в груповій роботі стосуються двох різних речей: чого ШІ додає до *завдання* групи і що ШІ робить з *процесом* групи. Обидва важливі, і знахідки бази знань охоплюють обидва.

### ШІ як інфраструктура координації

Найпряміша знахідка щодо GenAI та групового оцінювання — [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou's (2026)]] дослідження трьох патернів на прикладі п’ятнадцяти груп майбутніх викладачів. Замість єдиного спектру «від ентузіазму до уникнення» аґенцість розвивалася відразу в трьох напрямах.

| Pattern | Groups | Practice | Rationale |
|---|---|---|---|
| Cooperation-oriented agency | 5 | Intensified GenAI use | Coherence, performance, shared norms lowering perceived risk |
| Normative agency | 7 | Deliberately restrained use | Authenticity, [[bias-mitigation|fairness]], originality, diversity of perspectives |
| Non-enacted agency | 3 | Unchanged from individual work | Task partitioned; collective interaction viewed as costly |

- **GenAI як інфраструктура координації.** Студенти посилили використання, щоб вирішити знайому проблему [[collaborative-learning|співпраці]] — незнання того, що містять розділи однокурсників. Подача цих розділів у [[conversational-ai|чат-бот]] для розшифрування та узгодження зробила розподілене знання взаємно зрозумілим, і одна група перебудувала свій робочий процес у вигляді «дискусія → екстерналізація в GenAI → колективний огляд → повторна дискусія». Автори читають це як вихід за межі [[cognitive-offloading|когнітивного розвантаження]], оскільки судження залишалося за студентами, тоді як інструмент поглинав координаційну роботу, попереджаючи водночас, що плавніший робочий процес може обійти ту незгоду, через яку будується згуртованість.
- **Групові норми можуть інвертувати підзвітність.** Дозвільний колективний клімат знижував сприйняту [[ai-misuse-learning-harm|небезпеку неправильного використання]] («комфортніше, бо крім мене всі в моїй групі використовують GenAI»), перетворюючи спільні норми на спільне управління небезпекою, а не на зобов’язання щодо навчання — протилежне тому, чого має досягати групова підзвітність.
- **Стриманість також є аґентною.** Сім груп скоротили використання GenAI, щоб захистити [[situated-learning|ситуативне]] знання завдання («ШІ знає лише той момент, коли ти друкуєш»), уникнути фактичного паразитування на однокурсниках, зберегти оригінальність, що відрізняє групи одна від одної, і підтримувати різноманітність поглядів, яка в групи вже була — нормативна [[self-regulated-learning|саморегуляція]], а не просто підкорення, яку ззовні важко відрізнити від відчуження.

### Як спосіб доступу групи до ШІ формує співпрацю

[[xu-genai-collaborative-space-2026|Xu et al. (2026)]] показують, що *як* команда отримує доступ до GenAI — саме по собі є проєктним рішенням. За єдиного спільного інтерфейсу в синхронній роботі команди спільно конструюють «колективні підказки», виконують цикл «поверхня–оцінювання–вбудовування» і ставляться до чату як до спільної пам’яті; в асинхронній роботі приватне [[prompt-engineering|формулювання підказок]] і «зняття позначень» із результатів фрагментують [[explainable-ai|прозорість]] і підвищують витрати на підтримання спільної когнітивної моделі. Тому конфігурація доступу безпосередньо пов’язана з якістю інтерактивного залучення — чи справді група щось співконструює, чи лише співсхвалює.

### ШІ як учасник групи переформатовує групу

Другий напрям досліджень розглядає ШІ як учасника, а не як інструмент, і його знахідки ускладнюють припущення, що «товариш по команді на основі ШІ» означає «кращу командну роботу».

- **Агенти як соціальний стабілізатор — і як магніт для запитань.** У п’ятнадцяти групах по три [[stem-education|STEM]]-студенти, що обговорюють [[ethics]] із трьома учасниками [[llm]] ([[ethics-training-agents-group-ethics-discussion-2026|Seo et al., 2026]]), агенти тримали групи в межах теми, коли людські учасники відхилялися («навіть коли інші двої відходили від теми, мені не довелося з цим впоратися»), і провокували уточнення, яких люди уникали з міжособистісних причин. Проте групова динаміка змістила взаємодію від людей — 79,7 % запитань адресувалися агентам (*p* = .017) — і учасники відзначали компроміс між широтою та глибиною в форматі послідовних ходів, де кожен промовець брав слово по черзі й «інші учасники не могли втрутитися», що робило легким охоплення багатьох ідей, але важким — дослідження будь-якої з них у глибину.
- **Персони ШІ переконфігурують емерджентну [[agency]].** [[jin-emergent-learner-agency-implicit-hai-2026|Jin et al. (2026)]] в експерименті, де ШІ діяв як нерозкритий учасник команди, виявили, що підтримувальні та опозиційні персони все одно переформатовували групу: опозиційний ШІ тягнув дискурс до виклику та рефлексії ([[desirable-difficulties|продуктивне тертя]]), тоді як підтримувальний ШІ стабілізував згоду та відновлював генезис ідей. Критично, що це тертя мало [[affective-computing|афективну]] ціну — опозиційний ШІ зменшував задоволеність командною роботою та психологічну безпеку *без* створення креативних здобутків — тому «продуктивні» структури дискурсу слід зважувати з їхніми емоційними наслідками. Оскільки персони працювали навіть без розкриття, вони позиціонують проєктування персони як форму невидимого [[governance]] над груповою співпрацею.
- **Полеміка може протистояти груповому мисленню.** [[genai-counter-learner-groupthink-2025|Wiss et al. (2025)]] свідомо пішли протилежним шляхом: агент ШІ (CALIE), якому доручили впроваджувати суперечливі точки зору у дванадцять міжпрофесійних команд [[problem-based-learning|PBL]], стимулював [[critical-thinking|критичне мислення]] та позитивну групову динаміку, протидіючи тиску на підкорення, який групова робота може породжувати в іншому разі. Контраст із Jin et al. повчальний — виклик допомагає, коли він є задуманим елементом проєкту, і шкодить, коли є нерозпізнаним побічним ефектом.
- **Обмеження нейтрального медіатора.** [[spritz-ai-disciplinary-mediation-student-teams-2026|Spritz]] — ШІ, який медіює дисциплінарні межі в міждисциплінарних командах, висуваючи на поверхню приховані припущення, — цінували як когнітивну підтримку і як відносинний буфер, але довіра студентів була несучим елементом і руйнувалася щойно ШІ переходив від нейтрального медіатора до радника або того, хто кидає виклик. Тому перемикання ролей має бути явним і конфігурованим, а не мовчазним.
- **Співпраця сама може бути об’єктом навчання.** [[golrang-propact-pair-programming-2026|ProPACT]] розглядає *діаду* — не індивіда — як одиницю аналізу, моделюючи спільну увагу та зусилля для передбачення розпадів співпраці заздалегідь до 30 секунд. Діади, що отримували проактивний зворотний зв’язок, досягали вищої успішності налагодження й демонстрували стійкі здобутки в колаборативній [[regulation]] потому: ШІ може навчати самій співпраці, а не лише підтримувати завдання.

### Компроміс між ефективністю та саморегуляцією

[[hao-human-ai-collaborative-problem-solving-cognition|Hao et al.]] виокремили три колаборативні режими роботи зі ШІ над складними проблемами — *Delegated Reasoning*, *Concerted Interpretation* і *Delegated Elaboration*. Найефективніший режим (делеговане міркування) дає найкраще виконання завдання, але найнижче саморегуляційне залучення; режим із найбільшою саморегуляцією (узгоджена інтерпретація) поступається на завданні. Це центральна проєктна напруга опосередкованої ШІ групової роботи: зважування ефективності розподіленої люд–ШІ системи проти глибини регуляційного залучення здобувачів.

### Епістемічна небезпека відполірованого результату

[[polished-artifacts-fragile-engagement-2026|Kimmerle]] концептуалізує небезпеку зменшення епістемічних зусиль, коли здобувачі використовують ШІ для створення відполірованих артефактів знання — упередженість автоматизації з соціально-когнітивного боку та епістемічне замикання, спричинене завершеним артефактом, з іншого. Засіб полягає в тому, щоб структурувати ШІ як аргументаційного партнера або того, хто кидає виклик, що зберігає конфлікт. Контраргумент дають [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer et al.]], які виявили, що коли LLM діють як партнери з критики, а студенти активно спростовують їхні твердження, здобувачі поводяться як критичні споживачі, які зберігають, а не здають когнітивний конфлікт критики. Різниця між товаришем, який дає відповіді, і партнером, який кидає виклик, і визначає, чи групова робота зі ШІ будує мислення, чи обходить його.

### Підтримка на рівні аудиторії, не оцінювальна

[[breideband-community-builder-cobi-2026|CoBi]] виявляє «піднесений» дискурс у малих групах (повага, справедливість, спільнота, рух мислення вперед) і повертає неоцінювальні візуалізації на рівні аудиторії — свідомо утримуючи зворотний зв’язок на рівні студента чи групи, щоб захистити [[privacy]] і [[trust]]. Студенти віддавали перевагу [[qualitative-research|якісним]] візуалізаціям (органічне дерево) над [[quantitative-research|кількісними]] (радарна діаграма). Для відносинної виміру групової роботи зведений на рівні класу зворотний зв’язок підтримує будівництво спільноти там, де індивідуальне оцінювання відчувалося б як нагляд.

## Наслідки для проєктування

- **Зробіть узгодження щодо використання ШІ оцінюваним результатом.** [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] стверджують, що команди мають обґрунтовувати й документувати, як GenAI використовуватиметься і як не використовуватиметься, перетворюючи приховану однокурсникову норму на явне, оцінюване міркування, а не залишаючи все на сприйнятій небезпеці.
- **Оцінюйте процес, а не лише продукт.** [[peer-assessment|Взаємне оцінювання]], проміжні результати та рефлексивні внески створюють ті взаємодії, через які насправки конструюються норми та спільне розуміння.
- **Не покладайтеся лише на критерій узгодженості.** Пункт рубрики, що вимагає інтеграції, не створює співпраці, якщо структура завдання все ще дозволяє «розділити й завоювати»; робочий процес має вимагати спільної роботи.
- **Проєктуйте доступ свідомо.** Чи ділить група один інтерфейс ШІ, чи кожен учасник формує підказки приватно, змінює прозорість співпраці та витрати на підтримання спільної когнітивної моделі.
- **Вирішіть, видимо, якою є роль ШІ.** Нейтральному медіатору довіряють; раднику чи тому, хто кидає виклик, — ні, якщо ця роль не є явною та задуманою. Опозиційна персона може протистояти груповому мисленню, але лише як проєктний елемент із визнаними витратами на психологічну безпеку.
- **Зважуйте ефективність проти саморегуляції.** Колаборативний ШІ, що максимізує ефективність завдання, може підривати регуляційне залучення здобувачів; проєктування має свідомо захищати простір для узгодженої інтерпретації.
- **Віддавайте перевагу аргументаційному партнеру, а не тому, хто дає відповіді.** Структуруйте ШІ так, щоб він висував на поверхню незгоду, а не згладжував її, щоб групова робота зберігала когнітивний конфлікт, який будує розуміння.
- **Забезпечте потреби [[neurodiversity|нейровідмінних]] здобувачів.** Структуровані завдання, малі постійні команди та явні визначення ролей — це вимоги, які мають підтримувати інструменти співпраці зі ШІ.
- **Читайте стриманість уважно.** Студенти, які уникають ШІ в групах, можуть здійснювати нормативну саморегуляцію — або оберігатися від небезпеки та незнайомого. Це вимагає різних реакцій [[teacher-role|викладача]].

## Пов’язані поняття

- [[pedagogical-patterns]] — Рольові сценарії для груп, що ділять один ШІ
- [[ai-education]] — ШІ в освіті (зонтичне поняття)
- [[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]]

## Пов’язані статті

- [[chen-zou-genai-group-assessment-agency-2026]] — Три патерни студентської аґенційності в груповому оцінюванні, опосередкованому GenAI
- [[jin-emergent-learner-agency-implicit-hai-2026]] — Емерджентна аґенційність здобувача, коли до групи приєднується ШІ: підтримувальні проти опозиційних персон
- [[genai-counter-learner-groupthink-2025]] — Агент ШІ, що впроваджує полеміку для протистояння груповому мисленню в командах PBL
- [[xu-genai-collaborative-space-2026]] — Спільний проти приватного доступу до GenAI у межах команди
- [[hao-human-ai-collaborative-problem-solving-cognition]] — Режими співпраці та компроміс між виконанням завдання та саморегуляцією
- [[golrang-propact-pair-programming-2026]] — ProPACT: діада як одиниця аналізу в парному програмуванні
- [[spritz-ai-disciplinary-mediation-student-teams-2026]] — Медіація ШІ для висунення припущень у міждисциплінарних студентських командах
- [[oppenheimer-llms-collaborative-learning-partners-2026]] — LLM як партнери з критики: активне спростування зберігає когнітивний конфлікт
- [[polished-artifacts-fragile-engagement-2026]] — Відполіровані артефакти, крихке епістемічне залучення
- [[breideband-community-builder-cobi-2026]] — Аналітика дискурсу на рівні аудиторії для групової співпраці
- [[niari-ai-pedagogical-mediator-collaborative-learning]] — ШІ як педагогічний медіатор співпраці
- [[neurodivergent-computing-students]] — Вимоги нейровідмінних студентів до колаборативного навчання
- [[academic-league-of-ai-2026]] — Демократичне студентське врядування та проєктні команди для освіти в галузі ШІ
- [[teacher-student-agency-orchestration]] — Спіко-оркестрація аґенційності викладача та студента в реальному часі
- [[dollinger-equitable-assessment-ai-2026]] — Справедливе оцінювання в еру ШІ
- [[ethics-training-agents-group-ethics-discussion-2026]] — Ethics Training Agents: сприяння груповій етичній освіті за допомогою рольових ігор та дискусій для етичної рефлексії та дослідження

---

## [Електронне портфоліо](https://edtechdev.github.io/aied/concepts/eportfolio/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Електронне портфоліо (е-портфоліо)** — цифровий збірник робіт здобувача, рефлексій і доказів досягнень, що використовується для [[assessment]], навчання та оцінювання. В епоху ШІ е-портфоліо постали як порівняно **стійка до ШІ та підтримана ШІ** форма оцінювання: вони фіксують *процес* навчання (міркування, чернеткування, рефлексію), а не лише кінцевий артефакт, що робить їх цінними в умовах краху артефакту-як-проксі, і [[generative-ai|генеративний ШІ]] може підтримувати їхнє створення, [[feedback]] та оцінювання.

## Питання для роздумів

- Е-портфоліо фіксує процес навчання — чернетки, правки, рефлексії, — а не лише кінцевий артефакт. Чому процес може бути саме тим, що ШІ не може легко сфабрикувати, і на що це робить портфоліо гідними в аудиторії, насиченій ШІ?
- Коли ШІ може на вимогу створювати відполіровані кінцеві продукти, «артефакт-як-проксі» для навчання зазнав краху. Що, на вашу думку, оцінювач може дізнатися з портфоліо такого, чого він уже не може довіряти з одного поданого есе чи екзамену?
- Деякі дослідження рекомендують анотовані портфоліо, усні захисти та записані відеоогляди, щоб перевіряти міркування в реальному часі, віддзеркалюючи професійну практику. Наскільки це зробило б оцінювання відмінним від есе й екзаменів, які ви складали, — і справедливішим, чи важчим для масштабування?
- ШІ може підтримувати сам процес портфоліо — давати зворотний зв’язок, допомагати в чернеткуванні й спонукати до рефлексії. Де межа між тим, що ШІ справді допомагає студенту навчатися, і тим, що ШІ тихо виконує мислення, яке портфоліо має виявляти?

## Вступ

Е-портфоліо є формою [[authentic-assessment|автентичного оцінювання]] та [[formative-assessment|формативного оцінювання]]: вони збирають студентські роботи упродовж часу, часто з рефлексивними коментарями, у сукупність доказів, яку можна оцінювати цілісно. Їхня сила в тому, що вони виводять на поверхню *процес* навчання — чернетки, правки, зворотний зв’язок і саморефлексію, — а це саме те, що ШІ не може легко сфабрикувати і що оцінювачам потрібно для оцінки справжнього навчання. Це робить портфоліо провідним кандидатом на перепроєктування оцінювання в епоху генеративного ШІ.

## Е-портфоліо в епоху ШІ

Дослідження бази знань показують, що е-портфоліо дедалі більш центральні для продуктивної інтеграції ШІ та перепроєктування оцінювання.

- **Оцінювання за портфоліо порівняно стійке до генеративного ШІ.** [[zhan-boud-du-authentic-assessment-scoping-review-2025|Zhan, Boud & Du (2025)]] виокремлюють **портфоліо соціального внеску** та спільностворені артефакти з перевірюваними ланцюгами походження серед форм автентичного оцінювання, найстійкіших до генеративного ШІ. [[beyond-detection-authentic-assessment-ai-2025|Beyond detection (2025)]] так само рекомендує **анотовані портфоліо / усні захисти / записані відеоогляди**, щоб перевіряти міркування в реальному часі, віддзеркалюючи професійну практику.
- **Оцінювання портфоліо з підтримкою ШІ.** [[ni-lam-multiliteracies-ai-portfolio-2026|Ni & Lam (2026)]] вивчають уявлення студентів про **оцінювання портфоліо з підтримкою ШІ** для розвитку мультиграмотності, показуючи, що ШІ може підтримувати *процес* портфоліо (зворотний зв’язок, чернеткування, рефлексію) та посилювати залученість, тоді як студенти критично оцінюють зворотний зв’язок ШІ.
- **ChatGPT + е-портфоліо для вивчення мови.** [[sutama-chatgpt-eportfolio-speaking-2026|Laksana та співавт. (2026)]] поєднують ChatGPT з оцінюванням за е-портфоліо (модель CEA) для усного мовлення в EFL: MANOVA показала значні здобутки в усному мовленні (F(1) = 48,554, p &lt; 0,001) і в [[feedback-literacy|грамотності зворотного зв’язку]] (F(1) = 16,135, p &lt; 0,001), причому е-портфоліо підтримували як усні вміння, так і метакогнітивні здатності ефективно використовувати зворотний зв’язок.
- **Портфоліо як стратегія оцінювання епохи ШІ.** [[responsible-assessment-ai-era-stanford-2026|Responsible assessment (2026)]] обґрунтовує перехід від одноразового тестування до **безперервного вбудованого оцінювання з використанням портфоліо** та підходів на основі компетентностей. [[pbl-structural-conditions-ai-2026|Rowe (2026)]] називає портфоліо (разом із усними захистами та спостережуваною практикою) частковими відповідями на відкрите питання оцінювання у масштабі, коли артефакт-як-проксі зламався.
- **Портфоліо як оцінювані сліди навчання.** [[learn-framework-responsible-genai-pbl-2026|Uden & Hwang (2026)]] використовують **особисті навчальні портфоліо** як механізм рамкової концепції LEARN — оцінювані сліди навчання (портфоліо, розкриття використання ШІ), які роблять опору на ШІ прозорою та перевірюваною.
- **Симбіотичні портфоліо для гібридних здобувачів.** [[elsayed-pedagogical-symbiosis-posthuman-learner|Elsayed (2026)]] пропонує **симбіотичне портфоліо** для постгуманного/гібридного здобувача, що оцінюється за рубрикою з п’яти критеріїв (генеративний діалог, епістемічний аудит, критична рефлексія тощо) — явна модель для оцінювання колаборативної роботи люди + ШІ.

## Чому е-портфоліо важливі для інтеграції ШІ

Оскільки е-портфоліо висувають на передній план **процес, рефлексію та продемонстроване розуміння**, а не єдиний кінцевий артефакт, вони безпосередньо адресують центральну проблему ШІ: коли ШІ може створити відполірований продукт, продукт уже не свідчить про ту залученість, що стоїть за ним. Е-портфоліо зміщують оцінювання до доказів, які витримують цю ситуацію, — чернеток, правок, слідів міркування та рефлексивного самооцінювання, — тоді як сам ШІ може допомагати в створенні зворотного зв’язку, скаффолдингу рефлексії та (при відповідному проєктуванні рубрики) підтримці оцінювання. Це робить е-портфоліо наріжним каменем [[authentic-assessment|автентичного]], [[formative-assessment|формативного]] та [[process-oriented-assessment|процесно-орієнтованого оцінювання]] в епоху [[generative-ai|генеративного ШІ]] та природним домом для [[feedback-literacy|грамотності зворотного зв’язку]] та [[self-regulated-learning|саморегульованого навчання]].

## Пов’язані поняття

- [[assessment]]
- [[authentic-assessment]]
- [[formative-assessment]]
- [[feedback]]
- [[feedback-literacy]]
- [[generative-ai]]
- [[self-regulated-learning]]
- [[metacognition]]
- [[student-engagement]]
- [[language-learning]]
- [[higher-ed]]

## Пов’язані статті

- [[ni-lam-multiliteracies-ai-portfolio-2026]] — Уявлення студентів про розвиток мультиграмотності з використанням оцінювання портфоліо з підтримкою ШІ (Ni & Lam 2026)
- [[sutama-chatgpt-eportfolio-speaking-2026]] — ChatGPT у поєднанні з оцінюванням за е-портфоліо для усного мовлення в EFL і грамотності зворотного зв’язку (Laksana та співавт. 2026)
- [[responsible-assessment-ai-era-stanford-2026]] — Оцінювання на основі портфоліо та компетентностей в епоху ШІ
- [[zhan-boud-du-authentic-assessment-scoping-review-2025]] — Автентичне оцінювання, стійке до генеративного ШІ, зокрема портфоліо соціального внеску
- [[beyond-detection-authentic-assessment-ai-2025]] — Анотовані портфоліо / усні захисти як оцінювання, стійке до ШІ
- [[elsayed-pedagogical-symbiosis-posthuman-learner]] — Симбіотичне портфоліо для гібридних здобувачів
- [[pbl-structural-conditions-ai-2026]] — Портфоліо як часткові відповіді на оцінювання в масштабі
- [[learn-framework-responsible-genai-pbl-2026]] — Особисті навчальні портфоліо як оцінювані сліди навчання

---

## [Оцінювання однолітками](https://edtechdev.github.io/aied/concepts/peer-assessment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Оцінювання однолітками** — практика, в якій студенти оцінюють, виставляють оцінки або дають [[feedback]] на роботу одне одного, через письмове рецензування однолітками, оцінювання однолітками, рецензування коду однолітками або оцінювання груп і команд. У [[writing-education|письмі]] [[pedagogy]] це давно усталена найкраща практика: студенти навчаються і з отримання зумовленого критеріями зворотного зв'язку, і з його надання, а розмова однолітків про спільну роботу корелює з глибшим навчанням, усвідомленням аудиторії та соціальним розвитком. В епоху ШІ її переосмислюють як вибір [[assessment|проєктування оцінювання]], а не як окрему активність — людське доповнення до [[ai-feedback-quality|згенерованого ШІ зворотного зв'язку]], полігон для [[feedback-literacy]] і місце, де [[academic-integrity]] та [[agency|агентність студента]] переукладаються заново.

## Питання для роздумів

- Згадайте час, коли вашу роботу оцінював одноліток — або ви оцінювали його. Чого ви навчилися більше: віддавати зворотний зв'язок чи отримувати його, і чому?
- Чому зворотний зв'язок студента може бути більш усвідомленим контексту та емоційно підтримуючим, ніж зворотний зв'язок ШІ, навіть коли зворотний зв'язок ШІ є більш послідовним і зумовленим рубрикою? Як ці два могли б доповнювати одне одного?
- Однолітки мають тенденцію недооцінювати сильну роботу, а ШІ має тенденцію завищувати слабку роботу. Якщо жодне з них не є надійно точним по всьому діапазону якості, для чого має використовуватися оцінка з будь-якого з цих джерел?
- Оцінювання однолітками сильно залежить від [[scaffolding]] та чітких критеріїв, а упередженість дружби та соціальна [[anxiety-and-stress|тривожність]] можуть зробити ненавчене рецензування однолітками гіршим за його відсутність. Як виглядає належне навчання у вашому контексті?
- Якщо ШІ може складати коментарі щодо організації та структури, чи робить це оцінювання однолітками зайвим — чи воно звільняє однолітків для надання конкретного, усвідомленого аудиторією зворотного зв'язку, який можуть дати лише вони?
- Підтримуваний GenAI зворотний зв'язок від однолітків перевершив просте враження від однолітків в одному дослідженні, але лише з доданим підказковим скаффолдингом. Що тут піддається скаффолдингу — ШІ, студент чи оцінювання?
- Критичну оцінку згенерованого ШІ зворотного зв'язку описують як будівництво ШІ-грамотності та письменницької агентності. Що означає мати агентність над власною роботою, коли машини дедалі більше коментують її?

## Вступ

Оцінювання однолітками — це вибір проєктування оцінювання, в якому студенти беруть на себе частину оцінювальної роботи, зазвичай зарезервованої для викладачів. Його форми відрізняються тим, що студенти створюють і що стоїть на карті: зворотний зв'язок від однолітків (коментарі до чернетки, зазвичай [[formative-assessment|формативний]] і з низькими ставками), оцінювання однолітками (оцінка, що вносить вклад в підсумкову оцінку), рецензування коду однолітками та групове або командне оцінювання (де однолітки оцінюють колективний продукт або внески одне одного). Форма визначає, що студенти практикують — надання зумовленого критеріями коментаря будує [[evaluative-judgment|оцінювальне судження]] інакше, ніж присвоєння числа, а усний захист власного коду будує щось знову інше. [[self-assessment]], споріднена практика, спрямовує цю саму зумовлену критеріями увагу на власну роботу здобувача, тоді як оцінювання однолітками спрямовує її на подання однолітка та усвідомлення аудиторії, яке приходить разом із цим.

База досліджень погоджується, що оцінювання однолітками дає навчання, і не погоджується щодо того, наскільки це залежить від проєктування. Воно дає студентам автентичну аудиторію, розвиває оцінювальне судження через зумовлене критеріями відгукування і будує соціальний контекст, який підтримує [[student-engagement|залученість]] і [[motivation]]. Його якість сильно залежить від [[scaffolding]] — наскільки добре воно структуроване і чи отримують студенти чіткі критерії та навчання. Ця залежність — те, де входить ШІ, як послідовне, зумовлене рубрикою доповнення до конкретного, усвідомленого контексту зворотного зв'язку, який дають однолітками, і дедалі більше — як скаффолдинг, вбудований у сам процес оцінювання однолітками.

## Чому студенти навчаються, оцінюючи однолітків

Найсильніший аргумент на користь оцінювання однолітками полягає в тому, що навчається оцінювач. [[code-review-genai-cs1|Fowles et al. (2026)]] зробили кожне подання в CS1 предметом 15-хвилинної усної співбесіди рецензування коду з навченим асистентом викладача, з вагою 70% оцінки завдання. Частка вставленого від загальної кількості символів зросла з 61.0% до 68.1% (p < 0.0001), проте бали екзамену не знизилися, а час на задачу залишався сталим; 90% студентів сказали, що рецензування мотивувало їх краще розуміти свій код, і 65% — що воно допомогло уникнути [[cognitive-offloading|надмірної залежності]] від ШІ. Вимога, щоб студенти пояснювали свою роботу навченому одноліткові, перетворила потенційне перевантаження на можливість практики [[self-regulated-learning|саморегульованої]].

Механізм повторюється в літературі. У систематичному огляді PRISMA 2020 [[meta-analysis-systematic-review|систематичному огляді]] 22 статей із 203 профільтрованих, [[llm-critical-thinking-teamwork-review|Martínez-Peláez et al. (2025)]] виявили, що LLM підтримують [[collaborative-learning|співпрацю]] частково через сприяння зворотному зв'язку від однолітків та моделювання зумовлених рубрикою оцінювань, і що студенти, які перевіряють і виправляють результати моделі, розвивають критичне мислення. [[learning-by-teaching]] проявляється навіть серед машин: подібний до навчання від однолітків дискурс серед понад 2.4 мільйона [[agentic-ai|агентів ШІ]] був здебільшого твердженням, а не запитанням (співвідношення тверджень до запитань 11.4:1, [[metacognition|метакогнітивне]] відзеркалення — лише 7% закодованої таксономії по 28 683 публікаціях), що [[ai-agents-peer-learning-discourse|Chen et al. (2026)]] розглядають як застереження, що поверхневий дискурс не встановлює, що чомусь навчилися.

## Навчання, калібрування та грамотність зворотного зв'язку

Оцінювання однолітками передбачувано не спрацьовує, коли студенти ненавчені. [[scaffolding-srl-feedback-genai-human-peers|Gu, Chen, and Yan (2026)]] провели квазіексперимент [[mixed-methods-research|змішаних методів]] зі 118 студентів першого року [[higher-ed|першого циклу]] в Китаї, порівнюючи ChatGPT-4o за заздалегідь навченими рубриками проти структурованих аркушів рецензування однолітками з високоякісним зразком. Грамотність зворотного зв'язку зросла трохи більше в групі GenAI (ANCOVA p = 0.049, η²p = 0.03), але [[qualitative-research|якісні]] висновки мають більше значення: студенти груп однолітків обирали джерела зворотного зв'язку за соціальною зручністю — найближчі однолітки, однолітки з того самого профілю, сусіди по кімнаті, — рідко тримали конкретні цілі зворотного зв'язку і стикалися з соціальною тривожністю щодо пошуку зворотного зв'язку. Оцінювання однолітками частіше спотворювалося упередженістю дружби та уявленою обізнаністю однолітків, а відзеркалення однолітками часто відкладалося до пізніших екзаменів. Автори рекомендують багатоетапні дизайни з анонімним зворотним зв'язком від однолітків, оскільки рецензування однолітками все ще єдиним чином будує усвідомлення аудиторії та оцінювальне судження через надання зворотного зв'язку.

Рамки проєктування націлені на ці вузькі місця. [[irwin-muller-efl-peer-feedback-literacy|Irwin and Muller (2026)]] пропонують дві ролі GenAI у зворотному зв'язку від однолітків з мовлення в EFL/ESL, кейс, який, як вони стверджують, є важчим за письмо через тиск часу, миттєву усну продуктивність та підвищений афект: Тренувальника, що підтримує тих, хто дає зворотний зв'язок, через калібрування на основі зразків та зворотний зв'язок щодо зворотного зв'язку, і Синтезатора, що агрегує коментарі однолітків у звіт про засвоєння, пов'язаний із критеріями, який нормалізує формати, зберігає погляди меншості та позначає протиріччя. Їхні принципи — ретельне часування та впорядкування, короткі повторювані одиниці Тренувальника, збереження голосу тих, хто дає зворотний зв'язок, і [[guardrails]], які тримають [[teacher-role|викладача]] в контурі без [[automated-assessment|автоматизованого оцінювання]]. Робота є концептуальною, без нових емпіричних даних.

## Дійсність, справедливість і точність оцінювання: однолітки проти ШІ проти викладача

Там, де оцінювання однолітками дає оцінку, питання полягає в тому, чи є ця оцінка захищеною. [[usher-faraon-who-grades-best-2026|Usher and Faraon (2026)]] виявили, що узгодженість між однолітками та викладачем була найсильнішою для роботи нижчої якості (r = 0.51 у рівні нижчої якості) і слабшала для проєктів високої якості, які однолітки мали тенденцію недооцінювати — ймовірно, відображаючи небажання критикувати сильну роботу. ChatGPT показав обернений патерн: кращу узгодженість на роботі високої якості, але завищені оцінки для слабких подань. Студенти сприймали оцінки однолітків як більш узгоджені з їхнім власним письмовим зворотним зв'язком і цінували усвідомлене взаєминне судження однолітків поряд із нейтральною послідовністю ChatGPT. Точність однолітків залежить від якості та чутлива до взаємин, і жодне окреме джерело не є надійним по всьому діапазону.

Це обмежує те, для чого має використовуватися оцінка однолітка. Оцінка, відкалібрована в середині розподілу, не мусить бути відкаліброваною зверху або знизу, тож оцінки однолітків є більш захищеними як внесок у модероване рішення або як доказ судження оцінювача, ніж як фінальна оцінка сильної роботи. [[multimodal-affective-its-presentation|Suen and Hung (2026)]] підкреслюють, чому заклади продовжують шукати масштабовані альтернативи: зворотний зв'язок від однолітків і експертне коучингу є трудомісткими, коштовними і важкими для послідовного масштабування. Їхня система із замкненим контуром оцінила 204 [[adult-learning|дорослих здобувачів]] за уміннями презентації з основою XGBoost, що наближається до надійності експертних оцінювачів (ρ = 0.69–0.78), і з приростами «до-після» за коефіцієнтом d Коена d = 0.39–0.90 — одне польове дослідження «до-після», а не порівняння з оцінюванням однолітками, що заміщає машинне судження, а не підсилює судження однолітків.

## Оцінювання однолітками з підсиленням ШІ: PAIRR і розділення Тренувальник/Синтезатор

Домінантний патерн проєктування тримає однолітка в центрі і додає ШІ навколо нього. Модель Peer and AI Review + Reflection (PAIRR) є найкраще задокументованим випадком. [[pairr-ai-peer-review-2025|Sperber et al. (2025)]] впровадили PAIRR у 10 письмових курсах і трьох письмово інтенсивних курсах [[stem-education|STEM]], зі 654 студентами (37% першого покоління, 13% міжнародних, 68% [[multilingual-learning|багатомовних]]). Студенти писали чернетки, обмінювалися рецензуванням однолітків, запитували у ChatGPT зумовлений рубрикою зворотний зв'язок щодо тієї самої чернетки, критично оцінювали обидва, планували редагування і відзеркалювали. 58% надавали перевагу поєднаному зворотному зв'язку, 36% — лише зворотному зв'язку від однолітків і лише 6% — лише зворотному зв'язку ШІ. Два джерела часто були схожими (75% повідомили про схожість, описану як підтвердження та підсилення одне одного) і, коли вони відрізнялися, доповнювальними: зворотний зв'язок ШІ часто називали надто загальним (31%), але він давав дієві стратегії редагування щодо організації та структури, тоді як зворотний зв'язок від однолітків був конкретнішим і детальнішим (28%) і спирався на контекстуальні знання про завдання. Критична [[ai-ed-evaluation|оцінка результатів]] ШІ будувала [[ai-literacy]], і лише 5.3% студентів виявили надмірну впевненість у ньому.

Патерн узагальнюється на професійне письмо. [[gift-ai-pairr-business-writing-2025|MacArthur et al. (2025)]] застосували PAIRR до курсу ділового письма вищого відділення, де кожне з п'ятьох основних завдань вимагало чернетки, аналізу аудиторії, рецензування однолітками від 2–3 однолітків і редагування (брали участь 34 зі 46 зарахованих студентів; 69% багатомовних). Студенти цінували зворотний зв'язок ШІ, але іноді вважали його надто загальним, і цінували контекстуальні знання однолітків — «мої однолітки дивилися на це з позиції роботодавця… ChatGPT не робив цього так сильно». Чверть закодованих відзеркалень у більшому дослідженні PAIRR висловлювала скептицизм щодо зворотного зв'язку ШІ або відзначала в ньому неточності, що автори читають як розвиток ШІ-грамотності. Дослідження є описовим і специфічним для курсу.

## GenAI як скаффолдинг усередині зворотного зв'язку від однолітків і групового оцінювання

Найсуворішим випробуванням того, наскільки проєктування має значення, є багатосайтовий кластер-рандомізований експеримент. [[genai-feedback-design-multisite-experiment|Ateş (2026)]] рандомізував 48 секцій по 4 університетах — 1 176 студентів першого року [[biology-education|біології]], [[chemistry-education|хімії]] і [[physics-education|фізики]] — на чотири умови для наукової аргументації: лише зворотний зв'язок від однолітків, прямий зворотний зв'язок GenAI, відзеркалювальний зворотний зв'язок GenAI (самооцінювання, потім критика ШІ) та гібрид самооцінювання → зворотний зв'язок від однолітків → критика GenAI. Прямий GenAI переміг зворотний зв'язок від однолітків за негайною якістю аргументації, але показав слабший [[transfer-of-learning|перенос]]; відзеркалювальні та гібридні дизайни дали сильніше засвоєння зворотного зв'язку та саморегульоване навчання; гібрид показав найяснішу перевагу на концептуальному навчанні; обидва перевершили прямий GenAI на відкладеному переносі без ШІ. Цінність GenAI, висновковують автори, залежить менше від доступу, ніж від того, чи зберігає середовище агентність і власність студента під час редагування.

Впорядкування зворотного зв'язку ШІ перед дискусією однолітків, а не після неї, також підвищувало результати: проти лише зворотного зв'язку від однолітків 122 китайських студенти EFL, яким дали інтегрований зворотний зв'язок ШІ-плюс-однолітки, повідомили про вищу афективну, поведінкову та когнітивну залученість (часткове η² = 0.29, 0.28, 0.32) і перевершили за всіма чотирма вимірами письма IELTS, найбільше на досягненні задачі (d = 1.41) ([[ai-peer-feedback-l2-writing-engagement-2026|Liu (2026)]]).

Цей патерн — рання перевага, яка не тримається, — повторюється, коли порівнянням є зворотний зв'язок викладача проти зворотного зв'язку від однолітків з підтримкою ШІ, а не GenAI окремо. [[teacher-vs-ai-peer-feedback-l2-writing-2026|Tang, Li, and Luo (2026)]] провели восьмитижневий квазіексперимент зі 61 китайських письменників L2 (244 оцінених текстів), які працювали за одним п'ятивимірним контрольним переліком, причому один клас отримував письмовий зворотний зв'язок викладача, а інший — зворотний зв'язок від однолітків з підтримкою ШІ. Зворотний зв'язок викладача давав набагато більше коментарів — 316 пунктів проти 185 у першому завданні, зосереджених на лексиці та технічних деталях, — і трохи більший негайний приріст, але його поліпшення різко впало до другого завдання, тоді як клас зі зворотним зв'язком від однолітків із підтримкою ШІ тримався стабільно і закінчив із вищим балом редагування. Коментарі класу зі зворотним зв'язком від однолітків із підтримкою ШІ були меншими за кількістю, але залишалися прив'язаними до змісту та структури, і їхня рання перевага в лексичній різноманітності не збереглася; жоден режим не зрушив синтаксичну складність. Автори читають ці два як доповнювальні [[scaffolding|скаффолдинги]] і пропонують гібрид ШІ–Однолітки–Викладач, у якому ШІ позначає поверхневі помилки під час написання чернетки, однолітками узгоджують зміст під час редагування, а викладач націлюється на те, чого не досяг жоден із них.

Додавання GenAI може також підвищити якість самого зворотного зв'язку від однолітків, але, схоже, лише за підказкової підтримки. [[chang-genai-peer-feedback-collaborative-argumentation-2026|Chang et al. (2026)]] порівняли три умови серед 45 студентів-учителів у 12 групах за чотирьох раундів спільної аргументації: простий зворотний зв'язок від однолітків, зворотний зв'язок від однолітків з GenAI та зворотний зв'язок від однолітків з GenAI за підказкового скаффолдингу. Групи з підтримкою GenAI перевершили простий зворотний зв'язок від однолітків за продуктивністю аргументації, а група з підказковим скаффолдингом спрацювала найкраще на просунутих елементах, таких як «дані відкидання і підстава» та «звертання до протилежного погляду». Групи з підтримкою GenAI давали більше пояснень, пропозицій та нейтрального або негативного зворотного зв'язку, а група зі скаффолдингом поєднувала негативні емоції зі змістом зворотного зв'язку вищого порядку — [[critical-thinking|критичною оцінкою]], а не пасивним прийняттям. Це малий окремий експеримент, але він ізолює підказковий скаффолдинг як активний інгредієнт.

[[group-work|Групове оцінювання]] змінює проблему, бо студенти мають узгоджувати, чиє використання ШІ є прийнятним. [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] інтерв'юювали 15 фокус-груп зі 52 майбутніх учителів на курсі, де групова презентація, варта 30% підсумкової оцінки, вимагала інтеграції та узгодженості. З'явилися три патерни: орієнтована на співпрацю агентність у п'яти групах, які посилили використання GenAI, щоб утримати роботу разом і захистити спільну оцінку; нормативна агентність у семи групах, які стримували використання, щоб захистити автентичність і справедливість — один студент міркував, що згенерувати частину в ШІ було б «несправедливо по відношенню до інших учасників групи»; і невтілена агентність у трьох групах, чия практика ніколи не змінювалася від індивідуальної роботи. Автори стверджують, що індивідуальна здатність не стає колективною агентністю сама по собі і що узгодження прийнятного використання ШІ має само стати оцінюваним результатом, причому завдання рецензування однолітками живлять фінальний продукт.

## Архітектура зворотного зв'язку, розкриття та соціальні умови оцінювання однолітками

Оцінювання однолітками також залежить від того, що студенти можуть бачити одне в одному, і від того, що вони визнаватимуть. [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026|Hao and Cukurova (2026)]] перевірили дизайн навчання зі згенерованим ШІ підсумком [[learning-design|дизайн навчання]] за трьох ітерацій зі 128 студентами протягом восьми тижнів. Студенти в ітераціях із підтримкою ШІ показали значно вищу стандартизовану центральність вихідного ступеня, ніж базова лінія (β = 0.547 і β = 0.438, обидва p < 0.001): вони переглядали або взаємодіяли з більшою кількістю однолітків. Інтерв'ю описували підсумки як навігаційну карту, яка зменшувала зусилля пошуку внесків, похованих у погано названих гілках, і студенти звертали увагу на активних учасників, обраних заради протилежних поглядів, а не заради дружби. Дизайн не запобіг зниженню активності перегляду при зростанні навантаження, тож самі технологічні можливості не підтримують залученість.

Норми однолітків також формують чесність, що має значення всюди, де однолітками оцінюють роботу, зачеплену ШІ. [[qu-wang-disclose-or-not-genai-2026|Qu and Wang (2026)]] опитали 409 студентів першого циклу зі Сінгапуру щодо того, чому студенти приховують використання GenAI, незважаючи на мандати розкриття, і виявили, що реляційні змінні домінували: уявлене розкриття однолітками та комфорт із викладачами були найсильнішими передвісниками розкриття, тоді як моральне відчуження було слабшим. Нерозкриття було стратегічною адаптацією до уявлених норм однолітків та низької [[trust|інтерпретаційної довіри]], а не моральною недбалістю. Норми однолітків можуть тому підтримувати чесність, як коли студенти групового оцінювання стримували використання ШІ з обов'язку перед учасниками групи, або придушувати її, як коли колективне впровадження знижувало уявлений ризик зловживання. Прозорість, стверджують автори, залежить менше від відповідності, ніж від довіри та позитивних нормативних кліматів — реляційної умови, яку дизайни оцінювання однолітками або створюють, або руйнують.

## Наслідки для проєктування та відкриті питання

Звідси випливають кілька ходів проєктування. Давайте оцінювачам навчання, зразки та критерії перед тим, як вони оцінюють, бо ненавчене оцінювання однолітками є вразливим до упередженості дружби, відбору джерел за зручністю та соціальної тривожності. Впорядковуйте роботу так, щоб самооцінювання передувало зворотному зв'язку від однолітків та критиці ШІ, оскільки гібридна умова дала найсильніше концептуальне навчання та найкращий відкладений перенос. Там, де входить GenAI, піддавайте скаффолдингу те, як студенти його підказують. Тримайте викладача в контурі для всього, що стає оцінкою, розглядайте оцінки однолітків як залежні від якості докази, а не як рівномірні оцінки, і робіть саме використання ШІ тим, що групи узгоджують і документують.

Опосередковане GenAI рецензування також успадковує лінгвістичні норми інструмента: учасники діалогу про світові різновиди англійської стверджують, що рецензенти, які використовують GenAI, піддаються тій самій упередженості на користь домінуючих різновидів англійської, що й моделі, і рекомендують редагувати або переписувати згенерований текст, щоб відображати власну лінгвістичну ідентичність письменника ([[genai-linguistic-diversity-academic-writing|Ugwuanyi et al. (2026)]]).

Відкриті питання стосуються сили доказів, а не лише проєктування. Багато доказів щодо однолітків та ШІ є малими і обмеженими контекстом: 45 студентів-учителів на одному курсі, 34 студенти на одному курсі ділового письма, 52 майбутні учителі в 15 фокус-групах. Опитування PAIRR є найбільшим набором даних тут і вимірює сприйняття студентів, а не якість результатів ШІ, які студенти судили. Лише багатосайтовий експеримент із 1 176 студентів першого циклу наближається до причинно-порівняльного масштабу, і він перевіряє дизайн зворотного зв'язку для наукової аргументації, а не оцінювання однолітками як такого. Тим часом [[oneill-presumed-effective-meta-analysis-2026|O'Neill (2026)]] проаудитував 14 рецензованих метааналізів, які стверджують, що ШІ покращує освіту, і виявив, що жоден не дав дійсної основи для своїх тверджень — усі, крім двох, визначали втручання як інструмент, а не як педагогічне втручання, гетерогенність була високою в кожному метааналізі, що повідомляв I² (77.2% до 94.4%), і аудит 59 первинних досліджень виявив, що 61% мали [[assessment-validity|занепокоєння щодо дійсності]], найчастіше розбіжність між виміряним результатом і зробленим твердженням. Твердження про те, що ШІ робить в оцінюванні однолітками, мають розглядатися як твердження про спроєктовану активність, перевірену в термінах цієї активності.

## Пов’язані поняття

- [[pedagogical-patterns]] — PAIRR and combined peer-plus-AI feedback: the sequences and their comparative evidence
- [[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]]

## Пов’язані статті
- [[ai-peer-feedback-l2-writing-engagement-2026]] — Integrated AI-plus-peer feedback raised all three engagement dimensions and all four IELTS writing dimensions

- [[usher-faraon-who-grades-best-2026]] — Comparing ChatGPT, peer, and instructor grading across project quality levels (Usher & Faraon 2026)
- [[pairr-ai-peer-review-2025]] — Peer and AI Review + Reflection (PAIRR)
- [[becerra-aicofe-feedback-2026]] — AI Peer Feedback Systems
- [[ai-internal-feedback-evaluative-judgments]] — Unravelling Undergraduates' Development of Evaluative Judgments
- [[learner-centered-feedback-ai]] — Enhancing Learner-Centered Feedback With AI
- [[genai-linguistic-diversity-academic-writing]] — Generative AI and Linguistic Diversity in Academic Writing
- [[gift-ai-pairr-business-writing-2025]] — PAIRR in a business writing course: peer review, chatbot feedback, reflection (MacArthur et al. 2025)
- [[scaffolding-srl-feedback-genai-human-peers]] — GenAI vs. human peers for scaffolding self-regulated feedback and feedback literacy (Gu et al. 2026)
- [[irwin-muller-efl-peer-feedback-literacy]] — GenAI as Trainer and Synthesizer in EFL peer feedback on speaking (Irwin & Muller 2026)
- [[genai-feedback-design-multisite-experiment]] — Multisite experiment comparing peer-only, direct, reflective, and hybrid GenAI feedback (Ateş 2026)
- [[chang-genai-peer-feedback-collaborative-argumentation-2026]] — Prompt-scaffolded GenAI peer feedback in collaborative argumentation (Chang et al. 2026)
- [[chen-zou-genai-group-assessment-agency-2026]] — Agency in GenAI-mediated group assessment: cooperation, restraint, non-enactment (Chen & Zou 2026)
- [[code-review-genai-cs1]] — Oral code review interviews as harm reduction for GenAI in CS1 (Fowles et al. 2026)
- [[multimodal-affective-its-presentation]] — Automated multimodal presentation coaching as a scalable alternative to peer feedback (Suen & Hung 2026)
- [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026]] — AI-generated discussion summaries broaden peer exposure in online forums (Hao & Cukurova 2026)
- [[qu-wang-disclose-or-not-genai-2026]] — Peer influence and relational trust in students' GenAI disclosure (Qu & Wang 2026)
- [[llm-critical-thinking-teamwork-review]] — Systematic review of LLMs for critical thinking, teamwork, and problem solving (Martínez-Peláez et al. 2025)
- [[ai-agents-peer-learning-discourse]] — Peer-learning-like discourse among 2.4 million AI agents (Chen et al. 2026)
- [[oneill-presumed-effective-meta-analysis-2026]] — Audit of 14 AIED meta-analyses and 59 primary studies (O'Neill 2026)
- [[teacher-vs-ai-peer-feedback-l2-writing-2026]] — Teacher feedback vs. AI-assisted peer feedback in L2 writing: quantity, focus, and improvement trajectories over two tasks (Tang, Li & Luo 2026)

---

## [Самооцінювання](https://edtechdev.github.io/aied/concepts/self-assessment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Самооцінювання** — оцінювання власної роботи, компетентності або прогресу за критеріями, а також практики та інструменти, побудовані на цьому акті. Термін несе два обличчя, які легко звести в одне. Як **навчальна техніка** воно є самостійним оцінюванням, оглядом на основі рубрики, самоперевіркою та керованою рефлексією: заняттями, призначеними для розвитку [[metacognition|monitoring]] моніторингу та [[evaluative-judgment|judgment]] судження, на якому працює [[self-regulated-learning]]. Як **освітнє вимірювання** воно є інструментом [[self-report-measures|self-report instrument]] самозвіту, в якому оцінка здобувачем власного вміння, впевненості чи навчання стоїть замість спостереження, якого ніхто не робив. Воно стоїть поряд із [[peer-assessment]] як інша половина студентів-як-оцінювачів і успадковує ту саму залежність від [[scaffolding]] та явних критеріїв. Обидва обличчя спираються на ту саму здібність і обидва зазнають невдачі в тому самому напрямі: оцінка систематично щедра, і чим більше подана робота здобувача може бути створена інструментом [[generative-ai|generative AI]] генеративного ШІ, тим менше ця робота говорить про те, чи є ця здібність взагалі.

## Питання для роздумів

- Коли ви закінчуєте власну роботу, що вам каже, чи вона хороша: критерії, які вам видали, критерії, які ви інтерналізували, або те, як це відчувається? Чи могли б ви сказати, який саме ви використали?
- У дослідженні 288 вчителів K-12 самозвітний показник [[ai-literacy|AI literacy]] ШІ-грамотності корелював із об’єктивним показником того самого вміння лише за r = 0.07 до r = 0.24. Де у вашій практиці самооцінка найімовірніше розійшлася б з тестом того самого вміння, і чому саме там, а не деінде?
- Самостійне оцінювання може заощадити час викладача і розвинути судження, а може й поставити оцінку, яку студент не заробив. Що мало б бути правдою про завдання, рубрику та навчання, щоб самостійна оцінка несла кредит?
- Якщо інструмент може створити есе, що залишається студентові оцінювати у власному навчанні? Що ви попросили б його оцінювати замість цього?
- Студенти, які оцінюють роботу колеги, і студенти, які оцінюють власну, роблять різні речі. Що з цього краще переноситься на наступне завдання, і який доказ це вирішив би?

## Вступ

Самооцінювання — одна зі старіших ідей в освіті і одна з більш заплутаних на практиці, оскільки під цим іменем подорожують дві різні речі. Перша — техніка: студенти, що переглядають власну роботу за критеріями, оцінюють її, перевіряють її, рефлектують над нею. Друга — вимірювання: власна оцінка здобувачем свого вміння, впевненості чи навчання, що використовується як дані. Техніка оцінюється за тим, що вона розвиває в здобувачі; вимірювання оцінюється за тим, чи можна довіряти числу.

Обидва важливі в [[assessment|assessment design]] проєктуванні оцінювання ери ШІ, і вони важливі з різних причин. Техніка — це місце, де тренується [[evaluative-judgment|evaluative judgment]] оцінювальне судження, і оцінювальне судження — саме та здібність, яка стає дефіцитною, коли [[llm|language model]] мовна модель може створити компетентно звучащу роботу на вимогу. Вимірювання — це місце, де галузь рутинно перебільшує те, що знає, оскільки самозвіт не може виміряти навчання: він може лише записати, що хтось про нього каже.

## Самооцінювання як навчальна техніка

Практики, що потрапляють під цей заголовок, є знайомими: самостійне оцінювання за рубрикою, самостійний огляд чернетки перед поданням, самоперевірка розв’язків задач, рефлексивні підказки, що запитують, що здобувач зробив би інакше, і завдання з прогнозуванням, де студент оцінює свій результат і потім порівнює. Їхня мета — розвиткова. Студент, який переглядає власну чернетку за критеріями, репетирує оцінку, яку тренує також рецензування колегами і зворотний зв’язок викладача, і будує внутрішній стандарт, яким він скористується, коли ніхто не дивиться.

Докази, що техніка працює, і про те, яка версія працює, походять головним чином з письма та досліджень саморегульованого навчання. У порівняльному дослідженні грамотності зворотного зв’язку студенти першого курсу (N = 118 у Китаї, 56 у групі GenAI і 62 у групі колег) пройшли три цикли самооцінювання протягом семестру. Перевага групи GenAI над групою колег була малою, лише 0.17 пунктів шкали (часткова ета-квадрат = 0.03), і практичний висновок дослідження — той самий, що повторюється: самооцінюванню потрібен скаффолдинг. Заздалегідь підготовлені рубрики, вказівки щодо підказок і робочі аркуші — це те, що відрізняє цикл самооцінювання, що будує [[feedback-literacy]], від того, що створює [[cognitive-offloading|offloading]] знімання навантаження.

Самооцінювання — також місце, де цикл [[self-regulated-learning]] стає видимим як вміння, а не як схильність. У дослідженні статистики для студентів бакалаврату студенти, які отримали явне навчання зі скаффолдингу, орієнтованого на міркування (поступові підказки та підказки перевірки), працювали краще на пізнішому завданні, виконаному без допомоги моделі, і показали кращу калібровку самооцінювання, ніж студенти, які спиралися на модель некритично. Цікава частина — друга міра: оцінки навченої групи власного розуміння краще узгоджувалися з тим, що вони насправді могли зробити. Техніка, націлена на рефлексію, змінила властивість вимірювання здобувача.

### Навчання калібруванню

Найпряміша техніка — навчання калібруванню, де студент прогнозує свою оцінку або впевненість до бачення результату, а потім порівнює прогноз із результатом. У дослідженні письма з допомогою ШІ скрипт грамотності зворотного зв’язку покращив якість письма, сприйняття зворотного зв’язку та глибокий перегляд, тоді як заняття з калібрування оцінки та продуктивності покращило головним чином точність самооцінювання студентів і зменшило надмірну впевненість. Поєднання двох дало найбільші прирости в письмі та найсильніше утримання після того, як підтримка ШІ була відведена, хоча саме заняття з калібрування залишалося кращим шляхом до точних самооцінок. Цей поділ праці — практичний пункт: грамотність зворотного зв’язку покращує те, що студент робить з коментарями, калібрування покращує те, наскільки добре він знає власне становище, і це не одна й та сама інтервенція.

Есе-рівнева робота про [[ethics|ethical]] етичне використання ШІ в одному австралійському університеті трактувала кероване самооцінювання як засіб, а не як предмет: для студентів початкових курсів із медсестринства, наук про здоров’я, інженерії та природничих наук з 2021 по 2025 рік самооцінювання до і після семестру поєднували пункти впевненості Лайкерта з відкритою підказкою рефлексії, і автори стверджували, що [[ethics|ethical]] етична практика — розвиткова здібність, яку треба будувати через рефлексію, а не правило відповідності, яке треба забезпечувати примусом.

### Що ШІ додає до техніки

ШІ змінює три речі в техніці. Він може генерувати пункти та рубрики, що робить повторювані цикли самооцінювання дешевими. Він може бути тим, що оцінюється, і саме так тренується [[evaluative-judgment|evaluative judgment]] оцінювальне судження: студент, що оцінює чернетку ШІ, практикує оцінку з необмеженим запасом матеріалу. І він може робити судження здобувача видимим як процесуальний доказ. В інтерактивних навчальних панелях звичайну аналітичну панель розширили функцією самооцінювання Judgment of Learning і розмовним агентом, на тій підставі, що викликання власного судження здобувача робить більше для залученості, ніж розповідь йому, що показують дані. Інституційні рамки почали трактувати ті самі сліди процесу, включно зі структурованими самооцінюваннями та метакогнітивними підказками, як доказ адаптивних здібностей, які не може показати транскрипт.

## Самооцінювання як міра

Використане як міра, самооцінювання звичайно приходить переодягненим як щось інше: оцінка впевненості за шкалою Лайкерта, прогнозована оцінка, пункт Judgment of Learning або інвентар сприйнятого вміння на основі таксономії. Це одна родина в ширшому наборі [[self-report-measures]], і воно успадковує категорійну межу цієї родини. Самозвіт не може виміряти навчання чи поведінку; він може виміряти лише те, що людина готова сказати про своє навчання чи поведінку, і ці дві речі розходяться досить часто в цій дослідницькій базі, щоб бути висновком сам по собі.

### Наскільки точні оцінки

Точність — головна проблема, і напрям узгоджений. Найчистіший доказ походить від дослідження, що побудувало паралельні самозвітні та об’єктивні міри вчителів [[ai-literacy|AI literacy]] ШІ-грамотності в межах єдиної рамки. Серед 288 вчителів K-12 кореляції між об’єктивними та самозвітними факторами коливалися від r = 0.07 до r = 0.24, і аналіз латентних профілів виявив шість профілів: 43 вчителі оцінювали себе послідовно високо, набираючи нижчі результати за об’єктивною мірою, 59 показували зворотний патерн, а решта профілів кластеризувалася біля середнього або ділилася за попереднім досвідом ШІ-грамотності. Дві міри одного вміння, побудовані тією самою командою за тією самою конструкцією, не ділять майже нічого.

Картина на рівні галузі відповідає цьому окремому дослідженню. [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore and Maat's 2026 review of teacher AI literacy measurement tools]] Огляд 2026 року засобів вимірювання ШІ-грамотності вчителів оцінив 33 інструменти, опубліковані між 2019 і 2025 роками, і виявив, що 31 (93.9%) з них — шкали самозвіту сприйнятої впевненості, лише два (6.1%) тестували знання об’єктивно, і жоден не використовував завдань на основі продуктивності. Прочитання авторів — те, на якому стоїть обличчя вимірювання цієї сторінки: оцінка самозвіту записує заявлену впевненість, а не здібність, тому вона не може стояти замість компетентності, і вони стверджують за завдання на основі продуктивності та аналіз теорії відгуку поряд із самооцінюванням, щоб відокремити валідовану здібність від заявленої впевненості.

Точність також залежить від того, що оцінюється. Психометричний аналіз самооцінювання грамотності GenAI на основі таксономії зі 158 співробітників і студентів університету виявив перевернутий профіль, коли респонденти заявляли володіння створенням раніше за понятійні основи під ним, і лише слабку кореляцію (r = 0.188) між профілями студентів та академічними. Опитування студентів педагогічної освіти виявило ту саму форму з іншого боку: майже всі (97.8%) оцінили критичний медійний аналіз як важливий, тоді як лише 13.8% сказали, що їхній курс його охоплював, і менше половини (44.9%) вважали, що вони мають уміння критично аналізувати медійну інформацію. Самооцінена медійна компетентність відставала від самооціненої важливості.

Два механізми пояснюють щедрість. Перший — мотиваційний і добре задокументований поза цією літературою: люди оцінюють себе щедро, і найменш компетентні перебільшують найбільше. Другий — специфічний для когорт, рідних для ШІ. Теоретична робота 2026 року про **відсутній когнітивний базовий рівень** стверджує, що тривале замісне використання ШІ в формативні роки середньої та старшої школи зменшує незалежні когнітивні зустрічі, на яких спирається будь-яке академічне самооцінювання. Твердження є структурним, а не індивідуальним: самооцінювання працює, порівнюючи поточну продуктивність із записом попередніх, і там, де запис ніколи не був побудований, оцінці немає з чим калібруватися. Це подано як відмінне від [[cognitive-offloading|offloading]] знімання навантаження та [[cognitive-surrender|surrender]] капітуляції, які описують процеси під час використання ШІ, оскільки прогалина зберігається, коли інструмент відсутній.

Стадія розвитку ставить одну межу точності, і наймолодші здобувачі — там, де валідований інструмент самооцінювання найбільш дефіцитний. [[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]] Валідаційне дослідження 2025 року опитувальника самооцінювання ШІ-грамотності для учнів старших класів початкової школи побудувало міру з 15 пунктів для 4–6 класів за Learning About AI, Learning About How AI Works та Learning for Life with AI, підтвердивши трифакторну структуру у вибірках з 335 і 579 студентів із загальним альфа Кронбаха .934. Автори явні щодо межі жанру: точність самооцінювання залежить від метакогнітивної здібності, яка в дітей ще дозріває, тому оцінки індексують сприйняте розуміння, а не продемонстровану компетентність, і інструмент призначений для формувального діагнозу.

### Самооцінювання як змінна результату

Обличчя вимірювання також з’являється в проєктуванні оцінювання, де інструменти самооцінювання використовуються як міри результату. Одне дослідження оцінювання з допомогою ШІ складних звітів у вищій освіті явно оцінює навчання за допомогою валідованих інструментів грамотності зворотного зв’язку та самооцінювання поряд із наступною продуктивністю та порівнянням з контрольною групою. Це захищається, коли інструмент вимірює переконання, про які дослідження насправді йдеться, як-от [[self-efficacy]] або сприйнята компетентність, і є оманливим, коли його трактують як замінник досягнень. Повторювана критика [[ai-ed-evaluation|AI intervention studies]] досліджень інтервенцій ШІ застосовується тут з повною силою.

Вимірювання агентності через анкети після завдання та специфічні для завдання [[self-efficacy]] ризикує круговим міркуванням: оцінку здобувача читають назад як доказ тієї здібності, яку вона має вказувати, і альтернатива — динамічна аналітика, що відстежує, як самооцінювання використовується через послідовні цикли ([[self-directed-growth-generative-ai-learning-analytics|Mao (2025)]]).

## Що змінює генеративний ШІ

Два обличчя сходяться під генеративним ШІ, оскільки інструмент атакує зв’язок, на який спираються обидва: що подана робота здобувача є доказом про здобувача.

Там, де роботу можна створити на вимогу, добре написане есе вже не демонструє судження за ним, і просити студента оцінити чернетку, яку він не писав, — інше завдання, ніж оцінювати ту, яку він писав. Ось чому аргументи [[assessment-validity|assessment validity]] валідності оцінювання перейшли від виявлення до перепроєктування, і ось чому самооцінювання переходить від навчального посібника до компонента самого проєктування оцінювання: судження, яке студент робить про результат ШІ, зафіксоване й з обґрунтуванням, є доказом у спосіб, яким ним не є результат.

Воно також вносить загрозу найменування, про яку варто сказати прямо. **Самооцінювання ШІ** — це не це поняття. Коли робота повідомляє, що модель оцінює власне міркування або оцінює власний результат, це оцінювання моделі, і воно належить до [[automated-assessment]] і вивчення [[llm-training-and-fine-tuning|model training]] навчання моделі та симульованих здобувачів; одне дослідження тьюторства робить практичну версію цього пункту, стверджуючи, що зворотний зв’язок має бути обумовлений окремим діагностичним класифікатором, а не самооціненою моделлю валідністю міркування. Самооцінювання здобувача і самооцінювання моделі ділять словник і більше нічого.

## Наслідки для практики

- **Забезпечуйте скаффолдинг техніки.** Рубрики, вказівки щодо підказок і робочі аркуші — це те, що робить цикл самооцінювання розвитковим. Голе самооцінювання, як і голий зворотний зв’язок ШІ, схильне створювати запевнення, а не судження.
- **Тренуйте калібрування окремо від використання зворотного зв’язку.** Заняття з прогнозування-і-порівняння змінюють точність самооцінок; робота з грамотності зворотного зв’язку змінює те, що студенти роблять з коментарями. Якщо мета — точність, запускайте заняття з калібрування.
- **Утримуйте самостійні оцінки маловідповідальними, якщо навчання не справжнє.** Самостійна оцінка — твердження про навчання, зроблене людиною, якій це вигідно, і профілі перебільшення в дослідженні ШІ-грамотності — не мала упередженість, яку можна поглинути в підсумковій оцінці.
- **Використовуйте самозвіт там, де він чесний.** Впевненість, сприйнята компетентність і готовність розкрити використання ШІ — законні речі для вимірювання через запитання. Досягнення — ні.
- **Просіть судження, а не думку.** Найбільш захищене самооцінювання ери ШІ просить студента оцінити конкретну роботу за критеріями та обґрунтувати рішення, що є тренованим, перевірним і пов’язаним із [[evaluative-judgment]].
- **Спостерігайте ефект когорти.** Для студентів, чиї формативні роки включали замісне використання ШІ, точна самооцінка може бути недоступною, а не лише оптимістичною, що зміщує навчальне завдання з виправлення надмірної впевненості на перебудову досвідного запису, який їй потрібен.

## Пов’язані поняття
- [[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]]

## Пов’язані статті
- [[self-directed-growth-generative-ai-learning-analytics]] — Самооцінювання, поставлене в центр рамки самоспрямованого зростання (2026)
- [[age-tiered-ai-literacy-guidebooks-2026]] — Матеріали ШІ-грамотності, розділені за стадіями розвитку, із вимірюванням сприйняття та валідності (2026)
- [[chatgpt-critical-creative-thinking-review]] — Трикутнування зворотного зв’язку ШІ з оцінюванням колег, викладача та самооцінюванням (2026)
- [[yasir-llm-tutoring-agents-2026]] — Чому зворотний зв’язок не має спиратися на самооцінену моделлю валідність міркування (Yasir et al. 2026)
- [[ai-literacy-self-assessment-questionnaire-primary-2025]] — Валідований опитувальник самооцінювання ШІ-грамотності з 15 пунктів для 4–6 класів, із метакогнітивними межами дитячого самозвіту (Thianwan & Srikoon 2025)
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — 31 з 33 інструментів ШІ-грамотності вчителів — самозвіт, два тестують знання об’єктивно, жоден не використовує завдань на основі продуктивності (Zainal, Mohd Matore & Maat 2026)

---

## [Усне оцінювання](https://edtechdev.github.io/aied/concepts/oral-assessment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Усне оцінювання** — оцінювання, у якому здобувач має пояснити, захистити або продемонструвати розуміння мовленням, наживо чи в записі: усний залік, усний іспит, усний захист, інтерв’ю з огляду коду, клінічна консультація. Оскільки обмін відбувається в реальному часі, а питання не обов’язково відомі заздалегідь, формат чинить опір підстанові згенерованого тексту замість розуміння в такий спосіб, у який не можуть [[authentic-assessment|автентичні завдання]] на дому. Він несе також особливу проблему валідності: усні заліки вимірюють вільність мовлення та впевненість поряд із знаннями, тому те, що вони сертифікують, сильно залежить від того, як вони спроєктовані, хто ставить питання і як мовлення здобувача трактується як доказ.

## Питання для роздумів

- Усні заліки просуваються в епоху ШІ, бо машина не може сидіти в кімнаті й відповідати за вас. Проте корпус, який це стверджує, не містить жодного рандомізованого дослідження усного оцінювання проти письмового. Що вам потрібно було б побачити, перш ніж трактувати цей аргумент як вирішений?
- Той самий корпус робіт повідомляє про два різні механізми зниження тривожності: усунення живого спостереження викладача та ознайомленість із форматом через практику. Вони мають на увазі різні дизайни. Який підходить вашому контексту, і якому ви б довірилися в плані узагальнення?
- Оцінювання лише за мовленням може помилково прийняти вербальну вільність за концептуальне розуміння. Якщо здобувач жестулює правильно, але каже неправильне слово, або каже правильне слово, не розуміючи його, що саме вимірює ваше оцінювання?
- Кожен усний дизайн у цьому корпусі впирається в ту саму стіну: час персоналу й кімнат. Якщо обмеження — двадцять вісім контактних годин на семестр для п’ятнадцяти студентів, чи є чесною відповіддю менша кількість захищених завдань, більша викладацька команда чи інший формат?

## Вступ

Усне оцінювання — один із найстаріших форматів оцінювання і, протягом більшої частини минулого століття, один із найменш модних: важко масштабувати, важко стандартизувати, важко захищати в процесі апеляції. Генеративний ШІ перевернув його долю. Коли письмову здачу може бути створено на вимогу моделлю, оцінювальна цінність артефакту колапсує, і увага переходить до оцінювання особи. Здобувач, який має відповісти на незнайоме питання вголос, у реальному часі, принаймні демонстративно присутній і мислить.

Це перевертання тепер помітне в дослідницькому корпусі, проте нерівномірно. Деякі роботи трактують усний іспит як політичну відповідь на [[academic-integrity|академічну доброчесність]], деякі проєктують автоматизовану систему для надання чи оцінювання усної діяльності в масштабі, а деякі питають, що саме мовлення може і не може показати про розуміння. Пов’язані нижче сторінки розходяться в тому, скільки усні заліки фактично доводять. Прочитані разом, вони підтримують вужче і більш захищене твердження, ніж те, яке зазвичай роблять для них.

## Що може сертифікувати жива діяльність

[[fenton-oral-exams-ai-authentic-assessment-2025|Fenton (2025)]] висуває найсильнішу форму аргументу. Спираючись на літературу про [[authentic-assessment|автентичне оцінювання]], аргумент статті на користь усного іспиту спирається на його інтерактивність: питання можуть утримуватися до моменту іспиту, уточнюючі зонди можуть бути імпровізовані, а здобувач не може відрепетивати відповідь на питання, якого не бачив. Формат також блокує механічне запам’ятовування, бо пригадування перевіряється через пояснення, а не відтворення. Стаття є оглядовою та позиційною в *Educational Researcher*, а не емпіричним дослідженням, і завершується тринадцятьма нумерованими рекомендаціями щодо впровадження, а не доказами покращених результатів.

Чесна версія твердження про доброчесність є вужчою, ніж її часто формулюють. Усні заліки роблять підстановку важчою прихованою; корпус не показує, що вони знижують використання ШІ. У [[code-review-genai-cs1|дослідженні усного огляду коду в CS1]] п’ятнадцятихвилинні щотижневі інтерв’ю несли сімдесят відсотків оцінки кожного завдання, і вставлені-до-загальних символів усе ще зростали з 61,0 відсотка до 68,1 відсотка (p < 0,0001) протягом трьох семестрів, тоді як бали іспитів змінилися на статистично незначимі два відсотки. Дев’яносто відсотків студентів сказали, що огляди мотивували їх краще розуміти свій код, і шістдесят п’ять відсотків — що вони допомогли уникнути надмірної залежності від ШІ, проте виміряна поведінка за цим не пішла. Усне оцінювання змінило те, що можна було приховати, а не те, що робили студенти.

## Простір дизайну, який корпус фактично охоплює

Формати в корпусі простягаються від широкого діапазону автоматизації та синхронності, і кожен вирішує іншу частину проблеми.

**Живий, людський, синхронний.** Усний залік, досліджений [[aivaluate-anxiety-assessment-2026|дослідженням усного заліку тридцяти п’яти студентів передуніверситетської підготовки]], є базисом: той самий викладач, ті самі питання, одна подача очно й одна опосередкована системою ШІ. Докторський усний залік з’являється в [[pgr-students-genai-uses-qualitative-2026|якісному дослідженні п’ятнадцяти аспірантів-дослідників]], де учасники виступали за зміщення ваги оцінювання на його користь на міркуванні, що дисертацію легше підробити і що усний залік має проводитися очно. Автори приймають це міркування лише частково, оскільки усний залік не є властиво стійким до допомоги ШІ.

**Записаний і асинхронний.** [[asynchronous-oral-assessment-2026|Асинхронні усні оцінювання]] замінюють кімнату обмеженою часом, непереглядною відповіддю через вебкамеру, приблизно тридцятьма секундами підготовки і двома–трьома хвилинами мовлення. У повідомленому пілоті бали перевершували бали очних іспитів із вибором відповіді: медіана семестрового іспиту 92,5 проти 70 (p < .001) і медіана фінального іспиту 94,2 проти 86,4 (p = .002), за лише помірних міжформатних кореляцій. Автори явно приписують відмінність формату, а не навчанню, і дизайн ніс 7,5 відсотка оцінки курсу.

**Автоматизована подача й оцінювання.** [[ai-supported-oral-assessment-tvet-2026|Система на основі голосу, випробувана в класах автомобільної та інженерної професійної освіти]] оцінила тридцять трьох здобувачів, з яких двадцять один погодився, що завдання з живим голосом здавалося реалістичним, і жоден не погодився, що мовлення в реальному часі менше підходить завданню, ніж письмовий портфель. Кількості слів для ідентичних питань варіювали в п’ять–вісім разів між здобувачами, вільність мовлення не давала переваги точності на закритих пунктах, а попередня оцінка агента відповідала оцінці людського репетитора в дев’яноста п’яти відсотках суміжних дослідів із садівництва та молочної справи. [[socratic-tests-conversational-assessment|Розмовний сократичний тест]] обирає протилежний дизайнерський шлях, спрямовуючись на концептуальне опитування; його доказ — опитування самозвітів дев’яноста восьми студентів, у якому 80,6 відсотка погодилися, що ШІ скаффолдив ефективно, і п’ятдесят два відсотки повідомили про нижчий стрес, ніж на традиційних іспитах. Обидві статті вимірюють прийняття, а не навчання.

**Усний доказ як захист, а не як іспит.** [[tool-invariant-framework-agentic-ai|Рамка оцінювання, інваріантна до інструментів]] поєднує тести в аудиторії без ШІ з десятихвилинними усними захистами роботи з допомогою ШІ з очищених від коментарів, оціненими за розумінням коду, розумінням методу, термінологією, тлумаченням і верифікацією, причому верифікація вимагається для здачі незалежно від загального бала. Дизайн аргументований, а не валідований; власна арифметика статті для п’ятнадцяти студентів — дві з половиною контактні години на завдання і приблизно двадцять вісім контактних годин на семестр на одинадцять захищених завдань.

## Тривожність, упередження і кого формат ставить у невигідне становище

Усні заліки аргументуються на підставах інклюзії, бо усну відповідь важче купити, ніж письмову, і оскаржуються на тих самих підставах. [[fenton-oral-exams-ai-authentic-assessment-2025|Fenton]] каталогізує виклики прямо: навантаження планування, тривожність і упередження за статтю, етнічністю, мовою та швидкістю відповіді, плюс ефекти неанонімного оцінювання. Проти цього докази, які цитує стаття, вказують, що усні заліки можуть бути такими ж інклюзивними, як письмові іспити, включно для студентів із дислексією, і що неознайомленість, а не сам формат, керує більшістю повідомлюваної тривожності; студенти в одному процитованому дослідженні були менш тривожними на своїх пізніших усних іспитах.

Там, де тривожність справді падає, причина має значення. В усному заліку, опосередкованому ШІ, самозвітована спокійність була значно вищою, ніж в очній версії (середні 6,50 проти 5,86, t(34) = −1,97, p = .028), і зручність використання була оцінена як добра. Проте очна умова набрала значно вище за допомого студентам розуміти власну роботу (p = .004). Усунення живого спостереження викладача зробило студентів спокійнішими і, за їхнім власним звітом, менш просвітлюючими для себе самих.

Те, що вважається усним доказом, також вужче, ніж здається. [[multimodal-embodied-cognition-oral-explanations-2026|Дослідження втіленого доказу в усних поясненнях]] стверджує, що оцінювання лише мовлення помилково приймає вербальну вільність за концептуальне знання і ставить у невигідне становище здобувачів із мовною складністю, оскільки жест несе розуміння, яке втрачає стенограма. Його демонстрація невелика: двоє студентів інженерії пояснюють статистичні поняття, з впевненими жестами високої достовірності, скупченими на конкретних ідеях, квадратними й коробчастими формами приблизно на п’ятдесят чотири–шістдесят один відсоток, і з тіснішою координацією жест–мовлення, що супроводжує більш когерентні пояснення.

## Оцінювання, валідність і проблема масштабу

Три знахідки ріжуть проти читання усних балів як навчальних здобутків. [[asynchronous-oral-assessment-2026|Дослідження асинхронного формату]] відмовляється від навчальних здобутків для своєї власної переваги в балах і повідомляє згоду повторного оцінювання викладач-проти-моделі на ICC 0,73 на семестровому іспиті та 0,60 на фінальному, що обмежує те, наскільки можна довіряти машинному оцінюванню. У [[ai-standardized-patient-scaffolding-medical-2026|РКД зі ста третьокурсниками медичного факультету]], що порівнює систему симульованого пацієнта з матеріалом випадку з поступовим розкриттям, діяльність на фінальному іспиті зросла (71,8 проти 55,6 відсотка, g Хеджеса = −0,81) і оцінки комунікації OSCE зросли (3,53 проти 2,64 за шкали п’яти пунктів), тоді як бінарна точність діагностики була статистично ідентичною (84 проти 86 відсотків, P = 1,000). Читання лише за точністю назвало б втручання нульовим; читання лише за комунікацією назвало б його трансформаційним.

Обмежувальним обмеженням є штатне розписання та обладнання, а не педагогіка, і корпус незвично щирий щодо арифметики: двадцять вісім контактних годин на семестр для п’ятнадцяти студентів, одинадцять асистентів викладача для класу понад ста в дизайні CS1, і один ноутбук, що обслуговує дванадцять одночасних здобувачів в офлайновому розгортанні в професійній освіті. Жодного рандомізованого дослідження усного оцінювання проти письмового не існує будь-де в цьому корпусі робіт, і кожне дослідження, яке вимірює відмінність, є однинституційним дизайном без контрольної групи. Усне оцінювання добре підтримується як відповідь на підстановку з допомогою ШІ, і тонко підтримується як покращення в навчанні.

- **Стеля масштабу є обмеженням дизайну.** У воркшопі з 73 педагогів [[cs-education|обчислювальної]] галузі усне та інтерактивне оцінювання було повідомлене як найсильніший доступний доказ індивідуального розуміння і найменш масштабований засіб; пом’якшення, які описали учасники, були розподіл і вибірка — спільні пули асистентів викладача, оцінювання однолітками з вагою нижче фінального іспиту, і запитування обертової підмножини студентів ([[computing-assessment-genai-workshop-report-2026|Akbar та співавтори, 2026]]).

## Пов’язані поняття

- [[pedagogical-patterns]] — Послідовності усної верифікації та заліку, і що вони демонструють і не демонструють
- [[assessment]] — ширше поле, усередині якого стоїть цей формат
- [[authentic-assessment]] — дизайнерська традиція, яка робить справа за доброчесність
- [[assessment-validity]] — що формат може і не може стверджувати, що вимірює
- [[academic-integrity]] — тиск, який повернув усні заліки до визнання
- [[automated-assessment]] — машинна подача й оцінювання усної діяльності
- [[ai-detection]] — альтернативна відповідь і чому вона слабша
- [[speech-and-voice-technologies]] — конвеєр мовлення, на якому працює усна система
- [[multimodal]] — жест і мовлення як поєднаний доказ
- [[anxiety-and-stress]] — афективна вартість живої діяльності
- [[feedback]] — що усний залік говорить здобувачеві про власне розуміння
- [[higher-ed]] — умова, з якої майже всі ці докази походять

## Пов’язані статті

- [[fenton-oral-exams-ai-authentic-assessment-2025]] — Переосмислення використання усних іспитів і оцінювань (Fenton 2025)
- [[asynchronous-oral-assessment-2026]] — Асинхронні усні оцінювання: доброчесність, залученість і професійна комунікація
- [[ai-supported-oral-assessment-tvet-2026]] — Проєктування усного оцінювання з підтримкою ШІ в професійній освіті
- [[aivaluate-anxiety-assessment-2026]] — Тривожність і досвід в оцінюванні діяльності, опосередкованому ШІ
- [[code-review-genai-cs1]] — Інтерв’ю усного огляду коду у вступному курсі програмування
- [[multimodal-embodied-cognition-oral-explanations-2026]] — Жест як доказ в оцінюванні усних пояснень
- [[socratic-tests-conversational-assessment]] — Автоматизоване розмовне тестування як усне оцінювання
- [[tool-invariant-framework-agentic-ai]] — Усні захисти роботи з допомогою ШІ
- [[ai-standardized-patient-scaffolding-medical-2026]] — Усні клінічні інтерв’ю під системою симульованого пацієнта
- [[pgr-students-genai-uses-qualitative-2026]] — Докторський усний залік в умовах генеративного ШІ
- [[computing-assessment-genai-workshop-report-2026]] — ШІ може виконати ваше домашнє завдання. Що тепер? Звіт з онлайн-воркшопу про оцінювання в обчислювальній галузі в епоху генеративного ШІ

---

## [Автоматизоване оцінювання](https://edtechdev.github.io/aied/concepts/automated-assessment/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Автоматизоване оцінювання** — використання ШІ для оцінювання робіт студентів, від [[formative-assessment]] до іспитів із великою вагою. Автоматизоване оцінювання охоплює кілька модальностей — завдання з вибором відповіді, коротку відповідь, есе, код і оцінювання на основі виконання — і варіюється від прямого автоматизованого оцінювання до систем, уважних до упевненості, які повідомляють відкалібровану невизначеність разом зі своїми оцінками.

## Питання для роздумів

- Автоматизоване оцінювання варіюється від оцінювання завдань з вибором відповіді до есе, коду та оцінювання на основі виконання. Яка найбільша різниця, на вашу думку, була б між тим, наскільки надійно ШІ може оцінити вікторину з вибором відповіді в порівнянні з есе вільної форми — і чому?
- Центральна ідея дизайну тут — «уважність до упевненості»: оцінювачі на базі ШІ, які повідомляють, наскільки вони впевнені, позначаючи випадки низької упевненості для розгляду людиною, а не видаючи єдину безумовну оцінку. Як оцінка, яка сказала б «я на 70% упевнений щодо цього», змінила б те, як ви використовували б чи довіряли б автоматизованій оцінці?
- Дослідження показують, що автоматизоване оцінювання може систематично ставити в невигідне становище людей, для яких мова не є рідною — ШІ оцінює мову, а не розуміння. Чому автоматизований оцінювач може бути особливо схильним до такого роду несправедливості, навіть коли він досягає високої згоди з людськими оцінювачами загалом?
- Одне дослідження виявило, що спосіб валідації може інфлювати повідомлену продуктивність: наївний метод перехресної валідації повідомляв майже досконалі результати, які різко падали за більш суворої валідації, незалежної від проб. Який урок ця попереджальна історія має для того, як ви маєте читати будь-яке твердження, що система оцінювання на базі ШІ «працює»?
- Сторінка стверджує, що відкалібрована упевненість дає змогу робочим процесам із людиною в циклі, підтримує калібрування довіри та зміцнює валідність вимірювання. Якщо б автоматизована система спрямовувала свої найневизначеніші випадки на розгляд людиною, що ви хотіли б знати про те, як ці випадки обираються, перш ніж довіритися такому розділенню?
- Автоматизоване оцінювання описується як одне з найзріліших застосувань AIED, проте оцінювання без корисного зворотного зв’язку має обмежену освітню цінність. Як фокус винятково на створенні оцінок — а не придатного до використання зворотного зв’язку — міг би змінити те, що студенти справді отримують від оцінювання за допомогою ШІ?

## Вступ

### Модальності оцінювання

- **Коротка відповідь та есе:** автоматизоване оцінювання, [[automated-essay-scoring]] та підходи [[cong-confidence-asag-2026|уважні до упевненості]] працюють з оцінюванням вільного тексту.
- **Оцінювання коду:** оцінювання [[automated-grading-linux-bash-examinations-large-language-models|Bash]] та [[code-review-genai-cs1|рев’ю коду]] демонструють оцінювання програмування.
- **Формативне оцінювання:** автоматизація [[automated-formative-assessments-a-level-sciences|наукових дисциплін рівня A]] та [[cotal-formative-assessment-scoring-2026|CoTAL]] зосереджуються на формативному, а не [[summative-assessment|підсумковому]] використанні.
- **Оцінювання, згенеровані ШІ у масштабі:** [[assessing-quality-ai-generated-exams-field-2025|Assessing AI-Generated Exams]] показує, що ітеративно удосконалені, адаптовані до курсу іспити, згенеровані ШІ, досягають [[item-response-theory]]-виміряної якості на рівні питань стандартизованих іспитів, написаних експертами (складність β̄ = −0.45 проти 0.35; дискримінативність ᾱ = 1.3 проти 1.2) на 91 коледжному класі — доказ того, що автоматизоване оцінювання може перейти від оцінювання до повної [[automated-question-generation|генерації завдань]].
- **Оцінювання виконання:** оцінювання залученості за [[engagement-assessment-video|відео]] та оцінювання [[confidence-aware-student-drawing-assessment|малюнків]] розширюють автоматизацію за межі тексту.
- **Мультимодальні дані іспитів і рубрики:** [[multimodal-exam-obe-rubrics-2026|набір даних відповідей на мультимодальний іспит із експертними рубриками на основі результатів навчання (OBE)]] дає еталонний ресурс для автоматизованого оцінювання на рівні критеріїв між різними модальностями відповідей, підтримуючи дослідження з [[benchmark|бенчмаркінгу]] та [[educational-measurement]] мультимодальних робіт студентів.
- **Нейрофізіологічне оцінювання:** [[eeg-familiarity-automated-assessment-2026|Nanayakkara & Halloluwa (2026)]] бенчмаркують моделі ML/DL для прогнозування знайомості на основі ЕЕГ (обличчя проти математичних рівнянь) як крок до прямих, об’єктивних мір засвоєння знань. Ключово, вони показують, що стандартна стратифікована перехресна валідація інфлює продуктивність (до 0.9853 F1) через часовий витік, тоді як валідація Group K-Fold, незалежна від проб, знижує пік до 0.6038 F1 — попереджальний [[research-methods-aied|методологічний]] урок для будь-якого бенчмаркінгу автоматизованого оцінювання.

### Автоматизоване оцінювання робіт

Автоматизоване оцінювання робіт — одне з найзріліших і найширше розгорнутих застосувань [[ai-education|ШІ в освіті]] — [[ai-technologies|системи ШІ]], які оцінюють роботи студентів, від оцінювання завдань з вибором відповіді до оцінювання есе та рев’ю коду. Його модальності оцінювання включають:

- **Студенти відокремлюють корисність зворотного зв’язку від оцінної влади:** [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] документує випадок, коли оцінка ШІ враховувалася в балах, і студенти це знали — 13 студентів із обчислювальних спеціальностей, чиї відскановані рукописні роботи були оцінені ChatGPT за рубрикою, що охоплює зрозумілість, організацію, правильність речень і стислість. Кожен учасник визнав зворотний зв’язок корисним, проте всі відокремили цю корисність від влади, а кілька відкинули односторонній, недіалоговий характер автоматизованого оцінювання — «ChatGPT is not like people. You talk to them and explain excuses... I like normal teacher [to] grade my work.» Дослідження позиціонує автоматизоване оцінювання як прийнятне для ревізії поверхні, але не як остаточного оцінювача, із умовною довірою, опосередкованою наглядом інструктора.
- **Оцінювання коротких відповідей:** уважне до упевненості автоматизоване оцінювання коротких відповідей ([[cong-confidence-asag-2026|confidence-aware ASAG]]) оцінює відповіді вільного тексту, причому калібрування упевненості критичне — системи мають знати, коли оцінювання надійне. Оглядовий огляд автооцінювання коротких відповідей у [[science-education|науці]] (2017 — початок 2024) документує історію галузі: [[auto-marking-short-answer-science-2026|Morley et al.]] виявили, що моделі сімейства BERT (base, RoBERTa, DistilBERT, SciBERT) домінували — використані в 20 із 21 досліджень, із піком у 2021 — до того, як підходи на основі GPT були впроваджені через [[prompt-engineering]], а не дообучення, приблизно з 2022 року. Моделі, доповнені доменними даними (підручники, [[feedback|рубрики]], додаткове попереднє навчання), стабільно перевершували ті, що без них, проте мало хто міг обґрунтувати оцінки в людському зрозумілих термінах, а [[bias-mitigation]] між демографічними та мовними групами досліджували рідко, — змушуючи авторів стверджувати, що автооцінювачі мають *підтримувати*, а не заміщати [[teacher-role]]. Керований PRISMA [[meta-analysis-systematic-review|систематичний огляд]] 42 емпіричних досліджень оцінювання та зворотного зв’язку (2023–2025) узагальнює це застереження на всю галузь: LLM зрівнюються з людськими оцінювачами на завданнях із закритим закінченням і питаннях із короткою відповіддю, але не можуть повністю замістити людське судження на складній, відкритій або суб’єктивній роботі, що вимагає поглибленого аналізу чи [[creativity]], і найвища ефективність оцінювання досягається в гібридних системах, які поєднують оцінювання за допомогою ШІ з наглядом і перевіркою викладача ([[jukiewicz-chatgpt-teacher-assessment-feedback-2026]]).
- **Оцінювання есе:** системи [[automated-essay-scoring]], такі як [[choi-anchor-aes-prompting-2025|AES на основі анкорів]], використовують [[prompt-engineering|стратегії підказок]], щоб наблизитися до надійності людського рівня. [[aiawe-automated-writing-evaluation|AIAWE]] розширює автоматизоване оцінювання на ширше оцінювання письма.
- **Рев’ю коду:** оцінювання [[automated-grading-linux-bash-examinations-large-language-models|Linux Bash]] та [[code-review-genai-cs1|рев’ю коду CS1]] демонструють автоматизоване оцінювання в [[cs-education|освіті з обчислювальної техніки]].
- **Персона підказки може зламати оцінювача, а дообучення може це полагодити:** [[llm-graders-computer-science-exams-2026|Habibullah et al. (2026)]] оцінили практичний іспит із комп’ютерного зору (570 студентів із подвійним оцінюванням) у 171 конфігурації та другий іспит із [[machine-learning|машинного навчання]] (1 038 студентів) у ще 162. Коротка вставка «строгого оцінювача» вивела 14 із 17 моделей з відкритими вагами за межі оцінюваної смуги (MAE ≥ 8), три припинили оцінювання взагалі; шкоду простежувалося до двох речень про утримання балів, а не до тону чи масштабу моделі, і її напрям був специфічним для іспиту, покращуючи сім моделей на другому іспиті. Легке дообучення LoRA приблизно на 3 900 об’єднаних оцінених прикладах вивело п’ять малих [[open-source|відкритих моделей]] на паритет або краще з людським оцінювачем, тому вразливість є артефактом підказок, а не межею можливостей.
- **Формативна інтеграція:** автоматизація [[automated-formative-assessments-a-level-sciences|наукових дисциплін рівня A]] та [[cotal-formative-assessment-scoring-2026|CoTAL]] показують, як автоматизоване оцінювання живить цикли [[formative-assessment]].
- **Покриття типів зворотного зв’язку — це не узгодженість із викладачами.** [[llm-feedback-focus-adaptivity-student-writing-2026|Almousa et al. (2026)]] анотували зворотний зв’язок на рівні абзацу з трьох університетських курсів письма на сім типів фокуса; більшість моделей випускають майже кожен тип, проте їхні розподіли розходяться з еталоном викладача, причому найближчим є налаштований на освіту LearnLM (дивергенція Єнсена–Шеннона 0.1344), а найдальшим — Mistral-7B (0.2695). Підказки з визначеннями категорій або опрацьованими прикладами збільшували дивергенцію для більшості моделей.
- **Упередження та справедливість:** дослідження [[ai-scoring-language-bias-physics|мовних упереджень в оцінюванні фізики]] документує, як автоматизоване оцінювання може ставити в невигідне становище людей, для яких мова не є рідна, — пов’язуючись із [[bias-mitigation]] та [[equity-in-ai-education]].
- **Бенчмаркінг моделей GenAI для оцінювання з відкритим закінченням:** [[pecuchova-automated-grading-open-ended-genai-2026|Pecuchova, Benko & Drlik (2025)]] бенчмаркували одинадцять моделей GenAI та моделей реченнєвих вкладень проти двох експертних людських оцінювачів на 1 885 відповідях із відкритим закінченням на 24 питання з інженерії програмного забезпечення. Лише GPTo1 досяг майже досконалої згоди (каппа Флейса 0.82, низькі хибнопозитивні та хибнонегативні результати між категоріями оцінок), із Claude3 та PaLM2 зовсім близько; чутливі до контексту моделі [[generative-ai|GenAI]] стійко опрацьовували короткі, різноманітно сформульовані студентські відповіді, тоді як моделі вкладень на основі референсів (наприклад, 345 хибнопозитивних у BERT) систематично карали правильні, але по-іншому сформульовані відповіді — доказ того, що вибір моделі, а не лише формат оцінювання, формує надійність для оцінювання [[assessment|відкритих відповідей]].
- **Приклади підказок вирішують згоду оцінювання:** [[automated-constructive-assessment-hdr-llm-2026|Takahashi et al. (2026)]] автоматизували ієрархічне діагностичне міркування (HDR), завдання прикладної компетентності, в якому здобувачі знаходять і пояснюють навмисно вбудовані помилки в короткому випадку. Використовуючи GPT-4o без дообучення, команда створила нові задачі та оцінила описи студентів: згенеровані та написані людиною задачі несли ту саму внутрішню послідовність (альфа Кронбаха = 0.78) і не показали суттєвої відмінності в розподілі оцінок між 100 учасниками, а кореляція формату з контролем на розуміння читання залишалася низькою (α = 0.36 і 0.41). Точність оцінювання залежала від підказки, а не від моделі — без опрацьованих прикладів точність Q2 падала до 0.42, тоді як додавання оцінених людиною правильних і хибних прикладів піднімало згоду до 98% або вище на кожному питанні (Q1 і Q2 — на 100%) — при виміряній людській вартості 138 хвилин експертного оцінювання для 117 відповідей плюс 30 хвилин консенсусу.

Власний режим міркування моделі — другий важіль конфігурації: на 32 анонімізованих подачах іспиту магістерського рівня з громадського здоров’я той самий ChatGPT перейшов із зваженої каппи 0.269 у швидкому режимі до 0.718 у режимі мислення, тоді як Kimi досяг 0.571 ([[llm-grading-assistants-public-health-2026|Brevik et al. (2026)]]).
- **[[agentic-ai|Багатоагентне]] кодування відповідей викладачів із відкритим закінченням, де надійність несе рамки, а не модель:** [[llm-automated-coding-teacher-pck-2026|Copur-Gencturk et al. (2026)]] розширюють автоматизоване оцінювання за межі робіт студентів на кодування власних знань із предмета (CK) та [[pedagogy|педагогічних]] знань із предмета (PCK) викладачів, запитуючи, чи може ШІ відтворити навчене людське кодування письмових відповідей 268 учителів [[k-12|середньої школи]] з математики США щодо відношень і пропорційних залежностей. Спеціально побудована багатоагентна LLM, GradeOpt, присвоює три ролі на основі GPT-4o — Оцінювач, який застосовує людський посібник із кодування, Рефлектор, який діагностує кожну розбіжність із людським кодом, і Удосконалювач, який вплітає пункти уточнення назад у посібник протягом до шести раундів — і тісно зрівнялася з навченими людськими кодерами на CK (κ = .88 і .85), досягнувши суттєвої згоди на значно більш інтерпретативних пунктах PCK загалом (κ = .68; зважена κ = .79). Дві бази NLP і модель одного запиту GPT-4o ніколи не перевищували κ = .39 або зважену κ = .55 на PCK, тому автори приписують надійність удосконаленню інструкцій проти посібника з кодування, а не масштабу моделі, і рекомендують експертний розгляд там, де суміжні рівні кодування розмиваються, оскільки залишкові помилки GradeOpt були типово суміжними кодами, а не дикими промахами.
- **Оцінювання іспиту змішаного формату (2026):** [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat, Das, Bhaumik & Thambi (2026)]] оцінили ChatGPT-5 проти оцінювання факультету людьми іспиту з фармації з 21 завдання (16 студентів), що охоплює завдання з вибору відповіді, «вибери все, що підходить», заповнення пропусків, перелічування, короткої відповіді та есе. Згода була суттєвою до майже досконалої для об’єктивних типів завдань (CCC 0.935–1.000 — завдяки правильним відповідям, наданим під час оцінювання), але розвалилася для перелічування (0.621–0.708), короткої відповіді (≈0 до негативних) та есе (0.341–0.854); надання структурованої рубрики послідовно не покращувало згоди по всьому іспиту (71.1% без проти 68.2% із нею). Дослідження загострює методологічний пункт, який повторюється в усьому автоматизованому оцінюванні, — помірна відсоткова точність часто співіснує з низькою [[assessment-validity]], — тому одна точність перебільшує надійність, і воно рекомендує [[human-in-the-loop-ai|гібридне оцінювання]] для складних, суб’єктивних або високоважливих завдань.

- **Міжсімейна калібрування смуг оцінок на автентичних оцінених есе (2026):** [[llm-grade-bands-calibration-bias-2026|Kerwat, Donaldson & Mahomed (2026)]] провели вісім заздалегідь заданих конфігурацій із чотирьох сімейств моделей (GPT-OSS 20B, GPT-OSS 120B, Qwen 32B і Llama 3.1 8B, кожна на двох температурах) на тому самій зафіксованій когорті 114 есе BAWE/Coventry з інституційними мітками Merit і Distinction, з однією спільною підказкою, що дозволяла чотири смуги. Точна згода по смугах коливалася від 18.4% до 54.4%: Llama 3.1 8B на температурі 0.5 лідирувала (54.4% точних, 98.2% у межах однієї смуги, MAE 0.474, майже нульове упередження), тоді як GPT-OSS 120B була найслабшою (18.4%) і систематично *занижувала оцінки* в середньому на 1.316 смуг на температурі 0.5, із тим що точність на Distinction відставала від точності на Merit упродовж усього. Зафіксована когорта не містила референсів Pass або Fail, тому це дискримінація Merit–Distinction, а не надійність по всьому діапазону оцінок, і температура не була ліками — вона допомогла одному сімейству описово, залишила інше незмінним і суттєво погіршила GPT-OSS 20B (з 39.5% до 29.8% точних). Два уроки переносяться за межі дослідження: відстань між оцінками та напрямлена упередженість розкривають те, що ховають статистики згоди, і розмір моделі не є показником [[assessment-validity]].
- **Інженерія рубрик для оцінювання відповідей із відкритим закінченням в медичній освіті:** [[olvet-genai-scoring-open-ended-medical-2026|Olvet et al. (2026)]] запитали, чи може GPT-4 надійно оцінювати питання з відкритим закінченням на [[medical-education|медичних]] іспитах до клеркшипу. Після трьох ітерацій удосконалення рубрики, керованого людиною, у двох школах США надійність між оцінювачами з факультетом досягла суттєвої до майже досконалої згоди для трьох із чотирьох питань із використанням аналітичних і цілісних рубрик (зважена каппа до 0.94), тоді як пункт із цілісною рубрикою застряг на помірній (κw = 0.54). Аналіз патернів помилок показав, що розбіжності простежувалися до обох оцінювачів — GPT-4 завищував оцінку, коли студенти пропонували кілька відповідей або використовували лексику, відсутню в рубриці, тоді як факультет часто був «надто щедрими» оцінювачами, — змушуючи авторів рекомендувати збереження [[human-in-the-loop-ai|людей в циклі]] (наприклад, оцінювання факультетом підмножини для підтвердження точності). Оскільки приблизно 82% медичних шкіл США оцінюють роботи до клеркшипу на складання/нескладання, точна згода оцінок ШІ часто непотрібна для операційного використання.
- **Оцінювання з людиною в циклі для масштабного національного оцінювання письма (2026):** [[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al. (2026)]] масштабують оцінювання на основі підказок за допомогою [[llm]] на реальний іспит із письма іспанською з великою вагою (~5 000–6 000 відповідей на рік), досягаючи точності на пункт 60–80% і послідовності виходів 90%+ по аналітичній рубриці з 15 пунктів, із детермінованим перевірником NLP, що замінює LLM на пункті правопису (100% послідовності). Його особливий внесок — валідація, орієнтована на рішення, замість метрик, орієнтованих на модель: систематична упередженість ШІ до заниження, перетворена через [[item-response-theory|IRT]]-і-Bookmark у рівні володіння, дає розбіжності складання/нескладання в 15.3–16.5% випадків — усі з яких робочий процес із [[human-in-the-loop-ai|людиною в циклі]] спрямовує на експертний розгляд, скорочуючи відповіді, що потребують повного людського оцінювання, щонайменше на 50%, зберігаючи якість рішень. Це обґрунтовує гібридне оцінювання в операційному оцінюванні, а не в наборах даних для доказу концепції.
- **Згода на рівні вимірів показує, де оцінювач не може виявити зміну:** [[sophie-clinical-communication-ai-assessment-2026|SOPHIE 2.0 (Hasan et al., 2026)]] валідувала суддю на основі LLM проти консенсусу всіх людських джерел оцінювання — стандартизованих пацієнтів і сторонніх оцінювачів — на рубриці клінічної комунікації з трьох вимірів, досягнувши Пірсона 0.759 та ICC(A,1) 0.746 лише зі стенограм, у межах розкиду індивідуальних людських оцінювачів, а не за ним. Його найслабшим виміром був Be Explicit (кореляції 0.414–0.598 між кандидатськими суддями), і це також був єдиний вимір, чиї оцінки не рухалися вимірювано між двома зустрічами (Δ = 0.014, p = 0.1204) — тому згода на рівні вимірів може заздалегідь вказувати, на яких вимірах автоматизований оцінювач не здатний показати поліпшення.

### Оцінювання, уважне до упевненості

Центральна мета дизайну в автоматизованому оцінюванні — **уважність до упевненості**: системи оцінювання на базі ШІ, які повідомляють відкалібровану невизначеність разом зі своїми оцінками, а не видають єдиний безумовний прогноз. Уважний до упевненості оцінювач не лише створює оцінку чи класифікацію, але й сигналізує, наскільки він упевнений, так що випадки низької упевненості можуть бути позначені для розгляду людиною, а користувачі можуть калібрувати свою [[trust]] до системи. Це є центральним для відповідального автоматизованого оцінювання і тісно пов’язується з [[psychometrically-aware-ai]] та [[trust-calibration]].

**Як упевненість моделюється** в дослідженнях бази знань:

- **Злиті сигнали упевненості для оцінювання коротких відповідей:** [[cong-confidence-asag-2026|Confidence-Aware ASAG]] зливає сигнали упевненості, засновані на моделі (вербалізовані, латентні та засновані на послідовності), з похідною від набору даних алеаторичною невизначеністю через регресію Random Forest.
- **Упевненість в мультимодальних роботах студентів:** [[confidence-aware-student-drawing-assessment|уважне до упевненості оцінювання намальованих студентами наукових рисунків]] розширює моделювання упевненості на мультимодальні відповіді студентів.
- **Психометричне калібрування LLM:** [[psychometrically-aware-ai]] підвищує стандарт узгодження оцінювання за допомогою [[llm]] з теорією вимірювання, із калібруванням як основним вимогою поряд із узгодженням із [[item-response-theory|теорією відгуків на пункти]].
- **Калібрування складності та часу відповіді:** [[llm-difficulty-calibration-programming-exams-2026|калібрування складності іспитів із програмування]] перепозиціонує LLM як допоміжні джерела доказів, чиї оцінки складності корелюють із частками складання студентів.
- **Оцінювання есе, адаптивне до рис особистості:** [[psyscore-essay-scoring-zpd-feedback|PsyScore]] показує, що психометрично обізнана рамка може адаптувати зворотний зв’язок за есе до рис здобувача.
- **Оцінювання візуальних робіт студентів:** [[diagramir-educational-math-diagram-evaluation|DiagramIR]] зворотно перекладає математичні діаграми (TikZ), згенеровані LLM, в проміжне представлення з детермінованими перевірками, перевершуючи LLM-as-a-Judge на згоді з людськими оцінювачами і дозволяючи малим моделям зрівнятися з великими при ~10-кратно нижчій вартості — масштабований шлях до оцінювання нетекстового, діаграмного виходу студентів.
- **Висновок, контрольований довірою, в автоматизованому оцінюванні викладачів:** [[li-explainable-trustworthy-llm-teacher-assessment-2025|Li, Yang & Fang (2025)]] розміщують калібрування через відкидання Монте-Карло безпосередньо в шляху оцінювання, так що дисперсія відкидання вище навченого порогу викликає вихід «відхилити й перенаправити», а не оцінку, поряд із адверсарним зменшенням упереджень, яке утримує розрив у справедливості на рівні 1.8%, тоді як бази сидять у діапазоні 6.4–8.2%, і з очікуваною похибкою калібрування 0.032 на TeacherEval-2023. Їхній абляційний аналіз — це аргумент калібрування в мініатюрі: видалення модуля, контрольованого довірою, знижує послідовність між оцінювачами до 78.6%, і автори приписують зменшення навантаження на людський розгляд на 41% цьому контрольованому виходу — обробка невизначеності як архітектура, а не як післяфактована звітність.
- **[[explainable-ai|Пояснюваність]] оцінювання на основі рубрики:** [[shap-llm-rationales-teaching-quality-assessment|Bueno et al.]] показують, що незалежні від моделі атрибуції SHAP є більш вірними та переносимыми, ніж згенеровані LLM обґрунтування, для пояснення оцінок на основі рубрики (наприклад, якості зворотного зв’язку в аудиторії), і пропонують тести на основі видалення та міжмодельні тести як принциповий спосіб оцінки пояснень будь-якої моделі оцінювання.

**Чому важлива відкалібрована упевненість:**

- **Дає змогу делегуванню з людиною в циклі:** випадки низької упевненості спрямовуються до людського оцінювача — підтримуючи робочі процеси [[human-in-the-loop-ai|з людиною в циклі]], а не сліпу автоматизацію.
- **Підтримує калібрування довіри:** [[trust-calibration|відкалібрована упевненість]] дає користувачам змогу узгоджувати свою довіру з фактичною надійністю системи, уникаючи і надмірної, і недостатньої довіри.
- **Покращує валідність вимірювання:** оцінювання, уважне до упевненості, зміцнює [[educational-measurement|освітнє вимірювання]] та [[assessment-validity]], роблячи невизначеність явною.
- **Справедливість та захищеність:** позначення випадків низької упевненості для розгляду знижує ризик упевнено хибних оцінок, особливо для атипових або недопредставлених відповідей.

- **Генерація рубрик і конвеєри оцінювання під наглядом інструктора:** [[harmogen-ai-assessment-rubric-generation|Mendonça et al. (2026)]] показують, що згенеровані LLM рубрики оцінювання (HARMOGEN-R) можуть зрівнятися з рубриками, створеними людиною, за технічним контентом у межах еквівалентної межі ±5 балів, причому структурована генерація дає більшу послідовність між моделями. [[ai-assisted-instructor-supervised-grading-feedback|Cruz et al. (2026)]] оцінюють наскрізний конвеєр оцінювання на базі GPT-4o, де оцінки ШІ відрізнялися від оцінки інструктора не більш ніж на 0.5 бала в 83% із 362 подач (MAE 0.31) — що найкраще осмислюється як масштабоване доповнення до, а не заміна судження інструктора.

## Якість і справедливість

Якість автоматизованого оцінювання залежить від [[assessment-validity|валідності оцінювання]] та [[bias-mitigation]]. Дослідження [[ai-scoring-language-bias-physics|мовних упереджень]] показує, що автоматизоване оцінювання може систематично ставити в невигідне становище певні групи студентів.
**Критерій сам є схильним до помилок.** [[ai-marking-accuracy-gcse-physics-2026|Bozdag and Qiu (2026)]] оцінюють роботи з фізики GCSE системою ШІ і порівнюють їх із офіційними оцінками екзаменаційної комісії та судженням досвідчених викладачів, розглядаючи згоду з комісією як показник точності, а не саму точність.

### Сценарії розгортання і те, що кожен із них вимагає

Наскільки багато узгодженості установа має вимагати, залежить від того, що системі дозволено вирішувати. У дослідженні [[mixed-methods-research|змішаними методами]] на [[opraise-automated-marking-ai-assessment-2026|761 автентичному університетському есе в трьох університетах Великої Британії]] три фронтові моделі по 27 конфігурацій підказок кожна досягли лише 35–65 відсотків згоди з людськими оцінювачами на смузі ступеня, і точність не переносилася між установами, — тому звіт розглядає кандидатські використання як різні сценарії, а не одне рішення. **Забезпечення якості людського оцінювання**, де ШІ оцінює паралельно, а суттєві відмінності викликають розгляд людиною, є найконсервативнішим. **Асистент оцінювання**, що ранжує або категоризує подачі за передбачуваною якістю чи невизначеністю, відсіюючи складні випадки або розширюючи короткі людські коментарі до повнішого зворотного зв’язку, є справжньою серединою. **ШІ як основний оцінювач**, із розглядом людиною вибірки або розподілів оцінок, було визнано прийнятним лише за умови покращення продуктивності системи, і жодна група [[stakeholders|зацікавлених сторін]] не підтримала ШІ як єдиного оцінювача.

Звідси випливають три вимоги для будь-якого з них. Оскільки узгодженість є специфічною для моделі та установи, валідація має бути локальною та безперервною — заголовна точність з іншого місця не є доказом готовності. Оскільки оцінки стискалися до середини, ШІ був найменш точним на межах оцінок і для найсильніших і найслабших подач, і саме там рішення про оцінювання несуть найбільші наслідки. І оскільки розбіжність між оцінкою ШІ і людською оцінкою віддзеркалює різне судження, а не лише похибку, розбіжності мають викликати людську інтерпретацію, а не алгоритмічне перекриття, з остаточною владою над оцінкою, що залишається в людей. Впровадження несе також зобов’язання з [[governance]], яких не фіксують технічні метрики: право на пояснення за статтею 22 GDPR там, де автоматизовані рішення впливають на студентів, обов’язки за Законом про рівність, щойно показано, що рівень досягнень і використання мови впливають на оцінки, переглянуті процеси оскарження для помилок, які нелегко виявити, і ризик незворотності — щойно штат і інвестиції зсунеться, установа може мати труднощі з продовженням збирання людського оцінювання, яке їй знадобилося б для повернення.

[[tripartite-feedback-framework-ai-assessment-2026|Venetsanos (2026)]] постачає критерії, які ці вимоги припускають, стверджуючи, що те, що робить автоматизацію захищеною, — це *епістемічний статус* завдання, а не те, що технологія може технічно виконати. Його рамки обмежують ШІ межованою перевіркою фактичних і процедурних тверджень — усі чотири з однозначних задокументованих критеріїв, прямого порівняння з усталеним знанням, відсутності оцінювання альтернативних валідних підходів та однієї правильної відповіді або заздалегідь заданого прийнятного набору мають виконуватися водночас, причому неоднозначність за замовчуванням ескалює до людини, — і робить участь ШІ на цьому рівні умовною на п’яти незаперечних принципах, які мають виконуватися всі водночас: база знань має бути курована оцінювачем і обґрунтована на матеріалах модуля, а не на параметричному знанні моделі; людські оцінювачі розглядають кожен вихід ШІ до того, як він дійде до студентів, і мають абсолютне право перекриття з неподільною відповідальністю; зворотний зв’язок має нести чітке походження та атрибуцію; і безпека має бути спроєктована проти адверсарного використання з самого початку, із санітизацією входів для інструкцій, прихованих у білому або дрібному тексті, кодуваннях, зображеннях або метаданих документа, оскільки успішне обходження автоматизованої системи поширюється між когортами студентів. Той самий документ чітко зазначає, що його принципи неперевірені на одночасну здійсненність і що час оцінювача на курування, інфраструктуру безпеки та високочастотний нагляд може перемістити зусилля персоналу, а не зменшити їх, — застереження, яке сидить поряд із вимогою локальної валідації вище.

### Безпека оцінювання, опосередкованого ШІ

Оцінка методом червоної команди буденного робочого процесу оцінювання показує поверхню атаки, яку планування для адверсарного використання має охопити. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] вбудував п’ять непрямих ін’єкцій підказок у синтетичне есе, яке Microsoft Copilot (GPT-5.2) оцінив як незадовільно в шести з шести базових прогонів, ітеруючи кожну через файли docx, pdf і htm. Дві стратегії змінювали оцінку без видимого попередження — абзац маніпулювання інструкціями та рольової гри в 9 із 9 ітерацій (100%) і той самий абзац, прихований за шаром зображення, в 17 із 18 (94%), — тоді як абзац дрібним білим текстом у кінці документа провалювався в усіх дев’яти ітераціях, а ін’єкції в метадані файлу ніколи не працювали, що автор пояснює тим, що доступ до метаданих був вимкнений у перевіреній версії. Проблема довіри пережила експлойти: після того, як один прогон pdf виявив вбудовану інструкцію і заявив, що оцінюватиме лише за офіційним завданням, повторний запуск того самого файлу підняв оцінку ще шість разів без попередження, а чат, заблокований виявленою атакою, було тихо вимкнено, а не повідомлено користувачеві. Автор стверджує, що отримані оцінки не несуть претензії на [[assessment-validity|валідність]] в жодному напрямі, що противнику потрібна лише одна працююча комбінація проти багатошарових [[guardrails]], і що викладач залишається єдиною справжньою [[human-in-the-loop-ai|перевіркою виходу]], поки маніпуляція спроєктована так, щоб не бути видимою, — безпосередньо пов’язуючись із зобов’язанням санітизації входів і адверсарної безпеки, яке викладає Venetsanos вище.

### Зв’язки

Автоматизоване оцінювання пов’язане з [[assessment-validity|валідністю оцінювання]] (забезпечення якості), [[formative-assessment|формативним оцінюванням]] (контекст використання), [[bias-mitigation|пом’якшенням упереджень]] і [[equity-in-ai-education]] (справедливість), [[teacher-role|роллю викладача]] (як автоматизація змінює роботу інструктора) та [[ai-feedback-quality]] (оцінювання без корисного зворотного зв’язку має обмежену освітню цінність). Оцінювання, уважне до упевненості, є специфічним механізмом у межах ширшої програми [[psychometrically-aware-ai|психометрично обізнаного ШІ]] і внеском у [[trust-calibration|калібровану довіру]].

- **Масштабне оцінювання за допомогою ШІ рукописних робіт із [[physics-education|фізики]] (2026):** Мультимодальна модель (GPT-5.5) оцінила 10 364 відскановані сторінки на національній теоретичній олімпіаді з фізики, відбірковому таборі та університетському іспиті з квантової механіки, досягнувши кореляцій загальної оцінки 0.91–0.97 з офіційними оцінками і відновивши ту саму п’ятірку кращих команд Олімпіади. Переглянуті інструкції з покроковим визначенням місця доказів покращили згоду — доказ того, що [[multimodal|мультимодальний ШІ]] може підтримувати підсумкове оцінювання з великою вагою за ретельної інженерії рубрик і підказок ([[ai-grading-handwritten-physics-2026]]).

- **Вибіркова автоматизація для рукописних робіт із [[chemistry-education|хімії]] (2026):** [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros & Kortemeyer]] оцінили рукописний підсумковий іспит із загальної хімії 296 студентів покроково за зображеннями рубрик за допомогою мультимодальної, міркуючої LLM, досягнувши високої надійності від запуску до запуску на загальних оцінках (ICC(A,1) = 0.967) і сильної згоди загальних оцінок із оцінюванням асистентів (R² = 0.91). Оскільки надійність на рівні пунктів різко змінювалася за форматом — текстові відповіді та відповіді на хімічні реакції оцінювалися надійно, тоді як малювання та графіки набрали гірше за випадкове — сира згода була визнана недостатньою для використання з великою вагою. Вони операціоналізують [[human-in-the-loop-ai|людське відкладання]] через фільтри упевненості (пороги часткової залікової оцінки, поріг ризику на основі [[item-response-theory|IRT]] та виключення за типом задачі), які перетворюють сирі оцінки ШІ в політику прийняття/відкладення, і показують, що хибнопозитивні результати (ШІ, що зараховує справді хибні відповіді) мають тенденцію залишатися невиявленими, оскільки студенти рідко їх оскаржують, — конкретний [[psychometrically-aware-ai|психометрично обґрунтований]] шлях до вибіркової автоматизації ([[cvengros-grading-handwritten-chemistry-ai-2026]]).

- **Напіввідкрита рукописна математика на університетському іспиті (2026):** [[gpt4-handwritten-math-exam-grading-2026|Liu et al.]] оцінили німецький університетський іспит із математики за допомогою GPT-4 через два шляхи витягу (попередньо розрізані поля відповідей проти цілих сторінок), два шляхи оптичного розпізнавання символів і два формати рубрик, повідомляючи альфу Кріпендорфа проти людських оцінок 0.22–0.44 із точністю 0.59–0.62 на найкращих робочих процесах і точністю на задачу, що коливається від 0.27 до 0.91 — неприйнятно для підсумкового використання з великою вагою. Перелічування багатокритеріальних правил оцінювання загалом не покращувало згоди (воно допомогло на задачі з частковою заліковою оцінкою), вільне оцінювання без рубрики було значно гіршим (точність 0.50–0.51), а ймовірнісний фільтр упевненості, призначений позначати оцінки для перевірки людиною, суттєво не покращив точності, водночас хибно позначаючи 7–41 відсотків відповідей як надійні. Переносимый урок дослідження є процедурним: скануйте та транскрибуйте цілий аркуш іспиту з маркерами, а не обрізаючи поля відповідей, оскільки студенти пишуть через межі полів; переписуйте правила оцінювання, написані для асистентів викладача, оскільки модель намагалася робити незапитувані виведення з правила, призначеного для людини; і зауважте, що самі правила людського оцінювання перефразовувалися на альфі 0.88 між п’ятьма варіантами, тому стійкість підказок не є вузьким місцем.
- **Порівняльне судження LLM для відбору письма (2026):** Mercer & Reed використали сім LLM як попарних порівняльних суддів для оцінювання інформаційного письма 1 208 студентів 3–6 класів на трьох відбіркових випадках. Оцінки LLM-CJ сильно корелювали з оцінками аналітичної рубрики (r = .67–.73, найсильніше для Gemini-3.1 Pro) з AUC .82–.86 для володіння; висновки були стабільними між моделями, із малим приростом валідності від дорожчих, здатніших, тоді як усереднення трьох зразків письма покращувало точність — ширина вибірки мала значення більше, ніж вибір моделі. Патерни предиктивної упередженості для [[multilingual-learning|багатомовних здобувачів]] збігалися з людським оцінюванням за рубрикою, підтримуючи LLM-CJ як ефективний, низьковартісний підхід до відбору ([[llm-comparative-judgment-writing-screening-2026]]).
- **Узгодженість, залежна від якості, з оцінюванням інструктора (2026):** Порівнюючи ChatGPT, однокурсників і інструктора, які оцінюють *ті самі* університетські [[group-work|групові проєкти]], [[usher-faraon-who-grades-best-2026|Usher & Faraon виявили]], що узгодженість ChatGPT з інструктором *покращувалася зі зростанням якості проєкту* — його найбільше завищення було для низькоякісної роботи (≈ +14 балів), скорочуючись до ≈ +2.5 балів для високоякісних проєктів. ChatGPT також оцінював вище в середньому, ніж і однокурсники, і інструктор, — тенденція до інфляції оцінок, що руйнує його надійність як автономного підсумкового оцінювача, особливо для слабших подач.
- **Статистики згоди на малому корпусі можуть вводити в оману рішення про розгортання.** Оцінювання 60 маркетингових постів (15 студентів плюс 15 дослідниками написаних низькоякісних анкорів) проти двох незалежних людських оцінювачів дало абсолютну згоду ICC(2,1) на рівні .435 для LLM, .266 для гібриду «правила плюс LLM» з однаковою вагою та .091 для детермінованих правил, із MAE 6.28, 10.53 і 17.22 балів відповідно на шкалі 0–100; гібрид був значно гіршим за саму LLM (різниця парних ICC −.169, 95% CI [−.260, −.106]). Додавання анкорів підняло міжоцінювацьку ICC з .338 до .902 і згоду LLM з .435 до .846, а майже порожній пост отримав 75 проти людського середнього 30.5, показуючи, що єдина вироджена відповідь може домінувати в малій оцінці. ([[automated-scoring-marketing-posts-agreement-2026]])

- **Структуроване оцінювання за допомогою LLM може виглядати аналітичним, не будучи діагностичним (2026):** Оцінюючи 3 041 відповідь на 50 питань з комп’ютерних наук, три комерційні LLM створили підвиміри рубрики, які були майже надмірними (r = 0.82–0.99, VIF до 45), і називали хибні уявлення лише в 4.8–7.4% коментарів проти 15.0% у викладачів ([[llm-structured-assessment-diagnostic-quality-2026|Zhao et al., 2026]]).

## Пов’язані поняття

- [[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]] — Підсумкове оцінювання: формати, стійкі до ШІ (усні, іспити з наглядом, закриті іспити)

## Пов’язані статті

- [[llm-structured-assessment-diagnostic-quality-2026]] — Підвиміри рубрики LLM майже надмірні, і зворотний зв’язок рідко називає хибні уявлення (Zhao et al. 2026)
- [[opraise-automated-marking-ai-assessment-2026]] — Звіт OpRaise: оцінювання за допомогою ШІ 761 університетського есе в трьох університетах Великої Британії
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — Оцінювання за допомогою ШІ з людиною в циклі в масштабному національному оцінюванні письма (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]] — Порівняння оцінювання ChatGPT, однокурсників і інструктора на різних рівнях якості проєкту (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]] — Автоматизовані формативні оцінювання в наукових дисциплінах рівня A
- [[cong-confidence-asag-2026]] — Уважне до упевненості автоматизоване оцінювання коротких відповідей
- [[ai-scoring-language-bias-physics]] — Мовна упередженість оцінювання ШІ у фізиці
- [[llm-difficulty-calibration-programming-exams-2026]] — Калібрування складності іспитів із програмування на основі LLM
- [[choi-anchor-aes-prompting-2025]] — Підказки для автоматизованого оцінювання есе на основі анкорів
- [[cotal-formative-assessment-scoring-2026]] — Оцінювання формативних оцінок CoTAL
- [[automated-grading-linux-bash-examinations-large-language-models]] — Автоматизоване оцінювання іспитів із Linux Bash за допомогою LLM
- [[confidence-aware-student-drawing-assessment]] — Уважне до упевненості оцінювання намальованих студентами рисунків
- [[diagramir-educational-math-diagram-evaluation]] — DiagramIR: автоматична оцінка згенерованих математичних діаграм
- [[shap-llm-rationales-teaching-quality-assessment]] — SHAP проти обґрунтувань LLM для оцінювання якості викладання на основі рубрики
- [[eeg-familiarity-automated-assessment-2026]] — Automating Learner Assessment: EEG-Based Familiarity Prediction
- [[harmogen-ai-assessment-rubric-generation]] — HARMOGEN-R: генерація рубрик оцінювання за допомогою ШІ
- [[ai-assisted-instructor-supervised-grading-feedback]] — Оцінювання та зворотний зв’язок із підтримкою ШІ під наглядом інструктора
- [[ai-grading-handwritten-physics-2026]] — Оцінювання рукописних робіт із фізики за допомогою ШІ (Олімпіада)
- [[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]] — Тристоронні рамки: сортування зворотного зв’язку за епістемічним статусом і п’ять граничних принципів участі ШІ (Venetsanos 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Оцінка методом червоної команди ін’єкцій підказок, прихованих у подачах студентів, проти оцінювання, опосередкованого ШІ (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]] — оцінювання напіввідкритої рукописної математики з фільтром упевненості для перевірки людиною
- [[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]] — Масштабоване тренування клінічної комунікації на основі ШІ та автоматизоване оцінювання
- [[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]] — Багатоагентна LLM (GradeOpt) кодує відповіді викладачів із відкритим закінченням на CK і PCK; надійність від удосконалення підказок проти посібника з кодування
- [[ai-marking-accuracy-gcse-physics-2026]] — Оцінювання ШІ в порівнянні з оцінками екзаменаційної комісії та судженням викладачів у фізиці GCSE

- [[llm-grading-assistants-public-health-2026]] — Режим міркування підняв згоду оцінювання LLM–людина з зваженої каппи 0.269 до 0.718

---

## [Автоматизоване оцінювання есе](https://edtechdev.github.io/aied/concepts/automated-essay-scoring/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Автоматизоване оцінювання есе (AES)** — використання ШІ для оцінювання письмових есе, що охоплює традиційні статистичні підходи, дообучені мовні моделі та дедалі доступніші стратегії підказок на основі [[llm]]. Дослідження AES ([[research-methods-aied|research]]) в цій базі знань охоплює точність оцінювання, справедливість та упередження, психометричну валідність і практичну [[accessibility]] для освітян.

## Питання для роздумів

- Автоматизоване оцінювання есе перейшло від традиційних статистичних моделей до підказок на основі LLM. Ключова напруга на цій сторінці — між точністю та доступністю: дообучені моделі оцінюють добре, але є непрактичними для більшості освітян. Що б ви надали пріоритету у своєму власному контексті, і чому?
- Важливий висновок: просто включення есе-прикладів у підказку наближує згоду LLM–людина до надійності людина–людина, — і дешевша модель може зрівнятися з дорожчою. Що це говорить про те, скільки в якості AES залежить від моделі, а скільки від того, як її підказують?
- Сторінка попереджає, що оцінювання за допомогою ШІ може систематично занижувати оцінки студентів із різномовного середовища. Перед читанням: якби ви побачили, що ШІ дав нижчу оцінку есе людини, для якої мова не є рідною, чи вважали б ви це «проблемою упереджень» чи просто «оцінкою»? Що змінило б вашу відповідь?
- Самореференційний підхід оцінює авторів із другою мовою, порівнюючи їхнє письмо з їхньою власною попередньою роботою, а не з нормами носіїв мови. Як вибір бази порівняння змінює те, що означає оцінка, — і до яких студентів він може ставитися справедливіше?
- AES перетинається з формативним оцінюванням, коли використовується для зворотного зв’язку, а не для оцінювання. Коли зворотний зв’язок машини за есе був би справді корисним для розвиваючогося автора, а коли він міг би спрощувати ті види [[qualitative-research|якісного]] зворотного зв’язку, який дав би людський редактор?

## Вступ

Автоматизоване оцінювання есе має довгу історію в освітніх технологіях, від ранніх статистичних моделей до сучасних підходів на основі LLM, які можуть оцінювати есе цілісно без великих попередньо оцінених наборів даних. Ключова напруга в дослідженнях AES — між точністю та доступністю: хоча дообучені моделі досягають сильних результатів, вони є ресурсовитратними та непрактичними для більшості освітян.

- **[[zhang-races-consistent-essay-scoring-llms-2026|Zhang et al.]]** RACES використовує узгодження винагород, щоб зробити оцінювання есе за допомогою LLM і точним, і послідовним, звертаючись до основного занепокоєння валідності AES.

## Ключові теми досліджень

**AES на основі підказок** виник як найдоступніший підхід. Дослідження **[[choi-anchor-aes-prompting-2025|Choi et al. із анкорами]]** показує, що включення есе-прикладів у підказки наближує згоду LLM–людина до надійності людина–людина, причому GPT-4o mini досягає результатів, порівнянних із GPT-4o, за нижчої вартості. Це пов’язується з ширшими дослідженнями [[prompt-engineering]] і робить AES здійсненним для використання [[teacher-role|викладачем]].

**Психометричне оцінювання на рівні рис** виходить за межі цілісних оцінок. **[[psyscore-essay-scoring-zpd-feedback|PsyScore]]** дає психометрично обізнану рамку для оцінювання, адаптивного до рис, зі зворотним зв’язком, обґрунтованим на [[sociocultural-learning|ЗРД]]. **[[icle-plus-plus-essay-scoring|ICLE++]]** моделює дрібнозернисті риси для цілісного оцінювання есе, підвищуючи точність автоматизованого оцінювання.
- **Оцінювання рис на рівні вимірів обмежене даними, що стоять за кожним виміром.** [[automated-essay-scoring-critical-thinking-physics-2026|Firdausi et al. (2026)]] навчили один класифікатор на вимір рамок критичного мислення FRISCO Енніса на 106 есе з фізики одинадцятикласників Індонезії (83 для навчання, 23 для тестування, із трьома викладачами-оцінювачами, що погоджуються на каппі 0.78–0.84 на кожному вимірі). Згода концентрувалася на вираженні, а не на міркуванні: квадратична зважена каппа досягла 0.763 для Clarity і 0.728 для Situation, але лише 0.374 для Focus, 0.332 для Reason і 0.227 для Inference. Порядковий сигнал був створений, а не спостережений — синтетичні есе рівня 1 (генерація за шаблоном, деградація до 20–40% початкової довжини, видалення ключових слів) плюс парафраз LLM підняли Focus на +0.346 каппи від базової 0.028, — і одна конфігурація досягла точності 0.652 із майже нульовою або негативною каппою, тому точність не є придатним критерієм відбору в порядковому AES.

**Упередження та справедливість** є критичним занепокоєнням. **[[ai-scoring-language-bias-physics|Feser & Tschisgale]]** виявили, що оцінювання за допомогою ШІ систематично занижує оцінки студентів із різномовного середовища, підкреслюючи потребу в розгляді [[bias-mitigation]] та [[equity-in-ai-education]] при розгортанні AES.

**Розбіжність із людськими оцінювачами є систематичною, а не випадковою.** Готові моделі GPT і Llama погоджувалися з людськими оцінками лише слабко (QWK ≈ 0.17–0.28 проти 0.72 між двома людськими оцінювачами) і упереджували в напрямі, залежному від якості — вище для коротких, нерозвинених есе і нижче для довгих, сильних із дрібними помилками на поверхні ([[llms-do-not-grade-essays-like-humans-2026|Mathew et al. (2026)]]).

**Оцінювання другої мови та самореференційне оцінювання** досліджує контексти нерідної мови. **[[self-referential-l2-writing-llm-assessment|Профільне оцінювання другої мови]]** використовує самореференційний підхід, порівнюючи письмо студента з його власною попередньою роботою, а не з нормами носіїв мови.

**[[explainable-ai|Інтерпретованість]] і зважування особливостей** відкриває чорну скриньку того, як LLM справді оцінюють. **[[llm-essay-scoring-feature-weighting-2026|Wang et al. (2026)]]** порівняли три LLM (Qwen, GPT, Gemini) з людськими оцінювачами на есе нерідною англійською за шістнадцятьма текстовими особливостями, знаходячи сильну загальну узгодженість, але відмінне зважування: LLM робили акцент на граматичній точності, лексичній витонченості та синтаксичній складності, тоді як людські оцінювачі надавали пріоритету повноті контенту та візуальному поданню. Критично, LLM зрушували своє зважування за рівнем володіння — надаючи більше ваги мовним помилкам для студентів із низьким рівнем і дедалі більше винагороджуючи лінгвістичну витонченість для студентів із високим рівнем, — тоді як людські оцінювачі підтримували більш стабільну рамку. **[[llm-essay-assessment-framework-reliability-2026|Liu, Ye, and Yan (2026)]]** розширюють це рамкою оцінки п’яти моделей (GPT-4.1, Llama 4 Maverick, Gemini 2.5 Flash, Claude Sonnet 4, DeepSeek R1) на 60 довгих есе, використовуючи каузальне відкриття для розкриття відмінних оцінних евристик: більшість моделей надавали пріоритету лексичній точності та плавності, тоді як інші підкреслювали синтаксичну складність або міждоменну інтеграцію, і деякі показували непослідовність, компресію оцінок або систематичне заниження. Разом ці дослідження встановлюють, що валідність AES залежить не лише від загальної згоди, але від того, *як* моделі зважують особливості і чи є це зважування стабільним між підгрупами здобувачів, — безпосередньо інформуючи аудит [[assessment-validity]] та [[bias-mitigation]].

**Межі типів завдань і межі оцінювання есе.** В університетському іспиті змішаного формату [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat, Das, Bhaumik & Thambi (2026)]] виявили, що згода ChatGPT-5 з факультетом була суттєвою до майже досконалої на об’єктивних завданнях (CCC 0.935–1.000), але різко падала на відповідях із відкритим закінченням — майже нульова до негативної для короткої відповіді і лише 0.341–0.854 для питань-есе, — і структурована рубрика послідовно не покращувала згоди за есе. Це обмежує валідність AES: плавність моделі допомагає на добре специфікованих завданнях, але не переноситься на цілісне оцінювання есе, де контекстуальна інтерпретація відповідей із частковою заліковою оцінкою усе ще надає перевагу [[human-in-the-loop-ai|людському судженню]].

**Межі типів проблем в діагностичній згоді.** [[automated-scoring-learning-diagnosis-mechanism-2026|Yao and Fan (2026)]] використовували DeepSeek-R1 для позначення конкретних проблем письма до ревізії і порівнювали його позначення з діагнозом викладача на трьох циклах (середнє F1 = 0.768, SD = 0.037). Згода була найвищою на локально підказуюваних проблемах, таких як вибір слова словникового запасу (F1 = 0.824), і найнижчою там, де проблема залежить від відношення твердження до доказу (використання джерел і доказів, 0.579), тому згода в діагностичній ролі залежить від типу проблеми, а не лише від моделі чи підказки.
**Перекошений розподіл рубрики може змусити сукупні метрики оцінювання вводити в оману.** Автоматизоване оцінювання виміру рубрики може бути завданням класифікації з перекошеним розподілом міток, а не безперервною оцінкою: при позначенні рівня рефлексії 0–3 в 1 954 есе угорських студентів 68% есе сиділи на рівні 3 і 1.8% на рівні 0, і найкраща поверхнева конфігурація (SMOTEBoost із вкладеннями Qwen3) досягла загальної оцінки 0.7176, усередненої за точністю, F1 і ROC-AUC, проти 0.6872 для найкращого дообученого трансформера, — проте одна конфігурація RidgeClassifier набрала 0.7131 ROC-AUC лише за точності 0.5162, а балансування класів знизило кожну метрику (точність, падаючи з 0.6672 без нього до 0.6408 з ним), тому автори читають вибір моделі як питання про те, яка метрика має значення, із трансформерами, які заробляють своє місце чутливістю до класу меншості, а не сукупною згодою ([[reflection-level-classification-hungarian-essays-2026|Csibi et al., 2026]]).

**Докази розгортання з великою вагою.** Польові докази з реального розгортання з великою вагою ([[human-in-the-loop-ai-scoring-national-assessment-2026|Uruguay's *Acredita EB*, 2024–2025; Curi et al.]]) показують, що GPT-5 на основі підказок досягає 60–80% згоди з навченими людськими оцінювачами по аналітичній іспанській рубриці з 15 пунктів, приблизно на п’ять процентних пунктів нижче за людську згоду між оцінювачами на більшості пунктів і ніколи більш ніж на 15 пунктів нижче, із послідовністю від запуску до запуску вище 90% на майже всіх пунктах. Словниковий запас, синтаксис і правопис були найслабшими вимірами, і пункт правопису довелося передати детермінованому перевірнику граматики (LanguageTool, 68% точності, 100% послідовності), оскільки токенова орфографія — це місце, де модель найменш стабільна. Підказки, побудовані для одного видання іспиту, переносилися на наступне лише з правками, специфічними для теми, і ШІ був систематично суворішим за людей — занижував, а не завищував оцінки. Для дизайну AES урок у тому, що оцінювання на основі підказок може наблизитися до людської згоди навіть на національному іспиті, тоді як його залишкова слабкість сидить на рівні низькорівневих мовних умовностей, а не цілісної якості [[writing-education]].

Упевненість на токеновому рівні, оцінювання з зважуванням за ймовірностями та анесемблювання кожне покращували згоду на оцінюванні дивергентного мислення — складені техніки досягли r = 0.846 (RMSE = 0.4848), і спрямування лише 20% найменш упевнених відповідей на розгляд людиною скоротило ручні зусилля приблизно на 80% ([[know-when-to-trust-ai-scoring-reliability-2026|Organisciak & Acar (2026)]]).

**Людський [[benchmark]] і те, що він може і не може узаконювати.** Дослідження [[opraise-automated-marking-ai-assessment-2026|OpRaise]] є найсильнішою перевіркою в цій базі знань того, чи готове оцінювання за допомогою LLM до рутинного використання, і його відповідь залежить від еталона, а не від моделі. Воно порівняло три фронтові системи (Claude Opus 4.6, GPT-5.4, Gemini 3 Flash), кожну в 27 конфігураціях підказок, що перетинають специфічність рубрики, калібрування та стратегію оцінювання, проти модерованих оцінок 761 автентичного есе з психології від 125 студентів у трьох [[higher-ed|університетах]] Великої Британії. Людські оцінки були прийняті як істина за останню інстанцію, оскільки академічне судження є суспільно прийнятим стандартом, і автори зазначають, що людські оцінювачі погоджуються між собою лише помірно, — що обмежує, наскільки сильною могла б розумно вимагатися згода ШІ–людина. На тлі цього еталона згода на смузі ступеня Великої Британії коливалася від **35 до 65 відсотків за установою** (63 відсотки в Кембриджі, 53 відсотки в Ноттінгемі, 35 відсотків у Манчестерському метрополітені) і не переносилася між ними, тому центральна рекомендація звіту — локальна валідація на власних матеріалах [[assessment]] установи. Два висновки узагальнюються за межі цього корпусу. По-перше, надійність і згода розходяться: кожна модель переоцінювала майже тотожно (ICC 1.00, 1.00, 0.97), і моделі погоджувалися між собою тісніше, ніж з людьми (ICC трьох моделей 0.91), проте всі три погоджувалися на смузі ступеня лише для **56 відсотків** подач — самопослідовність — це не валідність. По-друге, оцінки ШІ стискалися до середини шкали (оцінка компресії 0.47–0.82, із переходом, де ШІ і людина погоджуються в середньому, у верхніх 50-х — низьких 60-х), роблячи ШІ найменш точним точно на межах оцінок, що відокремлюють Firsts від Upper Seconds і складання від нескладання. Багатство словникового запасу, сполучники, складність речень і довжина тексту передбачали оцінки ШІ з малими, але суттєвими ефектами, тоді як їхнє відношення до людських оцінок було здебільш незначущим, — пряме підтвердження занепокоєння щодо [[ai-scoring-language-bias-physics|мовної упередженості]], і таке, якого не зняла жодна перевірена стратегія підказок.

**AES як навчальний сигнал, а не суддя.** Моделі оцінювання зазвичай вивчаються як оцінювачі, але SWIM використовує одну як функцію винагороди: [[swim-student-writing-simulation-2026|Do, Kontak and Sachan (2026)]] заморожують багаторисовий верифікатор AES і оцінюють його проти згенерованих студентських есе, перетворюючи передбачений профіль рис на щільну поесевину винагороду (середня нормалізована на риси відстань від цільового профілю) для GRPO, навмисно не саму метрику Quadratic Weighted Kappa, оскільки QWK визначена над пакетом пар «ціль–прогноз» і не є поесевинним сигналом, тоді як винагороди за точний збіг занадто рідкісні в багаторисовому налаштуванні. Прирости були перевірені проти скорера DeBERTa та верифікатора, що використовувався лише для оцінки, проти якого політика ніколи не навчалася (0.598 проти 0.479 для SFT і 0.647 проти 0.501), і це та перевірка, яка відокремлює справжній контроль володіння від адаптації до моделі винагород. Для досліджень AES це друга вимога валідності: скорера, використаного як навчальна ціль, проти якої відбувається оптимізація, тому його власне зважування рис і мовні упередження поширюються на все, що вивчає генератор, — ті самі асиметрії зважування особливостей (граматична точність, лексична витонченість і синтаксична складність зважуються моделями більше, ніж людськими оцінювачами), задокументовані в іншому місці цієї сторінки, тепер формують навчання, а не лише оцінки.
**Оцінювання і зворотний зв’язок хочуть різних методів, тому система має їх відокремлювати.** [[wraft-automated-writing-evaluation-argumentative-2026|Labib et al. (2026)]] побудували одну систему для аргументованих есе TOEFL як три модулі — оцінювання, зворотний зв’язок на рівні поверхні за граматикою та механікою та зворотний зв’язок на глибинному рівні за організацією, узгодженістю та аргументацією, — замість однієї моделі, що виконує всі три завдання, і виявили, що те, що виграє на одному модулі, програє на іншому: наглядене дообучення GPT-4o на 120 із власного набору 480 есе, оцінених за еталоном, із тестуванням на решти 360 досягло квадратичної зваженої каппи 0.84 і RMSE 0.44 на шкалі 0–5, попереду базової лінії Wang and Gayed (2024) (QWK 0.78, RMSE 0.57), проте те саме дообучення дало непридатний вихід для модулів зворотного зв’язку, де саме пряме підказки Claude 3.7 створювали схвалені викладачами коментарі.

### Зв’язки з пов’язаними поняттями

AES сидить на перетині [[automated-assessment]], [[writing-education|освіти з письма]] та [[generative-ai]]. Він пов’язується з [[formative-assessment]], коли використовується для зворотного зв’язку, а не для оцінювання, із [[feedback|циклом зворотного зв’язку]], коли інтегрований в ітераційні процеси письма, та з [[ai-literacy]], коли освітяни розуміють і калібрують інструменти AES. Поняття [[assessment-validity]] та [[educational-measurement]] є суттєвими для забезпечення того, щоб оцінки AES були змістовними та справедливими.
- **Згода, похибка і те, що додає гібридний скорер.** В малому корпусі маркетингового письма з відкритим закінченням LLM перевершував і детерміновані правила, і гібрид із однаковою вагою за абсолютною згодою з людськими оцінювачами (ICC(2,1) .435 проти .266 і .091), причому гібрид був значно гіршим за саму LLM, тоді як дисперсія оцінок і єдина майже порожня відповідь показали, наскільки сильно такі оцінки залежать від складу корпусу ([[automated-scoring-marketing-posts-agreement-2026]]).

Відкриті системи є частиною цієї картини теж: AiAWE оцінює аргументовані есе за допомогою адаптованого за LoRA Gemma-3-27B-it, досягаючи QWK 0.828 і згоди в межах ±0.5 від людської оцінки на 90.56% із 360 оцінюваних есе, — і повідомляє, що масштаб моделі не передбачав надійно нисхідної продуктивності за адаптації LoRA ([[aiawe-automated-writing-evaluation]]).

## Пов’язані поняття

- [[bias-mitigation]]
- [[equity-in-ai-education]]
- [[automated-assessment]]
- [[language-learning]]
- [[educational-measurement]]
- [[k-12]]
- [[prompt-engineering]]
- [[writing-education]]
- [[ai-literacy]]
- [[assessment-validity]]
## Пов’язані статті

- [[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]] — Звіт OpRaise: оцінювання за допомогою ШІ 761 університетського есе в трьох університетах Великої Британії
- [[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]] — Від автоматизованого оцінювання до діагностики навчання: дослідження механізму формативного оцінювання в письмі англійською з підтримкою ШІ
- [[llm-essay-scoring-feature-weighting-2026]] — Патерни зважування особливостей в оцінюванні есе на основі LLM (Wang et al. 2026)
- [[llm-essay-assessment-framework-reliability-2026]] — Рамки для оцінки LLM в оцінюванні есе (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]] — заморожений верифікатор AES, використаний як щільна навчальна винагорода для генератора письма

---

## [Автоматизована генерація питань](https://edtechdev.github.io/aied/concepts/automated-question-generation/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Автоматизована генерація питань (AQG)** — використання ШІ, особливо NLP та [[llm|великих мовних моделей (LLM)]], для автоматичної генерації пунктів [[assessment|освітнього оцінювання]] (завдань з вибором відповіді, короткої відповіді, заповнення пропусків, коду та питань на виконання) з вихідного матеріалу або цілей навчання. AQG дає змогу оцінювання в масштабі — створення [[formative-assessment|формативних]] вікторин, адаптивних вправ і практичних пунктів, — але якість різко змінюється за типами пунктів і вимагає валідації, щоб уникнути галюцинованих або погано відкаліброваних питань. Це основний компонент [[automated-assessment]] і ключовий спусковний механізм [[adaptive-learning]] та [[personalized-learning]].

## Питання для роздумів

- Автоматизована генерація питань створює пункти оцінювання з вихідного матеріалу в масштабі — але ця сторінка попереджає, що якість різко змінюється за типами пунктів. Перед читанням: який тип пунктів, на вашу здогад, ШІ генерує найнадійніше: вибір відповіді, коротку відповідь чи код — і чому?
- Центральний виклик — контроль якості: LLM можуть генерувати фактично хибні питання. Один конвеєр зменшив галюцинації на 62%, додавши цикл «генеруй–валідуй–удосконалюй». Як ви думаєте, чому прохання до ШІ валідувати власні питання суттєво покращує їх, а не просто штампує власний вихід?
- [[research-methods-aied|Дослідження]] показує, що згенеровані питання можуть перекошуватися до мислення нижчого порядку (запам’ятовування), якщо їх явно не спроєктовано для результатів вищого порядку. Якщо б ви використовували ШІ для створення практичних пунктів, як би ви дізналися, чи тренують вони справжнє розуміння, чи лише запам’ятовування?
- Калібрування складності має значення: оцінки складності від ШІ сильно корелюють із продуктивністю студентів, але сторінка застерігає від хибного використання з великою вагою. Коли питання, яке ШІ вважає «правильної складності», усе одно є хибним питанням для конкретного здобувача?
- Генерація, уважна до [[accessibility]], створює питання, налаштовані для глухих і слабкочуючих здобувачів, удосконалювані в партнерстві з цільовою спільнотою. Що цей приклад каже про те, чому генерацію питань не можна розглядати як суто технічну чи суто змістову проблему?

## Вступ

Автоматизована генерація питань має значення, оскільки пункти оцінювання дорого створювати вручну, а ШІ може створювати їх швидко та в масштабі. Проте дослідження бази знань показує, що згенеровані пункти мають бути валідовані на правильність, релевантність і складність, і що різні типи пунктів (завдання з вибором відповіді, коротка відповідь, код) змінюються за тим, наскільки надійно їх можна генерувати. Тому AQG сидить на перетині [[generative-ai|генеративного ШІ]], [[educational-nlp|освітньої NLP]] та [[educational-measurement]].

## Підходи до генерації питань

Дослідження бази знань ілюструє кілька підходів:

- **Конвеєри «генеруй–валідуй»:** [[generate-then-validate-question-gen|Generate-Then-Validate]] вводить цикл генерація → валідація → удосконалення, який зменшує галюцинації LLM на 62% порівняно з прямою генерацією, досягаючи точності 89% на наборах даних [[stem-education|STEM]] і покращення релевантності на 23%. Крок валідації відфільтровує хибні або низькоякісні пункти, а провалені пункти викликають регенерацію з виправними підказками.
- **Генерація на основі відстеження знань:** [[kt4eqg-personalized-question-generation|KT4EQG]] генерує персоналізовані питання-вправи, керовані [[knowledge-tracing|відстеженням знань]], пристосовуючи пункти до стану знань кожного здобувача, а не генеруючи узагальнені питання.
- **Дистрактори, зв’язані з хибними уявленнями, як діагностичні мітки:** [[colearn-agentic-tutor-co-learning-loop-2026|CoLearn (He et al., 2026)]] прив’язує кожен дистрактор до одного видобутого хибного уявлення і позначає точно один правильний варіант, тому пункт генерується з вбудованими діагностичними цілями і може потім бути оціненим детерміновано без виклику [[llm]] — приблизно 7.6 секунди та приблизно \\$0.005 на раунд на живому розгортанні авторів, проти приблизно 32 секунд і \\$0.015 на раунд із оцінюванням короткої відповіді за допомогою LLM. Ця прив’язка лише настільки добра, наскільки добрі мітки хибних уявлень за нею, оскільки видобуті [[misconceptions]] збігалися з цільовими хибними уявленнями на F1 ≈ 0.56, а вибір пунктів обслуговував справді слабку навичку 0.72 часу.
- **Генерація, уважна до когнітивної глибини:** [[llm-educational-question-cognitive-depth|Evaluating the cognitive depth of LLM-generated questions]] досліджує, чи зачіпають згенеровані пункти [[critical-thinking|мислення вищого порядку]] (творення, оцінювання), чи лише запам’ятовування, пов’язуючись із таксономією Блума та [[educational-measurement]].
- **Задачі-випадки із вбудованими помилками для повторного оцінювання:** [[automated-constructive-assessment-hdr-llm-2026|Takahashi et al. (2026)]] згенерували нові задачі ієрархічного діагностичного міркування (HDR) — короткі випадки, що несуть навмисно вбудовані помилки, які студенти мають знайти й пояснити, — і виявили, що пункти, написані GPT-4o, зрівнялися з написаними людиною за внутрішньою послідовністю (альфа Кронбаха = 0.78 для обох) і складністю, причому точні тести Фішера не знайшли суттєвої відмінності в розподілі оцінок між 100 учасниками. Формат поєднує вимогу [[critical-thinking|мислення вищого порядку]] з обмеженою відповіддю, тому відповіді сходяться, і оцінювання стає відтворюваним. Генеративна мотивація — повторне використання пунктів: повторне використання одного випадку запрошує пам’ять і повторне використання відповідей, тоді як структурно еквівалентні, але контекстуально різні згенеровані випадки пригнічують упередженість пунктів при повторному вимірюванні.
- **[[pedagogy|Педагогічні]] конвеєри:** [[slidesqaqa-pedagogical-question-generation|Slide-deck Q&A generation]] використовує багатостадійний конвеєр для педагогічно обґрунтованої генерації питань з матеріалів курсу.
- **Генерація, уважна до доступності:** [[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al.]] проєктують систему генерації питань на основі LLM для [[inclusive-learning|глухих і слабкочуючих здобувачів]], вводячи стратегії питань «візуальних» та «емоційних», націлених на моменти візуальної чи емоційної складнощі у відео, і ітеративно удосконалюючи питання разом із цільовою спільнотою, щоб забезпечити лінгвістичну доступність.
- **Системи на основі RAG з людиною в циклі:** [[code-gen|CODE-GEN]] поєднує [[rag|генерацію з доповненням вибіркою]] з розглядом [[human-in-the-loop-ai|з людиною в циклі]] для генерації [[automated-assessment|оцінювань із вибором відповіді]].
- **[[benchmark|Бенчмарки]] та оцінка:** [[nsmq-riddles-science-math-benchmark|NSMQ Riddles]] дає бенчмарк наукових/математичних загадок для оцінки систем генерації питань і міркування.

## Валідація та якість

Центральний виклик в AQG — **контроль якості**:
- **Оцінюйте процес розв’язування, а не умову:** [[proiqa-math-item-quality-assessment-2026|ProIQA]] стверджує, що розгляд якості пункту має йти за тим, що робить експерт — симулювати розв’язок, — і будує дерево міркування, згенероване LLM, на пункт, перевірене на математичну правильність на 90.38–97.80%, потім кодує його структуру залежностей графовою [[machine-learning|нейронною мережею]] поряд із видом лише за умовою. Він повідомляє середні прирости над другим за якістю методом 7.5% в оцінюванні понять, 6.3% в оцінці складності та 19.5% в оцінюванні компетентності, і його аналіз помилок називає режим відмови, за яким варто стежити: логічно правильне, але структурно поверхневе дерево міркування змушує складний пункт виглядати легким.

- **Ризик галюцинацій:** LLM можуть генерувати фактично хибні питання. [[generate-then-validate-question-gen|Generate-Then-Validate]] показує, що спеціальна фаза валідації різко це зменшує, а [[hallucination-risk|ризик галюцинацій]] є визнаним занепокоєнням усюди.
- **Калібрування складності:** згенеровані питання мають бути відкалібровані до відповідної складності. [[llm-difficulty-calibration-programming-exams-2026|Дослідження калібрування складності]] показує, що оцінки складності від ШІ сильно корелюють із продуктивністю студентів (наприклад, rho ≈ −0.87), даючи змогу краще відбирати пункти, — застерігаючи водночас від хибного використання з великою вагою ([[ai-misuse-learning-harm|misuse]]). [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] розширюють це на пункти математики та читання K-5 (N = 5170), відкалібровані за моделлю IRT Раша: оцінки складності GPT-4o за zero-shot корелювали помірно-сильно зі справжніми складностями (r = 0.83 математика, r = 0.81 читання), але змінювалися за класом, тоді як підхід на основі особливостей — когнітивні та лінгвістичні особливості, витягнуті LLM, подані в моделі на основі дерев — досягав кореляцій до r = 0.87. Структуроване витягування особливостей цього дослідження (наприклад, складність синтаксису, [[cognitive-offloading|когнітивне навантаження]], хитрість дистракторів) та його практичний семикроковий робочий процес дають шаблон для калібрування згенерованих пунктів, тоді як його висновок про обмеження діапазону на ранніх класах та застереження щодо узагальнюваності застерігають від використання з великою вагою.

- **Мітки складності, згенеровані автоматично, можуть бути провалом валідності конструкту, а не похибкою калібрування.** На 378 згенерованих пунктах мітки Easy/Medium/Hard моделі відстежували рівень Блума, співзгенерований з ними (ρ=0.90), і поверхневу форму — середня довжина умови, що зростає з 15.9 до 22.1 до 30.2 слів, — але корелювали з емпіричною складністю пункту лише на ρ=0.06 за 7 888 відповідей від 54 студентів, — аргумент на користь калібрування згенерованих метаданих проти даних відповідей, а не довіри до співзгенерованих міток ([[student-llm-use-ai-question-difficulty-data-science-2026|An & Wang (2026)]]).
- **Масштабна психометрична польова валідація:** [[assessing-quality-ai-generated-exams-field-2025|Assessing AI-Generated Exams]] валідує конвеєр AQG з ітеративним удосконаленням (генеруй→оцінюй→переглянь, у стилі Self-Refine) у 91 реальному коледжному класі (~1 686 студентів). Байєсівський ієрархічний аналіз 2PL [[item-response-theory|IRT]] показує, що згенеровані ШІ питання виконуються на рівні пунктів стандартизованих іспитів, написаних експертами, — дещо легші (β̄ = −0.45 проти 0.35), але дещо більш дискримінативні (ᾱ = 1.3 проти 1.2), із вищим піком інформації тесту (надійність 0.79 проти 0.72), — демонструючи, що AQG може створювати адаптовані до курсу, психометрично обґрунтовані оцінювання в масштабі.

- Середній психометричний паритет може маскувати нестатки на рівні пунктів: оглядовий огляд 153 звітів із медичної освіти виявив, що генерація пунктів за допомогою ШІ іноді зрівнювалася з людською складністю та дискримінативністю, проте в одному порівнянні з фізіології лише 9 із 40 пунктів ChatGPT відповідали всім ідеальним критеріям проти 19 із 40 пунктів факультету ([[genai-medical-education-transformation-review-2026|Zhao et al. (2026)]]).
- **Упізнаваність на живому іспиті і те, що насправді прибирає розгляд:** [[vogt-ai-mcq-recognition-medical-assessment-2026|Vogt et al. (2026)]] поставили 30 завдань з вибором відповіді, згенерованих ШІ, і 30 завдань національного ліцензійного іспиту в оцінюваний іспит на планшетах, який складали 119 студентів [[medical-education|медичного]] п’ятого курсу, причому пункти ШІ були написані з власних матеріалів курсу за допомогою ChatGPT-4o та Gemini 1.5 Pro через експертну панель, яка прийняла 82% із них і виключила 18.2% як непридатні. Атрибуція джерел студентами не відрізнялася між двома видами пунктів, а складність пунктів, розподіл дистракторів і сприймана узгодженість із навчальним планом були статистично нерозрізненними, — результат *упізнання*, а не якості, і причина, чому автори описують вигоду робочого процесу як переміщення зусиль освітян із чернеткування на розгляд, а не як його усунення. Одна дослідницька відмінність вижила: пункти Gemini були складнішими за пункти ліцензійного іспиту (p = 0.028), тоді як пункти ChatGPT — ні (p = 0.984).
- **Залежність від завдання:** надійність генерації змінюється за типом пункту. [[cong-confidence-asag-2026|Оцінювання коротких відповідей]] та [[self-referential-l2-writing-llm-assessment|аналітичне оцінювання письма]] показують, що пункти з відкритою відповіддю та письма є складнішими для надійної генерації та оцінювання, ніж структуровані пункти.
- **Когнітивна якість:** [[llm-educational-question-cognitive-depth|оцінювання когнітивної глибини]] показує, що згенеровані пункти можуть перекошуватися до мислення нижчого порядку, якщо їх явно не спроєктовано для результатів вищого порядку.

- **Автоматичне позначення когнітивного рівня не переноситься на згенеровані пункти.** Класифікатор таксономії Блума, навчений на курованому банку пунктів, розвалився на згенерованих ШІ питаннях — макро F1 з 0.88 в розподілі до 0.48 і 0.20 поза ним, — оскільки згенеровані пункти в середньому мають значно більше слів (18.2 проти 9.3) і діляться лише медіанними 10.5% своїх тригерних дієслів Блума з курованим корпусом проти 35.1% для ближчого набору; перетренування на позначених даних поза розподілом було найбільшим одиночним приростом, при порогу приблизно N > 1 000 позначених зразків ([[bloom-classifier-ai-assisted-questions-2026|Castanares et al., 2026]]).

## Роль в адаптивному та персоналізованому навчанні

AQG є ключовим спусковим механізмом [[adaptive-learning|адаптивного]] та [[personalized-learning|персоналізованого]] навчання: він створює великі банки пунктів, з яких черпають адаптивні репетитори, і — у поєднанні з [[knowledge-tracing|відстеженням знань]] або [[student-modeling|моделюванням студента]] — може генерувати пункти, пристосовані до станів знань індивідуальних здобувачів ([[kt4eqg-personalized-question-generation|KT4EQG]]). [[taklif-ai-interest-based-personalized-assignments|Персоналізація на основі інтересів]] показує, що AQG може адаптувати питання й до інтересів студентів, а не лише до складності.

## Наслідки для ШІ в освіті

- **Генеруйте, потім валідуйте:** завжди поєднуйте генерацію зі стадією валідації/удосконалення, щоб контролювати галюцинації та забезпечувати релевантність.
- **Підбирайте тип пунктів під надійність:** використовуйте AQG для структурованих типів пунктів (вибір відповіді, заповнення пропусків, код), де він найнадійніший, і застосовуйте ретельну валідацію до пунктів із відкритою відповіддю та письма.
- **Проєктуйте для когнітивної глибини:** підказки та конвеєри мають націлюватися на мислення вищого порядку, а не лише на запам’ятовування, щоб підтримувати справжнє навчання.
- **Калібруйте складність:** використовуйте оцінки складності від ШІ для відбору відповідно складних пунктів, із сильною валідацією перед використанням з великою вагою.
- **Персоналізуйте через моделі здобувачів:** поєднуйте AQG з відстеженням знань і моделями інтересів, щоб генерувати адаптивні, індивідуалізовані пункти.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[genai-medical-education-transformation-review-2026]] — Оглядовий огляд 153 звітів із медичної освіти про генерацію пунктів за допомогою ШІ в порівнянні з якістю пунктів факультету

- [[assessing-quality-ai-generated-exams-field-2025]] — Масштабна польова валідація якості іспитів, згенерованих ШІ, через IRT
- [[generate-then-validate-question-gen]] — Генерація питань «генеруй–валідуй»
- [[kt4eqg-personalized-question-generation]] — Персоналізована генерація питань через відстеження знань
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — Генерація питань на основі LLM для глухих і слабкочуючих здобувачів
- [[llm-educational-question-cognitive-depth]] — Когнітивна глибина питань, згенерованих LLM
- [[slidesqaqa-pedagogical-question-generation]] — Педагогічна генерація питань із слайдів
- [[code-gen]] — CODE-GEN: генерація питань на основі RAG з людиною в циклі
- [[nsmq-riddles-science-math-benchmark]] — Бенчмарк NSMQ Riddles
- [[taklif-ai-interest-based-personalized-assignments]] — Персоналізовані завдання на основі інтересів
- [[llm-difficulty-calibration-programming-exams-2026]] — Калібрування складності на основі LLM
- [[self-referential-l2-writing-llm-assessment]] — Самореференційне аналітичне оцінювання письма
- [[cross-dataset-bloom-question-classification]] — Міжнаборова класифікація питань за Блумом
- [[llm-chatbots-cs-multiple-choice]] — Чатботи на основі LLM і завдання з вибором відповіді з комп’ютерних наук
- [[socratic-tests-conversational-assessment]] — Сократичні тести: розмовне оцінювання
- [[llm-turing-test-italian-legal-exams-2026]] — Тест Тюрінга на основі LLM на юридичних іспитах
- [[razavi-powers-item-difficulty-llm-2026]] — Оцінка складності пунктів за допомогою LLM та ML на основі дерев
- [[proiqa-math-item-quality-assessment-2026]] — ProIQA: оцінювання якості математичних пунктів на основі процесу
- [[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]] — Студенти не могли відрізнити завдання з вибору відповіді, згенеровані ШІ, від пунктів ліцензійного іспиту на оцінюваному іспиті, і 18.2% згенерованих пунктів було виключено під час розгляду (Vogt et al. 2026)

---

## [Валідність оцінювання](https://edtechdev.github.io/aied/concepts/assessment-validity/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Валідність оцінювання** — те, чи вимірює оцінювання саме те, що воно стверджує, що вимірює. [[ai-education]] порушує фундаментальні питання валідності: чи оцінюють завдання, оцінювані за допомогою ШІ ([[automated-assessment|AI-graded]]), навчальне навчання студентів, чи [[prompt-engineering]]? Чи анулює використання ШІ традиційні припущення оцінювання?

## Питання для роздумів

- Валідність оцінювання запитує, чи вимірює оцінювання те, що воно стверджує, що вимірює. Перед читанням: якби ви побачили, що студент подає відполіроване есе, за яким ви підозрюєте допомогу ШІ, — чи вважали б ви, що більшою проблемою є списування, чи те, що завдання вже не вимірює те, що, на вашу думку, мало вимірювати?
- Ця сторінка ставить різке питання: коли студенти використовують ШІ, чи відображає оцінка знання студента, чи навички створення підказок для ШІ? Чи можете ви згадати оцінювання, яке ви розробили або в якому брали участь, де оцінка тепер може розповідати вам більше про інструмент, ніж про здобувача?
- Ключовий висновок: одна й та сама вхідна інформація від здобувача може отримувати семантично різні відповіді залежно від того, яку базову LLM використано — це вводить «construct-irrelevant variance», що загрожує надійності та [[bias-mitigation|справедливості]]. Якщо два студенти отримують різну підтримку ШІ лише через модель, що за нею стоїть, наскільки справедливим є таке порівняння?
- Сторінка стверджує, що навіть коли LLM оцінює добре, перенесення людських інтерпретацій оцінок вимагає подібності латентної структури відповідей — і саме тут LLM розходяться з людьми. Що це говорить про те, чи варто довіряти ШІ, який «складає» іспит, створений для людей?
- Замість спроб виявляти використання ШІ база знань пропонує перепроєктувати оцінювання так, щоб воно залишалося валідним для студентів із можливостями ШІ. Чому перепроєктування завдання може бути стратегією, що краще зберігає валідність, ніж контроль за тим, чи використовувався ШІ?
- ШІ тепер слугує і тим, хто складає іспит, і тим, хто його створює, оцінює та аналізує — що робить інтерпретаційний ланцюг непрозорим. Коли кожну роль в оцінюванні виконує ШІ, що взагалі означає сказати, що оцінювання «валідне» для людини-здобувача в його центрі?

## Вступ

### Виклики валідності

- **Конструктна валідність:** Коли студенти використовують ШІ в оцінюванні, чи відображає оцінка знання студента, чи можливість ШІ? Дослідження [[genai-performance-vs-learning|продуктивності порівняно з навчанням]] [[research-methods-aied|дослідження]] звертається до цього безпосередньо.
- **Кросс-LLM дисперсія, не пов’язана з конструктом, в оцінюванні на основі діалогів:** [[semantic-variability-llm-conversation-assessment-2026|Hao (2026)]] показує, що навіть для одного діалогового ходу семантичний зміст відповідей, згенерованих [[llm]], змінюється між моделями та за різних умов розмовного контексту. Подібність усередині моделі стабільно перевищує подібність між моделями (0.715–0.795 проти 0.443–0.604), а додавання історії чату суттєво змінює зміст відповіді (медіанна подібність за історіями ~0.40–0.45). Оскільки одна й та сама вхідна інформація від здобувача може отримувати семантично різні відповіді залежно від базової моделі, самі по собі підказки та контекст не можуть зберегти послідовність відповідей — що вносить потенційну **дисперсію, не пов’язану з конструктом** (construct-irrelevant variance), яка загрожує валідності, надійності та справедливості. Підтримання стабільних умов оцінювання в міру еволюції LLM є тому інфраструктурним викликом (символічні правила, шаблони відповідей, шари валідації), а не лише завданням [[prompt-engineering|створення підказок]].
- **Докази, що присутні, але ніколи не доходять до оцінювача:** [[ai-assisted-physics-lab-report-assessment-2026|Abreu, Stari and Martí (2026)]] називають загрозу, не пов’язану з конструктом, яка передує будь-якому міркуванню: при оцінванні експериментальних лабораторних звітів із [[physics-education|фізики]] за допомогою ШІ рівняння, графік, таблиця або одиниця вимірювання можуть бути коректно включені в звіт, але не витягнуті з обробленого контенту, з яким працює модель, а оскільки зміна знака, значення або одиниці змінює фізичну інтерпретацію, розбіжність із викладачем не обов’язково свідчить про помилку в міркуванні. Їхнє рішення є процедурним — PDF високої роздільної здатності замість сфотографованих сканів, рівняння, набрані в редакторі формул, читабельні осі та одиниці на малюнках і вимога конкретного посилання для кожної оцінки — оскільки якість документа задає межу для будь-якої претензії на валідність, яку підтримує отримана оцінка.
- **Валідність латентної структури між людьми та LLM:** [[assessment-latent-structure-human-llm-2026|Strugatski et al. (2026)]] додають глибшу умову валідності: навіть коли LLM оцінює добре, перенесення людських інтерпретацій оцінок вимагає подібності *латентної структури* відповідей. Порівнюючи шість [[multimodal]] LLM із людськими вибірками на інструментах із [[chemistry-education|хімії]] та [[quantitative-research|кількісного]] міркування, вони знаходять, що факторні структури LLM–людина стабільно розходяться (конгруентність LLM–людина нижче базової лінії людина–людина), тому результат на іспиті з людськими нормами є слабким доказом щодо можливостей LLM на конструктах, для вимірювання яких були створені завдання.
- **Консеквенційна валідність:** Чи мають оцінювання за посередництва ШІ справедливі наслідки? Дослідження [[ai-scoring-language-bias-physics|мовних упереджень]] показують, що оцінювання за допомогою ШІ може ставити в невигідне становище людей, для яких мова не є рідною.
- **Сама сфера дії правила є властивістю валідності:** [[wright-transcription-not-generation-2026|Wright (2026)]] стверджує, що заборони, написані в [[higher-ed|вищій освіті]] з 2023 року, забороняють «генеративний ШІ» без технічної точності, щоб відокремити створення оцінюваного контенту від перетворення формату, оскільки оптичне розпізнавання символів, розпізнавання рукописного тексту та перетворення мови в текст є технологіями [[ai-technologies|розпізнавання]], які виводять те, що вже присутнє, а не створюють новий контент. Там, де правило прив’язується до ідентичності платформи, а не до функції, воно є надмірно широким через визнавальну випадковість: воно охоплює використання багатофункціонального інструменту лише для транскрипції та карає студента, який не зробив того, що правило мало запобігти, і найсильніше це вдаряє по [[learners]], які покладаються на ці інструменти для доступності, — висновок, якого оцінювання не може підтримати щодо конструкту, що, на його думку, вимірюється. Він пропонує формулювання, засноване на функціях, плюс чотири операційні критерії (точність, недоповнення, відстежуваність, засвідчення) для пограничних випадків і розглядає опору на виходи детекторів і стилістичні евристики як доказ того, наскільки слабкою є власна доказова база правила.
- **Агентне виконання прибирає припущення про людське створення:** [[ai-agents-complete-lms-assessment-validity-2026|Hadjisolomou & El-Haddad (2026)]] розширюють аналіз валідності від генеративної *допомоги* до агентного *виконання*: автономні [[agentic-ai|ШІ-агенти]] тепер можуть входити в LMS, читати матеріали та виконувати непрокторовану асинхронну роботу від початку до кінця (продемонстровано на живому курсі — вікторина з оцінкою 10/10 менш ніж за 5 хвилин і вигадана, але правдоподібна рефлексія на форумі курсу). Поміщаючи «припущення про людське створення» в основу аргументативного ланцюга висновків Кейна, вони показують, що агентне виконання непомітно прибирає підґрунтя *оцінкового* висновку, на якому спираються висновки про узагальнення, екстраполяцію та прийняття рішень, — тому кожна непрокторована асинхронна оцінка, включно з чесно заробленою, втрачає свою інтерпретаційну підтримку, оскільки авторство неперевірне. Їхній вирішальний крок — класифікація цього як **провалу валідності, а не академічної доброчесності**: установа може карати за порушення і водночас не мати підстав для оцінок, які вона повідомляє. Виявлення структурно недостатнє (класифікатори ненадійні та упереджені; моніторинг LMS бачить ті самі кліки, що й студент), тому засіб — перепроєктування оцінювання для підтвердженої людської присутності (короткий усний компонент, чернетки з видимим процесом, посилання, специфічні для конкретного заняття), з меню варіантів, що зберігає справедливість, а не з вимогою прокторингу.
- **Дисперсія, не пов’язана з конструктом, у людській оцінці робіт із допомогою [[generative-ai|GenAI]]:** [[luo-dawson-value-judgments-grading-2026|Luo & Dawson (2026)]] надають пряме емпіричне підтвердження того, що людська оцінка робіт із допомогою GenAI пронизана дисперсією, не пов’язаною з конструктом. В інтерв’ю на основі сценаріїв із 33 викладачами університетів рішення про оцінку зумовлювалися цінностями, орієнтованими на особу (чесність і старанність студента), на можливості (незалежність від ШІ, навички GenAI, дисциплінарне володіння), на відносини (довіра, побудована зі студентами) та на справедливість (справедливість, благодійність) — усі вони можуть змінювати оцінки за факторами, не пов’язаними з оцінюваними результатами. Зниження оцінки за роботу з допомогою GenAI, стверджують вони, виправдане *тоді і тільки тоді*, коли використання ШІ завадило студентам продемонструвати оцінювані результати; в іншому разі оцінювання, кероване цінностями, загрожує валідності. Дослідження обґрунтовує рамки валідності в реальній практиці [[teacher-role|викладачів]] і закликає до «двосторонньої [[explainable-ai|прозорості]]» — викладачів мають пояснювати, як використання GenAI впливатиме на оцінки, а не лише вимагати від студентів декларувати використання.
- **Варіація у масштабі вимагає створення конструкт-еквівалентних варіантів:** [[varia-construct-equivalent-assessment-variant-generation-2026|VARIA (Lee 2026)]] піддає передумову «варіації у масштабі» AI-Integrated Authentic Assessment (AIAA) — заміну прокторингу з наглядом на варіацію завдань для кожного студента — емпіричній, фальсифікованій перевірці. Оскільки кожен іспитник отримує унікальне, але еквівалентне завдання на виконання, гарантія доброчесності залежить від того, чи генерують LLM варіанти, які водночас відмінні на поверхні, еквівалентні за конструктом, придатні для рубрики та узгоджені за складністю. Проводячи [[benchmark|бенчмаркінг]] трьох сімейств фронтових моделей за чотирма стратегіями підказок на 600 варіантах, VARIA знаходить, що фронтові генератори задовольняють спільним критеріям доброчесності лише побічно (сукупна оцінка 0.81–0.88), тоді як нефронтові референси розвалюються (0.50–0.55), і жодна стратегія підказок не домінує за всіма чотирма властивостями — тому «варіація у масштабі не може бути вирішена лише за допомогою підказок», якщо поріг різноманіття задано агресивно, і установи мають валідувати свою конкретну пару модель–підказка.
- **Упередженість до заниження в оцінюванні ШІ з людиною в циклі — це особливість валідності, а не вада:** [[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al. (2026)]] показують, що в масштабному національному оцінюванні письма систематична консервативна (занижена) упередженість оцінювача на базі LLM, хоч і є проблематичною як остаточне рішення, саме дає змогу безпечно делегувати: відповіді, позначені ШІ як «що складають», можуть бути прийняті з упевненістю, тоді як відповіді, позначені ШІ як «що не складають» (15.3–16.5% випадків), спрямовуються на експертний розгляд — утримуючи загрозу валідності від помилки ШІ поза остаточним результатом. Їхній конвеєр на основі [[item-response-theory|IRT]] і Bookmark робить вплив [[educational-measurement|рівня володіння]] від оцінювання за допомогою ШІ зрозумілим, а не розглядає згоду сирих оцінок як єдиний сигнал валідності.
- **Інфляція оцінок, спричинена ШІ, як загроза валідності:** [[chirikov-ai-grade-inflation-2026|Chirikov (2026)]] ідентифікує новий, зумовлений технологіями механізм інфляції [[summative-assessment|оцінок]], що діє *перед самим оцінюванням* — на створенні оцінюваних робіт. У дослідженні методом різниці в різницях на 500 000+ оцінок у 319 курсах (2018–2025) частка оцінок A на курсах із більшою кількістю завдань, підданих впливу ШІ (письмо, кодування), зросла на 13 процентних пунктів після виходу ChatGPT, із компресією розподілу оцінок. Аналіз потрійної різниці показує, що ефект концентрується на курсах із великою кількістю домашніх завдань — доказ того, що **зміщення завдань** (виконання ШІ оцінюваних завдань до того, як викладачі їх побачать) інфлює оцінки без відповідного зростання навичок. Це знижує порівнянність оцінок між курсами і руйнує інформаційну цінність академічних записів у спосіб, який важко виявити лише з розподілів оцінок.
- **Вразливість на рівні програми до складання/нескладання і критерії оцінювання, що її задають:** [[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]] оцінили вихід ChatGPT для кожного завдання з оцінюванням трирічної програми з психології (40 завдань, 16 типів) бінарним критерієм складання/нескладання — тими критеріями, якими насправді користуються оцінювачі при першому читанні: 36 із 40 склали. Звідси випливають два наслідки для валідності. По-перше, операційною змінною є межа складання, а не виявлення — оцінювання, яке винагороджує структурну плавність і правильний вибір аналізу, водночас поблажливо ставлячись до хибних значень, дозволяє вигаданій статистиці та галюцинованим посиланням скласти іспит, тому оцінювання сертифікує вихід інструменту як розуміння студентом через те, як воно оцінюється, а не через те, що когось обдурили. По-друге, завдання з вибором відповіді видавали власні відповіді: ChatGPT правильно відповідав на питання зі статистики без показу студентам рисунка чи таблиці результатів, оскільки умова завдання і варіанти відповіді мали на увазі відповідь, що робить дизайн варіантів відповіді властивістю валідності завдання, а не властивістю ШІ.
- **Точність і згода як різні сигнали валідності:** [[falahat-chatgpt-grading-pharmacy-exams-2026|Falahat, Das, Bhaumik & Thambi (2026)]] оцінили за допомогою ChatGPT-5 іспит з фармації з 21 завдання і виявили, що помірна відсоткова точність часто співіснує з низькими коефіцієнтами кореляції згоди — методологічним розрізненням між *точністю оцінювання* та *згодою*, що обмежує надійність ШІ як замінника оцінювача навіть там, де сира точність виглядає прийнятною. Згода була сильною на об’єктивних завданнях (CCC 0.935–1.000), але майже нульовою на завданнях із короткою відповіддю і помірною на есе (0.341–0.854), а надання рубрики послідовно не закривало розрив.
- **Валідність завдань, згенерованих ШІ:** [[assessing-quality-ai-generated-exams-field-2025|Assessing AI-Generated Exams]] показує, що питання, згенеровані ШІ та валідовані за допомогою байєсівського [[item-response-theory|IRT]], досягають складності та дискримінативності на рівні завдань стандартизованих іспитів, написаних експертами (надійність 0.79 проти 0.72) — що підтримує валідність адаптованих до курсу оцінювань, згенерованих ШІ, за умови психометричної експертизи.
- **Аутентичне оцінювання:** [[authentic-assessment]] і [[ai-assessment-scale-reform|Шкала оцінювання ШІ]] пропонують такі перепроєктування оцінювання, що зберігають валідність.
- **Упевненість і калібрування:** [[automated-assessment|Системи, що усвідомлюють упевненість]], покращують валідність, позначаючи невизначені оцінки.
- **[[embodied-learning|Утілені]] та мультимодальні докази:** оцінювання лише за мовленням може прийняти мовну плавність за концептуальне знання; [[multimodal-embodied-cognition-oral-explanations-2026|Morphew et al.]] показують, що аналіз жестів за допомогою комп’ютерного зору в поєднанні з аналізом мовлення на базі LLM підвищує конструктну валідність і [[equity-in-ai-education]], фіксуючи розуміння, виражене жестами, а не лише словами, — знижуючи упередженість щодо здобувачів, які виражають розуміння невербально.
- **Домашні завдання перестають сертифікувати здатність, коли модель може розв’язати завдання:** [[ai-particle-physics-education-redesign-2026|Mikhasenko et al. (2026)]] документують конкретну інвалідацію домашнього завдання як міри здатності на курсі [[physics-education|фізики]] частинок у Бохумі: щойно [[generative-ai|генеративна модель]] може створити правильне рішення, поданий виклад більше не доводить, що студент може розв’язати задачу самостійно. Їхня відповідь розділяє дві функції — домашні завдання дослідницького характеру з дозволеним ШІ зберігаються як дослідна, що приносить бонус, робота, а письмовий іспит без інструментів стає єдиним визначальним чинником остаточної оцінки — розподіл праці, керований валідністю, а не режим виявлення.
- **Орієнтована на рішення валідність для оцінювання ШІ у масштабі:** [[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al. (2026)]] ілюструють орієнтоване на рішення розуміння валідності в національному оцінюванні письма Acredita EB: замість того щоб запитувати лише, чи згодні [[automated-assessment|оцінки ШІ]] з людськими, вони запитують, чи можуть помилки ШІ змінити рішення про сертифікацію. Автоматизовані [[item-response-theory|IRT/Bookmark]] пороги проходження точно відтворили операційні пороги, а систематичне заниження оцінок ШІ було нейтралізовано спрямуванням результатів «не складають» від ШІ на [[human-in-the-loop-ai|розгляд людиною]] — причому на тлі еталонного стандарту, який сам є спірним, оскільки десять експертів-оцінювачів, оцінюючи ті самі 50 текстів, так і не досягли одностайності жодним пунктом рубрики.
- **Проблеми валідності з боку студентів щодо ШІ як оцінювача:** [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] долучає голос здобувача до питання валідності: 13 студентів із обчислювальних спеціальностей, чиє письмове завдання було оцінене ChatGPT, сумнівалися, чи може оцінювач на базі ШІ валідно інтерпретувати намір, зусилля та інституційні норми оцінювання — один запитав ущипливо: «If ChatGPT [is] checking the exams, why are we going to university?»
- **Дозвіл сам по собі не погіршує завдання, і частота використання — хибний сигнал валідності:** [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] опитали 85 студентів-викладачів, чиї оцінювання явно дозволяли генеративний ШІ, і виявили, що залученість в оцінювання була високою і статистично не залежала від того, чи студенти його використовували (середнє 4.21/5, SD 0.46; Mann–Whitney U = 781.5, r = 0.07, p = 0.536). Оскільки 62.4% (53) відмовилися використовувати генеративний ШІ взагалі, а використання тими, хто його прийняв, здебільш обмежувалося коректурою (43.8%) і перевірками зрозумілості (34.4%), частота впровадження несе мало інформації про те, чи оцінювання досі виправдовувало висновок про навчання, — і невикористання, зумовлене страхом помилного звинувачення в плагіаті (41.5% серед тих, хто не впроваджував), також не є доказом валідності.
- **Валідність вибіркового обґрунтування, коли тест шкільного рівня читається як доказ щодо системи:** [[el-salvador-ai-tutoring-selection-claim-2026|Restrepo Morales et al. (2026)]] надають кількісне трактування висновку від оцінок до тверджень про *систему*. Пілотне оцінювання 1 198 студентів-волонтерів у 171 школі Сальвадору на основі PISA-based Test for Schools дало результати, оголошені як порівнянні з Німеччиною та Швецією, але інструмент дає оцінки для школи і не застосовується в національній вибірковій рамці з її стандартами частки відповідей, межами виключень і зважуванням — тому порівняння між оцінкою шкільного рівня і середнім по країні несе щонайменше три неповідомлених джерела невизначеності (похибка вибірки на шкільному рівні, похибка вибірки середнього по країні та похибка зв’язування шкал). Замість перевірки твердження про навчання автори його обмежують: за нульового навчання верхні 5.5% розподілу [[math-education|математики]] у Сальвадорі збігаються з німецьким середнім, а добровільна участь розуміється як така, що упереджує тестування [[learning-gains|досягнень]] вгору, тому опубліковані докази не можуть відокремити реальний ефект від відібраної вибірки. Це провал висновку про валідність порівняння, а не провал студентів чи інструменту.

Концептуальна пропозиція порушує межу валідності, що стосується кожного опосередкованого ШІ оцінювання на цій сторінці: [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma (2026)]] стверджують, що швидкість — це не валідність, і що підказки, приклади та звіти на основі стенограм, згенеровані ШІ, усе одно мають бути перевірені на точність, культурну чуйність, [[accessibility]], інтерпретованість і узгодженість із результатами курсу. Вони також розширюють те, що вважається доказом: там, де діалог стає оцінюваним артефактом, стенограма є записом процесу, в якому судження, емпатія, уточнення та спільне прийняття рішень розгортаються в контексті, і питанням дизайну стає те, чи підтримує цей доказ висновок, зроблений з нього — те саме питання, яке постає перед автоматизованим оцінюванням і на яке відповідає узгодженість між завданням, зворотним зв’язком і доказами навчання, а не технологічна новизна.

- **Метадані завдань, призначені ШІ, — не психометричний доказ.** У 10-тижневому дослідженні [[cs-education|науки про дані]] з 311 розгорнутими завданнями з вибору відповіді оцінки складності від LLM корелювали з власними мітками Блума моделі (rho = 0.90), але не з емпіричною складністю завдання (rho = 0.06), тому складність завдання має встановлюватися з даних відповідей, а не з міток генеруючої моделі ([[student-llm-use-ai-question-difficulty-data-science-2026|An & Wang, 2026]]).

- **Студентські судження про узгодженість з навчальним планом відстежують складність, а не зміст.** [[vogt-ai-mcq-recognition-medical-assessment-2026|Vogt et al. (2026)]] просили студентів оцінити, чи узгоджується кожне завдання в оцінюваному іспиті з 60 завдань із навчальним [[curriculum-design|планом]] курсу, і виявили, що оцінки корелювали зі складністю завдання при ρ = 0.762 (легші завдання оцінювалися як узгоджені, складніші — як неузгоджені, ρ = −0.762, p < 0.001), тоді як оцінки не відрізнялися за джерелом завдання. Там, де інструмент просить студентів судити про узгодженість оцінювання з навчальним планом, отримана оцінка є частково оцінкою складності і не може читатися як незалежний доказ узгодженості.

- **Переузгодити трикутник оцінювання, а не лагодити одну вершину.** [[koretsky-genai-stem-assessment-2026|Koretsky et al. (2026)]] осмислюють проблему [[generative-ai|GenAI]] через трикутник оцінювання — пізнання (що оцінюється), спостереження (як викликають доказами навчання) та інтерпретація (який висновок робиться) — і стверджують, що три вершини мають бути переузгоджені разом, оскільки перепроєктування завдань без відновлення інтерпретації залишає висновок непідтриманим. Їхній оглядовий огляд також робить відповідність матеріалів оцінювання, згенерованих ШІ, самостійною властивістю валідності, каталогізуючи змістові, лінгвістичні, когнітивні, поведінкові, структурні та педагогічні виміри і вимагаючи оцінки з людиною в циклі до того, як такі завдання стануть підґрунтям оцінювання.

### Перепроєктування замість виявлення

База знань стверджує, що підтримання валідності оцінювання вимагає перепроєктування оцінювань для студентів із можливостями ШІ, а не [[ai-detection|виявлення використання ШІ]]. Через вимірювання в дослідженнях проходить паралельна проблема валідності: багато тверджень про ШІ в освіті спираються на дані [[self-report-measures|самооцінки]], які не можуть підтримати висновок про навчання або компетентність, як би добре сам інструмент не був валідований. [[beyond-detection-authentic-assessment-ai-2025|Підходи за межами виявлення]] та [[assessment]] представляють мислення, орієнтоване на валідність.

**Товари для винесення додому та розділення [[qualitative-research|якісного]]/кількісного.** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] надають аргументу перепроєктування конкретну пропозицію, обґрунтовану таксономією SOLO. Працюючи з питанням іспиту на винесення додому з когнітивної науки через [[conversational-ai|чатбота]], вони знаходять, що GenAI найсильніший саме там, де таксономія найнижча — створюючи всебічний, плавний, фактоїдний контент на *кількісному* (мультиструктурному) рівні, — тоді як *якісний* рівень (встановлення зв’язків, оцінювання, узагальнення) виникав лише завдяки повторюваному калібруванню, що його здійснював здобувач. Їхня рекомендація тому диференційована за конструктом: оцінювання на винесення додому мають робити акцент на доказах якісного розуміння, тоді як кількісні знання, засновані на запам’ятовуванні, краще оцінювати в аудиторії, де GenAI недоступний. Демонстрація також підкреслює, що відполірований поданий артефакт є слабким доказом в будь-якому напрямі, і що валідне перепроєктування має враховувати, наскільки вимогливим виявляється законне підтримуване ШІ навчання ([[summative-assessment]], [[academic-integrity]]).

Контрагент на рівні дизайну походить від тієї самої популяції, яку аргумент перепроєктування зазвичай ігнорує. [[zou-is-this-a-trap-student-teachers-genai-2026|Zou et al. (2026)]] виявили, що рефлексивні та персоналізовані завдання широко вважалися занадто особистими для допомоги ШІ, тоді як завдання, насичене знаннями, в іншому курсі викликало сильний намір використовувати генеративний ШІ для посилань, — тому те, що студенти робили з ШІ, відстежувало конструкт, який завдання просило їх засвідчити. Урок для валідності точний, а не святковий: дизайн може прибрати виграш від узагальненого підстановлення, але те саме дослідження попереджає проти читання когорти, що відмовилася, як доказ того, що він це зробив, оскільки значну частку невикористання пояснювали страхом помилного звинувачення в плагіаті, а не тим, що завдання опиралося ШІ.

[[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] надає аргумент перепроєктування з боку доброчесності, що перетворює докази доброчесності на докази валідності. Розширюючи рамки постплагіату Ітона (2023) до дизайну оцінювання, він стверджує, що моделі доброчесності, засновані на виявленні та перевірці, не узгоджуються з роботами, в яких людське судження та машинне створення переплітаються, і переосмислює доброчесність як [[pedagogy|педагогічну]] практику, що здійснюється через [[evaluative-judgment]] — здатність зважувати варіанти, обґрунтовувати академічний вибір і брати на себе відповідальність за умов епістемічної невизначеності. Наслідок для дизайну: доброчесність має бути засвідченою, а не виведеною: анотовані сліди рішень, перевірка тверджень, створених за участі GenAI, [[oral-assessment|усний захист]] та історія версій пропонуються як артефакти доброчесності, і він чітко зазначає, що відмінність від [[authentic-assessment]] є епістемічною — аутентичність запитує, чи віддзеркалює завдання реальну практику, тоді як орієнтований на доброчесність дизайн запитує, чи можуть здобувачі обґрунтовувати рішення й брати на себе відповідальність за дисциплінарними стандартами, тому доброчесність стає оцінюваним критерієм, вбудованим в архітектуру завдання. Він називає ризик валідності власної пропозиції, а не залишає його неявним: вимога документованого міркування надає перевагу здобувачам, вільно володіючим рефлексивним дискурсом, і ризикує «заміною одного режиму дотримання іншим», оскільки судження як доказ «залишається реляційним і ситуативним, а не механічно перевірним» — тією самою проблемою інтерпретаційної надійності, яку ця сторінка фіксує для кожного опосередкованого ШІ оцінювання.

[[weidlich-inference-at-risk-assessment-validity-2026|Weidlich (2026)]] переосмислює перепроєктування як питання про те, який висновок має захистити зміна. Працюючи від аргументованої валідності Кейна, він відокремлює п’ять тисків, які в дебатах звикли згортати в один: недовираженість конструкту, дисперсію, не пов’язану з конструктом, атрибуцію виконання, умовну екстраполяцію та непідтримане використання оцінки. Використання ШІ не є автоматично загрозою, оскільки використання інструменту є доречним там, де намічуваним конструктом є підтримуване ШІ професійне судження, і обходить цільове виконання там, де це — недопоможене міркування, тому конструкт і умови ШІ мають бути специфіковані разом. Звідси випливає його застереження щодо перепроєктування, оскільки інтервенції міняють один тиск на інший: усні захисти можуть зміцнювати атрибуцію, знижуючи надійність або доступність.

## Зв’язки

Валідність оцінювання пов’язана з [[authentic-assessment]], [[automated-assessment|автоматизованим оцінюванням]], [[automated-assessment|уважним до упевненості оцінюванням на базі ШІ]], [[formative-assessment]], [[academic-integrity]] та [[rct]] (який спирається на валідні міри результатів).

ШІ підриває валідність на епістемічному рівні: [[end-of-assessment-ai-disruption-transformation-2026|Hathcoat, Slotnick & Miller (2026)]] стверджують, що коли LLM служать тими, хто складає іспит, хто його створює, оцінює та аналізує, інтерпретаційний ланцюг стає непрозорим, і об’єкт вимірювання втрачає визначеність — переосмислюючи валідність як потребу вміння «кіборга», вільного у ШІ, судити, а [[can-ai-evaluate-assessment-llm-meta-assessment-2026|Green et al. (2026)]] показують, що оцінки ШІ можуть узгоджуватися з людськими оцінювачами (87% контрольного списку), тоді як лежать в їх основі обґрунтування розходяться, особливо щодо якості вимірювання та слабких звітів.

**Коли ШІ створює оцінюваний артефакт.** [[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong (2026)]] надають проблемі валідності її найгостріший дисциплінарний випадок: в [[cs-education|освіті з обчислювальної техніки]] ШІ створює артефакт, що оцінюється — вихідний код, — тому використання інструменту, навчання та оцінювання зливаються в єдину взаємодію, і подана кодова база більше не відокремлює навчання від делегування. Проаналізувавши 72 дослідження, вони знаходять прирости ефективності, які не переносяться на виконання без допомоги (21 дослідження), [[prior-knowledge]], що модерують, чи перетворюється допомога ШІ на навичку (6 досліджень), і фактично відсутні дослідження виявлення в доказовій базі (3 дослідження), тоді як перепроєктування оцінювання порівняно добре підтверджене доказами (25 досліджень). Їхній висновок для практики є специфічним для конструкту й низькотехнологічним: додати усний компонент або інший елемент із видимим процесом принаймні до одного високоважливого оцінювання на курс — єдина інтервенція з найбільшим впливом в огляді — і вимагати критичної [[student-engagement|залученості]] з виходами ШІ як оцінюваного, спостережуваного компонента, а не як необов’язкової диспозиції ([[academic-integrity]], [[assessment]]).

## Валідність за умов недосконалої інформації

Найгостріше останнє переосмислення розглядає проблему генеративного ШІ як евіденційну. Студент знає, як було створено твір; установа спостерігає артефакт і в кращому разі часткові сліди процесу — розрив між продуктом і процесом, який [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] формалізують як валідність оцінювання за умов недосконалої інформації. За цією версією питання не в тому, чи було порушено правило, а в тому, чи оцінювання досі генерує достовірні докази міркування, зусиль і судження студента, і кожен [[governance|інституційний]] механізм — заборона, моніторинг, розкриття, перепроєктування — оцінюється за тим, яку відповідь студента він робить найпривабливішою. Лінза валідності також розчиняє хибне розділення: доброчесність і валідність — це одна й та сама проблема, побажана з різних кінців, оскільки встановлення порушення саме по собі є твердженням про валідність того, що засвідчує твір.

Рамки з боку здобувача називають цілі висновку, яких артефакт не може врегулювати сам по собі. [[gifted-potential-ai-assisted-work-attributional-validity-2026|Sak (2026)]] пропонує *атрибуційну валідність* для суджень про обдарований потенціал на основі робіт із допомогою ШІ: відношення від здатності до продукту є багато-до-одного, оскільки компетентність здобувача, можливість моделі, спрямованість здобувача, відповідність людини та ШІ та контекст по-різному поєднуються, даючи еквівалентні артефакти, тому продукт не може ідентифікувати здатність, що за ним стоїть. Рамки відокремлюють чотири цілі висновку — незалежну компетентність, інтелектуальну [[agency]], гібридну здатність та розвиткове перенесення — і називають три помилки, які випливають, коли доказ однієї цілі читається як доказ іншої: надмірну атрибуцію, розвиткову ілюзію та припущену еквівалентність здатностей. Його вимога до запису віддзеркалює евіденційну дисципліну, яку цей розділ запозичує з літератури про порушення: назвати здатність, про яку йдеться в судженні, задокументувати, як було створено твір (модель і версія, інтерфейс, дозволені функції, посередництво дорослих, умови доступу), і вимагати пізніших доказів [[transfer-of-learning|перенесення]] до того, як читати допоможене виконання як зміну в здобувачі.

[[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] виводить процедурний наслідок: там, де заборонене використання не може бути виявлено, режим, який усе щно звинувачує на основі оцінок детектора, не може гарантувати висновок, який він робить, і тому створює несправедливість без ефективності. Він пропонує замінити судово-експертне питання — чи використовував студент ШІ? — питанням валідності — чи продемонстрував студент здатність, яку завдання мало сертифікувати? — що переносить зусилля установи в оцінювання на рівні програми між пов’язаними завданнями, усними та контрольованими елементами в точках сертифікації та [[evaluative-judgment]] як явним об’єктом оцінювання.

Той самий розділ доказової бази дає відповідний приклад із справи, і він некомфортніший за самої літератури про виявлення. [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] кодували кожну справу про порушення з генеративним ШІ в одному регіональному австралійському університеті за три роки — 1 162 справи, що несуть 1 855 окремих елементів доказів — і оцінювали кожен елемент за доведеною цінністю за релевантністю, достовірністю та силою висновку. Найсильнішими категоріями були ті, що не залежать від імовірнісної класифікації тексту (зізнання студентів, спостережувана заборонена поведінка на іспиті та незалежно перевірені вигадані посилання), тоді як виходи [[ai-detection|детектора]] отримали найслабші оцінки з усіх категорій: звіти про подібність або Turnitin були цілком слабкими за силою висновку, а самостійні виходи детектора — цілком низькими за достовірністю, скоротившись із 8.8% елементів у 2024 році до 0.5% у 2025 році. Провал валідності є процедурним у не меншій мірі, ніж інструментальним — жоден етап конвеєра не задав мінімального евіденційного порогу і не вимагав від слідчих зважувати доведену цінність перед просуванням звинувачення, тому якість доказів не показала надійного зв’язку з результатами справ, що є точно тією ж проблемою стандарту доказовості, каталогізованою на [[legal-issues-and-risks]]. Їхня пропозиція застосовувати рамки засвідчень у моменті *звинувачення*, а не лише при визначенні, є вимогою валідності: звинувачення є твердженням про те, що засвідчує твір, і воно має бути підтримане матеріалами, здатними його підтримати. [[hadra-ai-detector-accuracy-efl-2026|Hadra, Cambridge and Mesbah (2026)]] показують, наскільки далеким є інструмент від цього стандарту, із макроточністю 0.69 (Originality) проти 0.61 (Turnitin) на 192 текстах, майже повним провалом на гібридних людсько-ШІ творах (чутливість 0.02 і 0.31), зниженням точності з довжиною тексту та на науковому письмі і побічною схильністю хибно класифікувати письмо студентів EFL як ШІ — тому оцінка детектора не може встановити факт, який стверджує висновок про порушення.

### Еталон людського оцінювання та його стеля

[[opraise-automated-marking-ai-assessment-2026|Порівняння OpRaise трьох фронтових моделей із 761 автентичним есе в трьох університетах Великої Британії]] робить еталон частиною аргументу валідності. Людські оцінки використовувалися як істина за останню інстанцію на явній підставі, що академічне судження є суспільно прийнятим стандартом, тоді як автори визнають, що людські оцінювачі погоджуються між собою лише помірно — що обмежує ту згоду ШІ–людина, яку розумно було б вимагати, і означає, що кореляцію не можна читати як готовість без точки відліку. У цих рамках провали поставали як систематична структура, а не як випадкова похибка: оцінки стискалися до середини шкали, тому найкращі й найгірші есе помилялися найбільше; згода була найслабшою на межах оцінок; а оцінки ШІ відстежували багатство лексики, сполучники та складність речень, тоді як людські оцінки були до них здебільш нечутливі. Практичний урок двоїстий, оскільки те саме дослідження виявило надійність чудовою — тотожні переоцінювання в часі та висока згода між моделями. Отже, аргумент валідності для автоматизованого оцінювання не може спиратися на стабільність або на середню згоду; він має показати відсутність систематичного відхилення, що є точно тим, чого ці докази не виявили.

Однак стабільність від запуску до запуску не гарантована: повторення того самого оцінювання на тотожних подачах через п’ять днів дало альфу Кріпендорфа 0.625, із варіацією, зосередженою в середніх оцінках, а A і F відсутніми в підрахунках повторної сесії ([[llm-grading-assistants-public-health-2026|Brevik et al. (2026)]]).

- **Розмір моделі не є показником валідності оцінювання.** На восьми конфігураціях чотирьох сімейств на 114 оцінених есе точна згода по смугах коливалася від 18.4% до 54.4% і відстежувала сімейство, а не кількість параметрів — найбільша модель, GPT-OSS 120B, занижувала на 1.316 смуги, і температура цього не виправляла ([[llm-grade-bands-calibration-bias-2026|Kerwat et al. (2026)]]).
- **Згода та похибка еталона маскуються під навчання.** Два дослідження 2026 року показують різні шляхи, якими оцінка може виглядати валідною, установлюючи при цьому щось інше. Дослідження письма для маркетингу з відкритим закінченням виявило абсолютну згоду LLM–людина лише на рівні ICC(2,1) .435 і гібрид, який був значно гіршим за саму LLM, причому анкерна [[writing-education|композиція]] зрушувала згоду з .338 до .902 ([[automated-scoring-marketing-posts-agreement-2026]]). Експертний аудит шести еталонів із фізики приписав 95.20% перевірених відкидань дефектним завданням або оцінювачам, а не похибці моделі, зрушивши середнє CritPt@5 з 32.29% до 87.50% ([[frontier-models-physics-benchmark-audit-2026]]). В обох випадках загрозою є дисперсія, не пов’язана з конструктом, поза моделлю, що оцінюється.
- **Згода між кодерами на базі LLM — це послідовність, а не валідність.** На позначеному експертами корпусі освітніх діалогів фільтр згоди між моделями зберіг лише 33 з 74 поведінкових тверджень, отриманих із корпусу, і 11 з 48 тверджень, отриманих із конструкту, і помилки, спільні для моделей, пройшли через фільтр, тому згода між моделями не може заступати конструктну валідність ([[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado et al., 2026]]).
- **Експозиція є вимірюваною, і засіб — достатні докази, а не максимальна безпека.** [[villanueva-ai-vulnerability-assessment-audit-2026|Villanueva (2026)]] оцінив 53 915 завдань оцінювання за опублікованим форматом, наглядом і вагою оцінки і виявив, що більшість оцінюваних балів спирається на роботи, авторство яких не може бути перевірене після подачі; він стверджує, що програмам потрібно достатньо доказів навчання на ключових етапах, а не забезпечення безпеки кожного модуля.
- **Валідна міра може бути небезпечною для оптимізації.** Дообучення репетитора на базі LLM за метрикою адаптивності в стилі рубрики підвищило метрику (з +0.05 до +0.42), тоді як сліпі оцінки експертів впали (з 4.46 до 3.03), оскільки метрика, яка оцінює рішення незалежно, максимізується повторенням єдиного найкращого рішення ([[llm-tutor-pedagogical-metric-degradation-2026|Domínguez Figaredo & Fernández De la Cruz, 2026]]).

## Пов’язані поняття

- [[pedagogical-patterns]] — Чому пропонується доказ процесу, коли вихід більше не ідентифікує 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]]

## Пов’язані статті

- [[ivory-psychology-assessment-integrity-2026]] — Вразливість на рівні програми до складання/нескладання і критерії оцінювання, що дозволяють вигаданим значенням скласти іспит (Ivory et al. 2026)
- [[zou-is-this-a-trap-student-teachers-genai-2026]] — Сам дозвіл не погіршує валідність: залученість не залежить від використання GenAI; рефлексія опирається узагальненому підстановленню
- [[ai-agents-joyful-assessment-third-space-2026]] — ШІ-агенти, радісне оцінювання та третій простір
- [[opraise-automated-marking-ai-assessment-2026]] — Звіт OpRaise: оцінювання за допомогою ШІ 761 університетського есе в трьох університетах Великої Британії
- [[kumar-genai-computing-education-systematic-review-2026]] — Коли ШІ створює оцінюваний артефакт: проблема валідності в освіті з обчислювальної техніки та докази перепроєктування
- [[brunnstrom-ai-interaction-literacy-srl-2026]] — Іспити на винесення додому: оцінюйте якісну фазу, перенесіть запам’ятовування в аудиторію (Brunnström & Palmqvist 2026)
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — Оцінювання за допомогою ШІ з людиною в циклі в масштабному національному оцінюванні письма (Curi et al. 2026)
- [[varia-construct-equivalent-assessment-variant-generation-2026]] — Генерація конструкт-еквівалентних варіантів оцінювання (Lee 2026)
- [[chirikov-ai-grade-inflation-2026]] — Зміщення завдань ШІ як механізм інфляції оцінок (Chirikov 2026)
- [[ai-agents-complete-lms-assessment-validity-2026]] — ШІ-агенти, що виконують завдання LMS; припущення про людське створення та агентна валідність (Hadjisolomou & El-Haddad 2026)
- [[semantic-variability-llm-conversation-assessment-2026]]
- [[assessment-latent-structure-human-llm-2026]] — Чи вимірюють інструменти оцінювання те саме для людей і LLM? (Strugatski et al. 2026)
- [[multimodal-embodied-cognition-oral-explanations-2026]] — Мультимодальні рамки утіленої когніції в усних поясненнях
- [[assessing-quality-ai-generated-exams-field-2025]] — Оцінка якості іспитів, згенерованих ШІ: масштабне польове дослідження
- [[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]] — Ціннісні судження в оцінюванні робіт із допомогою GenAI: чесність, довіра, валідність та двостороння прозорість (Luo & Dawson 2026)
- [[falahat-chatgpt-grading-pharmacy-exams-2026]]
- [[teichmann-detecting-undetectable-misconduct-2026]] — Процедура щодо порушень як проблема валідності
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Валідність оцінювання за умов недосконалої інформації: модель регіонів відповідей
- [[weidlich-inference-at-risk-assessment-validity-2026]] — Який висновок під загрозою? Розділення п’яти тисків валідності та перевірка того, що послаблює перепроєктування (Weidlich 2026)
- [[koretsky-genai-stem-assessment-2026]] — STEM-оцінювання як проблема валідності, дизайну та визначення здатностей, а не списування: докази процесу, усні іспити та відповідність завдань, згенерованих ШІ (Koretsky et al. 2026)
- [[ai-particle-physics-education-redesign-2026]] — ШІ в освіті з фізики частинок: дослідницькі проблеми та базові навички
- [[student-perspectives-ai-writing-grading-2026]] — Хто має оцінювати мою роботу? Погляди студентів на прозоре оцінювання письма за допомогою ШІ у вищій освіті
- [[el-salvador-ai-tutoring-selection-claim-2026]] — Обмеження твердження про навчання в пілотному проєкті зі ШІ-репетиторством у Сальвадорі (Restrepo Morales et al. 2026)
- [[munoz-misconduct-allegation-evidence-2026]] — Що насправді містять файли звинувачень про порушення як докази і чому якість доказів не передбачає результатів (Munoz et al. 2026)
- [[hadra-ai-detector-accuracy-efl-2026]] — Точність детектора 0.69 і 0.61 на 192 текстах; провал на гібридному письмі та ризик хибної класифікації EFL (Hadra et al. 2026)
- [[wright-transcription-not-generation-2026]] — Надмірно широкі заборони: транскрипція — це не генерація, тому правило карає те, що не мало ловити (Wright 2026)
- [[sharma-judgment-visible-genai-assessment-2026]] — Доброчесність, зроблена видимою через оцінне судження, а не через виявлення (Sharma 2026)
- [[llm-grade-bands-calibration-bias-2026]] — Чи можуть великі мовні моделі відтворити смуги оцінок у вищій освіті? Міжмодельне дослідження калібрування та упередженості оцінювання в автентичних студентських творах
- [[ai-assisted-physics-lab-report-assessment-2026]] — Оцінювання за допомогою ШІ експериментальних лабораторних звітів із фізики: потенціал, обмеження та підтримка навчальної практики
- [[gifted-potential-ai-assisted-work-attributional-validity-2026]] — Чотири цілі висновку та три помилки атрибуції, коли продукт читається як доказ здатності здобувача (Sak 2026)
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Використання студентами LLM і межі складності питань, згенерованих ШІ, в курсах науки про дані
- [[edubehaviors-auditable-coding-educational-dialogues-2026]] — EduBehaviors: схеми тверджень для аудитовного кодування освітніх діалогів
- [[vogt-ai-mcq-recognition-medical-assessment-2026]] — Оцінки студентами узгодженості з навчальним планом відстежують складність завдання (rho = 0.762), а не зміст (Vogt et al. 2026)

- [[llm-grading-assistants-public-health-2026]] — Повторне оцінювання тотожних подач через п’ять днів дало альфу Кріпендорфа 0.625
- [[villanueva-ai-vulnerability-assessment-audit-2026]] — Індекс вразливості ШІ: більшість оцінюваних балів спирається на неперевірне авторство, тому валідність спирається на достатні докази на ключових етапах, а не на максимальну безпеку- [[llm-tutor-pedagogical-metric-degradation-2026]] — Метрика педагогічної адаптивності зросла, тоді як сліпі оцінки експертів впали: валідність вимірювання не означає валідності оптимізації (Domínguez Figaredo & Fernández De la Cruz 2026)

---

## [Психометрично обізнаний ШІ](https://edtechdev.github.io/aied/concepts/psychometrically-aware-ai/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Психометрично обізнаний ШІ** — системи оцінювання на основі ШІ, узгоджені з теорією вимірювання, — це стандарт, просунутий в [[llm-psychometric-calibration-cdp]], [[llm-item-difficulty-prediction]], [[automated-assessment|Confidence Aware AI Assessment]] та [[item-response-theory]]: каліброване, обізнане щодо невизначеності оцінювання ШІ зберігає надійність і валідність, а не підміняє психометричні докази сирою впевненістю моделі.

## Питання для роздумів

- ШІ оцінює відповідь студента й повідомляє звучущий впевнено бал. На якій підставі ви довірили б тому числу — і чи змінюється ваша відповідь, коли ви дізнаєтеся, що модель не була калібрована проти жодного стандарту вимірювання?
- Сторінка попереджає проти підміни психометричних доказів сирою впевненістю моделі. Згадайте випадок, коли ви повірили впевненому виходу ШІ, який виявився хибним. Що зробило ту впевненість незаслуженою, і як виглядав би замість неї вихід, «обізнаний щодо невизначеності»?
- [[research-methods-aied|Research]] знайшло, що на тому самому інструменті оцінювання структури відповідей люди та LLM розходяться, — що означає, що модель може добре оцінювати, проте вимірювати щось відмінне від того, що має на увазі іспит. Якби ви були [[teacher-role|teacher]], що використовує ШІ-оцінювач, як би ви взагалі виявили, що тест «означає» для машини щось інше, ніж для ваших студентів?
- Прогнозування складності завдань використовує LLM, щоб оцінити, наскільки складним є питання. Перед читанням подумайте: чи є «наскільки складним є це питання?» фактом про питання, чи про людей (або моделі), які на нього відповідають, — і що ця двозначність означає для використання ШІ в калібруванні іспитів?
- Калібрування, надійність і валідність — це поняття вимірювання з точними значеннями. Які з них ви насправді обдумали у власній практиці оцінювання, і де ви можете спиратися на вихід ШІ, який ніколи не перевірявся проти них?
- Для [[administrator]] чи розробника: якщо інструмент оцінювання ШІ, який ви розглядаєте, повідомляє лише сиру точність, які конкретні питання ви тепер поставили б його вендорові перед розгортанням з реальними студентами?

## Вступ

Оскільки системи ШІ дедалі більше оцінюють відповіді, прогнозують складність і дають [[feedback]], ключовий ризик у тому, що вони повідомляють звучущі впевнено виходи, які не були валідовані проти принципів вимірювання. Психометрично обізнаний ШІ вирішує це, закріплюючи ШІ-[[assessment]] в утвердженій психометриці — калібруючи виходи, квантифікуючи невизначеність та зберігаючи стандарти [[assessment-validity]] та [[educational-measurement]], а не спираючись на сиру точність чи [[self-report-measures|self-reported]] впевненість.

### Як психометрично обізнаний ШІ постає в дослідженнях

- **Калібрування та впевненість:** [[automated-assessment|Confidence-aware assessment]] та [[llm-psychometric-calibration-cdp|LLM psychometric calibration]] забезпечують, що ШІ повідомляє значущі, обізнані щодо невизначеності бали, а не надто впевнені точкові оцінки.
- **Впевненості моделі недостатньо.** На SciEntsBank вербалізована, латентна та заснована на узгодженості впевненість кожна не змогла розділити правильні та неправильні короткі відповіді; найкраще калібрування постало від додавання алеаторної невизначеності, похідної від набору даних, — ентропії в межах кластера вбудованих відповідей, — через Random Forest плюс масштабування Platt, що дає змогу селективного автооцінювання та перегляду людиною ([[cong-confidence-asag-2026|Cong et al. (2026)]]).
- **Прапорці впевненості трижують перегляд, а не прийняття.** В оцінюванні рукописної фізики з високими ставками мітки впевненості ШІ відстежували значно нижчу помилку бала на частинах з високою впевненістю, проте деякі частини з високою впевненістю, без прапорця, усе ще розходилися з офіційними оцінками, тому мітки корисні для пріоритезації перегляду екзаменатором, а не для дозволу автоматичного прийняття ([[ai-grading-handwritten-physics-2026|Pathak et al. (2026)]]).
- **Прогнозування складності:** [[llm-item-difficulty-prediction|Item-difficulty prediction]] показує, як оцінки на основі LLM мають бути валідовані проти психометричних моделей (див. [[item-response-theory]]). [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] дають масштабну демонстрацію: на 5,170 завданнях з математики та читання K-5, каліброваних за моделлю IRT Раша, оцінки складності GPT-4o методом zero-shot корелювали помірно-сильно зі справжніми складностями (r = 0.83 математика, r = 0.81 читання), але були нерівними за класами, тоді як підхід на основі ознак (ознаки, вилучені LLM, у моделі на деревах) досягав кореляцій до r = 0.87. Інтерпретована [[explainable-ai|feature importance]] дослідження (рівень класу та кількість слів — найвищі предиктори) і його практичний семикроковий робочий процес ілюструють, як психометрично обізнаний ШІ може бути операціоналізований, — тоді як його знахідка обмеження діапазону в ранніх класах та застереження щодо узагальнюваності підкреслюють потребу валідувати оцінки LLM проти налаштованих психометричних параметрів.

- **Відновлення кривої — це не те саме, що відновлення кожного параметра.** Мультимодальна модель, дотонно налаштована як [[simulating-students|simulated respondent]], оцінила приховану складність завдань на r = 0.85 і відновила параметр здогадування на 0.48, але дискримінація була слабкою на 0.31, — тож саме те, який параметр відновлює метод, і є знахідкою ([[multimodal-item-parameter-estimation-2026|Ormerod & Kim, 2026]]).
- **Валідність вимірювання:** поняття пов’язане з [[assessment-validity]] та [[educational-measurement]], рамками, які визначають, як виглядає валідне, надійне оцінювання ШІ.
- **Валідність латентної структури:** [[assessment-latent-structure-human-llm-2026|Strugatski et al. (2026)]] показують, що психометрично обізнана позиція має також перевіряти, чи вимірює оцінювання *той самий латентний конструкт* в LLM, що й в людей. Оскільки факторні структури відповідей LLM і людей розходяться на тих самих інструментах, навіть добре оцінюючі моделі можуть не вимірювати конструкт, який, на думку іспиту, він має вимірювати, — застереження для будь-якого оцінювання ШІ, що запозичує людські докази валідності.
- **Мітка може вимірювати більше чи менше, ніж називає.** Вбудовування 55 конструктів і 272 завдань 12 інструментів ШІ-грамотності виявило пари jangle (та сама мітка, різне вимірювання) та пари jingle (різні мітки, майже ідентичні формулювання), відновлюючи надійність на r = 0.49, — перевірку до збирання даних, що відмінності конструктів збережені у формулюваннях завдань ([[ai-literacy-measurement-conceptual-landscape-llm-2026|He et al. (2026)]]).
- **Конвеєри латентної здібності та встановлення стандарту:** [[human-in-the-loop-ai-scoring-national-assessment-2026|Curi et al. (2026)]] дають конкретний шаблон для психометрично обізнаного оцінювання на національному іспиті: бали за пунктами рубрики ніколи не сумуються напряму, а подаються в модель [[item-response-theory|IRT]], чиї оцінки латентної здібності розрізаються методом встановлення стандарту Bookmark на Proficient / Close to Proficiency / Insufficient, причому для здачі потрібно щонайменше дві секції Proficient і решта — щонайменше Close to Proficiency. Автори відтворили той конвеєр в автоматизованій формі (67% імовірності правильно відповісти щонайменше на 7 пунктів рубрики для нижнього розрізу та щонайменше на 10 для верхнього), даючи змогу порівнювати бали завдань ШІ та людини проти ідентичних критеріїв рішень, а не на одній лише сирій угоді.

### Зв’язки

Психометрично обізнаний ШІ лежить на перетині [[educational-measurement]], [[assessment-validity]], [[item-response-theory]] та [[automated-assessment|Confidence Aware AI Assessment]]. Він центральний для [[ai-ed-evaluation]] (чи є оцінювання ШІ вартим довіри) і пов’язаний з [[llm]]-заснованим [[automated-assessment]] та [[automated-assessment|Automated Grading]]. Його наголос на валідності також стосується [[limitations-in-aied-research|measurement limitations]] в дослідженнях [[ai-education|AIED]].

## Пов’язані поняття

- [[educational-measurement]]
- [[assessment-validity]]
- [[item-response-theory]]
- [[automated-assessment]]
- [[ai-ed-evaluation]]
- [[llm]]
- [[limitations-in-aied-research]]
- [[ai-education]]

## Пов’язані статті

- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment
- [[assessment-latent-structure-human-llm-2026]] — Do assessment instruments measure the same thing for humans and LLMs? (Strugatski et al. 2026)
- [[llm-psychometric-calibration-cdp]] — Aligning LLM assessment with psychometric calibration
- [[llm-item-difficulty-prediction]] — LLM prediction of item difficulty
- [[cong-confidence-asag-2026]] — Confidence-aware automatic short-answer grading
- [[multimodal-item-parameter-estimation-2026]] — Multimodal item-parameter estimation
- [[competency-based-education-genai-production-2026]] — Competency-based education with GenAI
- [[ai-grading-handwritten-physics-2026]] — AI grading of handwritten physics assessments (Olympiad)
- [[razavi-powers-item-difficulty-llm-2026]] — Estimating item difficulty using LLMs and tree-based ML
- [[ai-literacy-measurement-conceptual-landscape-llm-2026]] — Comparing AI literacy instruments: jangle and jingle pairs across 55 constructs
- [[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

---

## [Освітнє вимірювання](https://edtechdev.github.io/aied/concepts/educational-measurement/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Освітнє вимірювання** — психометрична теорія та методи кількісної оцінки й валідації навчання та його конструктів — пронизує сторінки [[item-response-theory]], [[knowledge-tracing]] і [[assessment-validity]] цієї бази знань. Епоха [[llm]] змушує вимірювання поєднувати класичну психометрику з новими потоками відповідей, генерованих ШІ: автоматичне оцінювання, передбачувана ШІ складність і [[multimodal]] сліди мають валідуватися проти закорінених принципів вимірювання, щоб зберегти надійність і валідність.

## Запитання для роздумів

- LLM передбачає, що елемент іспиту є легким, але емпіричні дані тесту кажуть, що студенти вважають його складним. Кому ви [[trust]] і що переконало б вас довіряти машинній оцінці?
- Освітнє вимірювання — це перетворення спостережень за навчанням на захищені [[quantitative-research|кількісні]] твердження. Коли ШІ оцінює есе чи бал за відповідь, чи є «бал» автоматично вимірюванням — або щось має бути валідовано спочатку? Що саме?
- Деякі [[research-methods-aied|дослідження]] вказують, що інструменти оцінювання можуть вимірювати не те саме для людей, що й для LLM — латентна структура розходиться. Якщо конструкти справді відрізняються між людьми та ШІ, що це означає для генерованих ШІ балів або оцінок складності?
- ШІ може оцінювати, генерувати елементи та передбачати складність у безпрецедентному масштабі. Чи є «більше вимірювання» тим самим, що «краще вимірювання»? Що робить бал надійним і валідним, і чи можуть ці стандарти зберегтися, коли вимірювання виконує генеративна модель?
- Бенчмарки та оцінки, генеровані ШІ, тепер скрізь. Що ви мали б побачити, перш ніж розглядати оцінювання на основі ШІ як доказ про фактичне розуміння здобувача, а не просто як число?

## Вступ

Освітнє вимірювання — це дисципліна перетворення спостережень за навчанням — відповідей, поведінок, балів — на захищені кількісні твердження. Воно охоплює визначення конструкту, дизайн елементів/тестів, шкалювання, надійність і валідність. У [[ai-education|ШІ в освіті]] питання вимірювання є всюди: чи вимірює [[benchmark|бенчмарк-бал]] те, що ми думаємо? Чи є генерований ШІ бал надійним і валідним? Чи узгоджуються передбачувані ШІ складності елементів із емпірично оціненими?

## Як освітнє вимірювання з’являється в дослідженнях

- **Десятилітнє переосмислення галузі ШІ:** [[xiong-ai-educational-measurement-review-2026|Xiong and Li (2026)]] відображають вплив ШІ на три ери ([[formative-assessment|формативна]] 2015–2018, розширення 2019–2022, генеративна 2023–дотепер) через рамку «ефективність–покращення–трансформація», охоплюючи ШІ в оцінюванні та [[automated-question-generation|генерації елементів]], психометричне моделювання, інновації в оцінюванні та дані процесу, а також [[bias-mitigation|справедливість]]/етику/рівність. Вони стверджують на користь нової парадигми, що інтегрує теорію вимірювання з методами ШІ, і переосмислення конструктів у контексті взаємодії людини зі [[student-ai-interaction|ШІ]] — тієї самої межі, яку [[assessment-latent-structure-human-llm-2026|порівняння латентної структури]] досліджує емпірично.
- **Передбачувана ШІ складність і калібрування:** [[llm-difficulty-calibration-programming-exams-2026|Калібрування складності за LLM]] і [[llm-item-difficulty-prediction|передбачення складності елементів]] використовують LLM для оцінювання складності елементів, що має валідуватися проти психометричних оцінок (див. [[item-response-theory]]). [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] додають масштабний тест цієї передумови для K-5: на 5 170 математичних елементах і елементах із читання, каліброваних за моделлю IRT Раша, zero-shot оцінки складності GPT-4o корелювали помірно-сильно зі справжніми складностями (r = 0,83 математика, r = 0,81 читання), але були нерівномірними за класами і не кращими за фіктивний регресор із середнім за класом для класів K і 1. Підхід на основі ознак — витягнуті LLM когнітивні та мовні ознаки, подані в дерево-базові моделі — досягав кореляцій до r = 0,87, причому клас і кількість слів були найкращими предикторами. Дослідження ілюструє і перспективність, і межі складності, передбачуваної ШІ, як вимірювального входу, і пропонує практичний семикроковий робочий процес для професіоналів із тестування.

- **Коли згенеровані мітки складності не вимірюють складність.** Аудит конструктної валідності 311 розгорнутих згенерованих LLM питань виявив, що згенерована мітка складності корелювала зі своїм власним згенерованим рівнем Блума на ρ=0,90, але з емпіричною складністю (індекс класичної теорії тестів 1−p) — лише на ρ=0,06, тоді як довжина варіантів відповіді йшла у зворотному напрямі (ρ=−0,18) — результат «міток як поверхневої форми», що обмежує оптимістичні прочитання передбачуваної ШІ складності вище ([[student-llm-use-ai-question-difficulty-data-science-2026|An & Wang (2026)]]).
- **Судіть згенеровані елементи за шляхом розв’язання, а не за формулюванням.** Кодування перевіреного дерева міркування кожного елемента підвищило продуктивність над другим за якістю методом на 7,5% в оцінюванні понять, 6,3% в оцінюванні складності та 19,5% в оцінюванні компетентностей, де zero-shot базова лінія неправильно позначила елемент, що слідує шаблону, як «Міркування», а геометричний елемент — як «Знання» ([[proiqa-math-item-quality-assessment-2026|Tong et al. (2026)]]).
- **Психометрична обізнаність у ШІ-[[assessment]]:** [[psychometrically-aware-ai|психометрично обізнаний ШІ]] — це стандарт, що оцінювання на основі ШІ має бути узгоджене з теорією вимірювання — каліброваним, обізнаним про невизначеність і зберігаючим валідність (див. [[automated-assessment|Confidence Aware AI Assessment]]).
- **Мітки mastered є сконструйованими, а не спостережуваними.** Там, де діагностика потребує істинної основи, [[personalized-neural-cognitive-architecture-search-2026|Jia and Dong (2026)]] побудували її через процедуру контролю валідності — графи понять навчальної програми, переглянуті викладачами відображення точок знань і конвергентні докази оцінювання, — а не перетворюючи поведінкові сліди напряму, і їхні діагнози узгодилися з освітніми психологами на Cohen's kappa 0,78 проти 0,65 для IRT.
- **Автоматичне оцінювання та валідність:** [[ai-scoring-language-bias-physics|Оцінювання ШІ та мовний упередження]] і [[multimodal-item-parameter-estimation-2026|оцінювання параметрів елементів за мультимодальними даними]] розглядають, як автоматичне оцінювання та мультимодальні дані впливають на якість вимірювання.
- **Рамки валідності:** [[assessment-validity]] і [[educational-nlp]] постачають стандарти та інструменти для валідації вимірювання на основі LLM.
- **Порівняння латентної структури:** [[assessment-latent-structure-human-llm-2026|Strugatski et al. (2026)]] розширюють освітнє вимірювання на умови LLM, перевіряючи, чи демонструють інструменти оцінювання *ту саму факторну структуру* для людей і LLM. Використовуючи EFA, конгруентність факторів і повторну вибірку, вони показують, що латентні структури LLM і людини систематично розходяться на інструментах із [[chemistry-education|хімії]] та кількісного міркування, що вказує на те, що вимірювані конструкти відрізняються між популяціями, — необхідна перевірка перед тим, як припускати перенесення людських доказів валідності на ШІ.
- **ШІ як оцінювач із вимірюваною похибкою:** [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros & Kortemeyer]] розглядають призначені ШІ бали як придатні до помилки спостереження з кількома джерелами похибки (елементи, прогони, завдання) в межах теорії узагальнюваності та аргументаційної валідності Кейна. Аналіз надійності письмового іспиту з загальної хімії для 296 студентів показав високу стабільність *сукупних* балів за п’ять прогонів ШІ (ICC(A,1) = 0,967, Kendall's W = 0,959, коефіцієнт відтворюваності 95% — 5,33 із 60 балів) із нижчою стабільністю на рівні елементів (ICC(A,1) = 0,836) — несистематичні похибки частково взаємопогашуються при підсумовуванні (ефект агрегації Спірмена–Брауна, який підвищує узгодженість сукупних балів до R² = 0,91), тоді як малий позитивний перетин з нахилом < 1 виявив упередженість стискання балів «боязкого оцінювача». Це фреймує усереднення за прогонами та агрегацію як рішення дизайну вимірювання і мотивує фільтри впевненості, калібровані за ризиком [[item-response-theory|IRT]], як запобіжник валідності перед тим, як автоматичним мірам дадуть довіру.
- **Версія моделі є умовою вимірювання.** [[semantic-variability-llm-conversation-assessment-2026|Hao (2026)]] виявив, що схожість відповідей усередині моделі (0,715–0,795) послідовно перевершувала схожість між моделями (0,443–0,604) на чотирьох LLM, тому аргумент оцінювання, усталений для одного розгортання, не переноситься автоматично на його наступника.

- **Нульовий результат не є доказом еквівалентності, якщо він не обмежений.** StudentBench перевірив, чи поєднане репетиторство зі ШІ узгодилося з експертним людським репетиторством, двома односторонніми тестами проти ±0,25 поєднаних стандартних відхилень, а не тестом на різницю, повідомивши скориговану різницю −0,58 процентних пунктів (90% CI [−2,18, 1,03]) — вибір, який перетворює недостатньо потужний нульовий результат на твердження про еквівалентність ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]]).

- **Калібрування, що масштабується з новими даними, а не з усією історією:** [[bayesian-consensus-irt-item-banks-2026|Jewsbury et al. (2026)]] протиставляють операційному наслідку генерації елементів ШІ — банкам, більшим, рідкіснішим і частіше оновлюваним, ніж звичайні, де повторне підігнання всіх накопичених даних відповідей на кожному оновленні є коштовним і може перевищити доступну пам’ять. Їхній *консенсус-калібрування* поєднує незалежно калібровані квартальні періоди, відображаючи апостеріорні вибірки кожного періоду на спільну метрику за надійним зв’язком Хебара на кожну вибірку (так що невизначеність зв’язування поширюється, а не розглядається як фіксоване перетворення), потім агрегуючи як добуток гаусових апостеріорів, із яких віднімається *оцінений, ієрархічний* пріор кожного періоду та відновлюється консенсус-пріор. На операційних даних Duolingo English Test за чотири періоди агрегат узгодився з поєднаним бенчмарком одного прогону за апостеріорними середніми (r = .998 для складності, .991 для логарифмічної дискримінативності) та стандартними відхиленнями (r = .970 і .920), із залишковою недодисперсією 0,91–0,98 у відношенні SD консенсусу/поєднаного за тертилями експозиції — зосередженою в найрідкіснішому тертилі елементів, де завищене врахування пріора кусає найсильніше. Урок вимірювання є двояким: оціненим пріором неможливо керувати за допомогою стандартних пристроїв підмножинного пріора паралельних байєсіанських обчислень, і апостеріорна *дисперсія» — та невизначеність, яку споживають адаптивний вибір і оцінювання, — є так само ціллю виправлення, як і апостеріорне середнє.
- **Визначення дисперсії системи з двох опублікованих чисел:** [[el-salvador-ai-tutoring-selection-claim-2026|Restrepo Morales et al. (2026)]] показують, що стандартне відхилення розподілу [[learning-gains|досягнень]] може бути відновлене лише з опублікованих підсумкових статистик — середнього та частки студентів на або вище фіксованої відсічки володіння, — оскільки за розподільним припущенням σ = (c − μ) / z(1 − p). Застосовано до PISA 2025 Сальвадору ([[math-education|математичне]] середнє 346, 12,28% на або вище відсічки рівня 2 з 420,07), виведене σ становить 63,8 (читання 76,8, природничі науки 63,8), значно нижче міжнародного орієнтира 100, як і очікується для розподілу, притиснутого до підлоги шкали; три оцінки були отримані з незалежних пар чисел і лежать у межах приблизно 13 пунктів одна від одної, — помірна перевірка внутрішньої узгодженості. Частка на рівні 2 повідомляється для кожної системи PISA і лежить в основі показника SDG 4.1.1, тому ідентифікації не потрібні мікродані, і та сама стаття демонструє проблему знаменника в розмірах ефекту, повідомляючи один математичний розрив трьома способами — 129 пунктів, 1,29 міжнародних стандартних відхилень або 2,02 стандартних відхилень самого сальвадорського розподілу, — на аргументі, що стандартизовані розміри ефекту, поділені на власну дисперсію своєї вибірки, не є легітимно порівняними між дослідженнями.

## Вимірювальні інструменти в базі знань

Центральна функція освітнього вимірювання — розробка, валідація та використання **інструментів**, конкретних шкал, тестів і схем кодування, які операціоналізують конструкти. Статті бази знань документують широкий діапазон інструментів для конструктів ШІ в освіті, які можна категоризувати за тим, що вони вимірюють, і за їхнім підходом до вимірювання.

### Інструменти ШІ- / GenAI-грамотності

ШІ-грамотність — це конструкт із найбагатшим висвітленням інструментів у базі знань. Існує дві широкі родини: **тести на основі продуктивності** (об’єктивні, менш сприйнятливі до упередження самоогляду) та **шкали самоогляду** (суб’єктивні, що захоплюють сприйняту компетентність). Компроміси цієї другої родини є предметом [[self-report-measures]]: самоогляд дешево досягає ставлень і сприйнять, але не може нести твердження про компетентність чи поведінку, і база знань документує розрив у переоцінці на 40%, коли порівняно паралельні міри самоогляду та продуктивності.

- **Міри на основі продуктивності (об’єктивні).** Флагман — [[jin-glat-genai-literacy-assessment|GLAT (Generative AI Literacy Assessment Test)]], інструмент із 20 елементів із вибором відповіді, побудований на зведенні з 25 понять за чотирма вимірами (Know & Understand, Use & Apply, Evaluate & Create, [[ethics]]) і валідований за CTT + 2PL IRT на 355 студентах (RMSEA = 0,03, CFI = 0,97, α = 0,80, ω = 0,81). Критично, бали GLAT передбачали продуктивність завдань із підтримкою ШІ там, де самоогляд — ні, — доказ, що **вимірювання на основі продуктивності перевершує самоогляд** для ШІ-грамотності. Пов’язана робота в [[ai-literacy-assessment-misalignment]] кількісно оцінює розрив між самооголошуваною та заснованою на продуктивності ШІ-грамотністю (викладачі переоцінюють на ~40%), а [[tracing-genai-literacy-interaction-patterns]] відстежує фактичні закономірності взаємодії студентів зі ШІ, а не спирається на повідомлене використання.
- **Вимірювання того, що роблять викладачі, а не лише того, що вони знають.** Валідація на 486 викладачах дала шестивимірний інструмент для освітніх використань GenAI викладачами — управління, створення матеріалів, оцінювання, розширення повноважень, різноманіття та мотивація, — підтверджуючи, що використання є багатовимірним, хоч і самоогляди не можуть нести твердження про практику в класі ([[questionnaire-teachers-genai-uses-validation-2026|Pérez-Montesdeoca et al. (2026)]]).
- **Шкали самоогляду.** [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|SAIL]] операціоналізує ШІ-грамотність за трьома доменами (концепції ШІ; застосування та технічні навички; цифрове громадянство ШІ) та чотирма скаффолдингованими рівнями; [[ai-literacy-heptagon-2026|Гептагон ШІ-грамотності]] структурує сім вимірів (технічний, застосування, [[critical-thinking|критичне мислення]], етика, соціальний вплив, інтеграція, правовий/[[regulation|регуляторний]]) із чотирма рівнями володіння, узгодженими з Блумом. [[genai-skill-bypass-literacy]] відображає розбіжні шляхи ШІ-грамотності для студентів проти персоналу, а [[panciroli-ai-literacy-episodes-situated-learning]] обґрунтовує оцінювання грамотності в епізодах [[situated-learning|ситуативного навчання]]. Розробка інструментів для молодших здобувачів також просувається: анкета самооцінки ШІ-грамотності (AIL-SAQ) від [[ai-literacy-self-assessment-questionnaire-primary-2025|Thianwan and Srikoon (2025)]] — це шкала самоогляду з 15 елементів для студентів 4–6 класів, організована навколо Learning About AI, Learning About How AI Works і Learning for Life with AI, валідована дослідницьким факторним аналізом на 335 студентах і конфірматорним факторним аналізом ще на 579, із загальним альфа Кронбаха .934.
- **[[discipline-specific-aied|Специфічна для домену]] ШІ-грамотність.** [[teacher-education-ai-literacy-sdt-2026]] розробляє міри ШІ-грамотності [[teacher-role|викладачів]] у межах рамки [[self-determination-theory]] (382 викладачі, факторно валідовано); [[conceptualizing-preservice-teachers-ai-readiness-2026]] вимірює готовність [[teacher-ai-competency|доуніверситетських викладачів до ШІ]] через інтелектуальний [[tpack]]; [[ai-literacy-career-adaptability-business-2026]] оцінює готовність студентів до ШІ та [[career-development-and-readiness|кар’єрну адаптивність]] у [[business-education|бізнес-освіті]]; а [[llm-critical-thinking-teamwork-review]] оглядає інструменти для результатів критичного мислення та командної роботи з підтримкою LLM. Розширюючись у вимірювання освітян, шкала ШІ-грамотності викладачів (TAILS) операціоналізує шість вимірів рамки ED-AI для вимірювання ШІ-грамотності саме в межах [[teacher-education|освіти викладачів мови]] (валідовано факторним аналізом), заповнюючи прогалину в оцінюваннях, спрямованих на студентів або загальних користувачів.

### Інструменти ставлення, прийняття та мотивації

- **Прийняття технологій.** Інструменти, обґрунтовані на TAM/UTAUT, вимірюють сприйняту корисність, легкість використання та поведінковий намір використовувати ШІ. Див. [[technology-acceptance-model]] і його застосування в [[acceptance-ai-english-tools-2026]] (інструменти англійської мови з підтримкою ШІ, психометрична валідація між дисциплінарними групами/групами володіння) і [[tian-genai-learning-adoption-pathways-2026|шляхах впровадження GenAI]].
- **Самоефективність і мотивація.** Інструменти [[self-efficacy]] і шкали мотивації (наприклад, засновані на SDT міри [[agency|автономії]]/компетентності/пов’язаності в [[teacher-education-ai-literacy-sdt-2026]]) захоплюють мотиваційні передумови та наслідки використання ШІ. Вони пов’язуються з вимірюванням [[student-engagement]] і [[prior-knowledge]].
- **Сприйняття навчання на основі проєктів.** Zhu and Kong (2026) розробляють і валідують обґрунтовану на контексті шкалу [[project-based-learning|навчання на основі проєктів]] зі ШІ (AI-PBLS), що вимірює сприйняття студентами PBL під час використання ШІ для [[problem-solving|вирішення проблем]] на курсах ШІ-грамотності (EFA і CFA на 1 027 студентів [[k-12|середньої школи]] та університету, 446 повних), і їхнє застосування SEM демонструє, як розширення повноважень і етична обізнаність посередництво у зв’язках PBL–задоволеність, — надійний інструмент для оцінювання сприйнятого досвіду PBL у застосунках ШІ.

### Інструменти якості оцінювання та валідності

- **Автоматичне оцінювання та інструменти рубрик.** [[harmogen-ai-assessment-rubric-generation|HARMOGEN-R]] генерує рубрики оцінювання; [[ai-assisted-instructor-supervised-grading-feedback]] оцінює якість оцінювання ШІ проти критеріїв elaborated-[[feedback]]; [[ai-assessment-scale-reform]] розглядає, як ШІ руйнує традиційні шкали оцінювання.
- **Дизайни, що зміцнюють валідність.** [[roe-assessment-twins-2026|близнюки оцінювання]] поєднують вразливе до [[generative-ai|GenAI]] завдання з менш вразливим еквівалентом, що оцінює ті самі результати, відображаючи загрози за шістьма нитками доказів валідності Мессіка.
- **Розбиття простору результатів за допомогою.** Програма вимірювання визначає **авторство моделі** — наскільки здобувач, а не система, є походженням змісту артефакту на рівні домену, — як конструкт із чотирьох аспектів і чотирьох рівнів, і повідомляє, що з 24 аудитованих досліджень майже всі вимірювали продуктивність за наявності ШІ і жодне не вимірювало після відміни ([[ai-writes-code-student-writes-model-2026|Gousopoulos (2026)]]).
- **Кодування дискурсу та залученості.** [[icap-cognitive-engagement-llm-agents]] розширює рамку [[icap-framework|ICAP]] у 7-бальну схему кодування когнітивної залученості, порівнюючи людську анотацію (κ = 0,906–0,998) із позначуванням на основі LLM (κ = 0,541–0,609) — дослідження вимірювального інструмента, що показує, що автоматичне кодування все щ відстає від навчених людей. Автоматичне кодування також просувається через [[prompt-engineering|контекстно обізнане підказування]], яке моделює контекстуальні залежності й поєднує когнітивні та соціальні здібності, щоб кодувати навички [[collaborative-learning|спільного вирішення проблем]] із даних процесу за кращою продуктивністю, ніж сильні базові лінії, — уможливлюючи оцінювання в великому масштабі та в реальному часі, водночас відповідаючи на трудомісткість ручного кодування.
- **Витягування навичок.** [[principal-trait-analysis-human-ai-skills-2026]] виводить «навички» у співпраці людини зі ШІ через аналіз основних рис — вимірювання на основі даних компетентності співпраці.

### Підхід до вимірювання має значення

Докази бази знань повторювано показують, що **як** вимірюється конструкт, змінює висновки. Самооголошувана ШІ-грамотність різко розходиться з мірами на основі продуктивності ([[ai-literacy-assessment-misalignment]]); анотація LLM залученості розходиться з кодуванням навчених людей ([[icap-cognitive-engagement-llm-agents]]); і латентні структури відрізняються між людьми та LLM ([[assessment-latent-structure-human-llm-2026]]). Тому ретельна валідація інструмента — надійність, структурна валідність, зовнішня/предиктивна валідність — є не формальністю, а основою надійних доказів про ШІ в освіті, пов’язуючись із [[assessment-validity]] і [[psychometrically-aware-ai]]. Недавнє дослідження на матеріальному рівні показує, скільки роботи з валідації стоїть за простим твердженням про прийняття: [[age-tiered-ai-literacy-guidebooks-2026|Wang, Chuang and Wu (2026)]] використали дизайн із розбиттям навпіл (EFA на розвивальній вибірці, CFA на утриманій половині) для двох посібників із ШІ-грамотності, розділених за віком, повідомивши KMO = .820, 67,3% поясненої дисперсії, прийнятне узгодження для студентів (CFI = .943, RMSEA = .059, SRMR = .059), складену надійність від .84 до .90 і інваріантність вимірювання між виданнями, — потім документуючи, де інструмент напружується, зі значеннями HTMT до .950 і обмеженою кореляцією «грайливість–намір», яку довелося перевірити на одиницю. Їхні додаткові перевірки на диференційну функцію елементів є моделлю чесності, за яку виступає ця сторінка: інваріантність трималася, але закономірності відповідей із низькою варіацією серед молодших студентів означали, що одна групова різниця послабла, коли цих респондентів виключили, і стаття повідомляє це поряд із головним результатом, а не замість нього.

[[assessing-student-drive-framework-2025|Oliveira et al. (2025)]] показують послідовність валідації для нової міри процесу: оцінювання журналів взаємодії студентів зі GenAI проти таксономії з 35 підкатегорій досягло лише помірної узгодженості між оцінювачами (Cohen's κ = 0,44), проте корелювало r = 0,54 із балами за есе, даючи новій мірі конвергентну підтримку.

- **Коефіцієнти узгодженості є властивостями корпусу, а бали — спільними продуктами.** Валідація автоматичного оцінювання 60 маркетингових публікацій повідомила абсолютну узгодженість ICC(2,1) .435 для LLM, .266 для гібриду «правила плюс LLM» і .091 для детермінованих правил, із невизначеністю, оціненою за 2 000 бутстрап-вибірок кластерів авторів, і MAE 6,28–17,22 балів; додавання прив’язок, створених дослідниками, перемістило узгодженість між оцінювачами з .338 на .902, показуючи, наскільки сильно ці оцінки залежать від референтного набору ([[automated-scoring-marketing-posts-agreement-2026]]). Аудит повторного оцінювання експертами бенчмарків із [[physics-education|фізики]] робить додатковий пункт на рівні інструмента: 95,20% аудитованих відкидань були похибками бенчмарку або оцінювача, а не провалами моделі, тому вимірюваний бал має повідомлятися як властивість банку елементів, рубрики та оцінювача разом ([[frontier-models-physics-benchmark-audit-2026]]).

**Надійність частково відновлюється з самої моделі.** [[know-when-to-trust-ai-scoring-reliability-2026|Organisciak and Acar (2026)]] оцінюють три дешевих покращення оцінювання на основі LLM на понад 20 000 відповідей на Alternative Uses Test: зчитування власної впевненості моделі на рівні токенів, взяття зваженого за ймовірністю середнього за її top-n передбачених балів замість єдиної найкращої здогадки, а також ансамблювання між моделями. Кожне покращило узгодженість із людськими балами (кореляція росла з r = 0,781 до 0,823, а RMSE падав з 0,599 до 0,498 у найкращій конфігурації), і їхня діагностика локалізує специфічний провал оцінювання одним проходом: виражена моделью впевненість була негативно пов’язана з її точністю (β = −0,602). Це результат підходу до вимірювання, а не результат моделі — та сама модель, оцінена інакше, є надійнішим інструментом, — і він лежить поряд із наведеними вище доказами узгодженості на рівні корпусу.

Оцінка 2026 року 33 інструментів ШІ-грамотності викладачів показує, де розробка інструментів є зрілою, а де — ні. [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore and Maat (2026)]] оцінили інструменти за матрицею рішень, адаптованою з COSMIN і Terwee et al. (2007), і виявили, що внутрішня узгодженість є найсильнішим доменом (28 із 33 на оцінці A, 84,8%), а справедливість — найслабшим, із лише п’ятьма інструментами (15,2%), що повідомляють докази інваріантності вимірювання або диференційної функції елементів. Структурна валідність була сильною, із 24 інструментами (72,7%) на оцінці A за CFA, PLS-SEM або моделювання IRT, проте валідність змісту спиралася здебільшого на якісний огляд, із 21 інструментом (63,6%) на оцінці B через відсутність кількісних статистик експертної узгодженості.

Автоматичний вибір елементів може скоротити інструмент, не переформуючи його: оптимізація мурашиною колонією на поєднаній двохвильовій вибірці (N = 305, 342) дала коротку форму з 12 елементів, що корелює r = 0,910–0,944 із повною шкалою на кожному вимірі, хоч і два елементи на вимір покривають вужчий діапазон змісту ([[genai-srl-l2-writing-scale-2026|Wang, Zhang and Zhang (2026)]]).

## Проблеми та обмеження: що вимірювання може пропустити або зробити неправильно

Освітнє вимірювання є потужним, але придатним до помилок. Розуміння його режимів відмов є необхідним для критичного читання доказів про ШІ в освіті — і для впізнання того, де очевидний навчальний здобуток або твердження про конструкт може бути артефактом вимірювання, а не справжнім ефектом.

- **Межі надійності.** Вимірювання ніколи не є досконало надійним; дисперсія помилки завжди присутня. Коли інструменти мають низьку внутрішню узгодженість або стабільність «тест–ретест», спостережувані різниці можуть бути шумом. У контекстах ШІ нові режими відмов поглиблюють це: згенеровані LLM відповіді можуть бути оцінені з високою машинною узгодженістю, проте розходитися з людським оцінюванням ([[icap-cognitive-engagement-llm-agents]]), і автоматичне оцінювання може бути *внутрішньо* узгодженим, водночас будучи систематично неправильним — точність без валідності. [[limitations-in-aied-research|Вимірювальні обмеження]] досліджень AIEd документують ненадійні інструменти як транcверзальну слабкість.
- **Невизначеність кодування як помилка зливає дві відмови.** У тесті знань із психічного здоров’я з 30 тверджень оцінювання за точністю враховувало *не знаю* як неточне, проте 67,3% студентів обрали його за одного факту, тоді як 60,6% відповідей моделі були позитивно неправильними — примусовий формат «правильно/неправильно» не може відокремити невизначеність від неправильного вірування ([[mental-health-literacy-students-llms-2026|Richter et al., 2026]]).
- **Узгодженість оцінювачів встановлює практичну стелю.** Масштабна валідація на уругвайській [[human-in-the-loop-ai-scoring-national-assessment-2026|*Acredita EB*]] виявила, що узгодженість людських оцінювачів сама встановлює практичну стелю для оцінювання ШІ: серед десяти експертів, що незалежно оцінювали 50 текстів, жоден елемент рубрики не досяг одностайної узгодженості з консенсусом, найбільш розбіжний оцінювач зазвичай падав нижче 80% узгодженості, тоді як найкращий перевершував 90%, і Cohen's Kappa був лише слабким або помірним для кількох перекошених елементів, які задовольняють майже всі відповіді. Тому автори судять автоматичні бали проти референтного стандарту, який сам є недосконалим — десять оцінювачів, єдиний операційний бал для більшості відповідей і кілька елементів у звичайній зоні прийнятності 70%, — застереження для будь-якого твердження про вимірювання, побудованого на операційних мітках одного оцінювача.
- **Валідність — вимірювання не того.** Валідність запитує, чи інструмент вимірює конструкт, на який претендує. Звичайні відмови включають **недостатнє представлення конструкту** (тест ШІ-грамотності, який вибірково бере лише технічні знання, пропускаючи етику) і **пов’язану з конструктом нерелевантну дисперсію** (елемент, який винагороджує плавність читання, а не цільову навичку). [[ai-scoring-language-bias-physics|Оцінювання ШІ та мовний упередження]] показує, як поверхневі ознаки — мова, формулювання, стиль — можуть керувати автоматичними балами способами, не пов’язаними з передбачуваним конструктом. [[assessment-validity]] є запобіжником проти цих загроз.

- **Шкала може повертати передбачувану кількість факторів, не вимірюючи передбачуваних конструктів.** [[ai-empathy-scale-psychometric-evaluation-2026|Kang, Lee and Kang (2026)]] утримали шість факторів із шкали емпатії ШІ на 42 елементи, але елементи не відновили шість передбачуваних субфакторів — Prosocial Intention не сформував жодного фактора, — тому структура подається як попередня.
- **Прогалина самоогляду.** Міри самоогляду захоплюють *сприйняту* компетентність, а не фактичну. База знань повторювано показує, що самооголошувана ШІ-грамотність різко розходиться з мірами на основі продуктивності ([[ai-literacy-assessment-misalignment]], переоцінка викладачами на ~40%) і що самоогляд не передбачає справжню продуктивність із підтримкою ШІ там, де тести продуктивності досягають успіху ([[jin-glat-genai-literacy-assessment|GLAT]]). Міри, які спираються на самоогляд, можуть систематично перебільшувати конструкти та приховувати справжні прогалини в навичках.
- **Поєднана оцінка є крихкою.** Структурований огляд 2026 року, що поєднує лише кореляції суб’єктивної–об’єктивної ШІ-грамотності з тієї самої вибірки (N = 2 765), дає r = .055 (95% CI Хартунга–Кнаппа [−.047, .156]); при k = 3, із розбіжними оцінювачами гетерогенності й одним дослідженням, що несе 77,2% ваги, він не може встановити відсічку володіння ([[competent-generative-ai-use-measures-review-2026|Verí (2026)]]).
- **Конструкти, які не переносяться між популяціями.** [[assessment-latent-structure-human-llm-2026|Strugatski et al.]] показують, що інструменти оцінювання можуть мати *іншу факторну структуру* для людей і LLM — що означає, що ті самі елементи можуть не вимірювати того самого латентного конструкту між популяціями. Навіть у межах людей інструменти, валідовані на одній групі (наприклад, західній, забезпеченій [[higher-ed]]), можуть не узагальнюватися на інших ([[global-south]]), що є побоюванням щодо узагальнюваності мір ШІ в освіті.
- **Що вимірювання може пропустити.** Деякі з конструктів, найбільш центральних для навчання в умовах ШІ в освіті, є найважчими для доброго вимірювання — і тому найлегше пропущеними або спотвореними інструментами:
  - **Процес і стратегія.** Стандартні міри результатів захоплюють *продукт* навчання, а не *процес*. Вони можуть пропустити, як студенти фактично залучають ШІ — [[cognitive-offloading|надмірну опору]], нерефлексивне прийняття або критичну перевірку. [[tracing-genai-literacy-interaction-patterns]] використовує сліди взаємодії саме тому, що самоогляд і тести результатів пропускають цю динаміку.
  - **Поздовжнє та тривале навчання.** Єдиний пост-тест може показати завищену продуктивність від допомоги ШІ, водночас пропускаючи ерозію тривалих, неасистованих знань ([[genai-performance-vs-learning|прогалина між продуктивністю та навчанням]]). Вимірювання в одній часовій точці може бути активно оманливим щодо навчання.
  - **Справедливість і доступ.** Інструменти, які припускають рівномірний доступ до пристроїв/зв’язку або які нормовані на привілейованих вибірках, можуть пропускати — або систематично недовимірювати — здібності [[equity-in-ai-education|незабезпечених]] [[learners]], помилково приписуючи прогалини в доступі прогалинам у здібностях.
  - **[[affective-computing|Афективні]] та мотиваційні стани.** Залученість, мотивацію та самоефективність часто вимірюють самооглядом, успадковуючи прогалину самоогляду вище; вони можуть не захоплювати ситуативну, моментну динаміку, яка веде навчання.
- **Автоматичне вимірювання може бути впевнено неправильним.** Поєднання високої машинної впевненості та непрозорого оцінювання є характерним для ери ШІ ризиком: оцінювач або анотатор LLM може видавати високо самоконсистентні бали, які є систематично упередженими, і вигляд строгості (велике N, висока узгодженість між LLM) може маскувати невалідність. Рамки [[ai-ed-evaluation]] і [[psychometrically-aware-ai]] є протиотрутою — вони вимагають калібрування, обізнаності про невизначеність і доказів валідності, перш ніж автоматичним мірам дадуть довіру.

Словом, освітнє вимірювання може **пропустити** те, що не відбирає вибірково (процес, тривалість, доступ, афект), і може **зробити неправильно** те, що відбирає погано (самосприйняття, поверхневі ознаки, міжпопуляційні конструкти). Тому читання висновків про ШІ в освіті вимагає запитувати не лише *що* було виміряно, але й *як* — і чого інструмент міг не захопити.

- **Аудитовне кодування відокремлює визначувальну похибку від похибки моделі.** EduBehaviors розкладає конструкт на окремо анотовані спостережувані поведінки плюс явне правило агрегації, так що рецензент може бачити, які докази дали мітку, і перевиводити мітки після зміни правила без нових викликів моделі; воно досягло macro-F1 0,673 на Teacher TalkMoves, конкурентно з прямим підказуванням [[llm|LLM]] ([[edubehaviors-auditable-coding-educational-dialogues-2026|Bernado et al., 2026]]).

## Зв’язки

Освітнє вимірювання є основою для [[item-response-theory]], [[assessment-validity]], [[knowledge-tracing]] і [[student-modeling]]. Воно пов’язується з [[learning-analytics]] (вимірюванням даних навчання), [[educational-nlp]] (вимірюванням мови) і [[psychometrically-aware-ai]] (ШІ, узгодженим з теорією вимірювання). Його побоювання щодо валідності та надійності лежать в основі [[ai-ed-evaluation]] та [[limitations-in-aied-research|вимірювальних обмежень]] галузі. Для конструктів, які він вимірює, воно перетинається з [[ai-literacy]], [[technology-acceptance-model]], [[self-efficacy]], [[motivation]] і [[student-engagement]].

- **Причинне моделювання втручань підтримки (2026):** протокол структурного причинного моделювання переводить освітнє оцінювання за межі асоціативного оновлення вірувань на основі теорії відгуку елементів до інтервенційного та контрфактичного міркування (наприклад, ефекту підказок), із структурними рівняннями, виведеними від експертів за допомогою суто логічної інформації — проілюстровано на завданнях із алгоритмічних навичок обов’язкової школи ([[causal-modeling-competency-assessment-2026]]).

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[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

---

## [Теорія відгуку завдань](https://edtechdev.github.io/aied/concepts/item-response-theory/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Теорія відгуку завдань (IRT)** — родина психометричних моделей, що оцінюють латентну здібність із відгуків на завдання, моделюючи відношення між здібністю здобувача та ймовірністю правильної відповіді на кожне завдання. Моделі IRT задають складність і дискримінативність завдання, уможливлюючи точність вимірювання та адаптивне тестування. В епоху ШІ IRT зустрічається з [[llm|LLMs]] у [[llm-item-difficulty-prediction]] та [[llm-psychometric-calibration-cdp]]: ШІ передбачає та калібрує складність завдань, потенційно покращуючи точність вимірювання й живлячи [[adaptive-learning]].

## Питання для роздумів

- Теорія відгуку завдань розглядає здібність і складність завдання як спільно оцінювані з патернів відгуків, а не розглядає сирий бал тесту як міру. Чим двоє студентів із однаковою кількістю правильних відповідей могли б справді відрізнятися за здібністю?
- IRT дає вам змогу порівнювати здобувачів на спільній шкалі й оцінювати точність для кожної особи. Чому знання складності й дискримінативності завдання могло б мати більше значення, ніж лише знання того, чи студент відповів правильно?
- Одне дослідження використало статистики придатності особи IRT, щоб відрізняти людські відповіді від згенерованих ШІ на тестах із множинним вибором — позначаючи відповіді ШІ як «аберрантні». Як би той самий вимірювальний апарат, що оцінює навчання, міг би й поліцувати академічну доброчесність?
- [[research-methods-aied|Researchers]] використовують IRT, щоб валідувати, що згенеровані ШІ іспитові питання зрівнюються з написаними експертами за складністю та дискримінативністю. Якщо ШІ пише завдання, що «виглядає» добре, чому емпірична калібрація проти пристосованих параметрів IRT усе ще необхідна?
- У міру того як ШІ передбачає й калібрує складність завдань, що могло б піти не так, якби оцінка складності моделлю не була валідована проти реальних даних відгуків студентів?
- IRT пов'язаний з адаптивним тестуванням і відстеженням знань — використанням ваших відгуків для вибору того, що питати далі. Як оцінювання вашої здібності з кожної відповіді дає змогу тесту стати коротшим і точнішим, а не просто довшим?

## Вступ

IRT розглядає здібність (θ) і параметри завдання (складність, дискримінативність, іноді вгадування) як спільно оцінювані з патернів відгуків, а не розглядає сирий бал як міру. Це дає змогу порівнювати здобувачів на спільній шкалі, відбирати завдання адаптивно та оцінювати точність для кожної особи, а не глобально.

### Як IRT з'являється в дослідженнях

- **Передбачена ШІ складність:** [[llm-item-difficulty-prediction|LLM item-difficulty prediction]] використовує мовні моделі для оцінювання складності завдання, що має бути валідовано проти емпірично пристосованих параметрів IRT.
- **Психометрична калібрація:** [[llm-psychometric-calibration-cdp|LLM psychometric calibration]] узгоджує оцінювання на основі моделей із вимірюванням на основі IRT так, щоб згенеровані ШІ відповіді зберігали вимірювальні властивості.
- **Відстеження знань і моделювання студента:** IRT тісно пов'язаний з [[knowledge-tracing]] і [[student-modeling]] — моделями, що відстежують знання здобувача з часом, — поділяючи мету оцінювання ненаблюдовних станів здобувача зі спостережуваних відгуків.

- **Величини IRT, вичитані з логітів LLM.** [[huang-interpretable-knowledge-tracing-2026|Huang et al. (2026)]] витягують здібність студента θ = z^GOOD − z^BAD і складність ходу тьютора d = z^HARD − z^EASY з логітів наступного токена й поєднують їх у предикторі 1PL Rasch, роблячи діалогове відстеження знань інтерпретованим (64,29% точності, 65,25 AUC на QATD2k).
- **Байєсівська ієрархічна польова валідація:** [[assessing-quality-ai-generated-exams-field-2025|Assessing AI-Generated Exams]] використовує байєсівську ієрархічну модель IRT 2PL (із завданнями-якорями претесту для розміщення 1 686 студентів на спільній шкалі θ), щоб показати, що згенеровані ШІ питання зрівнюються з написаними експертами завданнями стандартизованих іспитів за складністю та дискримінативністю — масштабну демонстрацію IRT як хребта валідації для [[automated-question-generation]].
- **Інформація тесту локалізує точність.** Тест літератури GenAI з 20 завдань, валідований моделлю 2PL (RMSEA = 0,03, CFI = 0,97), мав пік функції інформації на θ = −0,8, роблячи його найточнішим для здобувачів із низькою та помірною літературністю, а не рівномірним по всій шкалі ([[jin-glat-genai-literacy-assessment|Jin et al. (2025)]]).
- **Відокремлення людських відповідей від відповідей GenAI за допомогою статистик придатності особи:** [[irt-human-genai-mcq-responses|Strugatski and Alexandron (2026)]] застосовують статистики придатності особи (PFS) у межах IRT, щоб відрізняти людські відповіді від відповідей [[generative-ai]] на оцінюваннях із множинним вибором. PFS позначають відповіді GenAI як «аберрантних» респондентів у двох автентичних контекстах (тест [[chemistry-education|chemistry]] та національний іспит), показують, що різні [[conversational-ai|chatbots]] породжують різні патерни відгуків (гетерогенну групу «інтелектів»), і розкривають, що новіші версії GenAI стають більш людськоподібними — позиціонуючи IRT як стійку рамку для відбору [[academic-integrity|integrity]] в тестуваннях з високими ставками.
- **Ті самі завдання можуть не вимірювати того самого латентного конструкту для LLM.** [[assessment-latent-structure-human-llm-2026|Strugatski, Zeinfeld and Alexandron (2026)]] порівняли людські та LLM структури факторів на двох інструментах за допомогою дослідницького факторного аналізу та узгоджувального зіставлення; схожість LLM–людина надійно залишалася нижчою за базову лінію людина–людина, тому параметри IRT, пристосовані на людях, не переносяться автоматично.
- **Оцінювання складності засобами LLM проти параметрів IRT Rasch:** [[razavi-powers-item-difficulty-llm-2026|Razavi and Powers (2026)]] оцінюють, чи може GPT-4o оцінювати складність завдань оцінювання математики та читання K-5 (N = 5170), каліброваних за моделлю IRT Rasch. Підхід прямої оцінки zero-shot корелював помірно–сильно зі справжніми складностями за шкалою Rasch (r = 0,83 математика, r = 0,81 читання), але був нерівномірним між класами й часто не кращим за регресор-фіктивну зі середнім за класом для класів K і 1, ймовірно через обмеження діапазону в складностях завдань нижчих класів. Стратегія на основі ознак — когнітивні та лінгвістичні ознаки, витягнуті LLM і подані в моделі на основі дерев, — перевершила пряму оцінку (кореляції до r = 0,87), причому рівень класу й кількість слів були найкращими предикторами. Дослідження підкреслює, що оцінки складності засобами LLM мають бути валідовані проти емпірично пристосованих параметрів IRT, і що структуроване витягання ознак може загострити передбачення там, де цілісний zero-shot розсуд не витримує.
- **Пояснення складності замість її передбачення.** [[explaining-question-difficulty-natural-language-2026|Cui et al. (2026)]] пристосовують модель 1PL Rasch до записів відгуків LLM для GSM8K (1 319 питань), BBH-structured (1 396) і WinoGrande (1 267), з 5 000 моделей для GSM8K і WinoGrande і 3 811 для BBH-structured. Потім вони підказують LLM запропонувати гіпотези природною мовою про те, чому одне завдання є складнішим за інше, і відбирають їх L1-регуляризованою регресією на утриманих питаннях. Використані поодиноко на небачених питаннях відібрані гіпотези досягають R² = 0,373 на GSM8K, 0,580 на BBH-structured і 0,090 на WinoGrande, найкращі з порівнюваних методів на GSM8K і WinoGrande та другі за кращими на BBH-structured, де дотренований RoBERTa-base досягає 0,646. Як додаткові ознаки вони додають +0,11 до RoBERTa-base на GSM8K (з 0,362 до 0,468) і +0,19 та +0,18 до двох заморожених моделей вкладань. Причинний зонд редагує по 50 тестових питань на набір даних у бік або від гіпотези: редагування, що збільшує складність, знижує середню точність на 15,27 і 23,88 відсоткових пункти на GSM8K і BBH-structured, тоді як редагування, що знижує складність, підвищує її на 32,18 і 28,52. Складність тут оцінюється з відгуків моделей, а не з людських виконавців тесту, тому це є результатом з оцінювання LLM та психометрики.
- **Імітація респондентів може відновити те, чого не може регресія стимулу:** дотренована мультимодальна LLM, що відтворює ймовірності вибору варіанта студентами на різних рівнях здібності, наблизила утриману складність на r = 0,85, вище за базові лінії регресії MathBERT (0,68) і MetaMath (0,75), і відновила параметр вгадування c на 0,48, тоді як дискримінативність a залишалася слабкою (0,31) ([[multimodal-item-parameter-estimation-2026|Ormerod & Kim, 2026]]).
- **Вади написання завдань як пре-розгортальний фільтр для параметрів IRT:** [[item-writing-flaws-irt-difficulty-2026|Schmucker and Moore (2026)]] перевіряють, чи рубрики Item-Writing Flaw (IWF) — загальнодоменне, текстуальне оцінювання, що не потребує даних студентів, — передбачають емпірично оцінені складність і дискримінативність IRT. На **7 126 питаннях із множинним вибором** у [[stem-education|STEM]] (фізична наука, [[math-education|mathematics]], науки про життя/землю) вони використали автоматизоване, зі співучастю LLM кодування, щоб показати, що рубрики IWF несуть предиктивну валідність для емпіричних параметрів IRT, пропонуючи масштабований пре-розгортальний фільтр, що доповнює або частково заміщає ресурсомістке пілотне тестування.
- **Фільтрування ризиків на основі IRT для селективного оцінювання ШІ:** [[cvengros-grading-handwritten-chemistry-ai-2026|Cvengros & Kortemeyer]] пристосовують логістичну модель IRT з двома параметрами до оцінених ШІ даних рукописної хімії й визначають «ризик» прийняття судження ШІ як абсолютне відхилення між нормалізованим балом ШІ та очікуваною за IRT ймовірністю зарахування (Risk = |s−p|); приймання лише завдань у межах обраної толерантності до цього байєсівського очікування позначає «дивні» бали ШІ для [[human-in-the-loop-ai|human review]], перетворюючи IRT з чистого інструмента агрегування балів на операційний механізм прийняття/відкладання для [[automated-assessment]] — такий, що досяг узгодження з людським оцінюванням, подібного до простіших порогів часткового зарахування, але за меншого людського навантаження, хоч його логіка менш прозора для нетехнічних аудиторій.
- **IRT як шар калібрації всередині діагностичної моделі:** PLCD додає натхненну IRT голову вгадування-й-ковзання над відгуками на рівні вправи, покращуючи якість ймовірностей, а не точність — очікувана помилка калібрації впала з 0,071 до 0,037 на XES3G5M, — роблячи IRT внутрішньою корекцією шуму відгуків, а не лише моделлю оцінювання ([[process-grounded-language-cognitive-diagnosis-2026|Liu et al. (2026)]]).

- **Калібрація методом розділяй і володарюй для безперервно еволюціонуючих банків:** [[bayesian-consensus-irt-item-banks-2026|Jewsbury et al. (2026)]] розглядають рекалібрацію IRT як задачу масштабування, а не як задачу пристосування. Коли генерація завдань на основі ШІ та передбачення параметрів на основі ознак роблять банк більшим, розрідженішим і безперервно оновлюваним, перепристосування всієї історії відгуків на кожному оновленні стає сталіше дорожчим; їхня *консенсусна калібрація* замість цього калібрує кожен часовий період один раз і поєднує новий період з уже обчисленими ранішими постериорами. Дві ознаки відокремлюють її від наявної роботи IRT «розділяй і володарюй»: періоди не поділяють латентної метрики, тому кожен зв'язується з еталонною метрикою стійким критерієм Haebara, розв'язаним *окремо для кожного малюнка постериора* (переносячи помилку зв'язування в зв'язані постериори), і кожен період є власним ієрархічним пристосуванням, що вносить оцінений апріор, тому наївний добуток постериорів має мати цей апріор поділеним і консенсусний апріор відновленим — сходячись до правила байєсівського комітетного механізму, коли апріори фіксовані. Проти зведеного бенчмарку на чотирьох квартальних періодах Duolingo English Test середні постериорів погоджувалися на r = .998 (складність) і .991 (лог-дискримінативність), а SD постериорів — на r = .970 і .920, залишаючи легке недо-диспергування (відношення SD 0,91–0,98), найбільше в найнижчому тертилі експозиції на період. Це калібрація IRT, переінженерена для умов постачання, які створюють банки завдань, згенеровані ШІ.
- **Наскільки рідко IRT закріплює валідацію інструмента:** оцінка інструментів ШІ-літературності викладачів квантифікує відсутність IRT, а не його використання. [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore and Maat (2026)]] оцінили 33 інструменти за матрицею рішень, адаптованою з COSMIN і Terwee та співавторів (2007); структурна валідність була сильною, з 24 (72,7%) на класі A через CFA, PLS-SEM або моделювання IRT, проте жоден не використовував IRT чи Rasch як своє первинне свідчення, і лише п'ять інструментів (15,2%) повідомили свідчення інваріантності вимірювання або диференційованої функції завдання. Автори стверджують на користь IRT і завдань на продуктивність поруч із самооцінюванням, щоб відокремити валідовану спроможність від заявленої впевненості.
- **Причинна альтернатива асоціативному IRT.** [[causal-modeling-competency-assessment-2026|Mangili et al. (2026)]] стверджують, що IRT і моделі здобувачів на основі байєсівських мереж не можуть виражати інтервенції або контрфактичні твердження, і натомість викликають структурні рівняння в експертів; на батареї адаптивного тесту зі 109 студентами викликана модель була дещо менш предиктивною (−287 проти −277 тестової лог-правдоподібності), проте підтримувала контрфактичні запити про допомогу.

### Зв’язки

IRT є основою [[educational-measurement]] та [[assessment-validity]], підпирає [[adaptive-learning]] (адаптивний відбір завдань) і [[student-modeling]], і пов'язується з [[psychometrically-aware-ai]] (оцінювання ШІ, узгоджене з теорією вимірювання) та [[knowledge-tracing]]. Він фігурує в [[llm-difficulty-calibration-programming-exams-2026|LLM difficulty calibration]] для оцінювання програмування.

## Пов’язані поняття

- [[educational-measurement]]
- [[assessment-validity]]
- [[knowledge-tracing]]
- [[student-modeling]]
- [[psychometrically-aware-ai]]
- [[adaptive-learning]]
- [[automated-assessment]]
- [[intelligent-tutoring]]

## Пов’язані статті

- [[explaining-question-difficulty-natural-language-2026]] — Пояснення складності питань засобами LLM природною мовою через IRT та причинні редагування (Cui та співавтори 2026)
- [[item-writing-flaws-irt-difficulty-2026]] — Вплив вад написання завдань на складність і дискримінативність IRT (Schmucker та Moore 2026)
- [[causal-modeling-competency-assessment-2026]] — Causal Modeling of Support Interventions for Student Competency Assessment
- [[assessment-latent-structure-human-llm-2026]] — Чи вимірюють інструменти оцінювання те саме для людей і LLM? (Strugatski та співавтори 2026)
- [[assessing-quality-ai-generated-exams-field-2025]] — Масштабна польова валідація IRT згенерованих ШІ іспитів
- [[jin-glat-genai-literacy-assessment]] — GLAT використовує валідацію IRT/2PL (Jin та співавтори 2025)
- [[llm-item-difficulty-prediction]] — Передбачення складності завдань засобами LLM
- [[llm-psychometric-calibration-cdp]] — Узгодження оцінювання LLM із психометричною калібрацією
- [[llm-difficulty-calibration-programming-exams-2026]] — Калібрація складності засобами LLM в іспитах із програмування
- [[multimodal-item-parameter-estimation-2026]] — Мультимодальне оцінювання параметрів завдань
- [[huang-interpretable-knowledge-tracing-2026]] — Інтерпретоване відстеження знань
- [[irt-human-genai-mcq-responses]] — Використання IRT для відокремлення людських відповідей і відповідей GenAI на питаннях із множинним вибором
- [[razavi-powers-item-difficulty-llm-2026]] — Оцінювання складності завдань засобами LLM та ML на основі дерев
- [[cvengros-grading-handwritten-chemistry-ai-2026]]
- [[process-grounded-language-cognitive-diagnosis-2026]] — Beyond ID Embeddings: Process-Grounded Language Modeling for Cognitive Diagnosis
- [[bayesian-consensus-irt-item-banks-2026]] — Байєсівська консенсусна калібрація безперервно еволюціонуючого банку завдань IRT (Jewsbury та співавтори 2026)
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — Польовий аудит, що показує, як рідко IRT/Rasch використовуються як первинне свідчення валідації в інструментах ШІ-літературності викладачів
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: тьюторинг із ШІ й людський тьюторинг дають еквівалентні навчальні здобутки GRE

---

## [Засоби самооповідання](https://edtechdev.github.io/aied/concepts/self-report-measures/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Засоби самооповідання** — інструменти, у яких досліджувана особа водночас є джерелом даних: анкети та обстеження, інтерв’ю, щоденники, самооцінена компетентність, самооцінена частота використання, відчутне навчання та задоволеність. Вони є робочою конячкою досліджень [[ai-education|ШІ в освіті]] — у цій базі знань 139 сторінок статей мають тег методу обстеження, більше, ніж будь-який інший метод, крім експерименту та [[benchmark]] — і вони є єдиним практичним способом дійти до ставлень, вірувань, намірів та [[self-efficacy]]. Їхня межа є категориальною, а не статистичною: самооповідання не може виміряти поведінку чи навчання, лише те, що хтось говорить про поведінку чи навчання, і в цій дослідницькій базі ці два розходяться досить часто, щоб бути результатом самим по собі.

## Питання для роздумів

- Якщо дослідження стверджує, що студенти «повідомили про високу залученість», що саме було виміряно — і що вам потрібно було б побачити, щоб дійти висновку, що вони справді були залучені?
- В одному дослідженні самооповідані та об’єктивні міри [[ai-literacy|ШІ-грамотності]] викладачів корелювали лише на рівні r = 0,07 до r = 0,24 за чотирма вимірами. Де ваше власне [[self-assessment]] найімовірніше розійшлося б з тестом тієї ж навички, і чому?
- Задоволеність легко виміряти і легко покращити — система, налаштована догоджати користувачам, отримає за неї високий бал. Чому це може робити задоволеність поганою мірою результату для навчання, і що ви вимірювали б замість неї?
- «Майже всі студенти використовують ШІ для навчальних робіт» походить від опитування студентів. Що може піти неправильно в будь-якому напрямку, якщо питати, а не реєструвати логи?
- Обстеження отримує 112 відповідей за частки відповідей 31%, або 90 відповідей із 572 запрошень. Перш ніж приймати його відсотки, що ви хочете знати про тих, хто не відповів?
- Коли дослідження корелює дві самооповідані змінні, виміряні в один момент, скільки окремих пояснень ви можете породити для цієї кореляції — і який дизайн їх відкинув би?
- Якби ви консультували когось із невеликого оцінювання, які твердження ви дозволили б підкріпити обстеженням, а які наполягали б підкріпити даними логів, продуктивності чи спостереження?

## Вступ

Самооповідання охоплює набагато більше, ніж анкету. Воно включає [[quantitative-research|поперечні обстеження]] з використанням шкал Лайкерта та інших форматів оцінювання, інтерв’ю та фокус-групи, які проводять [[qualitative-research|якісні дослідники]], щоденники та вибірку досвіду, самооцінену навичку чи впевненість, відтворені оцінки частого використання інструмента, а також відчутне навчання чи задоволеність, розглянуті як результати. Те, що їх об’єднує, — епістемічна позиція респондента: він повідомляє про себе, а не є об’єктом спостереження.

Це не слабкість, за яку треба вибачатися. Багато конструктів, що цікавлять — мотивація, тривожність, [[trust-calibration|довіра]], відчутна корисність, наміри [[student-engagement|залученості]] — є внутрішніми станами, які не записує жоден файл логу, і запитання — єдиний захистимий спосіб дійти до них. Проблема виникає, коли самооповідання використовується для підкріплення твердження, якого воно не може нести, а це в глибині питання валідності: чи вимірює інструмент конструкт, який називає, і чи твердження стосується того різновиду речей, які самооповідання може бачити. Це занепокоєння належить до [[educational-measurement]] та [[assessment-validity]]; ця сторінка — про те, що відбувається, коли дослідження ШІ в освіті спирається конкретно на самооповідання, і де база доказів показує його розпад.

**Як ця сторінка співвідноситься із сусідами.** [[research-methods-aied]] каталогізує дизайни та їхні сильні та слабкі сторони, включно з обстеженнями та дослідженнями SEM. [[quantitative-research]] охоплює родину чисельних методів. [[educational-measurement]] охоплює розробку інструментів, [[item-response-theory]] та психометричну валідацію. Ця сторінка — вужчий зріз, на який ці сторінки вказують: сам інструмент вимірювання і джерело даних — що самооповідання може і не може встановити, повторюваний розрив між тим, що люди повідомляють, і тим, що вони роблять, і як критично читати результат самооповідання.

## Що самооповідання може і не може встановити

Самооповідання добре пасує для ставлень, вірувань, намірів, сприйнять інструмента, афективних станів та самооціненої впевненості чи складності. Воно погано пасує для поведінки, і воно взагалі не може виміряти навчання: віра людини, що вона чомусь навчилася, сама є сприйняттям, і база знань розглядає відчутне навчання як відмінну величину від [[learning-gains|навчальних здобутків]].

Наслідок — набір тверджень, які схожі в розділі результатів, але різняться силою:

- «Студенти вважали тьютора корисним» — сприйняття, доречно виміряне запитанням.
- «Студенти регулярно користувалися тьютором» — поведінка, яку запитання лише апроксимує.
- «Студенти навчилися більше з тьютором» — результат, який запитанням узагалі не встановлюється.
- «Викладачі впевнені у використанні ШІ» — самовірування, а не доказ компетентності.

Звідси два наслідки для кожного, хто читає або проєктує ці дослідження. По-перше, чи вимірює інструмент самооповідання взагалі названий конструкт, є емпіричним питанням, на яке відповідає валідація, а не правдоподібність пунктів. По-друге, напрямок спокуси в ШІ в освіті є узгодженим: інструменти оцінюються за тим, як користувачі про них почуваються, а почуття — саме та частина, яку самооповідання фіксує найдешевше. [[self-assessment]] є членом цієї ширшої родини, а не синонімом до неї: тоді як засоби самооповідання доходять до ставлень, довіри та задоволеності, самооцінювання спрямовує оцінку здобувача саме на власну навичку, впевненість чи навчання.


Другий режим відмови — дискримінантне злиття між двома конструктами самооповідання: регресія самооповіданої здатності до ШІ поряд з відчутним поведінковим контролем, виміряним як ефективність, може порівнювати один загальний фактор впевненості з самим собою, тому критерії фіксуються заздалегідь — співвідношення гетеротрейт–монотрейт нижче .85 і тест вкладеної моделі, що обмежує кореляцію здатність–контроль до одиниці ([[capability-decision-model-teacher-readiness-2026|Mnguni (2026)]]).

Валідований інструмент може зробити цю межу точною, а не туманною. Анкета самооцінки ШІ-грамотності (AIL-SAQ) [[ai-literacy-self-assessment-questionnaire-primary-2025|Thianwan and Srikoon (2025)]] — це 15-пунктова шкала, підтверджена стабільною трифакторною структурою на двох вибірках (n = 335 експлораторна, n = 579 конфірматорна) із загальним альфа-коефіцієнтом Кронбаха .934. Її автори явно зазначають, що вона фіксує відчутне розуміння, ставлення та обізнаність, а не продемонстровану навичку, і що точність самооцінки залежить від метакогнітивної здатності, яка в дітей ще дозріває, тому самооцінка дитини є слабшим сигналом, ніж дорослого.

Протилежний вибір також захистимий: PAUSE — це самотест офлоадингу за чотирма доменами, який не публікує жодних доказів надійності чи валідності, не пропонує композиту й заявляє, що його показники не мають обґрунтовувати жодного важливого рішення, а його пункти зливають свідомий скаффолдинг із заміщенням — респондент, який рано залучає ШІ для скаффолдингу, читається як офлоадинг ([[pause-ai-cognitive-offloading-self-reflection-2026|Alam, 2026)]]).

## Розрив між сприйняттям і поведінкою

Найсильніший результат щодо самооповідання в цій базі знань — не те, що самооповідання загалом упереджене, а те, що повідомлена та спостережувана поведінка розходяться в конкретних, задокументованих способах.

[[ai-literacy-assessment-misalignment|Дослідження, яке побудувало паралельні міри самооповідання та об’єктивні міри ШІ-грамотності викладачів]] виявило **слабку узгодженість між факторами самооповідання та об’єктивними факторами (r = 0,07 до r = 0,24)** на вибірці 288 викладачів, із підтримкою конструктної валідності обох мір конфірматорним факторним аналізом, який водночас показав **низьку кореляцію між факторами самооповідання та об’єктивними факторами**. Обидва інструменти були достовірними; вони просто вимірювали різні речі. На повній вибірці 288 викладачів кореляції між об’єктивними та самооповіданими факторами коливалися від r = 0,07 до r = 0,24, і аналіз латентних профілів виявив 43 виклачів, які оцінили себе високо, набраваючи нижче за об’єктивною мірою, проти 59, які демонстрували зворотний патерн.

[[jin-glat-genai-literacy-assessment|GLAT]] діходить того ж висновку з іншого боку: його 20-пунктовий тест на основі продуктивності прогнозував результати на навчальних завданнях із підтримкою [[generative-ai|GenAI]] у внутрішньосуб’єктному дослідженні 83 студентів, **тоді як самооповідана грамотність щодо ChatGPT — ні**. Формулювання авторів прямолінійне — інструменти в цій галузі переважно спираються на обстеження самооповідання, «які фіксують відчутну, а не фактичну компетентність і схильні до упередженості та переоцінки».

Оцінки поведінки показують те саме розділення. [[predicting-attrition-competitive-programming|Масштабне дослідження конкурентного програмування]] повідомляє про **розрив між самооповіданою впевненістю та фактичною поведінкою практики**, де перша є поганим проксі для другої. [[engagement-intensity-learner-modeling|Дослідження моделювання здобувача]] щире в тому, що частота використання була самооповідана за шкалою Never-to-Daily, а не спостережувана, і що коли предиктори та результати обидва самооповідані, стилі відповіді, такі як згода або упередженість крайнощів, могли породити ці асоціації.

Іноді запитання та спостереження ставлять віч-на-віч. [[student-llm-interaction-taxonomy-review-2026|Огляд області 46 категоризацій із 33 досліджень]] виявив літературу, поділену приблизно порівну між самооповіданням та даними логів взаємодії, і дійшов висновку, що категорії «часто відбивають підхід вимірювання так само, як саму взаємодію» — з дослідженнями самооповідання, що фіксують сприйняття та наміри, тоді як дослідження на логах фіксують спостережувану розмовну поведінку, і два рідко інтегруються. [[tracing-genai-literacy-interaction-patterns|Робота з даними процесу щодо ШІ-грамотності]] робить конструктивну версію цього пункту: те, чи студент працює ітеративно з підказками, вдосконалює результат і керує [[hallucination-risk|галюцинаціями]], спостерігається в логах взаємодії, а не в анкеті.

Структурований огляд 2026 року та експлораторна [[meta-analysis-systematic-review|метааналіз]] мір для компетентного використання [[generative-ai]] дає зведене число на цей розрив з іншого боку: зведення трьох безпосередньо повідомлених кореляцій суб’єктивне–об’єктивне на одній і тій же вибірці (сумарне повідомлене N = 2 765) дало r = .055 (95% ДІ Hartung–Knapp [−.047, .156]), а додавання кореляцій міжфакторних четвертого дослідження дійшло лише до r = .079. Усі три первинні ефекти походили від однієї дослідницької програми, повідомлена кореляція та p-значення найбільшого вкладника не могли бути узгоджені, і огляд діходить висновку, що самооповідання не може заступати об’єктивні бали продуктивності — зауважуючи водночас, що самі інструменти продуктивності є вузькими, покриваючи базові знання, а не поведінку нагляду та залежності, яка важлива на роботі ([[competent-generative-ai-use-measures-review-2026|Verí (2026)]]).

Літературу самих інструментів можна читати як доказ масштабу розриву. [[assessing-teachers-ai-literacy-measurement-tools-2026|Zainal, Mohd Matore and Maat (2026)]] оцінили 33 інструменти для ШІ-грамотності викладачів і виявили, що 31 (93,9%) були шкалами самооповідання відчутної впевненості, лише два (6,1%) тестували знання об’єктивно, і жоден не використовував завдань на основі продуктивності між 2019 і 2025 роками. Їхній висновок — той, до якого ця сторінка діходить з інших напрямів: бали самооповідання індексують впевненість, а не здатність, тому вони не можуть заступати компетентність, коли порівнюються групи чи програми.

Міри результату успадковують той самий розрив. [[pramod-agentic-ai-motivational-pathways-2026|Pramod and Patil (2026)]] моделюють шлях від [[agentic-ai|агенційного ШІ]] через мотивацію та соціальну присутність до того, що вони називають результатом навчання, з коефіцієнтом 0,671 — найсильнішим зв’язком у дослідженні — і їхній власний розділ обмежень заявляє, що ця залежна змінна відбиває сприйняття здобувачів, а не результати іспитів, продуктивність завдань чи аналітику навчання. Це той патерн, який треба ретельно читати в моделях шляхів загалом: великий коефіцієнт на відчутному результаті кількісно виражає, наскільки послідовно студенти вірять, що щось допомогло, і поки нічого не говорить про те, чи воно справді допомогло.

## Задоволеність і відчутне навчання як результати

Задоволеність — найчастіше самооповіданий результат у цьому корпусі, з’являється на 63 сторінках статей. Вона також є найслабшим проксі для навчання, і база знань містить явні аргументи на цей привід.

- [[sequenced-ai-feedback-learning|Робота з послідовного зворотного зв’язку ШІ]] формулює принцип проєктування прямо: задоволеність користувачів і поведінкова залученість не є надійними проксі для навчальних здобутків, тому навчання треба вимірювати безпосередньо.
- [[puech-pedagogical-steering-llm-productive-failure-2025|Щодо педагогічного керування]] зауважує, що поточні мовні моделі налаштовані інструкціями на роль корисних асистентів, що максимізують задоволеність користувачів, тоді як мета тьютора — максимізувати навчання, — ці дві цілі можуть конфліктувати, що робить задоволеність потенційно оманливою метою, а не просто слабкою.
- [[preferred-scaffolding-ai-mathematical-modeling|Дослідження скаффолдингу]] стверджує, що відчутна корисність, легкість використання та негайна задоволеність не мають розглядатися як достатні показники ефективності [[scaffolding]].
- [[nie-personavlm-long-term-personalization-2026|Щодо узгодженого з особистістю моделювання студента]] спостерігає, що оптимізувати під задоволеність користувачів — це не те саме, що оптимізувати під результати навчання, і що два можуть розійтися.

Патерн, який варто винести: задоволеність реагує на неправильні речі, коли метою є навчання. Система, яка швидко відповідає, охоче погоджується та зменшує зусилля, буде оцінена високо, і ці самі властивості є тими, які база знань пов’язує зі зменшеною [[cognitive-offloading|продуктивною боротьбою]] та завищеною продуктивністю на роботі за допомогою ШІ. Повідомлена задоволеність і виміряне навчання не є ворогами; вони просто не є замінниками, і розглядання першого як доказу другого — найпоширеніший зсув, який документує ця сторінка.

## Що робить інструмент самооповідання достовірним

Чотири властивості відокремлюють обстеження, яке може підкріпити твердження, від того, яке не може.

- **Конструктна валідність.** Пункти мають бути показані як такі, що вимірюють названий конструкт, ідеально за допомогою факторного аналізу. Дослідження паралельних мір вище валідувало обидва свої інструменти і все одно виявило їхню розбіжність — валідність інструмента нічого не говорить про те, чи фіксує він поведінку.
- **Надійність і структура.** Інструменти, валідовані за факторами, повторюються в цьому корпусі, від [[teacher-education-ai-literacy-sdt-2026|мір ШІ-грамотності викладачів, заснованих на теорії самодетермінації]], до шкал прийняття, модельованих за [[technology-acceptance-model|TAM]] і SEM у [[acceptance-ai-english-tools-2026|дослідженнях інструментів мови за допомогою ШІ]].
- **Інваріантність, коли порівнюються групи.** Шкала, яка поводиться по-різному в різних популяціях, не може підкріпити порівняння. [[same-ai-different-pathways|Робота з багатогруповим SEM]] повідомляє про тестування інваріантності вимірювання (конфігуральна, метрична, скалярна) поряд із своїми непрямими ефектами, а [[genai-thoughtless-use-self-directed-learning-2026|порівняння Швейцарія–Китай]] виявило, що лише внутрішня цінність досягла метричної інваріантності, а не скалярної — обмеження, яке заявлене, а не приховане, і яке обмежує те, що можуть означати його міжкраїнні відмінності.
- **Альтернатива на основі продуктивності там, де конструктом є компетентність.** 20 пунктів із множинним вибором GLAT існують саме тому, що самооповідання не може нести твердження про компетентність.

## Вибірка, відповіді та невідповіді

Оскільки обстеження дешево адмініструвати, проблеми вибірки зазвичай є тим місцем, де не спрацьовує твердження про узагальнюваність. Цей корпус повідомляє їх явно й повчально:

- [[genai-student-experiences-uk-he-survey-2026|Обстеження використання GenAI студентами у Великій Британії]] повідомляє зручну вибірку в 7 закладах, різко різнящіся [[governance|інституційні]] частки відповідей і упередженість невідповіді, яка може перекосили в бік студентів із сильними поглядами — і зауважує, що ~32% респондентів описали поведінку, яка аргументовано порушувала політику, у форматі, де соціальна бажаність і контекстний тиск роблять **недоповідання** імовірним напрямком помилки.
- [[ai-assisted-instructor-supervised-grading-feedback|Дослідження зворотного зв’язку оцінювання за допомогою ШІ]] спирається на 112 відповідей за частки відповідей 31%.
- [[ai-pedagogical-orientation|Дослідження викладацького складу]] спирається на 90 [[stem-education|STEM]]-викладачів із 572 запрошених лауреатів — 16%.
- [[student-genai-use-views-writing|Соціологічне обстеження]] отримало 504 респондентів із 844 запрошених, і автори зауважують, що частки відповідей різнилися за питанням.
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|Делфійське дослідження]] завершило свій перший раунд із 17 респондентами — обмеження, яке воно заявляє прямо.

Самостійний вибір посилює це. [[chatgpt-inoculation-training-verification-2026|Дослідження щеплення]] набрало 782 учасників і зберегло 100 валідних випадків із зручної вибірки самооповіданих користувачів ChatGPT; [[genai-assisted-problem-posing-physics-2026|дослідження з фізики]] мало студентів, які самостійно обрали додаткове завдання за кредити, що правдоподібно перекосило погляди в бік згодних і виключило скептиків.

Дві подальші помилки, специфічні для самооповідання, повторюються. **Обмеження інтроспекції та упередженість соціальної бажаності** названі властивими самооповіданню в [[engagement-assessment-video|роботі з оцінювання залученості]] та в [[ccct-cooperative-learning-technique|дослідженнях, чиї якісні дані спираються на самооповідання]]. **Дисперсія спільного методу** виникає, коли предиктори та результати надходять від тих самих респондентів у той самий час: [[ai-use-critical-thinking-medical-students-2026|дослідження поміркованого опосередкування використання ШІ та критичного мислення]] операціоналізувало використання, когнітивне навантаження та [[self-regulated-learning|саморегульоване навчання]] — усе через стандартизовані інструменти самооповідання в одній часовій точці, і піднімає упередженість спільного методу як наслідок; [[genai-motivation-engagement-2026|дослідження PLS-SEM мотивації та залученості]] так само спирається повністю на самооповідання і не може встановити тимчасове впорядкування своїх посередників.

## Засіб: додавання доказів не-самооповідання

Конструктивні відповіді бази знань узгоджені, і жодна з них не вимагає відмови від обстежень.

- **Паруйте самооповідання з даними-трейсами чи логами.** [[mejeh-fromm-srl-adaptive-learning-feedback-2026|Восьмитижневе дослідження технології адаптивного навчання зі 194 студентів]] поєднало самооповідання з даними-трейсами в ієрархічному лінійному моделюванні, що й дозволило йому відстежувати фази саморегульованого навчання в їхньому розгортанні, а не як відтворені.
- **Спостерігайте практику безпосередньо, коли твердження стосується практики.** [[hawkins-feedback-literacy-ai-essay-writing|Завдання оцінювання із записом екрана плюс інтерв’ю зі стимульованим відтворенням]] подолали розрив між самооповіданим використанням ШІ та спостережуваною практикою, фіксуючи [[metacognition|метакогнітивну]] обізнаність, яку не могло фіксувати обстеження.
- **Оцінюйте поведінку за рубрикою, а не запитуйте про неї.** [[adaptive-pretesting-retention|Робота з утриманням]] розглядає зусилля практики як поведінковий показник, отриманий із логів взаємодії, явно не як міру внутрішнього [[motivation|мотиваційного]] стану.
- **Триангулюйте.** [[genai-over-reliance-learning-2026|Змішані методичні дизайни]] та [[mixed-methods-research|змішаномутодні дослідження]] загалом міняють розмір вибірки на здатність перевірити одне джерело даних проти іншого; [[ai-vocational-education-training-review|систематичний огляд професійно-технічної освіти]] є повчальним щодо цієї нерівності, зауважуючи, що серед досліджених ним кількісних досліджень 2 спиралися винятково на самооповідання, тоді як 5 використовували лише об’єктивні міри.
- **Вимірюйте результат, про який вам не байдуже.** Якщо твердження стосується навчання, [[learning-gains|навчальні здобутки]] мають бути виміряні, а не виведені із задоволеності.

## Як читати твердження самооповідання

- Запитуйте, якого різновиду твердження це. Сприйняття — належна територія; поведінка апроксимується; навчання та компетентність цим шляхом недосяжні.
- Перевіряйте, хто відповів, а хто ні. Частка відповідей, рамка вибірки та самостійний вибір визначають, що описують відсотки — дослідження студентів одного закладу описує це середовище, а не студентів загалом.
- Перевіряйте інструмент. Чи був він валідований для цього конструкту та цієї популяції, і якщо порівнюються групи, чи тестувалася інваріантність?
- Стежте за дизайнами з єдиним джерелом. Якщо предиктори та результати обидва надходять із тієї ж анкети в одній часовій точці, асоціації узгоджі як із дисперсією спільного методу, так і з запропонованою теорією.
- Розглядайте задоволеність як сигнал проєктування, а не як результат навчання. Висока задоволеність плюс неперевірене навчання — стандартна конфігурація в оцінюванні інструментів ШІ, і цей корпус показує розбіжність двох.
- Надавайте перевагу дослідженням, які показують свою роботу: заявлені частки відповідей, заявлені обмеження і хоча б одне джерело доказів, яке не надходить від запитання.

## Пов’язані поняття

- [[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]]

## Пов’язані статті
- [[capability-decision-model-teacher-readiness-2026]] — Discriminant-validity criteria for separating self-reported AI capability from efficacy beliefs

- [[pramod-agentic-ai-motivational-pathways-2026]] — Engagement predicts perceived rather than measured performance in an agentic AI path model (Pramod & Patil 2026)
- [[ai-literacy-assessment-misalignment]] — Parallel self-report and objective measures of teacher AI literacy
- [[jin-glat-genai-literacy-assessment]] — GLAT: a performance-based alternative to self-report
- [[genai-student-experiences-uk-he-survey-2026]] — Student GenAI use surveyed across UK institutions
- [[student-llm-interaction-taxonomy-review-2026]] — Taxonomies shaped by whether data came from self-report or logs
- [[tracing-genai-literacy-interaction-patterns]] — Process data characterizing GenAI literacy
- [[engagement-intensity-learner-modeling]] — Self-reported usage as a learner-modeling signal
- [[predicting-attrition-competitive-programming]] — Self-reported confidence versus practice behavior
- [[ai-use-critical-thinking-medical-students-2026]] — Common-method bias in a single-source mediation model
- [[genai-motivation-engagement-2026]] — Self-report-only PLS-SEM of motivation and engagement
- [[fouad-bentley-trust-utility-gap-physics-2026]] — Survey of 81 physics undergraduates on AI use and trust
- [[hawkins-feedback-literacy-ai-essay-writing]] — Screen recording and stimulated recall as a self-report remedy
- [[mejeh-fromm-srl-adaptive-learning-feedback-2026]] — Self-report plus trace data on self-regulated learning
- [[adaptive-pretesting-retention]] — Behavioral effort indicators derived from logs
- [[ai-vocational-education-training-review]] — Review reporting the self-report/objective-measure imbalance
- [[student-genai-use-views-writing|Використання GenAI студентами та їхні погляди на письмо]] — Survey plus interviews in one sociology department
- [[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]] — A 15-item self-assessment instrument for upper-primary students, explicit about what perceived competence can establish
- [[assessing-teachers-ai-literacy-measurement-tools-2026]] — Review finding 31 of 33 teacher AI literacy instruments self-report and none performance-based

---

## [Виявлення ШІ](https://edtechdev.github.io/aied/concepts/ai-detection/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Виявлення ШІ** — [[ai-technologies|технології]] та методи, що використовуються для ідентифікації контенту, згенерованого ШІ, в академічних роботах, а також ширше питання про те, як установи мають реагувати на ризик того, що студенти використовують великі мовні моделі (LLM) для створення робіт, які не є їхніми власними. Це охоплює підходи на основі класифікаторів, методи латентних підказок та правдоподібності, водяні знаки та стилістичний аналіз — а також дедалі активніші дебати щодо меж виявлення та цінності перепроєктування оцінювання замість його поліцейського контролю.

## Питання для роздумів

- Якщо детектор ШІ позначає студентське есе як згенероване ШІ, наскільки ви були б упевнені, що позначка правильна — і які докази ви хотіли б побачити, перш ніж діяти на її основі?
- Один із аргументів полягає в тому, що виявлення ШІ є не просто ненадійним, а концептуально несправним: бінарне поділ «людина проти ШІ» ігнорує те, що студентські роботи зазвичай створюються *за допомогою* ШІ, а не *ним самим*. Якщо робота є гібридною, що взагалі означає «виявлення ШІ»?
- Інструменти виявлення можуть бути упередженими проти авторів, для яких англійська не є рідною мовою, породжуючи хибнопозитивні результати, які несправедливо штрафують студентів. Як би ви зважували ризик [[legal-issues-and-risks|хибного звинувачення]] проти цінності виявлення справжнього зловживання?
- Виявлення може підривати цілісність, а не охороняти її, створюючи клімат підозри, що руйнує довіру. Як те, що за вами спостерігають, змінює вашу поведінку чи поведінку студента під час оцінювання?
- Дослідження вказують на те, що виявлення має бути обмеженим, ситуативним інструментом, а не стратегією першої черги, і що дизайн оцінювання має враховувати роль ШІ. Які альтернативи виявленню могли б краще підтвердити, що студент справді засвоїв?
- Детектори ШІ не можуть бути незалежно перевірені на реальних роботах — не існує «ґрунтовної істини» щодо того, чи позначений текст справді був згенерований ШІ. Наскільки комфортно вам діяти на підставі неперевірної ймовірності в розслідуванні про порушення цілісності?

## Вступ

Виявлення ШІ розташовується на перетині [[academic-integrity]], [[generative-ai]], [[llm|великих мовних моделей]] і [[assessment]]. Воно виникло, коли установи зіткнулися з тим, що студенти використовують LLM для написання есе, коду та коротких відповідей. У цій галузі є дві переплетені лінії: **технічне виявлення** (наскільки надійно може бути ідентифікований контент, згенерований ШІ?) і **інституційна відповідь** (до чого має призводити виявлення з огляду на його межі та занепокоєння щодо справедливості?).

## Підходи до виявлення

Дослідження бази знань ілюструють основні технічні роди:

- **Методи нульового навчання / латентних підказок:** [[detecting-llm-generated-text-latent-prompt|EchoPrompt]] — це детектор нульового навчання без навчання, який використовує залежність від латентної підказки, властиву машинно-згенерованому тексту. Відновлюючи узагальнений префікс відповіді асистента та вимірюючи різницю приросту правдоподібності між інструктованими та базовими моделями, він досягає найкращих результатів виявлення без навчання, залишаючись стійким до зсуву доменів та атак на парафразування. Це контрастує з чисто імовірнісними статистичними детекторами, які ігнорують механізм генерації.
- **Самовиявлення LLM:** [[llm-detecting-llm-generated-content-education|Leinonen & Denny (2026)]] перевіряють, чи можуть LLM надійно виявляти власний згенерований контент на завданнях із програмування, рефлексивного письма та коротких відповідей. Виявлення виявляється **сильно залежним від завдання**: надійним для програмування та довших рефлексивних відповідей, але поганим для коротких відповідей, де LLM часто оцінюють власний результат як *більш* схожий на людський, ніж автентичну студентську роботу. Незначні варіації підказки різко знижують точність.
- **Підходи на основі класифікаторів та водяних знаків:** статистичні класифікатори та водяні знаки широко використовуються в комерційних інструментах, хоча їхня надійність оскаржується в міру того, як результати LLM стають усе досконалішими.
- **Походження ідей, а не походження прози:** [[idealens-detecting-ai-ideas-2026|IdeaLens]] подає класифікатору план дискурсивних ролей та перефразований контент замість прози, щоб той передбачав, чиї ідеї несе документ. Його частка позначок ШІ впала з 94.9% до 6.8% у міру того, як людський план за текстом, написаним ШІ, ставав докладнішим, тоді як Pangram 4 залишався близько 92%, і він класифікував 94.7% полірованих ШІ людських документів як людські. Автори заявляють, що їхні передбачення є статистичними оцінками й не мають використовуватися самостійно як переконливий доказ використання ШІ.

## Межі та ризики виявлення

Дослідження послідовно застерігають від самостійної опори на виявлення:

- **Недоліки валідності та справедливості:** інструменти виявлення можуть бути упередженими проти авторів, для яких англійська не є рідною мовою, породжуючи хибнопозитивні результати, які несправедливо штрафують студентів, що пов’язується із [[bias-mitigation]] та [[equity-in-ai-education]].
- **Значні частоти помилок та ерозія довіри:** ненадійне виявлення підриває довіру студента [[trust]] і цілісність процесу оцінювання.
- **Залежність від завдання:** як показує дослідження самовиявлення, точність різко змінюється за типом завдання, тому жоден окремий детектор не є надійним для всіх видів оцінювання.
- **Навіть перевірений детектор спирається на історичний базовий рівень:** шестирічне дослідження CS2 перевірило свій детектор щодо базового рівня до появи LLM: H-значення були близькі до нуля до того, як LLM стали публічними, і зросли до середнього 11.9 до 2026 року ([[argus-academic-integrity-genai-2026|Racovan et al. (2026)]]).
- **Дилема цілісності, кількісно виміряна.** [[karr-ai-detection-humanization-2026|Контрольоване дослідження 642 опублікованих анотацій (Karr et al. 2026)]] показує, що провал [[educational-policy-ai|політики]] є не лише концептуальним, а й виміряним: легке редагування ШІ, що відповідає рекомендаціям, позначається з частотою 38–80%, немодифіковані свіжі оригінали — 9–15% (не-STEM значно вище за STEM), а текст ШІ з гуманізацією уникає виявлення в >96% випадків. Оскільки детектори орієнтуються на поверхневий стиль (щільність довгих токенів і академічних слів), а не на намір авторства, чесна допомога ШІ залучає покарання, тоді як свідоме ухилення через гуманізатор залишається непоміченим — автори стверджують, що оцінки детекторів ніколи не мають бути самостійним доказом порушення.

Найновіші емпіричні оцінки роблять ці частоти помилок конкретними, а не загальними. [[hadra-ai-detector-accuracy-efl-2026|Hadra, Cambridge and Mesbah (2026)]] прогнали Turnitin та Originality по збалансованому корпусу з 192 текстів справжньої академічної роботи EFL, професійного письма, результатів ШІ та гібридів 50/50: макроточність досягла лише 0.69 і 0.61, обидва значення нижчі за макро-F1 0.55, і обидва були фактично безсиліми на гібридних текстах (чутливість Originality 0.02), причому точність суттєво падала зі збільшенням довжини текстів і знову на науковому письмі, плюс помірно значуща тенденція до помилкової класифікації легітимної студентської роботи EFL. [[van-vlasselaer-ai-detector-reliability-2026|Van Vlasselaer, Van Droogenbroeck and Spruyt (2026)]] перевірили чотири комерційні інструменти на керованому корпусі ґрунтовної істини зі 160 магістерських дисертацій: три з них (Turnitin, GPTZero, Copyleaks) майже повністю провалилися на повністю згенерованих ШІ роботах, тоді як лише Pangram спрацював переконливо — і, застосований до 1,163 справді поданих дисертацій, він позначив 45.5% із них, цифра, на якій автори наполягають як на не є показником поширеності, оскільки живі подання не мають ґрунтовної істини. Обидва дослідження доходять до одного й того самого процесуального висновку: оцінка детектора може спонукати до ретельнішого розгляду, але вона не є висновком. Питання калібрування діє й у зворотному напрямку: оскільки позначка GPTZero з високою довірою мала частоти хибнопозитивних результатів на рівні заявника 0.7%, 0.5% і 1.4% упродовж 2020–2022 років, [[ai-written-admissions-essays-penalized-2026|Isley, Gaebler and Goel (2026)]] читали її позначки як консервативний ряд поширеності протягом шести вступних циклів однієї американської магістерської програми з публічної політики — частка заявників, що подали принаймні одне позначене есе, зросла з 21.8% у 2023 році до 45.1% у 2024 році та 56.1% у 2025 році попри підписаний заборону, сягнувши 69.3% міжнародних заявників проти 38.6% внутрішніх. Людські читачі знову виявилися слабкішим інструментом: п’ять вступних співробітників, розрізняючи 50 людських і 50 есе ШІ, досягли AUC 0.70 (95% CI [0.65, 0.75]), вище за випадковість, але значно нижче за комерційні детектори.

Навіть добре працюючий інтерпретований детектор зберігає свої помилки на рівні документів. [[detecting-gpt-assisted-writing-stylometric-2026|Kumar, Siddiqui and Fuchsberger (2026)]] навчили класифікатори на рівні вікон на дев’яти інтерпретованих стилометричних ознаках — коефіцієнті тип-токен, коефіцієнті гапакс, ентропії слів, частці не-стоп-слів, частках частин мови та мінливості довжини речення — за участі 90 осіб, які писали за тими самими підказками спочатку самостійно, а потім шляхом парафразування результатів GPT, зберігаючи кожне вікно від учасника в одному фолді та тестуючи на 18 небачених авторів. Random Forest досяг ROC-AUC 0.870 і F1 0.842 на 36 відкладених документах, проте позначив 4 зі 18 самостійно написаних документів як створені за допомогою GPT, що дає частоту хибнопозитивних результатів 22.2% (95% CI 9.0–45.2%); [[explainable-ai|атрибуція SHAP]] віддала найбільшу вагу коефіцієнту гапакс. Автори розглядають модель як підтримку рішень, яка має спонукати до контекстуального розгляду, а не як автоматичний екран для порушень, і точність, якої вона досягає, не знижує ваги її помилок — кожен хибнопозитивний результат є самостійно написаним документом, звинуваченим у допомозі GPT, що є проблемою валідності, а не проблемою налаштування.

Визначальні та процесуальні проблеми стоять поруч зі статистичними. [[wright-transcription-not-generation-2026|Wright (2026)]] стверджує, що загальні заборони на «використання ШІ» сформульовані навколо ідентичності платформи, а не функції, тому вони охоплюють негенеративне перетворення формату — транскрипцію мови в текст, OCR, простий текст у LATEX — поряд із генеративним створенням тексту, яке мають на меті заборонити; оскільки детектори читають письмо з низькою перплексією як машинне авторство, отримані хибнопозитивні результати найтяжче вражають студентів з інвалідністю та тих, хто піддається впливу [[equity-in-ai-education|справедливості]]. [[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] доходять до дизайнерської версії того самого висновку, позиціонуючи виявлення щонайбільше як додатковий шар інфраструктури цілісності, оскільки воно запитує, чи використовувався GenAI, а не як приймалися рішення.

Дослідження виявлення несе й аргумент валідності, який переживає питання точності. [[weidlich-inference-at-risk-assessment-validity-2026|Weidlich (2026)]] розглядає результат детектора як умовний, імовірнісний сигнал, який може спонукати до подальшого з’ясування, але не може сам по собі встановити порушення чи компетентність, що робить керування, зосереджене на виявленні, недостатньою основою для підтримки [[assessment-validity|валідності оцінювання]]. Продуктивність класифікації систематично змінюється між інструментами, типами завдань, дисциплінами, версіями моделей і практиками людсько-ШІ редагування, причому формульне письмо STEM є особливо сприйнятливим до алгоритмічної упередженості. Спроби відновити безпеку оцінювання через виявлення тоді ризикують увести варіацію, нерелевантну конструкту, загрожуючи справедливості та інтерпретації оцінок.

## Чому не варто (або намагатися) використовувати детектори ШІ

[[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] стверджують, що виявлення генеративного ШІ **не має використовуватися в освіті взагалі**, на підставах, які виходять далі за межі «будьте обережні» до «це концептуально несправно». Їхній аргумент консолідує причини проти опори на детектори ШІ:

1. **Неперевірні імовірнісні оцінки.** Детектори ШІ видають імовірність того, що текст був згенерований ШІ, на основі лінгвістичних маркерів (перплексія, бастовість). На відміну від інших імовірнісних інструментів (спам-фільтрів, медичної діагностики), їхні результати **не можуть бути незалежно перевірені**: у реальних умовах не існує ґрунтовної істини щодо того, чи позначений текст справді був згенерований ШІ, тому валідація зводиться до кругового міркування. Метрики виявлення сигналу (частоти хибнопозитивних/хибнонегативних результатів) застосовні лише в контрольованих тестах, а не на реальних роботах.
2. **Сумнівні дані для навчання та тестування.** Детектори навчаються та валідуються на людському письмі до появи генеративного ШІ (наприклад, Turnitin тестувався на 700,000 роботах до 2019 року). Припущення, що такий текст віддзеркалює сучасне студентське письмо — яке студенти тепер пишуть, будучи сформованими ШІ, — не перевірене, і продуктивність змінюється разом із моделлю, підказкою та платформою.
3. **Взаємовиключні лінгвістичні маркери — хибне припущення.** Не існує принципової причини, з якої людина не могла б писати з лінгвістичними ознаками, якими наділяють ШІ (або ШІ — людськими), тому сама основа маркерів є хиткою.
4. **Хибна дихотомія.** Класифікація тексту як людського проти згенерованого ШІ ігнорує реальність, що студентські роботи часто створюються *за допомогою*, а не *ним самим* ШІ — гібридний континуум. Бінарність є не просто недостатньою, а беззмістовною, що робить виявлення концептуально хибним від самого початку.
5. **Процесуальна несправедливість та недостатність доказів.** Розслідування порушень академічної цілісності мають відповідати стандарту переваги ймовірностей; оцінки детекторів ШІ — самі по собі чи в поєднанні з лінгвістичними маркерами, порівнянням стилів, заявами LLM або мовчанням студента — його не досягають. Студенти під розслідуванням також зберігають право на мовчання, яке зруйнує процес, керований виявленням.
6. **Ризики безпеки та приватності.** Детектори зберігають студентські роботи на серверах (іноді за кордоном зі слабшим захистом [[privacy]]), створюючи ризики витоку, зловживання та комерційної експлуатації.
7. **Виявлення підриває цілісність, а не охороняє її.** Опора на детектори та спостереження породжує клімат підозри, руйнуючи довіру студента [[trust]] і цілісність самого оцінювання.

Bassett et al. роблять висновок, що виявлення ШІ є непридатною розв’язкою проблеми, яку неможливо вирішити через спостереження та покарання: фокус має перейти до [[assessment|дизайну оцінювання]], який визнає роль ШІ в навчанні та реальність того, що оцінювання без нагляду неможливо захистити. Це консолідує позицію бази знань [[beyond-detection-authentic-assessment-ai-2025|поза виявленням]] прямим, доказовим аргументом на користь відмови від інструментів виявлення.

Із 40 оцінювань з психології, що охоплюють 16 типів, 36 (90%) дали результат ChatGPT, визнаний достатнім для проходження, і чотири невдачі були завданнями, які потребували присутності, візуального артефакту або власного набору даних студента — доказ того, що межа проходження, а не виявлення, вирішувала, чи зараховувалася робота ШІ як досягнення ([[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]]).

### Упередженість детекторів та механізм гонки озброєнь

Виявлення є не просто неточним; його помилки структуровані. [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] збирає накопичений аргумент проти розгляду оцінки детектора як доказу: жоден інструмент у найповнішому ранньому [[benchmark]] не досяг точності 80%; просте парафразування або «огуманізування» приблизно вдвічі знижує навіть це; частоти хибнопозитивних результатів за реалістичних базових ставок перевищують істиннопозитивні; і носії англійської мови як другої класифікуються систематично неправильно, оскільки ознаки, які детектори вважають сигналами ШІ, також характеризують компетентне письмо другої мови. Суд людей не заповнює цю прогалину — і експертні, і новацькі перевіряючі однаково не здатні відрізнити ШІ від студентської прози й упевнені в помилках — і асиметрія помилок означає, що недбалих, але чесних ловлять, тоді як свідомо нечесні ухиляються, оскільки детектори також є непрозорими (без порогів, без даних навчання, без незалежної реплікації), тому на них неможливо відповісти чи перехресно допитати їх під час слухання.

Два подальші пункти загострюють практичні ставки. По-перше, основний статистичний сигнал слабшає в міру того, як моделі оптимізуються в бік людської прози, тому гонка озброєнь — така, яку установа не може виграти. По-друге, емпіричний граничний випадок є разючим: у прихованому польовому дослідженні 94% повністю згенерованих ШІ робіт пройшли непоміченими через діючу онлайн-систему [[summative-assessment|іспитів]] у п’яти психологічних модулях, і робота ШІ в середньому набрала більше балів за справжніх студентів. [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] додають контронтуїтивний корарій, який визначає, коли моніторинг взагалі окупається: оскільки чутливість підвищує хибнопозитивні разом із істиннопозитивними результатами, раціональним стримуванням є дискримінація — розрив між позначенням прихованого використання та позначенням легітимної роботи. Там, де додаткова чутливість створює більше нових хибнопозитивних результатів, ніж нових істиннопозитивних, більший моніторинг робить приховування відносно привабливішим, штрафуючи чесних студентів швидше, ніж виявляючи прихованих користувачів. Дизайнерське наслідок полягає в тому, що детектори, правила та процедури розкриття не мають будуватися окремо.

- **П’ять інструментів, одна рукопис, несумісні відповіді — і установи, які припинили їх використовувати.** [[angelier-ai-detection-pitfalls-inclusive-assessment-2026|Angelier (2026)]] подав одну рукопис людського авторства п’яти комерційним детекторам того самого дня й отримав класифікації від «0% human» (Winston AI) до «Human Generated» (категориальна позначка GPTZero, надрукована поруч із його цифрою 42% ШІ), з Copyleaks на 80.4% ШІ, Originality.ai на «81% Likely AI» і п’ятим інструментом на 34% ШІ / 66% human — три результати з ухилом у бік ШІ і два з ухилом у бік людини на ідентичному тексті, без перевіреної основи для розгляду голосування більшості між власницькими системами як доказу походження. Та сама стаття документує інституційний відступ: Vanderbilt відключив детектор ШІ Turnitin у серпні 2023 року, порахувавши арифметику частоти хибнопозитивних результатів 1% на приблизно 75,000 роботах; Curtin University оголосив про подібне відключення у 2025 році; University of Waterloo припинив функцію виявлення ШІ Turnitin у вересні 2025 року після внутрішнього аудиту, у якому людсько-написана робота була класифікована як на 100% згенерована ШІ; University of Cape Town відключив оцінку ШІ з жовтня 2025 року; University of the Free State приєднався в липні 2026 року; University of the Witwatersrand повідомив, що ніколи не впроваджував таких інструментів; і нью-йоркський суд анулював висновок про порушення, який спирається на оцінку детектора. Два процесуальні висновки завершують справу: сильно пошкоджене витягнення PDF усе ж дало класифікацію на п’ять відсоткових пунктів від результату чистого тексту, а архівний результат детектора встановлює лише те, що інтерфейс повідомив, і не може відтворити стан власницької моделі, який його породив.
- **Результат детектора є найслабшим доказом у справі, і якість доказів не вирішує справ.** Кодуючи 1,162 звинувачення в порушеннях із генеративним ШІ, результат детектора отримав найнижчі рейтинги доведливості і впав до 0.5% позицій до 2025 року. Якість доказів не мала жодного зв’язку з результатами, оскільки конвеєр не встановлював жодного доказового порогу ([[munoz-misconduct-allegation-evidence-2026|Munoz et al., 2026]]).
- **Студенти змінюють свою роботу, щоб вижити виявлення, а не лише свої відповіді.** Звіт документує, що студенти притуплюють власні відповіді, щоб уникнути хибного звинувачення, а викладачі повертаються до неформального судження — того, що він називає AI-DAR — щойно рекламовані детектори виявляються ненадійними ([[tench-ai-policy-isnt-a-playbook-2026|Tench, Weinstein & James, 2026]]).

## Поза виявленням: перепроєктування оцінювання

Ключова тема бази знань полягає в тому, що виявлення має бути **обмеженим, ситуативним інструментом — а не стратегією першої черги**. [[beyond-detection-authentic-assessment-ai-2025|Kickbusch et al. (2025)]] стверджують, що спостереження та виявлення **місдіагностують проблему**: у світі, опосередкованому ШІ, автентичність не може бути впорядкована поліцією; її треба перепроєктувати. Вони реконцептуалізують автентичність як сконструйовану там, де ШІ очікується, декларується та перевіряється, і пропонують не залежні від дисципліни патерни дизайну для навчання, які позиціонують ШІ як співавтора, а не як інструмент для списування. Це пов’язує виявлення з [[authentic-assessment]], [[assessment-validity]], [[responsible-assessment-ai-era-stanford-2026|відповідальним оцінюванням]] та [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|цілісністю співавторства]].

Конструктивне питання зміщується з «як заборонити студентам використовувати ШІ?» на «як дозволити їм використовувати його вдумливо, відповідально та ефективно в контекстах, що віддзеркалюють їхню майбутню роботу?» Тому виявлення пов’язується з [[ai-literacy]] (допомагаючи студентам [[reducing-ai-misuse|використовувати ШІ відповідально]]), [[cognitive-offloading|Надмірною опорою]] (розумінням того, коли використання ШІ підриває навчання) та ширшою метою підтримки справжнього навчання замість поліцейського контролю подань. Воно також пов’язується зі студентськими феноменами, такими як [[student-rationalization-ai-writing|студентська раціоналізація письма ШІ]] та виклик ідентифікації в [[socially-fluent-ai-identity-detection]].

- **Виявляємість є властивістю дизайну завдання, а не лише детектора.** [[student-llm-code-detection-cs1-2026|Ye et al. (2026)]] знайшли узгодженість між моделями 87.79-88.14% на згенерованому коді, проте лише 1-14 відмінних дерев абстрактного синтаксису на 1,000 файлів на тісно обмежених функціях проти 151-804 серед подань студентів 2021 року.

## Значення для ШІ в освіті

- **Виявлення є ситуативним:** установи мають використовувати інструменти виявлення рідко та з усвідомленням їхніх частот помилок, меж справедливості та залежності від завдання — а не як автоматичний, самостійний бар’єр.
- **Дизайн оцінювання важливіший за поліцейський контроль:** інвестиції в [[authentic-assessment|автентичне]] та [[process-oriented-assessment|процесно-орієнтоване оцінювання]], де використання ШІ очікується та декларується, вирішують проблему цілісності ефективніше, ніж саме виявлення.
- **Справедливість та рівний доступ:** інструменти виявлення, які штрафують авторів не рідною мовою або породжують хибнопозитивні результати, ризикують посилити наявні нерівності.
- **ШІ-грамотність є доповнювальною:** допомагати студентам розуміти належне проти [[ai-misuse-learning-harm|шкідливого використання ШІ]] продуктивніше, ніж опиратися на спостереження.

- **Застереження щодо надійності виявлення.** [[meta-analysis-systematic-review|Систематичний огляд]] ШІ та академічної цілісності робить висновок, що на інструменти виявлення плагіату/ШІ не можна покладатися при роботі, згенерованій ШІ, і їх слід поєднувати з численними методами оцінювання та ручним переглядом — посилюючи те, що виявлення є обмеженим, ситуативним інструментом.([[ssaho-ai-academic-integrity-review-2025]])
- **Поза виявленням: діалог замість спостереження.** Практичний опис системи верифікації навчання Grand Canyon University ([[best-response-student-ai-dialog-2026|Mandernach 2026]]) стверджує, що найкраща відповідь на [[student-ai-interaction|використання ШІ студентами]] — діалог, а не виявлення. Оскільки детектори ненадійні (і упереджені проти авторів не рідною мовою), GCU припинила запитувати «чи використовував студент ШІ?» і замість цього просить студентів продемонструвати розуміння в короткій розмові — розширення [[authentic-assessment|перепроєктування оцінювання]], яке розглядає виявлення як глухий кут, а верифікацію як добре навчання.
- **Опора випереджує довіру, ціною для навчання.** В опитуванні 20 фахівців з вищої освіти 15 повідомили про тяжку інституційну опору на програмне забезпечення для виявлення ШІ, тоді як лише 4 висловили довіру до нього, а респонденти описували «педагогічне вигорання» від поліцейського контролю, який витіснив дизайн навчання та наставництво студентів ([[evaluation-age-ai-output-evidence-2026|Chowdhury & Khan (2026)]]).

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[tench-ai-policy-isnt-a-playbook-2026]] — Національно репрезентативне опитування вчителів і директорів шкіл США щодо охоплення ШІ-політикою, повноважень і п’яти класних дій (Tench, Weinstein & James 2026)
- [[evaluation-age-ai-output-evidence-2026]] — Evaluation in the Age of AI
- [[best-response-student-ai-dialog-2026]]
- [[detecting-llm-generated-text-latent-prompt]] — EchoPrompt: Latent Prompt Restoration Detector
- [[ivory-psychology-assessment-integrity-2026]] — Detection is the wrong lever: the pass boundary decided whether AI work was graded as achievement (Ivory et al. 2026)
- [[llm-detecting-llm-generated-content-education]] — Evaluating LLMs for Detecting LLM-Generated Content
- [[beyond-detection-authentic-assessment-ai-2025]] — Beyond Detection: Authentic Assessment
- [[responsible-assessment-ai-era-stanford-2026]] — Responsible Assessment in the AI Era
- [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene]] — Coauthorship Integrity and Assessment Validity
- [[student-rationalization-ai-writing]] — Student Rationalization of AI Writing
- [[socially-fluent-ai-identity-detection]] — Socially Fluent AI Identity Detection
- [[ssaho-ai-academic-integrity-review-2025]] — Review of AI-based plagiarism/AI-content detection reliability
- [[bassett-ai-detectors-education-2026]] — Heads we win, tails you lose: AI detectors in education (Bassett et al. 2026)
- [[teichmann-detecting-undetectable-misconduct-2026]] — Why detector output cannot ground a misconduct finding
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Discrimination rather than catch rate, and when monitoring backfires
- [[hadra-ai-detector-accuracy-efl-2026]] — Turnitin and Originality on 192 texts: both below a macro F1 of 0.55 and near-useless on hybrid writing
- [[van-vlasselaer-ai-detector-reliability-2026]] — Four detectors against 160 ground-truth papers; only Pangram performed, yet flagged 45.5% of live theses
- [[munoz-misconduct-allegation-evidence-2026]] — Detector output is the weakest-rated evidence type in 1,162 real misconduct case files
- [[wright-transcription-not-generation-2026]] — Blanket "AI use" rules conflate transcription with generation
- [[sharma-judgment-visible-genai-assessment-2026]] — Detection demoted to a supplementary layer behind visible judgment
- [[weidlich-inference-at-risk-assessment-validity-2026]] — Detection as a conditional signal, and why security responses add construct-irrelevant variance (Weidlich 2026)
- [[ai-written-admissions-essays-penalized-2026]] — AI-written admissions essays are widespread but penalized
- [[detecting-gpt-assisted-writing-stylometric-2026]] — Nine interpretable stylometric features: ROC-AUC 0.870 but four of 18 independently authored documents flagged (Kumar et al. 2026)
- [[angelier-ai-detection-pitfalls-inclusive-assessment-2026]] — One human manuscript, five detectors, classifications from "0% human" to "Human Generated", plus the documented institutional retreat from detection (Angelier 2026)
- [[argus-academic-integrity-genai-2026]] — Argus: Academic Integrity in the Era of Generative AI
- [[student-llm-code-detection-cs1-2026]] — LLM code converges on tightly constrained assignments (1-14 AST forms per 1,000 files) but not on free ones - detectability follows task design

---

## [Дистанційний прокторинг](https://edtechdev.github.io/aied/concepts/remote-proctoring/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Дистанційний прокторинг** — контроль іспитів, коли студенти складають їх поза межами наглядового фізичного приміщення: від людини-проктора, яка спостерігає через вебкамеру або з центру управління, до повністю автоматизованих систем прокторингу на базі ШІ (AIPS), які використовують машинне/глибоке навчання для верифікації особи та позначення підозрілої поведінки. Це основний засіб збереження валідності [[summative-assessment]] та [[academic-integrity|академічної доброчесності]] в [[online-teaching-and-learning|онлайн- та дистанційному навчанні]], де особисте інвігілювання часто неможливе — але він породжує серйозні занепокоєння щодо [[privacy]], академічного нагляду, справедливості, неупередженості та ерозії [[trust]], і ці витрати самі можуть шкодити навчальному середовищу, яке мають захищати.

## Питання для роздумів

- Перш ніж читати: коли ви уявляєте собі «академічну доброчесність в онлайн-іспитах», який ваш перший інстинкт щодо способу її збереження — і цей інстинкт про виявлення тих, хто списує, чи про будування довіри? Сторінка стверджує, що це відповіді двох дуже різних філософій.
- Дистанційний прокторинг існує в діапазоні від людини за вебкамерою до систем ШІ, які аналізують рухи очей, поставу голови та вираз обличчя. Що система ШІ насправді *спостерігає*, коли позначає «підозрілу поведінку», і наскільки ви впевнені, що відведення погляду від екрана дорівнює списуванню?
- Сторінка попереджає, що моніторинг може бути контрпродуктивним: усвідомлення, що за тобою спостерігають, підвищує [[anxiety-and-stress|тривожність іспиту]], а занепокоєні студенти можуть бути *більш* схильні списувати. Чи можете ви пригадати випадок, коли тиск часу чи нагляд впливали на вашу власну результативність? Чи підриває цей досвід аргументи на користь прокторингу?
- Автоматизований прокторинг фіксує житловий простір студента, обличчя та голос, часто без жодного справжнього вибору, окрім як дати згоду. Де межа між розумним наглядом на іспиті та наглядом, який вважає студентів винними, доки вони не доведуть чесність — і хто має її проводити?
- Дослідження показують, що прокторинг може позначати безневинну поведінку як підозрілу, створюючи помилні звинувачення, і що точність моделі варіюється між демографічними групами та середовищами. Якщо ви [[administrator]], як ви зважите відновлену доброчесність проти справедливості та довіри, які вона може руйнувати?
- Сторінка розглядає прокторинг як один інструмент, а не рішення — існують альтернативи, такі як усне [[process-oriented-assessment|оцінювання, орієнтоване на процес]]. Перед читанням: який підхід ви захищали б для високоставних оцінювань у віддаленому контексті, і які докази змінили б вашу думку?

## Вступ

Дистанційний прокторинг існує як спектр. **Онлайн-прокторинг** зазвичай передбачає людину-проктора, яка спостерігає за студентом через вебкамеру або з центру управління. **Автоматизований/на базі ШІ прокторинг (AIPS)** замінює або доповнює людину системами [[machine-learning]] і глибокого навчання (CNN, RNN, LSTM), які аналізують візуальні підказки — рухи очей, поставу голови, вираз обличчя та мову тіла — для виявлення підозрілої поведінки в режимі реального часу. Типові платформи включають ProctorU і Kryterion. AIPS зазвичай поєднують чотири функції: (1) аутентифікація особи (наприклад, верифікація обличчя камерою), (2) обмеження перегляду, (3) віддалена авторизація/керування іспитом і (4) генерація звітів із записаних сесій.

## Переваги та можливості

- **Відновлює валідність і доброчесність в онлайн-оцінюванні.** Дистанційний прокторинг відповідає на справжню проблему валідності. В [[online-teaching-and-learning|онлайн-оцінюванні]] [[generative-ai|генеративний ШІ]] робить непрокторовану роботу ненадійною мірою навчання: неасистовані, прокторовані закриті завдання є найсильнішим сигналом того, що студенти справді знають (див. [[summative-assessment]], [[generative-ai-reduced-study-time-math|докази збереження при прокторингу]]). Без певної форми нагляду онлайн-іспити можуть завищувати оцінки, фіксуючи асистовану ШІ, а не незалежну результативність.
- **Масштабованість і вартість.** Автоматизований прокторинг зменшує потребу в виділених фізичних приміщеннях і людях-інвігіляторах, роблячи моніторинг можливим у масштабі — перевага для MOOC і великих онлайн-програм, де традиційний прокторинг логістично та фінансово непрактичний.
- **Доступність і охоплення.** Прокторинг дозволяє студентам у віддалених місцевостях складати іспити звідки завгодно, усуваючи географічні та часові бар’єри для сертифікації.
- **Можливість виявлення.** Передові системи ML/DL можуть виявляти списування (рухи очей, поставу голови, вираз обличчя) надійніше за ручне спостереження і можуть вести моніторинг безперервно, а не з перервами.

## Недоліки, ризики та шкоди

- **Шкода довірі та стосункам студент–викладач.** Найсуттєвіша ціна дистанційного прокторингу часто є відносинною. Безперервний нагляд передає думку, що студентів узято за нечесних, що може руйнувати [[trust]], псувати стосунки студент–викладач і підривати почуття спільної мети, яке підтримує академічну доброчесність. Моніторинг як примус може витісняти довірний, освітній підхід до доброчесності, який будує відповідальне використання.
- **Академічний нагляд.** Дистанційний прокторинг — це форма академічного нагляду, який поширює інституційний моніторинг у приватне домашнє середовище студента. Поза самим іспитом ці системи безперервно фіксують житловий простір студента, обличчя, голос і поведінку — рівень уваги, якому мало прецедентів у [[higher-ed|вищій освіті]]. Критики стверджують, що це нормалізує культуру нагляду, в якій студентів узято за винних, доки вони не доведуть чесність, переформуючи стосунки між закладами та здобувачами та порушуючи питання пропорційності: чи виправдовують здобутки в доброчесності піддання кожного студента тотальному моніторингу через проступки одиниць.([[privacy]]), [[trust]]
- **Приватність і згода.** AIPS безперервно отримують доступ до зображень обличчя, патернів голосу, напряму погляду та динаміки натискань клавіш, часто через постійний аудіовізуальний нагляд. Обробка даних має відповідати рамкам на кшталт GDPR і PDP Bill Індії, і потребує чіткої згоди та безпечного поводження з біометричними даними. Студенти часто не мають вибору, окрім як прийняти моніторинг, якщо бажають скласти іспит, порушуючи питання, чи є згода справді добровільною.([[privacy]])
- **Хибні спрацьовування, хибні звинувачення та тривожність.** Системи можуть позначати безневинну поведінку (відведення погляду, зміну постави) як підозрілу, руйнуючи довіру студентів і створюючи помилні звинувачення в порушеннях — особливо там, де проктори чи ті, хто складає іспит, не мають достатньої кваліфікації.
- **Стрес і тривожність іспиту.** Складання прокторованого іспиту саме по собі є джерелом значного стресу й тривожності. Безперервний нагляд, страх бути помилково позначеним і тиск усвідомлення спостереження можуть підвищити тривожність іспиту і погіршити результативність — і, за даними, занепокоєні студенти можуть бути *більш* схильні вдатися до нечесної поведінки, тобто моніторинг може бути контрпродуктивним. Бути під наглядом — стрес, і це може саме спричинити ту неетичну поведінку, яку має запобігти.
- **Обґрунтування доброчесністю не витримало найбільшого тесту.** На чотирьох хвилях і 1760 студентах у 105 курсах прокторинг підвищував тривожність іспиту (β = 0,60, p < 0,001), але не впливав на спокусу списувати, сприйняту складність чи оцінки, тож ціна нагляду не компенсувалася стримуванням ([[conijn-fear-big-brother-proctored-exams-2022|Conijn et al. (2022)]]).
- **Справедливість і цифровий розрив.** Залежність від пристроїв, нестабільний інтернет, освітлення та варіативність апаратного забезпечення непропорційно ставлять у невигідне становище студентів із сільських місцевостей і низькою пропускною здатністю; точність моделі може варіюватися між демографічними групами та середовищами, ризикуючи несправедливими позначеннями.([[digital-divide]]), [[equity-in-ai-education]] Огляд меж досліджень прокторингу в [[nursing-education|медичному]] оцінюванні показує, що це не крайній випадок: чотири з шести включених досліджень повідомляли про проблеми з інтернет-з’єднанням, одне — про погодинні відключення поряд з обмеженими пакетами даних, а несумісність пристроїв, збої розширень браузера та невдалі сканування середовища були рутиною — тож інфраструктурна нерівність, а не лише упередженість моделі, визначає, кого взагалі можна оцінити.([[harerimana-remote-proctoring-nursing-scoping-2026]])
- **Прогалини виявлення та гонка озброєнь.** Підміна особи (фото/відео з маскою), використання браузера та копіювання-вставлення залишаються важкими для надійного виявлення; точність виявлення обмежена обмеженнями наборів даних, оцінкою однієї моделі та прогалинами відтворюваності. Прокторинг не вирішує повністю проблему доброчесності і може створити хибне почуття безпеки.
- **Питання управління.** Чи є нагляд правильною відповіддю порівняно з [[authentic-assessment|перепроєктуванням оцінювання]] (усним, орієнтованим на процес, [[eportfolio|портфоліо]]), — відкрите інституційне рішення; дистанційний прокторинг — один інструмент, а не повне рішення.([[governance]]) Ризик, що виникає, коли примус іде неправильно — звинувачення, що спираються на бали та журнали подій, зберігання та подальша обробка зафіксованих даних і правила, які нерівно падають на студентів з інвалідністю чи неносителів мови, — відображено на [[legal-issues-and-risks]].

## Доказова база

- Десятирічний [[meta-analysis-systematic-review|систематичний огляд]] 80 рецензованих досліджень (2014–2024) встановлює, що просунутий прокторинг на ML/DL виявляє списування надійніше за традиційні методи, але обмежений прогалинами наборів даних (35% не розкрили дані повністю), оцінкою однієї моделі (40%), проблемами відтворюваності (30%), рідким етичним звітуванням (лише 25%) та неузгодженими метриками (20%). Хибні позитивні/негативні результати — позначення нормальної поведінки як підозрілої чи пропускання тонкого списування — підривають надійність і довіру.([[automated-online-exam-proctoring-decade-review-2026]])
- Супутній огляд документує методи списування, проти яких має діяти ШІ (підміна особи через фото/відео, використання браузера/пристроїв, копіювання-вставлення), і практичні бар’єри: тривожність тих, хто складає іспит, прогалини кваліфікації, що створюють помилні звинувачення, та інфраструктуру (вебкамера, мікрофон, інтернет), яка не є універсально доступною за ціною чи наявністю. Він повідомляє, що ~37,8% студентів коледжів і ~41,8% старшокласників визнають списування — мотивація для моніторингу.([[academic-dishonesty-automated-proctoring-ai-2026]])
- **Викладачі не бачать користі від прокторингу іспитів, які складаються поза заняттям.** [[biology-degree-integrity-genai-cheating-2026|Chan et al. (2026)]] опитали 56 викладачів (47% рівень відповідей) в одній [[biology-education|біологічній]] кафедрі після кодування всіх 38 силбесів її основних обов’язкових курсів і попросили оцінити кожну категорію оцінювання, яку вони використовують, за вразливістю до академічної недоброчесності (0 = мінімально до 4 = високо вразливо). Прокторовані та непрокторовані іспити поза заняттями були оцінені *ідентично* на медіані 3 (помірно вразливі), тоді як очні прокторовані іспити були єдиною категорією, оціненою як мінімально вразливою (медіана 0), і були значуще менш вразливими за кожну іншу категорію (p_adj < .01). Оскільки для іспитів поза заняттями були доступні браузери з блокуванням, результат — це сприйняття, що інструменти не зменшили експозицію — що узгоджується з наведеними вище даними оглядів про те, що онлайн-прокторинг є ефективним лише нерівномірно, і з задокументованими цінами тривожності, приватності та помилних звинувачень, які роблять цей компроміс спірним. Ставки видно з обліку балів того самого дослідження: іспити поза заняттями несли в середньому 54,2% оцінки в очних курсах, які їх використовували, і 59,2% в онлайн-курсах, де кожен курс на них спирався.
- Огляд меж досліджень дистанційного прокторингу в [[nursing-education|медичному]] [[assessment|оцінюванні студентів]] відображує спектр модальностей, а не єдину практику — живе людське інвігілювання (ProctorU), прокторинг через розширення браузера зі ШІ, вебкамерою, мікрофоном і позначенням поведінки (Honorlock), моніторинг через вебкамеру плюс браузер із блокуванням (Respondus Monitor), інституційно розгорнутий мобільний додаток інвігілювання та стаціонарні робочі місця в тестових центрах під центральним наглядом — і стверджує, що це різноманіття відображає диспаритети в інфраструктурі та інституційній спроможності, а не спільний стандарт. Лише шість досліджень відповідали критеріям включення (1567 студентів медичного напряму в США, Великій Британії, Південній Африці та Єгипті), і жодне не було опубліковане до 2021 року. Що огляд встановлює: нагляд породжує сприйняття стримування *та* важке навантаження перевірки на викладачів: згода 98–100%, що моніторинг через вебкамеру та браузери з блокуванням стримують списування, — це [[self-report-measures|самозвіт]] з однієї програми для медсестер-практикантів; тривожні сповіщення ШІ були рідкісними, не більш ніж у 5%, проте часті незначні сповіщення створювали хибні спрацьовування, що потребували трудомісткої перевірки, а лектори Південної Африки повідомляли про продовження недоброчесності за активного моніторингу. Єдине порівняльне дослідження результативності вказує в інший бік — очна прокторована когорта набрала значуще вище на іспиті HESI Exit Exam і в готовності до NCLEX, ніж когорта ProctorU — і огляд трактує зв’язок між наглядом і більш чесним навчанням як відкрите питання, а не як встановлену вигоду.([[harerimana-remote-proctoring-nursing-scoping-2026]])
- **Прокторований очний іспит усе одно виявив 44,2% студентів високого ризику.** На курсі [[cs-education|Вступ до програмування]] в турецькому державному університеті 23 зі 52 студентів першого курсу були позначені як високоризикові за журналами іспиту, що фіксували події копіювання, втрати фокуса та правого кліка, хоча іспит був прокторованим і складався в комп’ютерній лабораторії; те саме дослідження прогнозує ризик із слідів LMS раннього семестру, а не з поведінки під час іспиту.([[akcapinar-ai-cheating-risk-lms-prediction-2026]])

## Рекомендовані напрями

- **Гібридний нагляд людина–ШІ.** Поєднуйте автоматизоване позначення з [[human-in-the-loop-ai|людською перевіркою]], щоб зменшити хибні спрацьовування та зберегти контекстуальність судження.
- **Архітектура, що зберігає приватність.** Обробка на периферії, анонімізація та поводження на пристрої зменшують інвазивність безперервного збору даних.
- **Розгортання з урахуванням справедливості.** Різноманітні, географічно інклюзивні набори даних і легкі моделі для середовищ із обмеженими ресурсами; доступні альтернативи для студентів без надійних пристроїв/з’єднання.
- **Освіта перед наглядом.** Надавайте перевагу розвитку [[ai-literacy]] та [[reducing-ai-misuse|відповідального використання]] через культуру та будування довіри, залишаючи прокторинг для високоставних випадків, які справді його потребують.

## Пов’язані поняття
- [[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]]

## Пов’язані статті

- [[automated-online-exam-proctoring-decade-review-2026]] — Десятирічний систематичний огляд автоматизованого онлайн-прокторингу іспитів
- [[academic-dishonesty-automated-proctoring-ai-2026]] — Комплексний огляд академічної недоброчесності в автоматизованому прокторингу
- [[ssaho-ai-academic-integrity-review-2025]] — ШІ та академічна доброчесність: систематичний огляд
- [[conijn-fear-big-brother-proctored-exams-2022]] — Страх перед Великим Братом: негативні побічні ефекти прокторингу на тривожність іспиту
- [[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
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Under surveillance: mapping remote proctoring practices in nursing student assessment
- [[akcapinar-ai-cheating-risk-lms-prediction-2026]] — Akçapınar (2026) — 44,2% студентів позначені як високоризикові на прокторованому очному іспиті, з ризиком, прогнозованим із слідів LMS раннього семестру

---

## [Навчальні здобутки](https://edtechdev.github.io/aied/concepts/learning-gains/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Навчальні здобутки** — виміровні поліпшення в знаннях, уміннях або компетентностях студентів, що виникають внаслідок освітніх втручань, зокрема інструкції з підтримкою ШІ. У дослідженнях [[ai-education|ШІ в освіті]] навчальні здобутки слугують первинною мірою результату для оцінювання того, чи справді інструменти ШІ покращують навчання, — а не лише [[student-engagement|залученість]] чи задоволеність.

## Питання для роздумів

- Чи траплялося вам відчувати, що ви багато засвоїли з діяльності, а потім провалити тест, який вимірював щось інше? Сторінка розрізняє негайну підтриману ШІ продуктивність і стійке навчання — як ці два виміри могли б розійтися у вашому власному досвіді?
- Основний висновок полягає в тому, що генеративний ШІ може здувати оцінки за підтримані ШІ домашні завдання, знижуючи при цьому оцінки за інспектованими, закнитковими мірами. Якби ви оцінювали, чи справді інструмент ШІ допомагає студентам навчатися, якому результату ви б довіряли і чому?
- Дослідження показують, що некерована залежність від ШІ передбачає гірші навчальні здобутки, тоді як структуроване використання — кращі: той самий інструмент, протилежні результати. Що відрізняє «структуроване» використання від «некерованого» в справжній аудиторії?
- Кнопки підказок корелюють зі зниженням навчання: більше підказок — менше навчання. Чи відчували ви спокусу сягнути за підказкою або відповіддю щойно застрягли? Що це говорить про те, скільки боротьби справді необхідно для навчання?
- Велика метааналітика звела багато досліджень і виявила, що наявні в освіті [[edtech-platform|EdTech]] зі ШІ підвищують навчання на скромну величину, без переваги генеративного ШІ над раннішими адаптивними інструментами. Як ця обережна, зведена оцінка має змінити те, як ви читаєте захопливі твердження про ефективність одного продукту ШІ?

## Вступ

Навчальні здобутки — вирішальне випробування будь-якої освітньої технології. У дослідженнях бази знань вони виступають залежними змінними в [[rct|рандомізованих контрольованих випробуваннях]], порівняннями «до–після» в квазіекспериментальних дослідженнях і кореляційними аналізами, що пов'язують використання інструментів ШІ з академічними результатами.

**Термінологія.** Значення *результату* досягнення — академічні досягнення студентів, досягнення в навчанні, попередні досягнення, розриви в досягненнях — розглядається тут як синонім навчальних здобутків, і ці фраози посилаються на цю сторінку. Значення *пережитого* («почуття досягнення») є мотиваційним досвідом, а не виміряним результатом; див. [[motivation]] і [[self-efficacy]]. Теорія цілей досягнення («цілі досягнення», орієнтації на цілі) є так само мотиваційною конструкцією і посилається на [[motivation]].

Ключові висновки бази знань:

- Дослідження **[[adaptive-pretesting-retention|адаптивного претестування]]** розглядають, чи породжує [[generative-ai|уможливлене GenAI]] [[retrieval-spacing-interleaving|претестування]] стійкі навчальні здобутки, що зберігаються за межами негайного тестування.
- **[[genai-meta-analysis-programming-learning|Метааналізи GenAI у програмуванні]]** виявляють позитивні навчальні здобутки від структурованого використання ШІ, але негативні ефекти від некерованої залежності — ключове розрізнення між продуктивністю і стійким навчанням.
- **[[lak2026-hint-button-unproductive-use|Дослідження кнопок підказок]]** показує негативні асоціації між зловживанням підказками і навчальними здобутками — більше підказок корелює з меншим навчанням.
- Дослідження **[[instructional-guidance-genai-learning|інструкційного керівництва]]** демонструють, що навчальні здобутки залежать від ТОГО, ЯК використовується ШІ, а не лише від того, ЧИ він доступний.
- **[[burneo-can-edtech-close-learning-gaps-2026|Метааналіз Світового банку]]** зводить 191 розмір ефекту з 14 RCT, щоб оцінити, що адаптивні та уможливлені ШІ освітні технології підвищують навчання в середньому на ~0,125 sd — вище медіани для освітніх RCT — і водночас не виявляє переваги генеративного ШІ над раннішими адаптивними інструментами.
- **Здобутки — це взаємодії контенту зі способом навчання, а не сталості.** [[rachatasumrit-example-problem-ratio-2026|Rachatasumrit та ін. (2025)]] показують, що оптимальне відношення прикладів до задач залежить від контенту знань: чиста практика [[mastery-learning|відтворення]] дає вищі здобутки для дослівних фактів, тоді як інтегрована з прикладами практика (чергування розв'язаних прикладів і задач) дає вищі здобутки для узагальнюваних умінь — прямі свідчення, що «більше практики» не завжди краще і що здобутки залежать від узгодження розкладу тренування з компонентом знань, що засвоюється.

### Проблема вимірювання в епоху ШІ

Центральна тема досліджень навчальних здобутків у базі знань полягає в тому, що **генеративний ШІ може здувати видиму продуктивність, не породжуючи навчальних здобутків** — і що вибір міри результату визначає, чи буде це видно. [[generative-ai-reduced-study-time-math|Дослідження]] і [[stromberg-generative-ai-learning-penalty-secondary-2026|дані великомасштабних польових досліджень]] показують різкий розрив: використання ШІ покращує оцінки за підтриманими ШІ домашніми завданнями, водночас *знижуючи* оцінки за інспектованими, закнитковими, несприяними мірами. [[genai-performance-vs-learning|Дослідження продуктивності проти навчання]] і [[young-people-learning-generative-ai-rapid-review-2026|швидкі огляди]] тому розрізняють негайну підтриману ШІ продуктивність і стійке навчання і розглядають несприяні підсумкові міри (див. [[summative-assessment]]) як надійний сигнал справжніх навчальних здобутків.

### Що показують дослідження ефективності

У [[rct|RCT]], [[meta-analysis-systematic-review|метааналізах]] і польових дослідженнях бази знань вимальовується узгоджена картина **ефективності навчання** (які втручання ШІ справді породжують навчальні здобутки і якої величини):

- **Метааналітичні свідчення загалом позитивні, але умовні.** [[genai-educational-outcomes-meta-analysis|Комплексний метааналіз 53 досліджень]] (Dong 2026) виявляє, що генеративний ШІ загалом перевершує традиційні підходи за академічними досягненнями, [[critical-thinking|мисленням вищого порядку]] і письмом — при цьому [[ai-feedback-quality|зворотний зв'язок ШІ]] особливо ефективний — хоча GenAI із підтримкою ігор не показує значного доданого блага, а здобутки варіюють за країною та результатом. [[genai-meta-analysis-programming-learning|Метааналіз GenAI і програмування]] виявляє великі здобутки в продуктивності, але не виявляє значного навчального здобутку (g ≈ 0), розділяючи ефективність виконання завдання і стійке навчання. [[robot-assisted-language-learning-meta-analysis-2026|Метааналіз вивчення мов]] виявляє позитивні, але скромні навчальні здобутки від [[embodied-learning|втілених]] роботів із розширенням ШІ. Спеціально для [[ai-literacy|ШІ-грамотності]] [[liu-ai-literacy-interventions-meta-analysis-2026|трирівневий метааналіз 59 досліджень]] оцінює великий загальний ефект (g = 0.837) — проте широкий інтервал передбачення і висновок, що втручання, зосереджені на знаннях, перевершували ті, що націлювалися на уміння, ставлення чи [[ethics]], застерігають, що саме *виміряний результат* формує видимий здобуток, перегукуючись із загальнішим тезисом, що пов'язані зі ШІ здобутки залежать від того, що й як ви оцінюєте.
- **Добре проєктовані [[intelligent-tutoring|ШІ-тьютори]] породжують справжні здобутки.** Дворічне кластерне RCT ([[one-click-away-khanmigo-two-year-school-experiment-2026|Khanmigo]]) виявило, що ШІ-тьюторінг підвищив досягнення в математиці на ~1,3 національного перцентильного рангу за семестр (~0,06–0,08 SD за шкільний рік, ~0,14 SD за повний рік); здобутки нагадували практику без ШІ — демонструючи, що обмежувальним чинником є *залученість*, а не здатність моделі. [[making-ai-tutoring-productive-mastery-math-2026|NUMI]] показав, що підтримка ШІ покращувала правильність наступної спроби після помилок за більшого часу на запитання — «продуктивне уповільнення», що будує стійке володіння. [[virtual-tutoring-computer-assisted-learning-takeup-2026|Віртуальний тьюторінг]] виявив, що обмежувальним чинником є охоплення та тривала участь, а не якість тьютора.
- **Тьютор, побудований на власній педагогіці заняття, перевершив активне навчання, а не лише лекцію.** У перехресному [[rct]] на вступному курсі фізики Гарварда студенти, що навчалися від індивідуального ШІ-тьютора, набрали медіану 4,5 на післятесті проти 3,5 за активного навчання під час занять (базова медіана 2,75), із розміром ефекту за лінійною регресією 0,63, і витрачали медіану 49 хвилин на завдання проти 60 на занятті ([[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin та ін., 2025]]). Оскільки контролем було дослідницьке активне навчання, а не лекція, випробування вимірює тьютора проти вимогливого компаратора — проєктування, якому автори приписують результат, полягало в інженерії тьютора з тих самих дослідницьких практик, що й заняття, плюс персоналізований зворотний зв'язок на вимогу і самовстановлений темп.
- **ШІ може дорівнювати людській допомозі.** [[chatgpt-hints-human-tutor-learning-gains-2024|Допомога, згенерована ChatGPT]], породжує навчальні здобутки, еквівалентні допомозі, складеній тьютором-людиною, в [[math-education|математичних]] уміннях — свідчення, що генеративний ШІ може бути таким самим дієвим, як і людський [[scaffolding]], коли використовується належно.
- **Здобутки залежать від того, хто навчає з ним.** Тьютори з малим досвідом, яким дали підтримку ШІ, підвищили рівень здачі студентів на 9 відсоткових пунктів, з меншими здобутками в досвідченіших тьюторів — патерн розширення, що найбільше підсилює найменш досвідчених ([[oecd-digital-education-outlook-2026|OECD, 2026]]).
- **Необмежений ШІ може шкодити навчанню.** RCT із захисними обмеженнями ([[generative-ai-guardrails-harm-learning|PNAS 2025]]) виявило, що тьютор у стилі ChatGPT без захисних обмежень підвищив сприяну практику на +48 %, але *знизив* оцінки несприяного іспиту на −17 %, тоді як тьютор із захисними обмеженнями (підказка, а не відповідь) усунув шкоду. Це найгостріше свідчення, що **ефективність навчання залежить від проєктування**: той самий клас інструментів може бути сильним навчальним здобутком або чистою шкодою залежно від того, як він налаштований.
- **Проте необмежений доступ може й допомагати, стійко.** RCT із готовим обліковим записом ChatGPT виявив, що оцінювання без допомоги було вищим на 0,27 SD, поки студенти мали доступ, і здобуток зберігся тиждень потому — більш ніж удвічі медіани 0,10 SD по 747 освітніх RCT ([[contractor-learning-impact-generative-ai-2026|Contractor & Reyes, 2026]]).
- **Уявна і справжня ефективність розходяться.** [[ai-literacy-assessment-misalignment|Заявлена продуктивність не узгоджується з виміряною продуктивністю]], і [[absent-cognitive-baseline-2026|відсутній когнітивний базовий рівень]] показує, що студенти, для яких ШІ рідний, переоцінюють своє навчання, — тому твердження про ефективність, засновані на самозвіті, ненадійні без об'єктивних мір результату. [[self-report-measures]] збирає випадки, коли заявлені і виміряні результати розходяться.
- **Здобутки можуть виникати з перерозподілу часу викладача, а не з оцінювання ШІ.** У рандомізованому експерименті на 178 бразильських школах (~19 000 випускників) оцінювання есе за допомогою ШІ та людиною дало тотожні здобутки на іспиті, але в аудиторіях зі ШІ було ~35 % більше особистих розмов викладача про письмо, і нижній квартиль покращився за жодної умови ([[ai-changing-teaching-workflows|Ler, 2026]]).

**Головне:** вага свідчень підтримує **скромні, умовні та залежні від проєктування навчальні здобутки** від ШІ — справжні, коли ШІ структурований тренувати, а не відповідати, обмежений захисними рамками й поєднаний з несприяними мірами результату, і відсутні або негативні, коли він заміщає власні зусилля здобувача. Саме тому навчальні здобутки як результат мусять вимірюватися дійсними, стійкими до ШІ інструментами, і саме тому [[ai-ed-evaluation]] поєднує твердження про ефективність із [[research-methods-aied|методологічною]] перевіркою.

- **ШІ-тьюторінг може дорівнювати експертному людському тьюторінгу за здобутками на стандартизованих тестах.** В оцінюванні з 2 383 учасників зведений ШІ-тьюторінг був статистично еквівалентний експертному людському тьюторінгу за навчальними здобутками GRE (p = .015), причому обидва вище за контроль без тьюторінгу; автори пропонують собівартість на відсотковий пункт здобутку як одиницю для порівняння тьюторів ([[studentbench-ai-human-tutoring-gre-2026|Northcutt та ін., 2026]]).

### Польова карта ефектів ШІ на навчання й досягнення

Корпус бази знань — метааналізи, RCT, квазіексперименти й польові дослідження — підтримує витончену, подеколи суперечливу картину. Висновки групуються на позитивні, негативні та умовні ефекти.

**Позитивні ефекти (ШІ може породжувати справжні навчальні здобутки):**
- **Метааналітичні свідчення загалом позитивні, але умовні.** [[genai-educational-outcomes-meta-analysis|Метааналіз 53 досліджень]] (Dong 2026) виявляє, що генеративний ШІ загалом перевершує традиційні підходи за академічними досягненнями, мисленням вищого порядку і письмом, причому особливо ефективним є [[feedback]] ШІ. Метааналіз 29 експериментів ([[zhao-genai-higher-order-thinking-meta-2026]]) виявляє помірний позитивний ефект на мислення вищого порядку, найсильніший для [[problem-solving]], але обмежений для [[creativity]].
- **Специфічний для тьюторінгу ШІ надійно перевершує ШІ загального призначення.** [[stanford-evidence-base-ai-k12-2026|Огляд Stanford SCALE]] і зонтичний огляд ([[genai-higher-education-systematic-review-2026]]) сходяться: педагогічно проєктовані агенти з підказками та покроковим скаффолдингом породжують справжні здобутки там, де відкриті [[conversational-ai|чат-боти]] часто не породжують.
- **Добре проєктовані ШІ-тьютори породжують справжні, виміровні здобутки.** Дворічне RCT Khanmigo ([[one-click-away-khanmigo-two-year-school-experiment-2026]]) підвищило досягнення в математиці на ~1,3 національного перцентильного рангу за семестр; [[making-ai-tutoring-productive-mastery-math-2026|NUMI]] покращив правильність наступної спроби після помилок; [[virtual-tutoring-computer-assisted-learning-takeup-2026|віртуальний тьюторінг]] показав, що охоплення є обмежувальним чинником.
- **ШІ може дорівнювати людській допомозі.** [[chatgpt-hints-human-tutor-learning-gains-2024|Допомога, згенерована ChatGPT]], породжує навчальні здобутки, еквівалентні допомозі, складеній тьютором-людиною, в математичних уміннях.
- **Зосереджений на зворотному зв'язку ШІ працює.** [[genai-educational-outcomes-meta-analysis|Зворотний зв'язок ШІ]] є одним із найефективніших застосувань GenAI; [[ai-feedback-critical-thinking-writing-2026|зворотний зв'язок ШІ в письмі]] покращує критичне мислення, коли поєднаний з інструкцією. У польовому експерименті [[gpt4-feedback-student-activation-2026|Geschwind та ін. (2026)]] виявили, що студенти, які отримували індивідуальний зворотний зв'язок GPT-4 на відкритих завданнях, показали найбільші здобутки в засвоєнні контенту (~0,11, p < 0,10; зростаючи до 0,16 серед тих, хто справді отримав попередній зворотний зв'язок) — ефект, обумовлений надійним, послідовним наданням з боку ШІ, а не притаманною перевагою, оскільки результати ровесників зрівнялися зі ШІ, коли якісний [[peer-assessment|зворотний зв'язок ровесників]] справді надавався. Партнери-критики на основі LLM у письмі розширюють це на ітеративний, спільний зворотний зв'язок: [[oppenheimer-llms-collaborative-learning-partners-2026|Oppenheimer, Cash & Connell Pensky (2025)]] виявили значні здобутки протягом семестру в аргументованому письмі, [[prompt-engineering|інженерії підказок]] і якості відповіді на зворотний зв'язок ШІ (усі p < .001, приблизно повне стандартне відхилення на вимір), причому здобутки виявлялися навіть на есе, написаних без підтримки LLM — свідчення стійкого уміння, а не лише залежності від інструменту, хоча відсутність контрольної умови обмежує причинне приписування.
- **Структуровані скаффолдинги дають здобутки.** [[scaffolding-srl-feedback-genai-human-peers|Скаффолдингований саморегульований зворотний зв'язок]] і [[learner-ai-interaction-patterns-oop|проєктування взаємодії]] показують малі, але значні здобутки, коли ШІ проєктовано тренувати.
- **ШІ у спільних і проблемно орієнтованих контекстах допомагає, коли структурований.** [[ai-enhanced-pbl-chatgpt-scaffolding-2026|PBL із розширенням ШІ]], [[ai-assisted-collaborative-learning-model-dbr|спільного навчання з підтримкою ШІ]] й [[ccct-cooperative-learning-technique|спроєктовані ШІ кооперативні методики]] повідомляють про змістові здобутки.

**Негативні ефекти (ШІ може знижувати або не покращувати навчання):**
- **Необмежений ШІ може шкодити навчанню.** RCT із захисними обмеженнями PNAS ([[generative-ai-guardrails-harm-learning]]) виявило, що тьютор у стилі ChatGPT без захисних обмежень підвищив сприяну практику на +48 %, але *знизив* оцінки несприяного іспиту на −17 %; [[guardrails]] усунули шкоду.
- **Швидше завершення ≠ навчання.** [[generative-ai-reduced-study-time-math|GenAI скоротив час вивчення]] математичних задач і знань, які вони будують; [[genai-performance-vs-learning|дослідження продуктивності проти навчання]] показує, що ШІ здуває підтриману ШІ продуктивність, знижуючи інспектовані, закниткові, несприяні оцінки.
- **Перекладання домашніх завдань шкодить навчанню.** [[stromberg-generative-ai-learning-penalty-secondary-2026|Польові дані]] показують штраф генеративного ШІ за навчання, коли студенти перекладають домашні завдання.
- **[[llm]]-залежність корелює з нижчими оцінками.** [[jost-llm-programming-education-learning-outcomes|Jošt та ін.]] виявили значні негативні кореляції між використанням LLM для генерації коду (rho = −0,305) і налагодження (rho = −0,360) і підсумковими оцінками.
- **ШІ може шкодити [[teacher-role|викладанню]] й досягненням у деяких.** [[genai-can-harm-teaching-rct-2026|RCT із GenAI для викладачів]] виявив, що студенти викладачів нижче медіани втратили ґрунт (−0,129 SD).
- **Зловживання підказками корелює з меншим навчанням.** [[lak2026-hint-button-unproductive-use|Дослідження кнопок підказок]] показує, що більше підказок, використаних непродуктивно, корелює з меншим навчанням.
- **Метааналітичні здобутки в програмуванні ілюзорні.** [[genai-meta-analysis-programming-learning|Метааналіз GenAI і програмування]] виявляє великі здобутки в продуктивності, але не виявляє значного навчального здобутку (g ≈ 0), розділяючи ефективність виконання завдання і стійке навчання.

**Умовні та змішані ефекти (контекст визначає напрям):**
- **Проєктування вирішальне.** Той самий клас інструментів може бути сильним здобутком або чистою шкодою залежно від конфігурації ([[generative-ai-guardrails-harm-learning]], [[stanford-evidence-base-ai-k12-2026]]).
- **Те, ЯК використовується ШІ, важливіше за те, ЧИ використовується.** [[jost-llm-programming-education-learning-outcomes|Використання для пояснень було нешкідливим; використання для генерації коду — шкідливим]]; [[genai-over-reliance-learning-2026|надмірна залежність]] роз'їдає здобутки.
- **Тривалість і само[[regulation]] пом'якшують ефекти.** [[zhao-genai-higher-order-thinking-meta-2026|Ефекти були найсильнішими на 8–16 тижнях]] і для здобувачів із вищим [[self-regulated-learning]].
- **Рівень обчислювального мислення пом'якшує здобутки з підтримкою ШІ.** На чотиритижневому курсі ШІ-помічника з кодуванням для восьмикласників студенти з високим ОМ перевершували однокласників з низьким ОМ на післятесті (72,54 проти 61,73, p = .031) за порівняних попередніх знань із кодування, використовуючи помічника для розуміння коду, тоді як студенти з низьким ОМ добували відповіді ([[computational-thinking-aica-2026|Zhao та ін. (2026)]]).
- **ШІ-IBL підтримує креативність, але не обов'язково розв'язування задач.** [[mujib-ai-ibl-creative-math-2026|Mujib та ін.]] покращили творчу продуктивність і ставлення, але не критичне розв'язування задач.
- **[[student-experience|Досвід студента]] розходиться з виміряними здобутками.** [[absent-cognitive-baseline-2026|Студенти, для яких ШІ рідний, переоцінюють своє навчання]], і [[ai-literacy-assessment-misalignment|самозвіт не узгоджується з продуктивністю]] — уявлення про здобутки не є надійним свідченством про них.

### Метааналітичні оцінки навчальних здобутків здуті — читайте їх з обережністю

Числа навчальних здобутків, що домінують у зведенні ефективності на цій сторінці, — особливо зведені розміри ефекту з метааналізів — мусять читатися з сильною застерегою: хвиля метадосліджень показує, що позитивні оцінки синтезу в цьому полі здуті упередженням публікації, некогерентністю конструктів і методологічними скороченнями.

- [[bartos-ai-learning-meta-meta-analysis-2026|Мета-метааналіз на рівні досліджень з 1 840 розмірів ефекту з 67 метааналізів]] виявляє, що скоригований на упередження публікації середній ефект ШІ — приблизно **третина** повідомленої величини (SMD ≈ 0,196 проти медіани 0,67), з інтервалом передбачення, що простягається від великої шкоди до великої користі, і без модератора, який давав би послідовні здобутки. Навіть одне екстремальне дослідження майже не додає інформації з огляду на гетерогенність — а це означає, що *більше досліджень поточного типу не вирішить питання*; лише високоякісні, попередньо зареєстровані, зорієнтовані на відтворення випробування вирішать.
- **Метааналіз другого порядку самого шару синтезу.** [[ai-education-effects-second-order-meta-analysis-2026|Emslander та ін. (2026)]] інвертують звичну одиницю аналізу: розглядаючи 45 метааналізів як свої дані й коригуючи на перекриття досліджень (818 унікальних первинних досліджень, зважених за унікальністю, а не відкинутих), вони зводять 129 метааналітичних розмірів ефекту до g = .57 [.50, .65], причому кластери результатів ідуть від .35 для продуктивності в STEM до .68 для загальних академічних результатів. Два результати стосуються чисел вище. Тип ШІ не пом'якшував ефект (p = .63) — [[intelligent-tutoring|системи інтелектуального тьюторінгу]], [[conversational-ai|чат-боти]] і ChatGPT статистично нерозрізненні на цьому рівні, тож зведені здобутки поля не рушать генеративний ШІ як такий — і єдиним чітким модератором був освітній рівень (.61 для третинного проти .30 для молодших вибірок), що частково є артефактом проєктування досліджень, з огляду на те, що 74 % корпусу тестувало студентів третинного рівня, а свідчення щодо [[k-12|K-12]] порівняно тонкі. Йхня оцінка якості — найгостріша в корпусі: 45 метааналізів набирали в середньому 9,3 із 17 за адаптованою шкалою AMSTAR, жоден не був попередньо зареєстрованим, і лише 23 з 45 мали 80 % потужності, щоб виявити ефект, який самі повідомляли. Їхні два тести на упередження публікації також розходяться — симетрична воронкоподібна діаграма (τ Кендалла = −.01, p = .868) проти PET-PEESE (B = 0,9, p = .009), що вказує на здуття, — тож власний середній ефект SOMA приходить із нерозв'язаною хмарою упередження над ним.
- [[oneill-presumed-effective-meta-analysis-2026|Судовий аудит 14 впливових метааналізів AIED]] виявляє, що жоден не дав дійсного підґрунтя для свого зведеного твердження про навчальні здобутки: жоден не мав когерентного конструкту результату, у всіх була нерозв'язана крайня гетерогенність (I² коливався від 77,2 % до 94,4 % по 13 метааналізах, які її повідомляли, і 12 із цих 13 перевищували 80 %), дванадцять розглядали залежні розміри ефекту як незалежні, і жоден дійсно не оцінив упередження публікації. Більшість випадково перевірених первинних досліджень не відповідали метааналітичному твердженню. Помилки дійшли до політики: два з проаудитованих метааналізів розглянули розмір вибірки дослідження як розмір класу і, спираючись на помилково обчислене первинне дослідження, зробили висновок, що 21–40 студентів є ідеальним розміром втручання, і рекомендували проєктувати втручання GenAI під цю кількість.
- **STEM-синтез 2026 року [[stem-education|зі STEM]], що виправляє два з проаудитованих дефектів — і водночас ілюструє третій.** [[ai-supported-instruction-stem-meta-analysis-2026|Doğan та колеги (2026)]] звели 35 експериментальних і квазіекспериментальних STEM-досліджень з одним розміром ефекту на дослідження, щоб уникнути проблеми залежних розмірів ефекту, і провели повний набір тестів на упередження публікації (воронкоподібна діаграма, тести Бегга та Еггера, trim-and-fill, fail-safe N Розенталя = 2404), а не стверджували симетрію, — ті два скорочення, які аудит вище виявив у кожному дослідженому метааналізі. Дві застереження лишаються. По-перше, автори не застосували формальної оцінки якості й розглядали критерії включення як поріг ретельності, тож дослідження дуже різних проєктувань увійшли до зведеної групи, не зважених на якість. По-друге, заголовна гетерогенність повністю залежить від того, яку модель ви читаєте: ті самі 35 досліджень повідомляються як I² = 82,98 % за моделлю з фіксованим ефектом і I² = 15,75 % за моделлю з випадковими ефектами, тож читач, який зустрічає числа без позначки моделі, може зробити висновок, що корпус однорідний, коли він не однорідний. Його зведена оцінка (g = 0,670, 95 % CI [0,491, 0,848]) — тому саме така цифра, яку описує розділ вище: краще побудована за більшість, і водночас верхня межа.
- [[weidlich-chatgpt-effect-search-cause-2025|Медійно-методологічна критика]] показує, що багато «навчальних здобутків» не були виміряні дійсно — результатами часто були заявлені уміння або продуктивність, виміряна *під час* допомоги ШІ, а не стійке, несприяне навчання.
- **Перша хвиля синтезів щодо ChatGPT вимірювала продуктивність, а не навчання.** [[epistemological-audit-genai-meta-analyses-2026|Fütterer та ін. (2026)]] перебудували базу свідчень п'яти метааналізів, які зводили освітні ефекти ChatGPT: серед 69 класифіковних первинних досліджень 79,7 % вимірювали винятково продуктивність і лише 11,6 % вимірювали навчання. Їхня відтворена зведена оцінка (g = 0,83, 95 % CI [0,68, 0,97], I² = 94,06 %) тому описує продуктивність на тесті, а її інтервал передбачення [−0,75, 2,41] перетинає нуль.

**Головний висновок для чисел здобутків вище:** розглядайте великі зведені розміри ефекту ШІ як верхні межі, а не точкові оцінки. Надавайте перевагу свідченням про навчальні здобутки з добре проєктованих [[rct|RCT]] і польових досліджень із несприяними, стандартизованими мірами результату (RCT із захисними обмеженнями, експерименти Khanmigo та NUMI і метааналіз освітніх технологій Світового банку, згадані вище), і читайте метааналітичні здобутки як умовні та, ймовірно, завищені, доки якість синтезу не покращиться. Проблема також переживає виправлення: з публікацій, що вийшли після відкликання одного проаудитованого метааналізу, 60 % усе ще цитували його як авторитетну підтримку великих навчальних здобутків ChatGPT, і жоден не згадав про відкликання, тож відкликана оцінка продовжує поширюватися. Саме тому сторінка [[limitations-in-aied-research|Обмеження в дослідженнях AIEd]] тепер детально документує кризу метааналітичних свідчень.

### Вимірювання того, що має значення

Навчальні здобутки пов'язані з [[assessment-validity]] — якщо [[assessment|оцінювання]] не вловлює глибшого розуміння, міри навчального здобутку вводять в оману. Вони також перетинаються з [[cognitive-offloading|надмірною залежністю]] і [[cognitive-offloading]], де видимі поліпшення продуктивності можуть маскувати втрати в навчанні, і з [[rct]] (як проєктуванням «золотого стандарту» для виявлення причинних навчальних здобутків), і з [[meta-analysis-systematic-review]] (зведенням розмірів ефекту через дослідження, щоб установити свідчення ефективності поля).

- **Значні здобутки «до/після» від [[pedagogy]] на основі помилок ШІ:** [[pedagogy-ai-mistakes|Hosseini (2026)]] у курсі проєктування баз даних (n=13) показав великі, значні навчальні здобутки на тотожних пунктах «до/після» (середнє 4,25→6,83/7, *d* Коена = 1,49, *p*<.001), причому здобутки не корелювали з попередньою упевненістю в ШІ чи базах даних — проєктована з інтеграцією ШІ критика-удосконалення принесла користь студентам незалежно від початкових уявлень.

## Пов’язані поняття

- [[rct]] — Рандомізоване контрольоване випробування
- [[meta-analysis-systematic-review]] — Метааналіз і систематичний огляд
- [[formative-assessment]] — Формувальне оцінювання
- [[summative-assessment]] — Підсумкове оцінювання
- [[cognitive-offloading]] — Когнітивне перекладання
- [[math-education]] — Освіта з математики
- [[human-in-the-loop-ai]] — Людина в циклі
- [[affective-tutoring]] — Афективний тьюторінг
- [[theory-development-aied]] — Розвиток теорії в ШІ в освіті
- [[self-report-measures]] — Міри на основі самозвіту
- [[research-methods-aied]] — Методи досліджень в AIED (розділ DBR)
- [[social-emotional-learning]] — Соціально-емоційне навчання
- [[student-support-and-success]] — адміністративні результати (виконання завдань, заліки, стійкість, закінчення навчання) як відмінні від навчальних здобутків

## Пов’язані статті

- [[epistemological-audit-genai-meta-analyses-2026]] — Критичний епістемологічний аудит ранніх синтезів свідчень у дослідженнях освітнього генеративного ШІ (Fütterer та ін. 2026)
- [[contractor-learning-impact-generative-ai-2026]] — Доступ до готового чат-бота підвищив оцінки на тесті без допомоги, які збереглися тиждень потому (Contractor & Reyes 2026)
- [[kestin-ai-tutoring-outperforms-active-learning-rct-2025]] — ШІ-тьюторінг перевершує активне навчання на занятті: RCT із запровадженням нового дослідницького проєктування в автентичному освітньому середовищі (Kestin та ін. 2025)
- [[genai-performance-vs-learning]] — чому сприяна продуктивність не є результатом навчання (Yan та ін. 2025)
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — Віртуальний тьюторінг із CAL: експеримент щодо охоплення та навчання
- [[making-ai-tutoring-productive-mastery-math-2026]] — Як зробити ШІ-тьюторінг продуктивним: практика математики на основі володіння
- [[one-click-away-khanmigo-two-year-school-experiment-2026]] — На відстані одного кліка: Khanmigo у дворічному шкільному експерименті
- [[ai-literacy-assessment-misalignment]] — Оцінювання ШІ-грамотності: неузгодженість заявленого та продуктивності
- [[generative-ai-reduced-study-time-math]] — Швидше завершення, менше навчання: генеративний ШІ скоротив час вивчення математичних задач і знань, які вони будують
- [[genai-meta-analysis-programming-learning]] — Метааналіз ефекту генеративного ШІ на продуктивність і навчання в програмуванні
- [[liu-ai-literacy-interventions-meta-analysis-2026]] — Метааналіз ефектів втручань у ШІ-грамотність
- [[chatgpt-hints-human-tutor-learning-gains-2024]] — Допомога ChatGPT породжує навчальні здобутки, еквівалентні допомозі тьютора-людини
- [[generative-ai-guardrails-harm-learning]] — Генеративний ШІ без захисних обмежень може шкодити навчанню (RCT, PNAS 2025)
- [[absent-cognitive-baseline-2026]] — Відсутній когнітивний базовий рівень: теоретизування структурної прогалини в академічній самооцінці студентів, для яких ШІ рідний
- [[oecd-digital-education-outlook-2026]] — Цифровий освітній огляд OECD 2026
- [[ai-changing-teaching-workflows]] — Як ШІ змінює робочі процеси викладання
- [[robot-assisted-language-learning-meta-analysis-2026]] — Метааналіз вивчення мов із підтримкою втілених роботів з розширенням ШІ
- [[genai-educational-outcomes-meta-analysis]]
- [[young-people-learning-generative-ai-rapid-review-2026]] — Розрізнення негайної продуктивності і стійкого навчання
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — Штраф генеративного ШІ за навчання: перекладання домашніх завдань шкодить навчанню
- [[ai-assisted-collaborative-learning-model-dbr]] — Модель спільного навчання з підтримкою ШІ DBR (критичне мислення +24,1 %, здобутки в розв'язуванні задач)
- [[stanford-evidence-base-ai-k12-2026]] — Специфічний для тьюторінгу ШІ проти загального ШІ
- [[jost-llm-programming-education-learning-outcomes]] — LLM-залежність і оцінки в кодуванні (негативні кореляції)
- [[genai-can-harm-teaching-rct-2026]] — Генеративний ШІ може шкодити викладанню (RCT)
- [[zhao-genai-higher-order-thinking-meta-2026]] — Метааналіз GenAI і мислення вищого порядку
- [[mujib-ai-ibl-creative-math-2026]] — IBL із підтримкою ШІ та творча продуктивність у математиці
- [[ai-enhanced-pbl-chatgpt-scaffolding-2026]] — Здобутки від скаффолдингу PBL із розширенням ШІ
- [[ccct-cooperative-learning-technique]] — Кооперативна методика навчання, спроєктована ШІ
- [[scaffolding-srl-feedback-genai-human-peers]] — Здобутки від скаффолдингованого саморегульованого зворотного зв'язку
- [[learner-ai-interaction-patterns-oop]] — Патерни взаємодії й навчальні здобутки в ООП
- [[ai-feedback-critical-thinking-writing-2026]] — Зворотний зв'язок ШІ та критичне мислення в письмі
- [[pedagogy-ai-mistakes]] — Педагогіка помилок ШІ: розвиток мислення вищого порядку (Hosseini 2026)
- [[computational-thinking-aica-2026]] — Рівні обчислювального мислення та ШІ-помічники з кодуванням (2026)
- [[burneo-can-edtech-close-learning-gaps-2026]] — Метааналіз: адаптивні освітні технології/ШІ підвищують навчання 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 в освіті: ефект у пошуках причини (медійно-порівняльна критика мір здобутків)
- [[bartos-ai-learning-meta-meta-analysis-2026]] — Мета-метааналіз: скориговані на упередження ефекти навчальних здобутків ШІ — ~1/3 повідомленого розміру
- [[oneill-presumed-effective-meta-analysis-2026]] — Presumed Effective: аудит дефектних метааналізів AIED
- [[ai-supported-instruction-stem-meta-analysis-2026]] — STEM-синтез, який контролював залежні розміри ефекту й перевіряв упередження публікації, але не застосував оцінки якості (Doğan та ін. 2026)
- [[ai-education-effects-second-order-meta-analysis-2026]] — Метааналіз другого порядку 45 метааналізів із ШІ в освіті, зі скоригованими на перекриття ефектами та оцінкою якості шару синтезу (Emslander та ін. 2026)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: ШІ- та людський тьюторінг дають еквівалентні навчальні здобутки GRE

---

## [Методи досліджень в AIED](https://edtechdev.github.io/aied/concepts/research-methods-aied/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Методи досліджень в AIED** — сукупність емпіричних дизайнів, стратегій збору даних та аналітичних методів, якими дослідники вивчають [[ai-education|ШІ в освіті]]: чи підтримують (або шкодять) інструменти ШІ навчанню та за яких умов. Корпус цієї бази знань охоплює експериментальні, опитувальні, якісні, дизайн-орієнтовані, обчислювально-бенчмаркові та оглядові методи. Кожен із них має відмінні сильні сторони та обмеження, а вибір між ними тягне за собою компроміси між внутрішньою валідністю (уповноваженістю причинно-наслідкових тверджень), зовнішньою валідністю (узагальнюваністю), екологічною валідністю (автентичністю реального світу) та здійсненністю вивчення швидкозмінних інструментів ШІ.

## Питання для роздумів

- Центральна напруга сторінки: найсильніші дизайни для причинного висновку (рандомізовані експерименти) — найважчі для проведення в реальних навчальних аудиторіях, тоді як найавтентичніші середовища пропонують слабший причинний контроль. Якби вам треба було вирішити, чи допомагає [[intelligent-tutoring|репетитор на базі ШІ]] навчанню, з якою з цих двох невдач ви б радше погодилися — і чому?
- Перш ніж читати, чи можете ви назвати різницю між внутрішньою, зовнішньою та екологічною валідністю? Сторінка стверджує, що кожен дизайн жертвує ними. Як дослідження, яке є суворо причинним, усе одно може розповісти вам майже нічого корисного про реальну навчальну аудиторію?
- Бенчмарк показує, що ШІ набирає високу точність, але сторінка наполягає: висока точність бенчмарку не тягне за собою освітньої ефективності. Чому система, яка «складає тест», усе одно може не допомагати студентам навчатися — і якого роду доказів бракує?
- Дизайн-орієнтоване дослідження ітерує реальну інтервенцію, але не може віднести здобутки до конкретного механізму, тоді як RCT ізолює причини, але працює в штучних умовах. Враховуючи швидкий темп змін ШІ, як довго, на вашу думку, суворе RCT залишається релевантним, перш ніж протестований ним інструмент застаріє?
- Експертний консенсус за методою Delphi встановлює згоду між експертами, а не емпіричний ефект. Коли законно будувати рамку компетентностей із того, у що вірять експерти, порівняно з даними про те, що працює — і як би ви на практиці відрізнили одне від іншого?
- Сторінка відстоює тріангуляцію — поєднання бенчмаркової оцінки, експериментів, вимірювання та якісної роботи для судження і про те, чи працює інструмент, і про те, як. Перед читанням: де в твердженні на кшталт «цей ШІ покращує навчання» кожен із методів був би потрібен, щоб ви повірили?

## Вступ

Центральна напруга досліджень AIED: найсильніші дизайни для причинного висновку — рандомізовані експерименти — часто найважчі провести з автентичними інструментами ШІ в реальних навчальних аудиторіях, тоді як найавтентичніші середовища (польові розгортання, кейс-стаді, аналізи логів) дають слабший причинний контроль. Жоден окремий метод цього не вирішує; галузь просується через тріангуляцію методів і через явність щодо того, якого роду твердження може підтримати кожен дизайн. Кожен метод також несе транcверсальні обмеження — узагальнюваність, валідність вимірювання, швидкий темп змін ШІ, відтворюваність і слабке використання теорії, — які читач має зважувати; див. [[limitations-in-aied-research]].

Предметом сторінки є метод, а не знахідки. [[learning-sciences]] — це змістова галузь, якій ці методи служать: де ця сторінка охоплює, як дослідження має бути спроєктоване, виміряне та звітоване, тамта сторінка охоплює, що галузь встановила про те, як люди навчаються і як мають бути спроєктовані навчальні середовища, і вона трактує дизайн-орієнтовані та змішані методи як сигнатурні підходи наук про навчання, а не як два варіанти серед багатьох.

Суміжною з цією сторінкою є [[ai-assisted-educational-research|AI-Assisted Educational Research]], яка охоплює ШІ як інструмент власної роботи галузі: пошук літератури, скринінг, автоматизацію оглядів, якісне кодування, аналіз і письмо. Її область включає дослідження практиків, такі як стипендія викладання та навчання, і залишається відмінною від дизайнів, які описує ця сторінка.

[[ai-methodologies-science-education-research-2026|Martin, Rost, Koenen та Graulich (2026)]] спрямовують ту саму критичність на власне виробництво знань галузі, використовуючи номічну проблему вимірювання Chang (2004): вимірювання величини потребує закону, що пов’язує її з чимось спостережуваним, проте цей закон не може бути перевірений емпірично, не знаючи вже величини. Вони стверджують, що функції вимірювання, похідні від ШІ, які виникають із навчальних даних та оптимізації, а не від дослідника, можуть посилювати її, а не розв’язувати. Такі функції можуть виглядати точними, залишаючись епістемічно непрозорими, тож роль дослідника зсувається до інтерпретації та валідації обчислювальних виходів. Їхня рефлексивна рамка з семи фаз (постановка проблеми; інструментування та вимірювання; експериментування та доказовий висновок; порівняння та реплікація; побудова норм і консенсусу; впровадження та його наслідки; і безперервне вдосконалення) пропонується як аналітична допомога, а не валідований метод, і вони стверджують, що порівняльність має поширюватися між популяціями студентів, а не лише підмножинами, яким модель служить добре.

### Суворість звітування та модель TEP-AIED

Якість звітування досліджень ШІ в освіті сама по собі є дослідницьким занепокоєнням. [[tep-aied-model-reporting-2026|Модель TEP-AIED (Hwang, Xie, Wah & Gasevic, 2026)]] пропонує структуровану рамку для подання досліджень ШІ в освіті з суворістю, організовуючи суттєві компоненти звіту дослідження — постановку проблеми теорії/технології/освіти, дизайн, дані, аналіз і результати, — щоб читачі та рецензенти могли оцінити, чи підтримуються твердження і чи є робота відтворюваною. Вона відповідає на хронічні слабкості галузі в звітуванні (нечіткі описи інструментів, незаявлені версії моделей, пропущені деталі оцінювання), які документує сторінка [[limitations-in-aied-research|обмежень]]. Рамки звітування на кшталт TEP-AIED стоять поруч із усталеними контрольними списками звітування (наприклад, [[rct|CONSORT]]-подібні настанови для випробувань, PRISMA-подібні настанови для оглядів) як частина ширшого руху галузі до [[educational-measurement|методологічної прозорості]] та відтворюваності.

[[raise-framework-ai-education-reporting-2026|RAISE (Allison, 2026)]] підходить до тієї самої проблеми з протилежного боку — як контрольний список, а не як наративна структура. Вона задає **30 пунктів у десяти тематичних доменах** (освітнє обґрунтування та теоретичне обґрунтування, специфікація системи ШІ, роль та взаємодія ШІ, [[accessibility]] і культурна відповідність, середовище та учасники, участь людини, дизайн та оцінювання дослідження, етика та достовірність, прозорість і відтворюваність, обмеження та імплікації), з редагованою версією та супутньою **Ethics and Risk Matrix**, що покриває агенцію здобувача, [[equity-in-ai-education|рівність]] доступу, управління даними [[governance]] та алгоритмічну прозорість. Ці дві рамки звертаються одна до одної безпосередньо: TEP-AIED характеризує RAISE як всеохопну, але дорікає її широті, стверджуючи, що "its breadth and granularity may make it complex and less accessible for routine empirical applications," тоді як власне формулювання RAISE полягає в тому, що вона не вимагає жодного методу чи моделі і лише потребує, щоб зроблений вибір був видимим. Прочитані разом вони позначають компроміс у цій літературі — повніший контрольний список аудиту проти стрункішого тривимірного наративу — і сходяться на тих самих непохитних умовах: назвати та версіонувати систему ШІ, розкрити підказки та дизайн взаємодії, визначити умови лікування та порівняння, повідомити про етичний огляд і зменшення ризиків і заявити, чи вимірюють результати результативність, збереження чи перенос. Щоб дослідження було розсунуте на цих умовах, інструмент звітування має бути прийнятий на час дизайну, а не зібраний на стадії рукопису, на що наполягають обидві рамки. Історичний аналіз на рівні корпусу сам по собі є методологічним вибором із зобов’язаннями прозорості: [[rismanchian-ai-education-four-decades-aixed-2026|Rismanchian і Doroudi]] розміщують кожну статтю в своїй рамці AI×Ed на підставі авторського судження про анотації та повні тексти, явно визнають, що це не систематична і не масштабована керована даними категоризація, і роблять свій повний набір даних публічно доступним як додатковий матеріал для реплікації.

### Експериментальні та квазіекспериментальні дизайни

Дослідження **ефективності** перевіряє, чи породжує інтервенція свій передбачуваний навчальний ефект, типово використовуючи експериментальні або квазіекспериментальні дизайни, які порівнюють результати з і без інтервенції. Експерименти рандомізовано привласнюють здобувачів до умов (наприклад, репетитор на базі ШІ проти людського репетитора, або скаффолдингований ШІ проти неасистованого), щоб оцінити причинні ефекти на результати на кшталт навчальних здобутків, [[student-engagement|залученості]] чи мотивації. **Рандомізовані контрольовані випробування** є золотим стандартом внутрішньої валідності. [[access-not-enough-ai-tutoring-2026|Рандомізоване польове дослідження людської підтримки плюс репетиторства на базі ШІ]] і [[genai-can-harm-teaching-rct-2026|RCT щодо генеративного ШІ у викладанні]] використовують привласнення для ізоляції причинних ефектів. - **Валідація інструменту та перевірки базової лінії йдуть перед оцінкою ефекту.** [[genai-cognitive-scaffold-geometric-reasoning-2026|Davor (2026)]] порівняв дві цілі класи ганської старшої школи (86 студентів, по 43 в групі) з GenAI як геометричним скаффолдингом, розміри вибірки обґрунтувавши аналізом G*Power і попередньо апробувавши Geometry Reasoning and Proof Test до надійності розполовинної стабільності Spearman-Brown 0,859 перед дослідженням. Групи не відрізнялися значуще на претесті, і ANCOVA з коригуванням на попередню результативність зберегла груповий ефект (F(1, 83) = 50.30, p < .001, часткове η² = .377). За відсутності рандомізованого привласнення саме надійність апробації та перевірка еквівалентності базової лінії роблять кориговане порівняння інтерпретованим.
- **Сильні сторони:** найсильніший причинний висновок; чисте вимірювання результатів; підтримка оцінювання розміру ефекту та тверджень ефективності.
- **Обмеження:** дорого й повільно; штучні умови можуть зменшувати екологічну валідність; швидкозмінні інструменти ШІ роблять довгі експерименти швидко застарілими; малі вибірки часто недоуповноважені для виявлення значущих ефектів; [[ethics|етичні]] обмеження на утримання потенційно корисних інструментів.
- **Приклади:** [[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]].
- **Пререєстрація застосовна до вторинних аналізів, а не лише до випробувань.** [[crediting-assisted-work-inflates-mastery-2026|Srivastava (2026)]] прогнав чотири правила оновлення [[knowledge-tracing]] над ідентичними логами ASSISTments (12 716 студентів, 985 813 оцінених подій), які відрізнялися лише тим, як вони оцінюють рядки з підказками, тримавши підтверджувальну половину запечатаною до появи файлу з URL реєстрації, і повідомив, що всі чотири пререєстровані передбачення справдилися. Нарахування кредиту за будь-яке завершення передбачало пізнішу неасистовану результативність ледь вище за константу складності вміння (об’єднаний AUC 0,604 проти 0,595), водночас оголошуючи 93,9% пар студент–вміння опанованими проти 72,8% за суворим правилом. Коли один лог підтримує кілька висновків, саме фіксування аналізу заздалегідь робить порівняння довіреним.

### Дослідження на опитуваннях та структурному моделюванні рівнянь

Поперечні опитування вимірюють самоописані ставлення, сприйняття, мотивацію, [[self-efficacy]] та [[technology-acceptance-model|прийняття технологій]], часто моделюючись регресією або структурним моделюванням рівнянь (SEM/PLS-SEM) для перевірки гіпотетичних зв’язків і медіаторів. Вони домінують у корпусі цієї бази знань, зокрема для питань прийняття, мотивації та психологічних механізмів.

- **Сильні сторони:** великі вибірки; широке, недороге покриття; можуть перевіряти складні медіаційні моделі психологічних механізмів; здійсненні для вивчення ставлень, які важко спостерігати.
- **Обмеження:** поперечні дані не можуть встановити причинність; упередженість спільного методу/самоопису; зручна вибірка обмежує узагальнюваність; медіатори висновуються з коваріації, а не з маніпуляції.

Сам інструмент заслуговує на окрему критичність. Те, що може і не може встановити анкета, інтерв’ю або щоденник, — і задокументована прогалина між тим, що люди повідомляють, і тим, що вони роблять, — зібрано на сторінці [[self-report-measures]].

- **Приклади:** [[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]].

### Якісні методи

Інтерв’ю, фокус-групи та тематичний аналіз породжують багаті, контекстуальні описи того, як студенти та викладачі переживають інструменти ШІ, які смисли вони до них прикладають і які напруження й шкоди пропускають стандартизовані міри. [[hazra-safetutors-pedagogical-safety-2026|Дослідження безпеки репетиторів на базі ШІ]] та [[ai-changing-teaching-workflows|дослідження того, як ШІ змінює робочі процеси викладання]], сильно спираються на якісні докази. Див. виділену сторінку поняття [[qualitative-research]] для повного опрацювання якісних підходів — тематичного аналізу, ґрунтованої теорії, феноменології/феноменографії, дискурс-аналізу, спостережень і етнографії, кейс-стаді та інтерв’ю/фокус-груп — кожного з прикладами з бази знань.

- **Сильні сторони:** глибоке екологічне та концептуальне прозріння; виявляє несподівані феномени, ризики та механізми; суттєво для теорієбудови та для вивчення спірних конструктів на кшталт довіри, [[agency|автономії]] та авторства.
- **Обмеження:** обмежена узагальнюваність; інтерпретативність і залежність від дослідника; малі вибірки; слабша підтримка причинних тверджень; знахідки можуть бути важкими для синтезу між дослідженнями.
- **Приклади:** [[hazra-safetutors-pedagogical-safety-2026]], [[ai-changing-teaching-workflows]], [[scaffolding-critical-engagement-genai-minority-students]].

### Змішані дизайни

Дослідження зі змішаними методами поєднують кількісні та якісні волокна — часто послідовно (наприклад, QUAL→QUAN→qual), — щоб якісні дані пояснювали або контекстуалізували кількісні знахідки. [[genai-over-reliance-learning-2026|Дослідження зі змішаним методом щодо GenAI та сталого навчання]] поєднує тривильові опитування з інтерв’ю викладачів; [[t2i-competence-paradox-2026|дослідження парадоксу компетентності]] використовує фокус-групи викладачів, опитування студентів і подальші інтерв’ю.

- **Сильні сторони:** тріангуляція підвищує довіру; кількісна ширина плюс якісна глибина; можуть пояснити несподівані результати та з’єднати механізм і величину.
- **Обмеження:** складні, ресурсомісткі та методологічно вимогливі; інтеграція може бути поверхневою, якщо не спроєктована ретельно; усе ще успадковують слабкості кожного волокна (наприклад, самоопис).
- **Приклади:** [[genai-over-reliance-learning-2026]], [[t2i-competence-paradox-2026]], [[same-ai-different-pathways]], [[fouad-bentley-trust-utility-gap-physics-2026]].

### Дизайн-орієнтоване дослідження (DBR)

DBR ітеративно проєктує, впроваджує та вдосконалює освітню інтервенцію в автентичних контекстах, циклічно рухаючись між теорією, дизайном і реальною практикою. Воно помітне в цій базі знань для розробки навчальних середовищ на базі ШІ та [[pedagogy|педагогічних]] моделей. Див. виділену сторінку поняття [[design-based-research]] для повного циклу DBR, прикладів та його сильних сторін/обмежень. Канонічним прикладом в AIEd є дослідження моделі AI-Assisted [[collaborative-learning|Collaborative Learning]] ([[ai-assisted-collaborative-learning-model-dbr|Putra et al.]]), яке провело чотирифазний цикл DBR — аналіз потреб, проєктування моделі, восьмитижневе впровадження в навчальній аудиторії та вдосконалення моделі, — ітеруючи на чотирифазовому навчальному циклі (ідентифікація проблеми → колаборативне дослідження з асистуванням ШІ → колаборативне [[problem-solving]] → рефлексія та презентація). Інші приклади розробляють [[ai-literacy]] [[teacher-education|підготовку викладачів]] ([[genai-literacy-training-teacher-education-dbr-2026]]) і [[generative-ai|GenAI]] [[scaffolding]] для [[critical-thinking|критичного мислення]] ([[critical-thinking-genai-scaffolding]]).

- **Сильні сторони:** висока екологічна валідність і практична релевантність; породжує і придатні до вжитку артефакти, і теорію; чуйне до складності реальних навчальних аудиторій і мінливих інструментів ШІ; добре пристосоване до розробки моделі та її вдосконалення на підставі автентичних доказів впровадження.
- **Обмеження:** слабка внутрішня валідність (мало/жодної контрольних груп); знахідки контекстно обумовлені й важкі для узагальнення; довгі часові рамки; важко ізолювати, який елемент дизайну спричинив результат — DBR демонструє здійсненність і поліпшення, але не може віднести навчальні здобутки до конкретного механізму.
- **Приклади:** [[ai-assisted-collaborative-learning-model-dbr]], [[genai-literacy-training-teacher-education-dbr-2026]], [[critical-thinking-genai-scaffolding]], [[human-centered-ai-teacher-educators-2026]].

DBR жертвує причинним контролем [[rct|експериментів]] заради екологічної автентичності та ітеративного вдосконалення: це правильний інструмент для питань «як нам спроєктувати це навчальне середовище на базі ШІ, щоб воно працювало на практиці?», і його докази найсильніші як доказ концепту та настанова з дизайну, а не як причинна ефективність. Читання навчальних здобутків DBR потребує тієї самої [[limitations-in-aied-research|обережності]], що й інші дизайни — без неасистованого, контрольованого міри результату здобутки можуть відбивати той самий конфаундер продуктивності, завищеної ШІ, задокументований у розділі [[learning-gains|навчальні здобутки]].

### Систематичні огляди та метааналізи

Огляди синтезують доказову базу, а не запускають новий експеримент. Систематичні огляди та огляди меж застосовують прозорий протокол для пошуку, скринінгу, оцінювання та синтезу тіла досліджень; метааналізи додатково об’єднують розміри ефектів між дослідженнями, щоб отримати зважену підсумкову оцінку і перевірити модератори. [[zerkouk-comprehensive-review-its-2025|Комплексний огляд ITS]] і [[genai-higher-education-systematic-review-2026|систематичний огляд GenAI у вищій освіті]] є взірцями підходу.

- **Сильні сторони:** ефективний синтез великої, фрагментованої літератури; метааналіз дає об’єднані оцінки ефектів і виявляє модератори; суттєвий для доказової практики та ідентифікації прогалин.
- **Обмеження:** залежать від якості включених досліджень (garbage-in/garbage-out); упередженість публікації; гетерогенні методи та міри результатів роблять синтез важким; швидко застарівають через темп змін ШІ.
- **Застереження метадослідження (2026):** критики бази синтезу AIED показують, що багато ранніх метааналізів підриваються некогерентністю конструкту, нерозв’язаною гетерогенністю, неврахованою залежністю між розмірами ефектів і невалідним оцінюванням упередженості публікації — завищуючи заголовкові розміри ефектів ШІ (див. [[bartos-ai-learning-meta-meta-analysis-2026]], [[oneill-presumed-effective-meta-analysis-2026]] і [[weidlich-chatgpt-effect-search-cause-2025]]). Трактуйте об’єднані розміри ефектів AIED як верхні межі.
- **Приклади:** [[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]].

Див. виділену сторінку поняття [[meta-analysis-systematic-review]] для повнішого опрацювання систематичного огляду та метааналізу в ШІ в освіті — включно з їхнім ставленням до первинних дизайнів, звітуванням PRISMA та їхніми сильними сторонами й обмеженнями.

### Обчислювальна та бенчмаркова оцінка

Обчислювальна оцінка оцінює [[ai-technologies|системи ШІ]] напряму — проти бенчмарків, міток ґрунтової правди чи людських суджень, — а не вивчає людських здобувачів. Це включає [[benchmark|бенчмарки]], підходи [[llm]]-as-judge. Це найближчий метод до [[ai-ed-evaluation]] (див. розрізнення нижче).

- **Сильні сторони:** швидкий, масштабований, відтворюваний; дає змогу порівнювати моделі та версії систем один на один; суттєвий для розробки систем і забезпечення якості.
- **Обмеження:** вимірює вихід системи, а не навчання — висока точність бенчмарку не тягне за собою освітньої ефективності; якість ґрунтової правди та рубрик сама по собі є спірною; може пропускати педагогічну якість, яку сприймають люди. [[rismanchian-ai-education-four-decades-aixed-2026|Rismanchian і Doroudi]] стверджують, що гнучкість природної мови LLM робить суто технічні метрики недостатніми, потребуючи людсько-натхненних підходів до оцінювання — [[simulating-students|симульованих студентів]], тестів AI-[[teacher-role|викладача]] та аналізів поведінкової науки, раніше зарезервованих для людських суб’єктів, — щоб судити навчально-релевантну якість, і що обережне вивчення LLM може породжувати прозріння в людське навчання.
- **Роз’єднані учасники, а не рандомізовані поділи, запобігають витоку в оцінюванні детекторів.** [[detecting-gpt-assisted-writing-stylometric-2026|Kumar et al. (2026)]] побудували стилометричний [[ai-detection|детектор]] з 90 авторів, кожен із яких створив один неасистований і один перефразований зразок, тримаючи кожне вікно від учасника в одному фолді, щоб стиль автора не міг витікати між поділом, і повністю відклавши 18 людей. Випадковий ліс досяг ROC-AUC 0,870 з F1 0,842, але позначив 4 з 18 незалежно авторських документів як GPT-асистовані (22,2%); автори трактують цей рівень хибних спрацьовувань як релевантний для розгортання результат і представляють модель як підтримку рішень, а не автоматизований екран порушень.
- **Приклади:** [[teachbench-llm-teaching-evaluation]], [[jeon-isd-agent-bench-2026]], [[ground-truth-reliability-aied]], [[cong-confidence-asag-2026]], [[drawedumath-vlm-struggling-students-2026]].
- **Стандарти звітування для автоматизованих конвеєрів та аудованих бенчмарків.** Дві статті 2026 року поширюють методологічну підзвітність за межі самого дослідження. PRISMA-LLM відображує 888 статей про автоматизацію оглядів і 14 726 анотацій, виявляючи, що 38,0% статей про програмне забезпечення чи продукти не повідомляли про жодної оцінки проти 9,3% статей про LLM, і що 52% оцінок LLM лише з позитивними результатами залишили невдоволеним занепокоєння високої планки, і пропонує звітування, що ідентифікує, де в робочому потоці огляду діяла автоматизація ([[prisma-llm-ai-assisted-systematic-reviews-2026]]). Експертний аудит переоцінювання шести [[physics-education|фізичних]] бенчмарків показує ту саму проблему на рівні інструменту: з 250 аудованих відкидань лише 12 (4,80%) були справжніми помилками моделі, тоді як 143 були дефектами завдань і 95 — помилками оцінювачів ([[frontier-models-physics-benchmark-audit-2026]]). Обидва стверджують, що обчислювальним оцінкам потрібен аудований бюджет помилок, перш ніж їхні результати читаються як знахідки про здобувачів або моделі.
- **Вбудовуйте перевірку людської згоди в розробку детектора, а не після нього.** [[baker-taylorizable-process-textual-detector-development-2026|Baker і колеги (2026)]] викладають семикроковий процес для текстових детекторів когнітивних конструктів — вибір набору даних, визначення конструкту, чернетку книги кодів, перевірку міжоцінювачами-людьми, вдосконалення категорій, побудову детектора та застосування, — щоб надійність на людськокодованих мітках передувала будь-якому розгортанню [[llm|LLM]]-as-judge. Вона потребує скоригованих на випадковість метрик згоди (Cohen's або Fleiss's κ, Krippendorff's α), крос-валідації на рівні студента та аналізу помилок за підгрупами як мінімальних стандартів, і стверджує, що хибне вимірювання стає джерелом шкоди, коли такі [[educational-nlp|детектори]] сидять усередині розгорнутих платформ.

### Інші дизайни: лонгітюдні, кейсові та симуляційні дослідження

Поза основними сімействами база знань використовує **лонгітюдні** дизайни, які відстежують здобувачів у часі ([[ai-lms-middle-school-longitudinal|лонгітюдне дослідження LMS]]), **кейсові та “in the wild”** дослідження автентичного використання ([[ai-in-the-wild-college|великомасштабний аналіз реальних взаємодій студентів]]) і **симуляційні** дослідження, в яких LLM стоять замість студентів чи пацієнтів ([[llm-student-simulation-teacher-insights|LLM як симульовані здобувачі]], [[simulation]]). Вони жертвують широтою або контролем заради реалізму та доступу до феноменів, які інакше важко спостерігати.

### Методи експертного консенсусу: метод Delphi

Метод Delphi — це структурована техніка встановлення **експертного консенсусу** з питання, на яке ще немає емпіричної відповіді — найчастіше в цій базі знань він використовується для розробки рамок, переліків компетентностей і визначень, на яких практики й дослідники можуть погодитися. В дослідженні Delphi панель експертів відповідає на послідовні раунди анкет; після кожного раунду подається зворотний анонімний зведений підсумок відповідей групи, і експерти переглядають свої відповіді, доки група не збігається на угоді (типово визначуваній заданим порогом, наприклад 75%). Це спосіб будувати валідність конструкту та професійний консенсус через ітеративні, анонімні консультації, а не через єдине опитування чи голосування.

- **Сильні сторони:** породжує консенсус від різноманітної панелі експертів без тисків особистої групи (анонімність зменшує ефекти домінування); добре пристосований до визначення конструктів, компетентностей і рамок, коли не існує жодної валідованої міри; ітеративні раунди дають змогу експертам вдосконалювати і збігатися; здійсненний там, де повні експерименти чи великі вибірки непрактичні.
- **Обмеження:** консенсус відбиває експертне судження, а не емпіричні докази — він встановлює угоду, а не ефект; результати залежать від [[writing-education|складу]] панелі та (суб’єктивного) порогу консенсусу; може бути повільним через кілька раундів; судження єдиної панелі може не узагальнюватися.
- **Приклади:** [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|дослідження рамки SAIL]] (три раунди, 17 експертів, вдосконалення рівнів компетентності зі ШІ-грамотності), [[hcap-human-centric-ai-pedagogy-framework-2026|дослідження рамки HCAP]] (три раунди, 30 викладачів, визначення 25 компетентностей викладача зі ШІ), [[ai-literacy-heptagon-2026|AI Literacy Heptagon]] (який використав експертний внесок/консенсус поряд з оглядом за PRISMA), і.

Delphi часто поєднується з іншими методами — наприклад, експертний консенсус може бути використаний для валідації рамки (як у SAIL і HCAP), яка потім тестується або впроваджується через дизайн-орієнтоване дослідження або дослідження на опитуваннях. Він стоїть поряд із якісними та експертно-судженнєвими підходами і сприяє [[educational-measurement|валідності]] інструментів, заснованих на рамках.

### Дослідження проти оцінювання: зв’язки та розрізнення

Дослідження та оцінювання тісно пов’язані, але відмінні. **Дослідження** ставить узагальнювані питання про те, як ШІ впливає на навчання — «чи покращує скаффолдинг результати навчання?» — і має на меті будувати теорію та докази, які переносяться за межі конкретного дослідження. **Оцінювання** (див. [[ai-ed-evaluation]]) оцінює, чи працює *конкретний* інструмент чи система на базі ШІ — чи є вона точною, надійною, педагогічно обґрунтованою і придатною до мети, — проти бенчмарків, рубрик або критеріїв, визначених зацікавленими сторонами. Дослідження наголошує на внутрішній валідності та узагальненні; оцінювання наголошує на якості системи та локальному прийнятті рішень.

Кордони розмиваються: дослідження бенчмарків — це оцінювання, яке може живити дослідження, а інструменти оцінювання (рубрики, набори ґрунтової правди, рамки валідності) залежать від занепокоєнь [[educational-measurement]] та [[assessment-validity]], які дослідження прояснює. Навпаки, знахідки досліджень про те, що підтримує навчання, мають інформувати, як інструменти ШІ [[ai-ed-evaluation|оцінюються]]. База знань трактує їх як взаємодоповнювальні: обчислювальна та бенчмаркова оцінка ([[benchmark]], [[ai-ed-evaluation]]) каже нам, чи є система ШІ технічно обґрунтованою, тоді як дослідження ефективності та опитування ([[rct]]) кажуть нам, чи допомагає вона людям навчатися.

### Вибір між методами

Вибір методу випливає з дослідницького питання. Питання причинного ефекту надають перевагу експериментам ([[rct]]); питання механізму та сприйняття — опитуванням та якісній роботі; питання якості системи — обчислювальній оцінці ([[benchmark]], [[ai-ed-evaluation]]); питання синтезу — оглядам та метааналізам; питання дизайну — DBR; а питання про те, на чому експерти погоджуються щодо того, що має містити конструкт, компетентність чи рамка, — методам експертного консенсусу на кшталт методу Delphi. Враховуючи гетерогенність галузі та темп змін ШІ, корпус цієї бази знань відбиває навмисний рух до тріангуляції — поєднання обчислювальної оцінки з доказами ефективності, якісними та експертно-консенсусними, щоб судити і про те, чи працює інструмент, і про те, чи допомагає він навчанню.

Так само важливо читати будь-яке єдине дослідження з усвідомленням **трансверсальних обмежень**, які впливають на дослідження AIED у цілому — методологічні обмеження, швидкий темп змін ШІ проти повільної публікації, прогалини відтворюваності та практики FAIR, сподвищництво пропрієтарними інструментами і слабке або некритичне використання теорії. Див. [[limitations-in-aied-research]].

## Протиставлення основних дослідницьких традицій

Три основні дослідницькі традиції — [[quantitative-research|кількісна]], [[qualitative-research|якісна]] та експериментальна — принципово відрізняються в тому, що вони можуть стверджувати, чим жертвують і коли кожна з них доречна. Розуміння цих протиставлень суттєве як для проєктування, так і для читання досліджень ШІ в освіті.

### Що встановлює кожна традиція

| Вимір | Кількісна / опитувальна | Якісна | Експериментальна |
|---|---|---|---|
| Основне питання | Скільки? Як пов’язано? | Що це означає? Як це переживається? | Чи спричинює X Y? |
| Первинні дані | Числа, шкали, самоопис | Слова, спостереження, артефакти | Міри результатів за привласнених умов |
| Мета висновку | Патерни, кореляції, медіація | Смисл, механізми, категорії | Причинні ефекти |
| Внутрішня валідність | Слабка (кореляційна) | Слабка (без контролю) | Сильна (рандомізоване привласнення) |
| Зовнішня валідність | Сильна (великі вибірки) | Обмежена (малі, контекстно обумовлені) | Помірна (контрольовані умови) |
| Екологічна валідність | Помірна | Висока | Нижча (штучні умови) |

- **[[quantitative-research|Кількісне дослідження]]** вимірює та моделює зв’язки між змінними — опитування, SEM/PLS-SEM, вимірювання, лонгітюдне відстеження. Воно дає широту, точність і узагальнюваність, але не може встановити причинність із поперечних даних і успадковує обмеження [[educational-measurement|вимірювання]] (включно з упередженістю самоопису).
- **[[qualitative-research|Якісне дослідження]]** інтерпретує смисл і досвід — інтерв’ю, фокус-групи, тематичний аналіз, ґрунтовану теорію, феноменографію, дискурс-аналіз, спостереження/етнографію, кейс-стаді. Воно дає глибину, механізм і теорієбудову (див. [[theory-development-aied]]), але обмежену узагальнюваність і слабку причинну підтримку.
- **Експериментальні та квазіекспериментальні дизайни** (див. [[rct]]) оцінюють причинні ефекти через рандомізоване привласнення або зіставлене порівняння — золотий стандарт внутрішньої валідності ціною вартості, швидкості та екологічної валідності.

### Зв’язки вимірювання та змішаних методів

Кількісна робота залежить від [[educational-measurement]] — надійних, валідних інструментів для конструктів, що вивчаються. Якісна робота виявляє механізми та смисли, які ці інструменти можуть пропускати. **Експериментальна** робота оцінює, чи *спричинює* інтервенція результати, які вимірюють інструменти. Це три взаємодоповнювальні шари: інструменти квантифікують конструкти, експерименти встановлюють причинність, а якісна робота пояснює *як і чому* за числами.

[[mixed-methods-research|Дизайни зі змішаними методами]] навмисно поєднують кількісні та якісні волокна, щоб їхні сильні сторони компенсували слабкості один одного — кількісна ширина плюс якісна глибина, із тріангуляцією, що підвищує довіру.

### Дослідження зручності використання та HCI

Окреме методологічне волокно — [[usability-research|дослідження зручності використання та HCI]] — оцінює, як користувачі взаємодіють із системою ШІ: її зручність використання, корисність, навчальність і досвід користувача, використовуючи протоколи мислення вголос, структуровані дослідження користувачів, інтерв’ю та спостереження. Воно найближче до [[ai-ed-evaluation]] і відповідає на *передумовне* питання: навіть педагогічно обґрунтований інструмент провалюється, якщо він непридатний до вжитку. Дослідження зручності використання ділить методи збору даних із якісним дослідженням, але має на меті оцінювати артефакт, а не інтерпретувати смисл.

### Вигоди та обмеження в межах традицій

- **Кількісна/опитувальна:** вигоди — великі вибірки, широке покриття, перевіряє складні медіатори, ефективна. Обмеження — жодної причинності, упередженість самоопису, зручна вибірка, інструменти можуть вимірювати хибний конструкт.
- **Якісна:** вигоди — глибоке прозріння, виявляє несподівані феномени та шкоди, суттєва для теорієбудови, центрує недопредставлені голоси. Обмеження — обмежена узагальнюваність, залежність від дослідника, малі вибірки, слабка причинна підтримка, важко синтезувати.
- **Експериментальна:** вигоди — найсильніший причинний висновок, чисте вимірювання результатів, оцінювання розміру ефекту. Обмеження — дорога/повільна, штучні умови, швидкозмінний ШІ датує результати, недоуповноважені малі вибірки, етичні обмеження.
- **Змішана:** вигоди — тріангуляція, ширина + глибина, пояснює несподівані результати. Обмеження — складна, ресурсомістка, інтеграція може бути поверхневою, успадковує слабкості кожного волокна.
- **Зручність використання/HCI:** вигоди — ідентифікує бар’єри впровадження, придатні до дії настанови з дизайну, швидка й дешева. Обмеження — не встановлює навчальних ефектів, малі вибірки, задоволеність самоописом може вводити в оману.

На практиці дослідження ШІ в освіті рідко чисто потрапляє в одну традицію. Найсильніші докази тріангують: обчислювальна оцінка або оцінка зручності використання встановлює, що система працює, експеримент встановлює, що вона спричинює навчання, кількісні інструменти вимірюють конструкти, а якісна робота виявляє механізми та смисли — разом відповідаючи і на те, *чи* допомагає інструмент навчанню, і на те, *як і чому*.

## Пов’язані поняття

- [[interpreting-and-applying-aied-research]]
- [[ai-ed-evaluation]]
- [[rct]]
- [[benchmark]]
- [[meta-analysis-systematic-review]]
- [[ai-assisted-educational-research]] — AI-Assisted Educational Research
- [[educational-measurement]]
- [[assessment-validity]]
- [[simulation]]
- [[ai-education]]
- [[higher-ed]]
- [[limitations-in-aied-research]]
- [[learning-gains]]
- [[theory-development-aied]] — Теорієбудова в ШІ в освіті
- [[qualitative-research]] — Якісне дослідження
- [[quantitative-research]] — Кількісне дослідження
- [[mixed-methods-research]] — Дослідження зі змішаними методами
- [[design-based-research]] — Дизайн-орієнтоване дослідження
- [[usability-research]] — Дослідження зручності використання
- [[self-report-measures]]
- [[learning-sciences]]

## Пов’язані статті

- [[ai-methodologies-science-education-research-2026]] — Рамка з семи фаз епістемічної ітерації для рефлексії про те, як методології ШІ можуть перетворити дослідження освітніх наук (Martin et al., 2026)
- [[access-not-enough-ai-tutoring-2026]] — Access is Not Enough: Human Support Improves Engagement with AI Tutoring
- [[genai-can-harm-teaching-rct-2026]] — Generative AI Can Harm Teaching
- [[genai-over-reliance-learning-2026]] — From Enhancement to Over-Reliance: A Mixed-Method Study
- [[acceptance-ai-english-tools-2026]] — Прийняття інструментів вивчення англійської мови з асистуванням ШІ
- [[hazra-safetutors-pedagogical-safety-2026]] — Безпека репетиторів на базі ШІ та педагогічні шкоди
- [[zerkouk-comprehensive-review-its-2025]] — Комплексний огляд інтелектуальних репетиторських систем
- [[ai-assisted-collaborative-learning-model-dbr]] — Дизайн-орієнтоване дослідження моделі колаборативного навчання з асистуванням ШІ
- [[teachbench-llm-teaching-evaluation]] — TeachBench: Evaluating LLM Teaching Ability
- [[ground-truth-reliability-aied]] — Modernizing Ground Truth: Four Shifts Toward Reliability and Validity
- [[llm-student-simulation-teacher-insights]] — Can LLMs Effectively Simulate Human Learners?
- [[raise-framework-ai-education-reporting-2026]] — RAISE: 30 пунктів у десяти доменах для прозорого звітування досліджень ШІ в освіті (Allison 2026)
- [[ai-lms-middle-school-longitudinal]] — AI-Integrated Learning Management System: A Longitudinal Study
- [[ai-in-the-wild-college]] — AI in the Wild: Large Scale Analysis of Authentic Interactions
- [[same-ai-different-pathways]] — Same AI, Different Pathways: Unpacking Mechanisms
- [[tep-aied-model-reporting-2026]] — Модель TEP-AIED для звітування досліджень ШІ в освіті з суворістю (Hwang, Xie, Wah & Gasevic 2026)
- [[t2i-competence-paradox-2026]] — Парадокс компетентності: GenAI text-to-image в мистецтві та дизайні
- [[rismanchian-ai-education-four-decades-aixed-2026]]
- [[weidlich-chatgpt-effect-search-cause-2025]] — ChatGPT in Education: An Effect in Search of a Cause
- [[bartos-ai-learning-meta-meta-analysis-2026]] — Мета-метааналіз ефекту ШІ на навчання
- [[oneill-presumed-effective-meta-analysis-2026]] — Presumed Effective: flawed AIED meta-analysis audit
- [[synthetic-educational-data-structural-fidelity-2026]] — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

---

## [Освітні дослідження з підтримкою ШІ](https://edtechdev.github.io/aied/concepts/ai-assisted-educational-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Синтез:** освітні дослідження з підтримкою ШІ — це використання ШІ як інструмента власної наукової роботи самої галузі: пошуку та відбору літератури, скринінгу записів для оглядів, кодування якісних даних, аналізу даних, підготовки та редагування рукописів і тієї рефлексії, що запитує, що ці інструменти роблять зі створюваним знанням. Це відмінно від досліджень *про* ШІ в освіті: конструкції, які використовуються для вивчення того, чи допомагає ШІ здобувачам, належать до [[research-methods-aied]], оцінювання систем ШІ належить до [[ai-ed-evaluation]], а прочитання єдиного дослідження AIEd належить до [[interpreting-and-applying-aied-research]]. Ця сторінка охоплює власний робочий процес дослідника та дослідницьку роботу практика-дослідника — стипендію викладання та навчання (SoTL) і дослідження в аудиторії — та епістемічні ставки, коли автоматизація входить у будь-який із них. Її докази мізерні та свіжі: пропозиція рамки, рефлексивний звіт однієї команди оглядів, невелике дослідження з фокус-групами, два бібліометричних дослідження, звіт із семінару та кейс-дослідження єдиного дослідника. Вона описує напрям руху, а не усталену практику, і напрям досліджень практиків є найтоншим із усіх.

## Питання для роздумів

- Хто тут вважається дослідником: вчений із фінансуванням, аспірант, викладач, що вивчає власну аудиторію? Кого з них справді описують докази?
- Скринінг на базі ШІ виключив дослідження з вашого огляду. Хто несе відповідальність за це рішення — постачальник, інструмент, протокол чи ви?
- Коли модель узагальнює джерела, яких ви не читали, яку частину наукової роботи ви перестали робити?
- Симульований здобувач може перевірити тьютора за багатьма профілями. Що ви перевірили б, перш ніж повірити його вердикту про справжніх студентів?
- Дослідження практика зазвичай є локальним і невеликим. Чи має його докази відповідати планці фінансованого випробування, чи їх слід зважувати інакше, бо суттєве саме середовище?
- Якщо ШІ допоміг підготувати статтю, що має бути сказано читачеві, і де має жити це розкриття?

## Вступ

Освітні дослідження з підтримкою ШІ — це галузь, що повертає інструменти ШІ на власну роботу. Об’єктом вивчення є не здобувач, який користується ШІ-тьютором, а дослідник, який користується моделлю для пошуку, скринінгу, витягнення, кодування, аналізу або письма. Змінюється робочий процес дослідника і, тихіше, критерії, за якими його результат вважається доказом.

Ця сторінка свідомо не є про дослідження *про* ШІ в освіті. Питання про те, чи покращує ШІ-тьютор навчання, розглядає [[research-methods-aied]], оцінювання систем ШІ — [[ai-ed-evaluation]], а обережне прочитання єдиного дослідження — [[interpreting-and-applying-aied-research]] і [[limitations-in-aied-research]]. Ці дві літератури часто плутають, і твердження про інструментарій другої часто запозичуються на підтримку першої.

Область поширюється від пошуку літератури через скринінг, кодування, аналіз і письмо, і включає епістемологічну рефлексію, що запитує, що автоматизація робить зі знанням, яке продукує галузь. Вона також включає дослідження практика: стипендію викладання та навчання і дослідження в аудиторії, де вчитель вивчає власну практику. Цей напрям є найслабшою частиною цієї сторінки, і розділи нижче кажуть про це прямо, а не згладжують.

## Як ШІ входить у дослідницький робочий процес

Оповіді про використання послідовніші за докази щодо ефекту. [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai та Chan (2026)]] інтерв’ювали 28 аспірантів у семи фокус-групах однієї інституції і виявили, що 27 із 28 використовували генеративний ШІ десь у своєму дослідженні: генерація ідей, огляд літератури, пояснення, обробка даних, програмування, академічне письмо, редагування і переклад.

Їхні учасники були калібровані, а не легковірні. Вони поєднували інструменти із завданнями за сприйманими ставками та інтелектуальними вимогами, інтенсивніше використовували ШІ в процедурній роботі з низькими ставками й залишалися обережними там, де науковий внесок був центральним. Вони також зберігали людський нагляд упродовж усього, трактуючи модель як помічника, який може бути «оманливим» або «цілком хибним».

Висновок щодо політики є практичним. Наявна інституційна інструкція стосувалася викладання, навчання та оцінювання, і учасники переживали її як абстрактну та неузгоджену з дослідницькою практикою. Автори пропонують орієнтовані на дослідника рекомендації, побудовані на чотиривимірній рамці ШІ-грамотності, як опору для розвитку, а не як книгу правил.

Дослідження охоплює єдину інституцію, самообрану групу з 28 осіб та оповіді за самоописом; студенти могли занижувати повідомлення про використання з міркувань доброчесності. Воно описує, як здатна група користується цими інструментами, а не те, що створює це використання.

## Пошук і відбір літератури

Звіт із семінару картографує порядок денний, а не вимірює його. Семінар CHIIR 2026 «Генеративний ШІ та академічний пошук» зібрав дослідників у галузі взаємодії людини з інформацією та відбору, і його звіт описує системи, побудовані для відбору документів, які тепер узагальнюють, рекомендують, синтезують і ведуть розмову — непокоять припущення, що система лише знаходить джерела, тоді як тлумачення залишається за користувачем.

Один блискавичний доповідь перевірив, як моделі реконструюють учених. Проти істинних значень OpenAlex і Google Scholar для 1 596 базових авторів з 10 дисциплін і 8 світових регіонів високоцитованих дослідників реконструювали приблизно вдвічі частіше за менш цитованих ровесників, тестуючи DeepSeek R1, Llama 4 Scout та Mixtral 8×7B.

Бібліотекарка повідомила про «прогалину довіри»: студенти часто надмірно довіряли генеративному пошуку, тоді як викладацький склад йому не довіряв, і односеансові семінари визнавалися недостатніми для стійкої грамотності. Ниткою проєктування, до якої учасники поверталися найчастіше, було «тертя» — утримання користувачів у критичній, іноді некомфортній роботі, з якої постає навчання.

Звіт охоплює єдину, самообрану подію і здебільшого фіксує думки, принципи проєктування та дослідницькі питання. Його цифри належать окремим доповідям, а не семінару, і ніщо в ньому не показує, що академічний пошук на базі ШІ покращує або шкодить навчанню.

## Скринінг та автоматизація систематичних оглядів

Систематичні огляди — це місце, де автоматизація просунулася найдалі, і де показуються її межі. [[scaffolding-systematic-reviews-2026|Wang та співавтори (2026)]] рефлектують про огляд однієї міждисциплінарної команди і повідомляють, що автоматизація знизила процедурне навантаження здебільшого на рівні скринінгу анотацій — інструментами такими, як ASReview, SWIFT-Review, Covidence, AIScreenR і MetaMate, — тоді як витягнення даних, узгодження і синтез залишилися за людськими рецензентами. Наставництво та обговорення з ровесниками функціонували як методологічна інфраструктура, а не як ввічливість.

Їхній висновок — це поділ праці, а не передача справ: призначайте автоматизацію на процедурне навантаження, перевіряйте кожен результат і зберігайте інтерпретаційні рішення людськими. Це рефлексія однієї команди без умови порівняння, тому її стратегії описані, а не перевірені.

[[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta та Lin (2026)]] квантифікують проблему звітування на 888 статтях про автоматизацію оглядів, що несуть 14 726 пунктів анотування. З 2023 року 38,0% статей про програмне забезпечення та продукти не повідомляли про жодного оцінювання, проти 9,3% статей про МММ. Прогалина зберігається за стратифікацією: у скринінгу та відборі статті про програмне забезпечення мали в середньому 3,2 суттєвих пунктів оцінювання, причому 39,3% не повідомляли про жодного, тоді як статті про МММ мали в середньому 7,3 пунктів із частотою відсутності оцінювання 3,8%.

Сприятливе оцінювання не означало придатності до делегування. Серед 118 статей про МММ із лише позитивними оцінюваннями 52% усе ж повідомляли щонайменше про одне занепокоєння, що робочий процес не дотягував до планки, необхідної для його ролі. Доступ до моделей був переважно власницьким: 84,1% використання МММ спиралося на власницькі або розміщені системи, 11,0% були змішаними, і лише 4,9% — з відкритими вагами.

З цих патернів автори виводять PRISMA-LLM, тришарову рамку, чиї п’ять рівнів впровадження є рівнями розкриття, а не рівнями ризику. Це пропозиція, запропонована для перевірки, а не офіційне розширення, схвалене Виконавчим комітетом PRISMA. Мовчазність на рівні статті, застерігають вони, не є доказом відсутності валідації — вона може перебувати у звіті про продукт, протоколі або репозиторії.

## Якісне кодування та аналіз

Якісний аналіз — це етап, на якому інтерпретація є продуктом, що робить делегування складнішим для захисту. Сторінка [[qualitative-research|Якісне дослідження]] збирає корпусні докази про кодування з підтримкою ШІ, зокрема дослідження, що показують, що узгодженість людини та моделі — не те саме, що якість кодування, і що помилки можуть каскадом проходити через часовий аналіз. Та література розглядає модель як засіб масштабування, чиї результати потребують перевірки на відповідність людському судженню.

[[ai-methodologies-science-education-research-2026|Martin та співавтори (2026)]] описують зсув ролі прямо. Коли застосовуються автоматизовані моделі кодування, дослідник переходить від кодування даних студентів до валідації результатів моделі; коли моделі без нагляду кластеризують міркування, алгоритм виконує початковий дослідницький аналіз. Дослідники, стверджують вони, дедалі частіше потребують навичок науки про дані поряд із якісною, кількісною та теоретичною експертизою.

Їхня рамка також дає перевірку, яка тут має значення: пояснюваний ШІ може викрити, чи відстежує автоматизоване кодування семантичне розуміння, чи лише ключові слова. Конвеєр кодування, який узгоджується з людськими мітками, може все одно читати не те.

## Аналіз даних та епістемічні ставки

[[ai-methodologies-science-education-research-2026|Martin, Rost, Koenen та Graulich (2026)]] натискають на саме продукування знання в галузі, і їхня стаття є хребтом цієї сторінки. Спираючись на розрахунок Хасока Чанга (2004) щодо епістемічної ітерації — послідовних етапів знання, що будуються одне на одному в напрямі до епістемічних цілей, — вони проводять паралель із приблизно 150-річним розвитком термометра і стверджують, що галузь може бути зараз усередині порівнянної ітерації.

Їхнє центральне занепокоєння є епістемічним, а не технічним. Проблема номічного вимірювання Чанга стверджує, що вимірювання величини потребує закону, що пов’язує її з чимось спостережуваним, проте цей закон не може бути перевірений емпірично, не знаючи вже величини. Функції вимірювання, виведені з ШІ, які виникають із навчальних даних та оптимізації, а не від дослідника, можуть посилювати це, а не розв’язувати, бо вони можуть виглядати точними та предиктивними, залишаючись непрозорими.

Рамка має сім фаз: формулювання проблеми; інструментування та вимірювання; експериментування та висновки, засновані на доказах; порівняння та відтворення; будування норм і консенсусу; впровадження та його наслідки; і безперервне вдосконалення. Автори представляють їх як аналітичні виміри, які можуть повторюватися, перетинатися або бути відсутніми, а не як перевірену послідовність.

Порівняльність — це фаза з найгострішою гранню справедливості. Принцип Реньо вимагає, щоб інструмент давав однакове показання за однакових умов і щоб інструменти одного типу узгоджувалися, — але порівняльність має поширюватися й на популяції студентів, і машинне навчання схильне кодувати канонічні ідеї краще, ніж різноманітні способи, якими студенти висловлюють слабші.

Вони також називають проблему підзвітності. Дослідники користуються попередньо навченими моделями, чиї навчальні дані, донавчання та цілі вони можуть не знати, що додає шар епістемічної залежності; оскільки ці системи виникають із соціотехнічних мереж, відповідальність стає важко розподілити — «проблема багатьох рук».

Необхідна чесність полягає в тому, що стаття не повідомляє жодних даних і не встановлює жодних ефектів навчання. Вона не показує, що методології ШІ покращують дослідження чи дають більш валідні висновки; це порівняння поставлено як майбутня робота, і автори допускають, що їхня гіпотеза «може добре виявитися хибною».

## Наукове письмо, цитування та доброчесність

Письмо — це місце, де допомога ШІ найвидиміша і де її невдачі найнаслідковіші, бо посилання є заявою про підзвітність. [[citation-errors-hallucinations-computing-education-2026|Denny та співавтори (2026)]] проаудитували всю Цифрову бібліотеку ACM — 723 930 публікацій і 15 872 533 посилань — і простежили 113 588 посилань із 5 225 статей з обчислювальної освіти, опублікованих з 2021 року далі.

Вони вручну перевірили 828 підозрілих записів і виявили 30 посилань, що містять перевірно сфабриковану бібліографічну інформацію, у 14 статтях, усі з 2025 і 2026 років. На SIGCSE Technical Symposium кількість зросла з 3 у збірниках 2025 року до 17 у 2026 році, з’являючись у 2,3% статей збірника 2026 року. Сімнадцять із 30 були гібридами, що поєднували справжню назву із сфабрикованими або хибними авторами.

Їхній підрахунок є свідомою нижньою межею, і вони представляють проблему як спільну, а не розв’язану програмним забезпеченням. Автори мають перевіряти кожну цитовану працю, особливо коли генеративний ШІ використовувався в письмі; рецензенти не можуть перевірити кожне посилання, тому видання впроваджують цільові перевірки; видавці мають покращувати метадані. Автоматизоване виявлення успадковує вади тих метаданих, які воно трактує як істину.

Ефекти масштабу письма зі ШІ з’являються в другому бібліометричному дослідженні. [[ai-assisted-writing-research-teams|Wang та співавтори (2026)]] проаналізували 147 074 публікації з журналів портфелів PLoS і Nature з 2020 року і пов’язали письмо з підтримкою ШІ з меншими, схильними до молодших командами. За крайньому переході від відсутності допомоги ШІ до повної розмір команди був на 22,1% меншим у PLoS і на 45,5% меншим у Nature (Poisson β = −0,250 і −0,607, обидва p < 0,01).

Вплив очевидно не постраждав. Близько 7,34% статей PLoS із підтримкою ШІ і 7,40% статей Nature дійшли до топ-5% FWCI, вище за обидві людські групи порівняння, і узгоджені порівняння показали на 3,0% і 2,7% вищу ймовірність потрапляння до топ-5% FWCI (обидва p < 0,01). Дані є обсерваційними, тому автори відмовляються від сильних причинних тверджень.

## Стійкі агенти в дослідницькому середовищі

За межі єдиних підказок, стійкі агенти вбудовуються в саме дослідницьке робоче середовище. [[persistent-ai-agents-academic-research|Alzahrani (2026)]] повідомляє про кейс-дослідження єдиного дослідника за 115 днів агента з тривалою пам’яттю, локальними файлами, зовнішніми інструментами, запланованими рутинами та делегованими ролями, що працював у робочому середовищі одного лікаря-науковця.

Описові результати є великими. Відновлювана телеметрія головного агента містила 75 671 дедуплікований запис за 96 активних днів, частка активного дня 0,835; робоче середовище містило 502 файли, пов’язані з пам’яттю, 17 налаштованих каталогів агентів і 57 файлів навичок. Сувора 25-денна травнева вибірка містила 627 завершених моделлю подій і 73 950 305 записаних токенів, із яких 82,9% були зчитаннями кешу, за приблизно US\\$1 961 спостережуваних системних витрат.

Основним внеском дослідження є рамка вимірювання — PARE-M, — побудована тому, що результати, які стійкий агент має підтримувати, такі як управління і вартість на артефакт, невидимі для епізодичних бенчмарків. Його центральний негативний результат полягає в тому, що сукупний обсяг взаємодії не продемонстрував зниження людського вкладу: коли пам’ять і процедури накопичувалися, обсяг делегованої роботи розширювався, тому найсильніший патерн — це розширення потужності, а не доведена заміна праці.

Обмеження — це ті, яких запрошує єдиний самостійно спостережений кейс. Один дослідник був користувачем, проєктувальником, джерелом даних, аналітиком і бенефіціаром, без контрольної групи, без базового періоду і без незалежного кодувальника для подій управління.

## Симульовані здобувачі як інструменти дослідження та оцінювання

[[simulating-students|Симулювання студентів]] — це сторінка бази знань про метод і феномен: як побудувати синтетичного здобувача, чий стан знання та помилки достатньо вірні, аби замінити людину. Ця сторінка розглядає той самий апарат як інструмент дослідження та оцінювання — для чого є синтетичний здобувач, коли втручання, інструмент, бенчмарк або тьютор має бути перевірений в масштабі чи в умовах, яких справжні здобувачі не можуть забезпечити.

Найчіткіше використання — це оцінювання тьютора в часі. [[educlaw-bench-pedagogical-llm-agents-2026|Lee та співавтори (2026)]] розміщують агента-тьютора у 30-денних взаєминах із симульованим здобувачем, чиє володіння матеріалом, отримане з моделі відстеження знань, навченої на даних справжніх студентів, керує його відповідями. Оцінюючи 10 адаптерів агентів, кожен вийшов на плато за 5–10 днів далеко нижче еталону ідеального навчання — результат, до якого оцінювання єдиним сеансом дотягнутися не може. Перевірка калібрування на відповідність спостережуваної точності проб притискається до діагоналі (ECE 0,049, Brier 0,033 за 1,19 мільйона спроб).

Вірність є передумовою, і вона вимірювана. [[beagle-grounded-learner-emulation-2026|Wang та співавтори (2026)]] повідомляють про поведінкову відмінність від слідів справжніх студентів DKL = 0,31 проти 0,53 для найкращої базової лінії, і в тесті Тюрінга з 71 оцінювачем їхні сліди були статистично нерозрізненні від даних справжніх студентів (52,8% точності, d′ = 0,15). Невдача, якої слід оминати, — це упередженість компетентності: моделі за підказками розв’язують завдання надто добре, аби замінити новачків.

Стан переконань — це частина, яку легко сфабрикувати. [[llm-student-simulation-misconception-faithfulness|Do, Sonkar та Sachan (2026)]] показали, що в межах семи моделей від 4B до 120B параметрів симулятори відмовлялися від призначеного хибного уявлення і перерозв’язували з внутрішнього знання майже однаковими темпами за цільового, неузгодженого та узагальненого зворотного зв’язку. Вони квантифікують це за оцінкою селективного перекидання (Selective Flip Score) і підвищують вірність до +0,56 через навчання, і в цьому суть: формулювання підказки персони не будує здобувача.

Симульовані здобувачі служать також контрольним випробувальним полем для самих інструментів оцінювання. [[llm-judged-helpfulness-pedagogy-signal|Fan та співавтори (2026)]] поєднали кожну з трьох основ тьюторів із одним фіксованим слабким симульованим здобувачем за заздалегідь зареєстрованим протоколом і виявили, що рубрики корисності загального призначення несуть мало педагогічного сигналу, з сімома політиками, що охоплюють 2,3 пункти оціненої педагогіки в межах смуги в 0,25 пункта оціненої корисності. За ходами, що розкривають відповідь, слідувало менше самостійної роботи студента на кожній основі.

Обережність належить цій сторінці. Вердикт симулятора є лише таким добрим, як сам симулятор, і його охоплення схильне до найлегших здобувачів.

## Дослідження практика: SoTL та дослідження в аудиторії

Це напрям, який корпус документує найменше. Стипендія викладання та навчання і дослідження в аудиторії є дослідженнями практика — вчитель вивчає власний курс, часто у невеликому масштабі, часто як самонавчання, — і сторінки, зібрані тут, не дають дослідженого оповідання про використання ШІ в цьому режимі.

Найближчі докази є суміжними, а не точно до справи. Аспіранти в [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai та Chan (2026)]] навчалися бути дослідниками, а не вивчали власне викладання. Команда в [[scaffolding-systematic-reviews-2026|Wang та співавтори (2026)]] проводила формальний міждисциплінарний огляд, а не локальний проєкт. Бібліометричні дослідження описують дисципліни та видавців, а не аудиторії.

Чесне твердження тому є прогалиною, а не висновком. Дослідницьке звертання практика з підтримкою ШІ, імовірно, є поширеним і майже недокументованим у цьому корпусі; сторінка, яка представляла б докази автоматизації оглядів та бібліометричні докази так, ніби вони вирішують, як викладачеві використовувати ШІ для вивчення власного викладання, була б перебільшенням.

Те, що можна перенести, — це розположення, а не результат: назвіть роль ШІ в методах, зберігайте інтерпретаційні рішення людськими і повідомляйте, що було і що не було перевірено.

## Чого докази ще не встановлюють

- **Немає прямого порівняння.** Martin та співавтори поставлють порівняння між методами з підтримкою ШІ та традиційними як майбутню роботу. Жодна опорна стаття не показує, що методологія ШІ дає більш валідні висновки.
- **Тонкі конструкції всюди.** Опори — це пропозиція рамки, рефлексивний звіт однієї команди, звіт із семінару, дослідження з фокус-групою та обсерваційна бібліометрика. Жодне з них не є контрольованим випробуванням методу з підтримкою ШІ.
- **Прогалина звітування, а не аудит практики.** PRISMA-LLM читає мовчазність на рівні статті; робочий процес без оцінювання в своїй статті може все одно бути валідований деінде.
- **Дослідження практика недопредставлені.** Лише кілька сторінок тут згадують SoTL або дослідження в аудиторії, тому корпус не може обґрунтувати твердження про вчителів, які вивчають власну практику.
- **Рухома ціль.** Інструменти вдосконалюються швидше за публікацію, тому висновок про робочий процес 2025 року описує покоління систем, яких може вже не існувати в цій формі.

## Пов’язані поняття

- [[research-methods-aied]] — узагальнююче поняття для конструкцій, які використовуються для вивчення ШІ в освіті
- [[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]]

## Пов’язані статті

- [[ai-methodologies-science-education-research-2026]] — семифазна рефлексивна рамка для того, як методології ШІ можуть перетворити природу досліджень у науковій освіті (Martin та співавтори, 2026)
- [[scaffolding-systematic-reviews-2026]] — оповідь однієї міждисциплінарної команди оглядів про наставництво та вибіркову інтеграцію ШІ (Wang та співавтори, 2026)
- [[dai-chan-responsible-genai-research-ai-literacy-2026]] — як 28 аспірантів використовували генеративний ШІ в робочому процесі дослідження та які рекомендації вони пропонують (Dai та Chan, 2026)
- [[citation-errors-hallucinations-computing-education-2026]] — аудит у масштабі поля сфабрикованих посилань у літературі з обчислювальної освіти (Denny та співавтори, 2026)
- [[prisma-llm-ai-assisted-systematic-reviews-2026]] — рамка звітування для систематичних оглядів із підтримкою ШІ та прогалина підзвітності, яку вона документує (Zabaleta та Lin, 2026)
- [[genai-academic-search-workshop]] — звіт семінару CHIIR 2026 про генеративний ШІ та академічний пошук (Liu, Arguello, Hoeber та співавтори, 2026)
- [[persistent-ai-agents-academic-research]] — кейс-дослідження єдиного дослідника про стійкого агента в дослідницькому робочому середовищі (Alzahrani, 2026)
- [[ai-assisted-writing-research-teams]] — бібліометричні докази, що письмо з підтримкою ШІ супроводжує менші та молодші дослідницькі команди (Wang та співавтори, 2026)
- [[educlaw-bench-pedagogical-llm-agents-2026]] — 30-денний бенчмарк, який оцінює агентів-тьюторів проти симульованого здобувача (Lee та співавтори, 2026)
- [[beagle-grounded-learner-emulation-2026]] — нейро-символічний симулятор, який відтворює справжню боротьбу новачка (Wang та співавтори, 2026)
- [[llm-student-simulation-misconception-faithfulness]] — чому симулятори відмовляються від хибного уявлення за будь-якого зворотного зв’язку і як навчання це виправляє (Do, Sonkar та Sachan, 2026)
- [[llm-judged-helpfulness-pedagogy-signal]] — заздалегідь зареєстрований аудит, який використовує фіксованого симульованого здобувача, щоб перевірити, чи вимірює корисність педагогіку (Fan та співавтори, 2026)

## Цитування

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.

---

## [Якісне дослідження](https://edtechdev.github.io/aied/concepts/qualitative-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Якісне дослідження** — родина емпіричних методів, які вивчають, як люди *переживають, інтерпретують і надають смислу* феноменам, як правило через слова, спостереження та артефакти, а не через числа. У [[ai-education|ШІ в освіті]] якісні методи розкривають, *як* студенти та викладачі насправді відчувають [[generative-ai|інструменти ШІ]] — смисли, напруги, шкоду та механізми, які не вловлюють стандартизовані вимірювання. Оскільки ШІ в освіті швидко змінюється, а його вплив часто опосередкований контекстом, сприйняттям і такими оспорюваними конструктами, як [[trust]] та [[agency]], якісні дослідження є необхідними в комплексі з [[quantitative-research|кількісними]] дизайнами (див. [[research-methods-aied]]).

## Питання для роздумів

- Опитування каже вам, що 40% студентів не довіряють [[intelligent-tutoring|тьютору на базі ШІ]]; фокус-група каже вам, *чому* вони йому не довіряють. Яке число здається вам дієвішим і що додає «чому», чого не може дати відсоток?
- Якісні результати зазвичай не є статистично генералізовними, проте часто є «концептуально генералізовними» — механізми та динаміки, які переносяться в інші умови. Перш ніж читати, що означає, що результат генералізовний за концепцією, але не за статистикою?
- Сторінка застерігає, що узгодженість кодування між людиною та LLM *agreement* — це не те саме, що *якість* кодування, коли людський консенсус не є ґрунтовною істиною. Чи трактували ви коли-небудь «два рецензенти погодилися» як доказ того, що щось є правильним? Коли узгодженість є сигналом істини, а коли — лише спільною помилкою?
- Якщо ШІ нині може допомагати в якісному кодуванні в великому масштабі, чи загрожує це інтерпретаційній глибині, яка робить якісне дослідження цінним, чи просто автоматизує його рутину? Як ви вирішуватимете, що саме відбувається в конкретному дослідженні?
- Якісні дослідження надають центральне місце голосам недостатньо представлених груп — студентам з етнічних меншин, скептичним некористувачам, — які великі опитування часто пропускають. Згадайте твердження про ШІ в освіті, яке ви чули. Чий досвід із нього, найімовірніше, *не* вловлює число в заголовку?
- Виберіть один оспорюваний конструкт, який вас цікавить, — довіра, агентність або шкода. Перш ніж читати, накидайте, як ви вивчали б його словами та спостереженнями замість чисел, і занотуйте, що ви втратите, зробивши так.

## Вступ

Якісне дослідження — це не один метод, а родина, організована за тим, *що* вони вивчають і *як* збираються та аналізуються докази. Що їх об’єднує, так це акцент на смислотворенні, контексті та глибині замість широти та причинного контролю. Якісні результати зазвичай **не** є генералізовними в статистичному сенсі, проте часто є *концептуально генералізовними* — вони розкривають механізми, категорії та динаміки, які переносяться в інші умови. У корпусі бази знань якісні дослідження помітно представлені у вивченні прийняття ШІ, довіри, шкоди, [[teacher-role|викладацької]] практики та процесів навчання.

## Основні якісні підходи

### Тематичний аналіз
Тематичний аналіз виявляє, кодує та інтерпретує патерни («теми») в якісних даних — як правило в транскриптах інтерв’ю або фокус-груп, відкритих відповідях опитувань або документах. Це найпоширеніший підхід у якісних дослідженнях бази знань. Інтерв’ю та відкриті відповіді самі є [[self-report-measures|даними самозвіту]], тому вони розділяють обмеження щодо того, що можна стверджувати про поведінку, — див. відповідну сторінку щодо того, де докази самозвіту сильні, а де розпадаються. [[fouad-bentley-trust-utility-gap-physics-2026|Дослідження розриву між довірою та корисністю у фізиці]] використовує тематичний аналіз даних студентських інтерв’ю, щоб виявити [[discipline-specific-aied|предметно специфічну]] cкептичність та уподобання щодо впровадження; [[genai-teacher-feedback-comparison|порівняння зворотного зв’язку GenAI та викладача]] аналізує сприйняття студентами корисності та надійності; а [[ai-adult-learning-guidelines-dis2026|керівні принципи для навчання дорослих за допомогою ШІ]] виводять принципи дизайну з тематичного кодування внеску експертів і здобувачів. [[ai-changing-teaching-workflows|Як ШІ змінює робочі процеси викладання]] спирається на тематичний аналіз розповідей викладачів.

Надійність кодування можна зробити постійною процедурою, а не разовою перевіркою. [[preservice-teachers-noticing-ai-simulations-2026|Galiç et al. (2026)]] кодують 304 твердження про помічання за α Кріппендорфа = .803, відстежують узгодженість на п’яти перекривних кейсах (зведений κ = 0.937) та перекодовують оспорювані твердження щоразу, коли узгодженість падала нижче порогу перекалібрування 0.85 перед відновленням роботи; закодовані твердження потім входять в аналіз епістемічних мереж, який моделює, які виміри співвипадають, замість плаского переліку тем.

### Ґрунтована теорія
Ґрунтована теорія будує теорію *з даних*, а не перевіряє апріорну рамку, використовуючи ітеративне кодування (відкрите → осьове → вибіркове) до теоретичного насичення. Вона ідеальна для конструювання нової теорії про емерджентні феномени ШІ в освіті. [[liu-tool-tutor-crutch-programming-2026|Liu et al.]] розробляють ґрунтовану теорію *tool, tutor, or crutch* — тримодну типологію того, як студенти пізнавально [[scaffolding|скаффолдять]] або перекладають навантаження на ШІ в [[cs-education|освіті з програмування]], — безпосередньо теорізуючи [[cognitive-offloading]]. [[favero-critical-ai-tutors-empower-enslave-2025|Дослідження критичних тьюторів ШІ на основі ґрунтованої теорії]] досліджує, чи такі тьютори розширюють можливості здобувачів, чи їх поневолюють. [[genai-feedback-design-multisite-experiment|Людиноцентрований дизайн зворотного зв’язку GenAI]] використовує ґрунтований аналіз у багатоплощадковому дослідженні. Див. також [[theory-development-aied]] щодо того, як такі ґрунтовані теорії живлять теоретизування в галузі.

### Феноменологія та феноменографія
Феноменологічні підходи вивчають *живий досвід* феномена — яким було навчання зі ШІ, — тоді як феноменографія вивчає *якісно різні способи*, якими люди переживають і розуміють феномен (породжуючи «категорії опису»). [[absent-cognitive-baseline-2026|The Absent Cognitive Baseline]] спирається на живий досвід студентів самооцінювання за умов ШІ, щоб теорізувати структурний розрив; [[metacognitively-discordant-completion-genai-2026|феноменологічне дослідження]] фіксує досвід завершення роботи зі ШІ, усвідомлюючи, що її не розумієш; а [[genai-runaway-object-math-higher-ed|соціокультурне, інтерпретативне дослідження]] аналізує, як GenAI стає «runaway object» у [[math-education|математичній]] академічній практиці.

### Дискурс-аналіз
Дискурс-аналіз досліджує, як мова в її вжитку конструює смисл, ідентичності та владу — аналізуючи розмови в аудиторії, письмові тексти або інтеракційні послідовності. [[nspa-neuro-symbolic-pedagogical-alignment-2026|NSPA]] проводить довготривалий *дискурс-аналіз* класних розмов (тут із обчислювальним супроводом), щоб пом’якшити діалектний зсув у розумінні класної взаємодії; [[scaffolding-critical-engagement-genai-minority-students|дослідження студентів підготовчих курсів з етнічних меншин]] аналізує спільний *дискурс* у завданнях [[prompt-engineering]]. Дискурс-аналіз поєднує якісну інтерпретацію з обчислювальними методами в поєднанні з [[educational-nlp]].

[[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal (2026)]] показує, як кодування дискурсу стає перевірним, коли воно подане у вигляді правил, придатних для підрахунку: серед 366 абстрактів та 91 405 токенів асоціація зараховується лише тоді, коли актор передує предикату в межах шести вставлених слів, а номінальна близькість виключається, тож «AI governance» ніколи не зараховується як доказ того, що ШІ керує, — правило-базована апроксимація, а не розбір залежностей, обмеження якої дизайн окреслює.

### Спостереження та етнографія
Дослідження-спостереження спостерігають поведінку в контексті; етнографія поширює це на тривале, занурювальне вивчення умов, часто з дослідником як учасником-спостерігачем. [[trio-ethnography-llm-programming-education|Тріо-етнографія]] освіти з програмування з підтримкою LLM простежує, як розвиваються інтерпретації студентів; [[zha-ai-literacy-biology-case-study|класовий кейс-стаді]] спостерігає інтеграцію [[ai-literacy]] в [[biology-education|біології]]. Спостережувальні методи фіксують *фактичну* поведінку (що здобувачі роблять зі ШІ), а не заявлену, — доповнюючи опитування-самозвіти, які домінують у [[educational-measurement|кількісному вимірюванні]] ставлень.

### Кейс-стаді
Кейс-стаді — це поглиблене дослідження обмеженого кейсу (курсу, установи, окремого здобувача) з використанням кількох джерел даних. [[drummond-genai-business-schools-framework-2026|Кейс-стаді бізнес-школи]] породжує рамку навчання та викладання для GenAI, інформовану студентами; [[zha-ai-literacy-biology-case-study|кейс-стаді з біології]] документує інтеграцію ШІ-грамотності. Кейс-стаді міняють широту на глибину і сильні в генерації теорії та переносного розуміння, а не в генералізації. [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] пропонують якісне кейс-стаді 21 студента з вадами зору в трьох палестинських університетах, використовуючи тематичний аналіз напівструктурованих інтерв’ю, щоб показати, як GenAI функціонує як [[assistive-technology|асистивна технологія]] для [[inclusive-learning|інклюзивного навчання]], — приклад того, як дослідження-кейс виявляє механізми (персоналізована адаптація, розширення можливостей викладача, освітня рівність), які кількісні вимірювання пропускають.

[[ai-emotional-alerts-teachers-mathematics-classroom-2026|Swidan (2026)]] тріангулює відео, власні журнали системи сповіщень та інтерв’ю з відтворенням стимулів для одного викладача та восьми студентів, показуючи, що афективний сигнал набував смислу лише через реакцію викладача; дворівневе кодування епізодів одним автором без незалежного кодування або валідованого розпізнавання афекту позначає межу того, що може підтвердити аналіз кейсу одним кодувальником.

### Інтерв’ю та фокус-групи
Напівструктуровані **інтерв’ю** та **фокус-групи** є основними інструментами збору даних у всіх наведених вище підходах. Вони вилучають насичені, контекстуалізовані розповіді. Якісний корпус бази знань істотно побудований на інтерв’ю (напр., [[genai-expertise-pathways-sysadmin|шляхи формування експертизи]]) та фокус-групах (напр., [[t2i-competence-paradox-2026|парадокс компетентності в текст-в-зображення]], [[ai-adult-learning-guidelines-dis2026]]). Якість залежить від ретельного дизайну запитань, вибірки для варіативності та строгого аналізу.

## Як якісне дослідження виявляється в базі знань

- **Механізм і процес.** Якісна робота розкриває, *чому* ШІ допомагає чи шкодить. [[same-ai-different-pathways]] використовує якісні гілки, щоб розпакувати механізми навчання, [[sociocultural-learning|опосередкованого]] ШІ, у різних контекстах
- **Довіра, агентність та ідентичність.** Оспорювані, суб’єктивні конструкти найкраще вивчаються якісно. [[t2i-competence-paradox-2026]] розкриває, як студенти мистецтва та дизайну узгоджують легкість, ризик і творчу ідентичність; [[genai-runaway-object-math-higher-ed]] фіксує роль ШІ у переформуванні академічної ідентичності та практики.
- **Справедливість і голоси недостатньо представлених груп.** Якісна робота надає центральне місце перспективам, часто виключеним із великих опитувань — [[scaffolding-critical-engagement-genai-minority-students|студентам з етнічних меншин]], [[becker-chatgpt-typology-physics-2026|скептичним некористувачам]]. Це пов’язується з [[equity-in-ai-education]].
- **Побудова типології та таксономії.** [[becker-chatgpt-typology-physics-2026|Якісна типологія впровадження ChatGPT]] відрізняє прагматичних користувачів від скептичних некористувачів — категорії, що інформують подальший дизайн інструментів опитування.
- **Порівнянне кодування між документами.** [[genai-governance-australian-higher-ed-2026|Poudyal (2026)]] застосовує 15 фіксованих вігнет до публічних політик 20 університетів, отримуючи 300 порівнянних класифікацій, і повідомляє, що незалежний другий кодувальник збігся лише з 57.3% із них (κ = 0.395), — роблячи крихкість схеми кодування видимою замість того, щоб залишати узгодженість невисловленою.

## ШІ та якісний аналіз

Окремий новий розвиток — використання [[llm|LLM]] для допомоги в якісному кодуванні. Докази бази знань є стривоженими: [[human-vs-llm-ordered-coding]] показує, що кодування LLM і людини розходяться, з помилками, що каскадом поширюються через часовий аналіз; [[agreement-not-quality-llm-coding-verification|Agreement Is Not Quality]] показує, що узгодженість кодування людини та LLM *agreement* — це не те саме, що *якість* кодування, коли людський консенсус не є ґрунтовною істиною. Кодування за допомогою LLM може масштабувати й прискорювати якісний аналіз, проте його результати потребують перевірки проти [[human-in-the-loop-ai|людського судження]] — важливий перетин якісного дослідження з [[educational-nlp]] та [[ai-ed-evaluation]].

**Проблема втіленої в мову виразності результатів та їх обґрунтованості.** [[chain-behind-claim-warrantability-2026|Holster (2026)]] загострює, чому точність і розкриття є недостатніми стандартами для якісної роботи з допомогою ШІ. Оскільки LLM реорганізовують корпуси за лічені хвилини у втілені теми, цитати та твердження про поширеність, вони можуть приховувати аналітичний шлях, що їх породив, — і люди схильні оцінювати легко оброблений, втілений результат як більш правдивий. Holster пропонує **обґрунтованість** як доповнення до точності та розкриття: інтерпретація за допомогою ШІ є обґрунтованою, коли шлях від вихідних даних до твердження залишається *придатним для огляду, оспорювання та перегляду*. Її конструктивним механізмом є **семантичні лінзи** (задокументовані реорганізації корпусу на різних рівнях абстракції) та репертуар **артефактів обґрунтування**, відносний до твердження, — пов’язаних із джерелом таблиць тем, стеків лінз і річок доказів, — вбудований в інструменти так, щоб втілений аналіз також породжував запис простежуваного шляху. Це поширює традицію аудит-сліду галузі в генеративну еру і дає рецензентам конкретний об’єкт для оспорювання понад фінальну інтерпретацію.
- **Надійність — це не точність в [[agentic-ai|багатоагентному]] кодуванні LLM.** Конвеєр, інформований літературою, у якому два кодувальники-ШІ кодували незалежно, обговорювали й узгоджували розбіжності, породжував узгодженість між кодувальниками вищу за κ Коена 0.85 на кожному наборі даних і мітці, тоді як критеріальний F1 коливався від 0.31 до 0.89 (середнє 0.68, SD 0.16) — висока узгодженість між агентами, які обидва помилялися. Довші кодбуки (t = -11.702) та більш подібні уривки (t = -9.249) зменшували початкову точність, а ходи обговорення корелювали позитивно з точністю (t = 7.997), тоді як правильно розв’язані конфлікти та режими співпраці корелювали негативно (t = -9.720 і -8.420), тож конвергенція є слабким сурогатом правильності. Практичний наслідок полягає в тому, що кодуванню з допомогою ШІ потрібне арбітрування на рівні чеклиста проти людського еталона, а не узгодженість агентів між собою як сигнал якості. ([[llm-qualitative-coding-consensus-2026]])

## Сильні сторони та обмеження

- **Сильні сторони:** глибоке екологічне та концептуальне розуміння; виявляє несподівані феномени, ризики та механізми; необхідне для теоретизування (див. [[theory-development-aied]]); фіксує смисл, контекст та оспорювані конструкти; надає центральне місце перспективам недостатньо представлених груп; сильне для вивчення швидкозмінних феноменів, де стандартизовані вимірювання відстають.
- **Обмеження:** обмежена статистична генералізовність; інтерпретативність і залежність від дослідника (занепокоєння щодо надійності); малі вибірки; слабша підтримка причинних тверджень; результати важко синтезувати між дослідженнями; вимогливість у часі та праці.

Якісні та кількісні методи є взаємодоповнювальними, а не конкурентами, — див. [[research-methods-aied]] щодо того, як вони протиставляються та тріангулюються, і [[mixed-methods-research|змішані методи]] щодо дизайнів, що їх поєднують.

## Пов’язані поняття

- [[research-methods-aied]]
- [[mixed-methods-research]]
- [[quantitative-research]]
- [[theory-development-aied]]
- [[ai-assisted-educational-research]] — AI-Assisted Educational Research
- [[educational-measurement]]
- [[educational-nlp]]
- [[ai-ed-evaluation]]
- [[equity-in-ai-education]]
- [[trust]]
- [[agency]]
- [[cognitive-offloading]]
- [[self-report-measures]]

## Пов’язані статті
- [[chain-behind-claim-warrantability-2026]] — warrantability standard for AI-assisted qualitative analysis
- [[liu-tool-tutor-crutch-programming-2026]] — Tool, Tutor, or Crutch: a grounded theory of AI-assisted programming
- [[trio-ethnography-llm-programming-education]] — A trio-ethnography of interpretation evolution in LLM-supported programming
- [[absent-cognitive-baseline-2026]] — Theorizing a structural gap in AI-native students' self-assessment
- [[t2i-competence-paradox-2026]] — The competence paradox in text-to-image GenAI use
- [[fouad-bentley-trust-utility-gap-physics-2026]] — Trust–utility gap in physics education
- [[genai-teacher-feedback-comparison]] — Comparing GenAI and teacher feedback: student perceptions
- [[hazra-safetutors-pedagogical-safety-2026]] — AI tutor safety and pedagogical harms
- [[zha-ai-literacy-biology-case-study]] — Case study of AI-literacy integration in a biology class
- [[becker-chatgpt-typology-physics-2026]] — A qualitative typology of ChatGPT adoption in physics
- [[scaffolding-critical-engagement-genai-minority-students]] — Collaborative discourse in prompt engineering among ethnic-minority students
- [[human-vs-llm-ordered-coding]] — Comparing human and LLM ordered coding of qualitative data
- [[agreement-not-quality-llm-coding-verification]] — Agreement is not quality in LLM qualitative coding
- [[same-ai-different-pathways]] — Unpacking mechanisms of AI-mediated learning across contexts
- [[drummond-genai-business-schools-framework-2026]] — Student-informed GenAI framework via case study
- [[favero-critical-ai-tutors-empower-enslave-2025]] — Critical AI tutors: empower or enslave
- [[genai-runaway-object-math-higher-ed]] — GenAI as a runaway object in higher-education mathematics
- [[khlaif-assistive-genai-visually-impaired-2026]] — Assistive GenAI for visually impaired learners

---

## [Кількісне дослідження](https://edtechdev.github.io/aied/concepts/quantitative-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Кількісне дослідження** — родина емпіричних методів, які збирають та аналізують *числові* дані, щоб описати патерни, перевірити зв’язки та оцінити причинні ефекти. У [[ai-education|ШІ в освіті]] кількісні методи квантифікують, чи та як впливають інструменти ШІ на [[learning-gains|навчальні результати]], [[student-engagement|залученість]], [[motivation]] та [[self-efficacy]], і моделюють психологічні та поведінкові механізми використання ШІ. Вони надають широту, точність та причинну силу висновкування, якими [[qualitative-research|якісні методи]] жертвують заради глибини та контексту.

## Питання для роздумів

- «Студенти, які користуються тьютором на базі ШІ, отримують вищі бали» — перш ніж читати, чи є це твердженням про причинність чи кореляцію, і який єдиний доказ перетворив би одне на інше?
- Поперечне опитування може перевірити складну медіаційну модель і водночас ніколи не встановити причинність. Чому дві змінні можуть корелювати в опитуванні, навіть коли жодна не є причиною іншої? Чи можете ви пригадати спосіб, у який така кореляція в освіті справді ввела б вас в оману?
- Кількісні інструменти лише настільки добрі, наскільки добрим є те, що вони вимірюють, — і сторінка зазначає, що інструменти можуть вимірювати хибний конструкт. Коли ви заповнюєте опитування-самозвіт про «впевненість» чи «залученість», що воно насправді могло б фіксувати замість цього, і як би ви це з’ясували?
- Рандомізований контрольований експеримент (RCT) випадково розподіляє здобувачів за умовами, щоб оцінити причинний ефект. Що робить випадковий розподіл потужним, і які практичні та етичні проблеми виникають, коли «втручанням» є можливо-корисний інструмент ШІ, від якого деяких студентів позбавляють?
- Поздовжні дизайни відстежують тих самих здобувачів у часі — це необхідно, щоб відрізнити ШІ-інфльйовану продуктивність від тривалого навчання. Чому єдиний моментний зріз високих балів не зміг би виявити, чи навчання насправді відбулося?
- Кількісна робота надає широту та причинну силу; якісна робота надає глибину та смисл. Перш ніж читати пару, де, на вашу думку, лише числа, найімовірніше, ввели вас в оману щодо твердження про навчання, і який метод ви додали б, щоб це перевірити?

## Вступ

Кількісне дослідження охоплює описові дизайни (вимірювання поширеності та патернів), кореляційні/спостережувальні дизайни (перевірка зв’язків між змінними) та експериментальні й квазі-експериментальні дизайни (оцінювання причинних ефектів). Що їх об’єднує, так це систематичне зведення спостережень до чисел, аналізованих за допомогою статистики, і пріоритет **надійності, валідності та генералізовності** — ключових занепокоєнь [[educational-measurement]].

## Основні кількісні підходи

### Опитувальні та кореляційні дослідження
Поперечні опитування вимірюють самооголошувані ставлення, сприйняття, мотивацію, [[self-efficacy]] та прийняття технологій, часто моделюючи їх за допомогою регресії або структурного моделювання рівнянь (SEM/PLS-SEM), щоб перевірити гіпотетизовані зв’язки та медіатори. Вони домінують у корпусі бази знань, зокрема для питань прийняття, мотивації та психологічних механізмів. [[acceptance-ai-english-tools-2026|Прийняття інструментів англійської з підтримкою ШІ]] будується на [[technology-acceptance-model|TAM]] із SEM; [[tian-genai-learning-adoption-pathways-2026|шляхи впровадження GenAI]] використовують PLS-SEM, fsQCA та картування важливості-результативності; [[teacher-education-ai-literacy-sdt-2026|ШІ-грамотність викладача]] використовує факторно-валідовані опитування, засновані на [[self-determination-theory]].

- **Сильні сторони:** великі вибірки; широке, недороге покриття; перевіряє складні медіаційні моделі; зручне для ставлень, які важко спостерігати.
- **Обмеження:** поперечні дані не можуть встановити причинність; упередженість самозвіту; зручна вибірка обмежує генералізовність; медіатори виводяться з коваріації, а не з маніпуляції. Див. [[self-report-measures]] щодо інструментального розгляду цих обмежень.

### Експериментальні та квазі-експериментальні дослідження
Експерименти випадково розподіляють здобувачів за умовами (напр., тьютор на базі ШІ проти людського тьютора або зі скаффолдингом ШІ проти без допомоги), щоб оцінити причинні ефекти на результати. **Рандомізовані контрольовані випробування ([[rct]])** є золотим стандартом внутрішньої валідності. [[access-not-enough-ai-tutoring-2026|Рандомізоване польове дослідження людської підтримки плюс тьютор на базі ШІ]] і [[genai-can-harm-teaching-rct-2026|RCT щодо генеративного ШІ у викладанні]] використовують розподіл, щоб ізолювати причинні ефекти. **Квазі-експериментальні** дизайни (пре/пост, зіставлені групи без рандомізації) є реалізовніми в цілісних класах, проте слабші в причинних твердженнях.
[[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin et al. (2025)]] натомість беруть кросовер із внутрішньосуб’єктним дизайном: кожен студент зустрічає той самий матеріал з фізики двічі, одного разу в класному уроці активного навчання, а одного разу через власного тьютора на базі ШІ курсу, з пре- та посттестами навколо кожного, тож кожен здобувач є власним контролем, а міжособові різниці скорочуються.

- **Сильні сторони:** найсильніше причинне висновкування; чисте вимірювання результатів; підтримує оцінювання розміру ефекту та твердження про ефективність.
- **Обмеження:** високовартісні та повільні; штучні умови зменшують екологічну валідність; швидкозмінні інструменти ШІ швидко устарюють експерименти; малі вибірки малопотужні для виявлення ефектів; етичні обмеження на утримання корисних інструментів.

### Поздовжні дослідження
Поздовжні дизайни відстежують тих самих здобувачів у часі, фіксуючи зміну, зростання та тривале навчання, яке не вловлює вимірювання в єдиній точковій точці. [[ai-lms-middle-school-longitudinal|Поздовжнє дослідження LMS]] відстежує студентів упродовж шкільного року. Поздовжні дизайни є необхідними, щоб відрізнити ШІ-інфльйовану продуктивність від [[genai-performance-vs-learning|тривалого навчання]].

Міжнаборові порівняння потребують фіксованої робочої точки: структурна перевірка синтетичних освітніх даних виявила, що аналіз кожного набору даних на його власному порозі розвернув контраст, який тримався в спільній точці, і що його сурогатне порівняння потребувало лише синтетичних даних і перестановок самих себе — нуль на основі перестановок, а не абсолютний поріг ([[synthetic-educational-data-structural-fidelity-2026|Inoue & Yasutake (2026)]]).

### Обчислювальна та психометрична квантифікація
Кількісні методи включають також пряме вимірювання конструктів за допомогою інструментів — домен [[educational-measurement]] та [[item-response-theory]]. [[jin-glat-genai-literacy-assessment|GLAT]] бази знань є 20-питанним кількісним інструментом, валідованим за допомогою IRT; [[educational-measurement|інструменти вимірювання]] [[ai-literacy|ШІ-грамотності]], прийняття та самоефективності надають валідовані шкали, на яких спираються опитувальні та експериментальні дослідження.

## Як кількісне дослідження виявляється в базі знань

- **Ефективність і причинні твердження.** RCT і квазі-експерименти перевіряють, чи покращують інструменти ШІ навчання ([[access-not-enough-ai-tutoring-2026]], [[genai-can-harm-teaching-rct-2026]], [[adaptive-pretesting-retention]]).

- **Пре-реєстрація та реплікація.** [[chatbot-outreach-course-performance-2026|Meyer et al. (2026)]] формують свої гіпотези та план аналізу до випробування й зводять рандомізоване порівняння через два семестри та два великі асинхронні курси, тож оцінка спирається на фіксований план і реплікацію, а не на єдину вибірку.
- **Моделювання механізмів.** SEM/PLS-SEM перевіряє медіаторів та модераторів впровадження ШІ та навчання ([[tian-genai-learning-adoption-pathways-2026]], [[acceptance-ai-english-tools-2026]], [[teacher-education-ai-literacy-sdt-2026]]).

- **Панельні моделі, що відокремлюють внутрішньоособові ефекти від міжособових.** [[genai-reliance-human-agency-collaborative-learning-2026|Wu and Lu (2026)]] оцінюють панельну модель із випадковим перетином і крос-лагами на трьох хвилях даних спільного письма, що відокремлює стабільні різниці між студентами від внутрішньоособового часового порядку — відмінності, яка дозволяє читати підвищену залежність як таку, що передує падінню сприйманої агентності, а не лише супроводжує його.
- **Вимірювання та розробка шкал.** База знань документує розробку та валідацію кількісних інструментів ([[jin-glat-genai-literacy-assessment|GLAT]], [[educational-measurement]]).

- **Продуктивність проти тривалого навчання.** [[barcaui-chatgpt-cognitive-crutch-knowledge-retention-2025|Barcaui (2025)]] рандомізує 120 студентів на навчання з підтримкою ШІ або традиційне навчання та вимірює утримання за допомогою несподіваного тесту з 20 питань через 45 днів після втручання, тож результатом є те, що витримало затримку, а не те, що з’явилося наприкінці заняття.

## Сильні сторони та обмеження

- **Сильні сторони:** точність та статистична потужність; генералізовність на визначені популяції; причинне висновкування (в експериментальних дизайнах); ефективне покриття великих вибірок; кумулятивність і порівнянність між дослідженнями.
- **Обмеження:** фіксує те, що є вимірюваним, часто пропускаючи процес, смисл і контекст (див. [[qualitative-research]]); упередженість самозвіту; інструменти можуть вимірювати хибний конструкт (див. [[educational-measurement|проблеми вимірювання]]); кореляція без причинності; може бути штучним і повільним щодо зміни ШІ.

Кількісні та [[qualitative-research|якісні]] методи є взаємодоповнювальними — кількісна робота надає широту та причинну силу, якісна робота надає глибину та смисл. [[mixed-methods-research|Змішані дизайни]] їх поєднують. Див. [[research-methods-aied]] для повного порівняння методів та контрастів між експериментальними, опитувальними, якісними та іншими дизайнами.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[access-not-enough-ai-tutoring-2026]] — A randomized field study of human support plus AI tutoring
- [[genai-can-harm-teaching-rct-2026]] — Generative AI can harm teaching: an RCT
- [[acceptance-ai-english-tools-2026]] — Acceptance of AI-assisted English learning tools
- [[tian-genai-learning-adoption-pathways-2026]] — GenAI adoption pathways (PLS-SEM, fsQCA)
- [[teacher-education-ai-literacy-sdt-2026]] — Teacher AI literacy through self-determination theory
- [[jin-glat-genai-literacy-assessment]] — GLAT: an IRT-validated GenAI literacy test
- [[ai-lms-middle-school-longitudinal]] — A longitudinal AI-integrated LMS study
- [[adaptive-pretesting-retention]] — Adaptive pretesting and retention
- [[synthetic-educational-data-structural-fidelity-2026]] — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

---

## [Дослідження змішаними методами](https://edtechdev.github.io/aied/concepts/mixed-methods-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Дослідження змішаними методами** — проєктування та практика свідомого поєднання [[quantitative-research|кількісної]] та [[qualitative-research|якісної]] складових в межах одного дослідження таким чином, щоб їхні сили доповнювали одна одну, а слабкості компенсували взаємно. У [[ai-education|ШІ в освіті]] змішані дизайни широко використовуються, оскільки ефекти ШІ є водночас вимірними ([[learning-gains|навчальні здобутки]], [[student-engagement|залученість]]) і насиченими змістом (довіра, [[agency]], ідентичність) — і ні опитування, ні інтерв’ю поодинці не фіксують обидва аспекти.

## Питання для роздумів

- Уявіть, що опитування показує високе задоволення студентів інструментом ШІ, але результати тестів не покращуються. Яке число «правильне»? Сторінка стверджує, що поєднання кількісної та якісної складових дозволяє кожній пояснити іншу — як інтерв’ю може пояснити те, що самі числа не можуть?
- Поширений погляд полягає в тому, що числа об’єктивні, а інтерв’ю — анекдотичні, тому кількісні свідчення кращі. Сторінка натомість розглядає їх як доповняльні — широту та точність від чисел, глибину та зміст від слів. Коли число без контексту вводить в оману більше, ніж інтерв’ю?
- Один патерн дизайну (послідовний пояснювальний) спочатку збирає кількісні дані, а потім використовує інтерв’ю для пояснення несподіваних результатів. Чи можете ви навести освітній результат, який був незрозумілим у цифрах, доки якісні дані не виявили механізм?
- Тріангуляція — базова цінність: коли незалежні складові збігаються, впевненість зростає, а коли розходяться, сама розбіжність інформативна. Чи траплялось у вас, що два джерела свідчень про одне й те саме суперечили одне одному — і чого ви навчились із цього конфлікту?
- Змішані методи можуть одночасно фіксувати ефекти (наскільки великий приріст у навчанні) та зміст (довіра, ідентичність, агентність) — те, що жодне окреме опитування чи інтерв’ю не фіксує самостійно. Якби ви вивчали, чи допомагає інструмент ШІ студентам, які кількісні та якісні питання ви б поставили попарно і в якому порядку?

## Вступ

Змішані дизайни інтегрують широту, точність і причинно-наслідкову силу кількісних методів із глибиною, контекстом і змістом якісних методів. Ціннісна пропозиція — **тріангуляція**: коли незалежні складові збігаються на одному висновку, впевненість зростає; коли розходяться, сама розбіжність інформативна.

## Поширені патерни дизайну

- **Послідовний пояснювальний (QUAN → qual).** Кількісні дані збираються спочатку, а потім якісні дані пояснюють чи контекстуалізують несподівані або значущі кількісні результати. [[genai-over-reliance-learning-2026|Дослідження змішаними методами GenAI та сталого навчання]] поєднує трихвильові опитування з інтерв’ю викладачів, щоб пояснити кількісний патерн переходу від покращення до надмірної залежності.
- **Послідовний дослідницький (QUAL → quan).** Якісна робота будує теорію, генерує гіпотези або інформує проєктування інструментарію, який потім перевіряється кількісно. [[becker-chatgpt-typology-physics-2026|Якісна типологія впровадження ChatGPT]] дає категорії, що можуть інформувати подальше проєктування опитування.
- **Дослідницький послідовний із інваріантністю вимірювання.** [[trust-calibration-genai-collaborative-regulation-2026|Bu і Li (2026)]] кодують інтерв’ю для ідентифікації чотирьох вимірів моделі, будують із них інструментарій з 22 пунктів, а потім перевіряють конфігуральну, метричну та скалярну інваріантність за статтю та предметною галуззю на аналітичній вибірці з 642 респондентів — показуючи, як якісна складова живить інструмент опитування, а тест на інваріантність підтверджує, що конструкти поводяться однаково в різних групах.
- **Конвергентний/паралельний.** Кількісна та якісна складові функціонують одночасно та інтегруються в аналізі. [[t2i-competence-paradox-2026|Дослідження парадоксу компетентності]] використовує фокус-групи викладачів, опитування студентів і подальші інтерв’ю паралельно; [[fouad-bentley-trust-utility-gap-physics-2026|дослідження розриву між довірою та корисністю]] поєднує свідчення опитувань та інтерв’ю щодо впровадження ШІ студентами фізики.

## Як змішані методи з’являються в базі знань

- **Пояснення механізмів.** [[same-ai-different-pathways]] поєднує складові, щоб розпакувати механізми навчання, опосередкованого ШІ, у контекстах дисциплін та установ, де самі кількісні відмінності були б непрозорими.
- **Доповнення даних про результати досвідом.** [[hazra-safetutors-pedagogical-safety-2026|Безпека репетитора ШІ]] поєднує кількісні індикатори шкоди з якісними описами педагогічної шкоди; [[t2i-competence-paradox-2026]] поєднує кількісні результати опитувань з якісними описами узгодження ідентичності.
- **Інтеграція без об’єднання.** [[wang-reflective-ai-use-engagement-programming-2026|Wang і Zhao (2026)]] координують опитування (N = 131), кодування текстов Critical Engagement людьми (66 текстів) та логи програмування (N = 1 423), які походять із різних вибірок і ніколи не об’єднуються, приписуючи гілці без ШІ-треків роль перевірки меж, а не підтверджувальну — кожній складовій дається окреме інференційне завдання замість того, щоб просто подавати їх поруч.
- **Проєктування та оцінювання.** [[genai-feedback-design-multisite-experiment|Багатосайтовий експеримент із проєктування зворотного зв’язку GenAI]] поєднує вимірювання експериментальних результатів із якісним зворотним зв’язком від здобувачів, інтегруючи кількісну оцінку ефекту з рекомендаціями щодо дизайну.
- **Процесуальні свідчення всередині великого дослідження.** [[mata-sustaining-ai-enabled-student-support-2026|Mata та співавт. (2026)]] поєднують спостереження за системою та обговорення з адміністраторами з чотирирічною рандомізованою оцінкою 8 708 студентів протягом восьми семестрів, потужність якої дозволяє виявляти ефекти в 0,05 стандартних відхилень, тому те саме дослідження пояснює організаційні умови, що підтримували програму чатбота, і повідомляє тісно обмежені нульові результати за середнім балом і стійкістю навчання.

- **Тріангуляція політичного явища.** Дослідження відкладення захисту приватності студентів в EdTech поєднує дванадцять напівструктурованих інтерв’ю з аудитом документів 48 платформ, оціненим двома кодерами на міжекспертну надійність (середнє Cohen's κ = 0,781), використовуючи інтерв’ю для пояснення, чому приватність відкладається, а аудит — для демонстрації патерну розкриття, який створює відкладення; це конвергентний дизайн, у якому жодна складова окремо не могла б підтримати твердження ([[edtech-privacy-deferral-2026|Nair & Greenstadt, 2026]]).

## Сильні сторони та обмеження

- **Сильні сторони:** тріангуляція підвищує впевненість; кількісна широта плюс якісна глибина; можуть пояснювати несподівані результати та поєднувати механізм і величину; дають і ефекти, і зміст; добре підходять до складних, контекстуальних явищ ШІ в освіті.
- **Обмеження:** складні, ресурсомісткі та методологічно вимогливі; інтеграція може бути поверхневою, якщо складові просто подаються поруч, а не справді об’єднані; усе ще успадковують слабкості кожної складової (наприклад, упередженість самоописування в опитуваннях, залежність від дослідника в інтерв’ю); потребують володіння обома методологічними традиціями.
- **Кластерне обмеження, що межує висновок.** [[human-ai-collaboration-academic-writing-2026|Alshehri та співавт. (2026)]] призначають два цілісні класи (n = 31, n = 22), тому за наявності лише двох кластерів повідомлені t-тести ігнорують внутрішньокласну вкладеність, а багаторівневі моделі не можуть бути оцінені, що робить тести значущості оптимістичними щодо того, що дизайн може підтримати.

## Співвідношення з ширшим ландшафтом методів

Змішані методи стоять між [[quantitative-research|кількісною]] та [[qualitative-research|якісною]] традиціями, спираючись на сильні сторони кожної та додаючи методологічну дисципліну свідомої інтеграції. Це методологічна відповідь на визнання того, що явища ШІ в освіті є водночас ефективними й насиченими змістом — і що галузь розвивається найшвидше, коли поєднуються широта та глибина (див. [[research-methods-aied]]). Вони пов’язані з [[educational-measurement]] (кількісні інструменти), [[theory-development-aied]] (якісна побудова теорії) та [[ai-ed-evaluation]] (інтеграція свідчень про результати та досвід).

## Пов’язані поняття

- [[research-methods-aied]]
- [[qualitative-research]]
- [[quantitative-research]]
- [[educational-measurement]]
- [[learning-gains]]
- [[theory-development-aied]]
- [[ai-ed-evaluation]]
- [[student-experience]]

## Пов’язані статті

- [[genai-over-reliance-learning-2026]] — Від покращення до надмірної залежності (опитування + інтерв’ю)
- [[t2i-competence-paradox-2026]] — Парадокс компетентності (фокус-групи + опитування + інтерв’ю)
- [[fouad-bentley-trust-utility-gap-physics-2026]] — Розрив між довірою та корисністю (опитування + інтерв’ю)
- [[same-ai-different-pathways]] — Механізми навчання, опосередкованого ШІ, у різних контекстах
- [[genai-feedback-design-multisite-experiment]] — Проєктування зворотного зв’язку GenAI, орієнтоване на людину (багатосайтове)
- [[hazra-safetutors-pedagogical-safety-2026]] — Безпека репетитора ШІ та педагогічна шкода
- [[becker-chatgpt-typology-physics-2026]] — Якісна типологія впровадження ChatGPT у фізиці
- [[edtech-privacy-deferral-2026]] — «We'll Fix It Later»: освіта, ШІ та відкладення захисту приватності студентів в EdTech

---

## [Дизайн-орієнтоване дослідження](https://edtechdev.github.io/aied/concepts/design-based-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Дизайн-орієнтоване дослідження (DBR)** — методологічний підхід, який ітеративно проєктує, впроваджує та удосконалює освітню інтервенцію в автентичних контекстах, циклічно рухаючись між теорією, дизайном та реальною практикою, щоб породити водночас придатний до використання артефакт і перевірені принципи дизайну. В [[ai-education|освіті зі ШІ]] DBR є методом вибору для розробки навчальних середовищ на основі ШІ, [[pedagogy|педагогічних]] моделей і програм підготовки викладачів, які мусять працювати в заплутаній реальності аудиторій, — міняючи причинний контроль [[rct|експериментів]] на екологічну автентичність та ітеративне удосконалення.

## Питання для роздумів

- Дизайн-орієнтоване дослідження ітеративно проєктує, впроваджує та удосконалює інтервенцію в реальних аудиторіях, циклічно рухаючись між теорією та практикою. Чим це принципово відрізняється від контрольованого експерименту — і чому дослідник аудиторій може надавати йому перевагу?
- DBR свідомо міняє причинний контроль на екологічну автентичність. Якщо ви не можете сказати напевно, ЩО спричинило навчальний приріст, чому все ще варте це знання?
- DBR породжує дві речі водночас: придатний до використання артефакт і перевірені принципи дизайну. Який із цих двох результатів важливіший для вас — інструмент, який працює, чи принцип, який можна застосувати в іншому місці?
- Сильна сторона DBR — висока практична дорельність; обмеження — те, що висновки прив’язані до контексту і важко узагальнюються. Коли ви довіряли б висновку DBR настільки, щоб застосувати його в дуже інших умовах?
- Без неасоційованого контрольованого виміру результатів навчальні здобутки в DBR можуть відбивати ту саму проблему «здутої ШІ успішності», яку воно досліджує. Як би ви спроєктували дослідження DBR, щоб його повідомлені здобутки справді означали навчання, а не успішність із допомогою?

## Вступ

DBR — це *дизайнова* традиція, а не традиція даних: вона не вкладається акуратно в протиставлення [[quantitative-research|кількісного]]/[[qualitative-research|якісного]]/експериментального. Вона свідомо поєднує елементи всіх трьох — збираючи дані і про результати, і про процес упродовж ітеративних циклів, — щоб відповісти на питання *«як спроєктувати це навчальне середовище на основі ШІ, щоб воно працювало на практиці?»*, а не *«чи спричинює X наступ Y?»*. Вона тісно пов’язана з [[learning-design]] (яке специфікує процес дизайну) та з [[usability-research|оцінюванням зручності використання]] (яке живить удосконалення), але відрізняється своїм стійким, керованим теорією, багатоциклічним характером і своєю двоїстою метою — покращувати практику *і* генерувати теорію.

## Цикл DBR

DBR — це не єдиний дизайн, а ітеративна петля, яка зазвичай охоплює:

1. **Аналіз потреб** — розуміння проблеми, контексту та здобувачів в автентичних умовах.
2. **Дизайн** — артикуляція інтервенції та її базового теоретичного обґрунтування.
3. **Впровадження** — розгортання інтервенції в реальній аудиторії чи програмі.
4. **Удосконалення** — аналіз даних, перегляд дизайну та ітерація (часто упродовж кількох циклів).
5. **Вихід у теорію та артефакт** — породження водночас придатної до використання інтервенції та узагальнюваних принципів дизайну або перевіреної моделі.

Канонічним прикладом в AIEd є [[ai-assisted-collaborative-learning-model-dbr|дослідження моделі колаборативного навчання з підтримкою ШІ (AACL)]], яке провело чотирифазний цикл DBR — аналіз потреб, дизайн моделі, восьмитижневе впровадження в аудиторії з індонезійськими студентами бакалаврату та удосконалення моделі, — ітеруючи навколо чотириетапного навчального циклу (визначення проблеми → [[collaborative-learning|колаборативне]] дослідження з підтримкою ШІ → колаборативне [[problem-solving]] → рефлексія та презентація).

## Як DBR постає в цій базі знань

- **Розробка навчальних моделей.** [[ai-assisted-collaborative-learning-model-dbr|Дослідження моделі AACL]] використовує DBR для розробки та оцінювання моделі колаборативного навчання з підтримкою ШІ, націленої на [[critical-thinking|критичне мислення]] та розв’язування задач у [[higher-ed|вищій освіті]].
- **Будівництво підготовки викладачів із ШІ-грамотності.** [[genai-literacy-training-teacher-education-dbr-2026|Le et al.]] розробляють та оцінюють DBR-інтервенцію з підготовки з грамотності в питаннях [[generative-ai|генеративного ШІ]] для студентів [[teacher-education]]; [[human-centered-ai-teacher-educators-2026|Baran et al.]] використовують DBR упродовж 2023–2025 для конструювання професійного навчання критичній [[ai-literacy|ШІ-грамотності]], грунтованої на принципах Human-Centered AI.
- **Проєктування [[governance|інституційних]] стандартів.** [[crompton-faculty-technology-integration-standards-2026|Crompton et al.]] використовують DBR в межах двох ітеративних макроциклів із 114 учасниками для розробки шести стандартів інтеграції технологій для викладацького складу.
- **Ітеративне впровадження системи.** [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|Rienties et al.]] описують шість ітеративних досліджень DBR (18 місяців, 498 учасників), що впроваджують асистента ШІ AIDA Відкритого університету, використовуючи підхід вбудованих систем.
- **[[scaffolding]] та дизайн інтервенцій.** [[critical-thinking-genai-scaffolding|Скаффолдинг критичного мислення на генеративному ШІ]] та інші дослідження з розробки інтервенцій використовують DBR для конструювання та удосконалення скаффолдингів на основі ШІ.
- **Керований молоддю та експертами [[curriculum-design|дизайн навчальної програми]].** [[science-integrated-ai-literacy-curriculum-dbr-2026|Moore et al. (2026)]] використовують дворічний процес DBR із консультативною радою з молоді та експертів зі ШІ для конструювання інтегрованої в науки навчальної програми з [[ai-literacy|ШІ-грамотності]] / машинного навчання для старшої школи, удосконалюючи дизайн між когортами та вимірюючи прирости знань із машинного навчання, — приклад DBR як партисипативного спільного дизайну, який інтегрує голос молоді в цикл дизайну.
- **Спільне удосконалення рубрики як DBR.** [[yasar-llms-iterative-pedagogical-design-2026|Yaşar et al. (2026)]] втілюють ітеративно-удосконалювальний характер DBR, застосований до самого інструменту оцінювання: вони трактували рубрику як переглядовний артефакт дизайну і пройшли через спільне удосконалення з [[llm|великою мовною моделлю]] — уточнюючи дескриптори успішності та явно приймаючи імпліцитні індикатори навчання, — що підвищило узгодженість між моделлю та людиною на 80 студентських проєктних плакатах із 54.75% до 81.25% (альфа Кронбаха 0.393 → 0.798). Дослідження позиціонує рубрику як опосередкувальний інтерфейс між людським педагогічним наміром і машинним висновком, а його обізнане з ролями [[prompt-engineering|підказування]] (викладач, рецензент однолітників, рецензент грантів) показує, як вибори дизайну формують оцінювальний результат, — DBR-подібна демонстрація того, що інструмент оцінювання, а не лише інтервенція, є об’єктом дизайну.
- **Спільне конструювання ШІ-грамотності в ранньому дитинстві.** [[play-ai-pre-k-kindergarten-ai-literacy-2026|Lee (2026)]] використовує DBR для спільного конструювання, пілотування та удосконалення навчальної програми Play With AI (PL-AI) в межах ітеративних циклів із двома викладачами дошкільних груп та двома викладачами дитячих садків, спираючись на опитування викладачів, 32 години класного відео, польові нотатки та стенограми дизайн-зустрічей. Дослідження документує, як DBR підтримує ітеративне удосконалення відповідних до віку занять зі ШІ-грамотності та дає переносимі принципи дизайну ([[embodied-learning|втілена]] гра, відчутне кодування, керований діалог, спільний дизайн із викладачем).
- **Експертний огляд як доказ удосконалення — і чесне окреслення меж.** [[teaching-rl-humanoid-robotics-high-school-2026|Dong et al. (2026)]] подають свою початкову чотиридоріжкову навчальну програму з робототехніки п’яти експертам, які оцінюють її за вісьма вимірами, а потім переглядають у відповідь: незалежна реалізація PPO переходить до розширення, а передумовий вимогливий Python додається після того, як четверо з п’ятьох експертів сигналізують про когнітивне навантаження. Розкид керує переглядами не менше, ніж середні: мотивація контексту мала середнє 4.00 зі SD = 1.73 та єдину оцінку 1/5, — і автори просто кажуть, що переглянута рамка залишається неоціненою до появи даних від студентів.
- **Тріангуляція та межа, яку вона не може перейти.** [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026|Kenzhebayeva et al. (2026)]] проводять модель ротації ролей через п’ять фаз DBR — аналіз проблеми, педагогічний дизайн, впровадження, оцінювання, удосконалення, — упродовж восьми тижнів із 62 учасниками, тріангулюючи рефлексивні щоденники, інтерв’ю, нотатки спостережень і продукти, згенеровані студентами, із перевіркою від учасників. Урок дизайну — у тому, що автори стверджують про нього: без виміру компетентності до-після та без порівняльної групи вони подають докази як залученість упродовж інтервенції, а не як продемонстровані прирости компетентності, що є саме тією межею, яку багатоджерельний дизайн DBR може і не може перейти.

## Сильні сторони та обмеження

- **Сильні сторони:** висока екологічна обґрунтованість і практична дорельність; породжує водночас придатні до використання артефакти та теорію; чутливий до складності реальних аудиторій і мінливих інструментів ШІ; добре придатний для розробки моделі та її удосконалення на основі автентичних доказів впровадження; фіксує, як інтервенція справді працює (або зазнає відмови) на практиці.
- **Обмеження:** слабка внутрішня обґрунтованість (мало/жодних контрольних груп); висновки прив’язані до контексту і важко узагальнюються; довгі часові рамки; важко ізолювати, який елемент дизайну спричинив результат, — DBR демонструє здійсненність і покращення, але не може віднести навчальні здобутки до конкретного механізму.

DBR міняє причинний контроль [[rct|експериментів]] на екологічну автентичність та ітеративне удосконалення: його докази найсильніші як доказ концепції та вказівки для дизайну, а не як причинна ефективність. Читання навчальних здобутків DBR вимагає тієї самої [[limitations-in-aied-research|обережності]], що й інші дизайни, — без неасоційованого контрольованого виміру результатів здобутки можуть відбивати той самий конфаундер здутої ШІ успішності, задокументований у розділі [[learning-gains|навчальні здобутки]].

## Ставлення до інших методів

DBR є визначним методом [[learning-sciences|наук про навчання]] — міждисциплінарної галузі, яка вивчає навчання та дизайн навчальних середовищ і яка трактує будівництво інтервенції та її вивчення як єдину діяльність, а не дві. Вона доповнює, а не змагається з іншими методами досліджень (див. [[research-methods-aied]] для повного ландшафту). Там, де [[rct|експерименти]] встановлюють причинність, а [[quantitative-research|опитування]] встановлюють широту, DBR встановлює *здійсненність і знання про дизайн* — чи може інтервенція бути побудована, щоб працювати в автентичній практиці, і які принципи дизайну її підтримують. Вона часто парується з [[usability-research|оцінюванням зручності використання]] (щоб удосконалити інтерфейс) та [[qualitative-research|якісними методами]] (щоб зрозуміти, як здобувачі переживають інтервенцію). Зріла програма DBR зазвичай завершується [[rct|іспитом ефективності]] або дослідженням [[educational-measurement|вимірювання]], яке перевіряє причинні ефекти розробленої інтервенції в масштабі.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[ai-assisted-collaborative-learning-model-dbr]] — DBR для моделі колаборативного навчання з підтримкою ШІ
- [[genai-literacy-training-teacher-education-dbr-2026]] — DBR для підготовки зі ШІ-грамотності в освіті викладачів
- [[crompton-faculty-technology-integration-standards-2026]] — DBR для стандартів інтеграції технологій для викладацького складу
- [[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 для скаффолдингу критичного мислення на генеративному ШІ
- [[science-integrated-ai-literacy-curriculum-dbr-2026]] — DBR для інтегрованої в науки навчальної програми зі ШІ-грамотності (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

---

## [Дослідження юзабіліті](https://edtechdev.github.io/aied/concepts/usability-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Дослідження юзабіліті** — емпіричне вивчення того, як користувачі взаємодіють із програмною системою, а також її юзабіліті, корисності та користувацького досвіду (UX). Здобуте з галузі взаємодії людини й комп’ютера (HCI), дослідження юзабіліті оцінює, чи є освітній інструмент на основі ШІ придатним до використання, засвоюваним, ефективним і задовільним — тими якостями, які визначають, чи справді здобувачі його засвоюють і отримують від нього користь. Воно відрізняється від [[qualitative-research|якісного дослідження]] навчальних явищ і [[quantitative-research|кількісного вимірювання ефективності]], але доповнює їх: дослідження юзабіліті зосереджене на *взаємодії між людиною і системою*, а не на навчальних результатах як таких.

## Питання для роздумів

- Чи можете ви згадати програмний інструмент — освітній чи інший, — який був педагогічно обґрунтованим або справді потужним, проте ви перестали ним користуватися, бо він був незрозумілим або дратівливим? Цей провал — саме те, що дослідження юзабіліті намагається пояснити, перш ніж він коштуватиме навчання.
- Поширене припущення полягає в тому, що освітню ефективність інструмента можна оцінити за тим, чи покращуються навчальні здобутки. Але сторінка стверджує, що інструмент може бути непридатним до використання й при цьому здаватися таким, що «працює» в пробному випробуванні, або ж придатним до використання і при цьому не навчати. Чому дослідження, що показує навчальні здобутки, може не помітити, що інструмент на практиці важко використовувати?
- Перш ніж читати про методи, подумайте: як ви з’ясовували б, чи є ШІ-тьютор для здобувачів незрозумілим, дратівливим або схильним до помилок? Що б ви насправді робили або спостерігали — і чого не помітить власний звіт користувача про задоволеність, що помітить ретельне спостереження?
- Метод мислення вголос (think-aloud) є ключовим: користувачі висловлюють свої думки під час роботи, розкриваючи в реальному часі плутанину й ментальні моделі. Якби ви були здобувачем, який користується інструментом ШІ, про що в своїй плутанині ви змогли б розповісти, чого просте опитування «вам сподобалося?» ніколи не виловить?
- Сторінка зазначає, що самостійно повідомлена задоволеність може розходитися з об’єктивною продуктивністю — люди можуть казати, що люблять інструмент, який таємно їх сповільнює, або недооцінювати той, який справді допомагає. Де ви бачили цей розрив між тим, що люди кажуть, і тим, що показує їхня поведінка?
- Дослідження юзабіліті показує, чи є інструмент придатним до використання, а не чи він навчає. Якщо ви оцінюєте інструмент навчання на основі ШІ, як би ви поєднали докази юзабіліті з доказами навчання — і чого міг би не досягти інструмент, який пройшов обидві перевірки?

## Вступ

Дослідження юзабіліті та UX відповідають на запитання на кшталт: Чи можуть студенти розібратися, як користуватися цим ШІ-тьютором? Чи є інструмент ШІ незрозумілим, дратівливим або схильним до помилок? Чи відповідає він робочому процесу викладачів чи здобувачів? Ці запитання є передумовою для — а іноді й прихованою причиною — [[learning-gains|навчальних здобутків]] (або їх відсутності), які вимірюються в дослідженнях ефективності. Інструмент ШІ, який є педагогічно обґрунтованим, але непридатним до використання, зазнає невдачі на практиці; докази юзабіліті пояснюють чому.

## Основні методи

- **Протоколи мислення вголос.** Користувачі вербалізують свої думки під час виконання завдань, розкриваючи в реальному часі розуміння, плутанину й ментальні моделі. [[code-anchor-multi-view-visualization|Дослідження багатовидових візуалізацій коду]] і [[learn-framework-responsible-genai-pbl-2026|рамкова основа LEARN]] використовують мислення вголос, щоб зрозуміти, як здобувачі осмислюють інструменти з підтримкою ШІ; [[feedback-futures-genai|feedback futures]] досліджує, як здобувачі обробляють згенерований ШІ зворотний зв’язок.
- **Дослідження користувачів.** Структуровані оцінки на основі завдань вимірюють ефективність, частоту помилок, задоволеність і завершеність. [[rhaimi-productivemath-2025|ProductiveMath]] оцінює юзабіліті застосунку на основі генеративного ШІ в підтримці навчання через продуктивні невдачі; [[supplynet-visual-exploratory-learning|SupplyNet]] проводить дослідження користувачів інструмента візуального дослідницького навчання; [[llm-chatbots-cs-multiple-choice|чатботи на основі LLM для завдань із вибором відповіді в CS]] оцінюють якість взаємодії.
- **Інтерв’ю та спостереження.** Якісні інтерв’ю про юзабіліті та спостереження фіксують користувацький досвід, вподобання й проблемні точки. [[icub-humanoid-storytelling-llm-hri-2025|Дослідження юзабіліті гуманоїдного робота-оповідача]] використовує структуровану оцінку, щоб з’ясувати, чи дозволили б батьки роботу взаємодіяти з дитиною; [[genai-architectural-design-studios|ШІ в дизайн-студіях]] спостерігає за студентами та інтерв’ює їх під час використання ШІ в автентичній дизайнерській роботі.
- **Систематична оцінка юзабіліті.** Евристична оцінка, когнітивний воквтр і засновані на опитувальниках заміри UX (наприклад, SUS) систематично оцінюють юзабіліті за встановленими критеріями.

## Як дослідження юзабіліті постає в базі знань

- **Оцінка інструментів навчання на основі ШІ.** [[rhaimi-productivemath-2025|ProductiveMath]], [[supplynet-visual-exploratory-learning|SupplyNet]] і [[anvil-ai-educational-animations|освітні анімації]] оцінюються на юзабіліті та UX.
- **Взаємодія людини з роботом і з [[conversational-ai|розмовним ШІ]].** [[icub-humanoid-storytelling-llm-hri-2025|Дослідження гуманоїдного робота-оповідача]] є явним дослідженням юзабіліті взаємодії на основі [[llm]]; [[conversational-ai-agents-umbrella-review-2026|зонтичний огляд розмовних агентів ШІ]] визначає юзабіліті та якість взаємодії як повторювану тему.
- **Проєктування та вдосконалення.** Висновки щодо юзабіліті живлять ітеративне проєктування (див. [[design-thinking]] і [[learning-design]]), покращуючи інструменти до або паралельно з тестуванням ефективності.
- **Один інструмент у різних контекстах і стеля, що його обмежує.** [[mendonca-llm-feedback-perceived-usefulness-programming-2026|Mendonça et al. (2026)]] утримували домен, завдання й інструмент сталими, змінюючи лише освітній рівень, тому оцінки 144 студентів щодо 893 відповідей зі зворотним зв’язком і 237 звітів порівнюють контексти, а не дисципліни, — і лише сприйнята точність відрізнялася між рівнями. Дослідження також називає обмеження такого оцінювання користувачами: від 72.2 до 86.4 відсотків студентів у середньому давали щонайменше 4 з 5, а автори заявляють, що їхні незначущі відмінності не встановлюють еквівалентності, бо жодного допущу не було задано заздалегідь.
- **Проєктування оцінювачів, повідомлене як частина висновку.** [[bespoke-industry-personalized-lecture-videos-2026|Puech et al. (2026)]] дали 25 експертам, відповідних за доменом, оцінювати 92 згенеровані заново лекції за рубрикою, закріпленою на «якості стандартної лекції MOOC», призначаючи кожне відео одному рецензенту (k = 1), щоб розподілити експертну панель на більшу частину корпусу замість збирання повторних оцінок. Компроміс змодельовано, а не приховано: модель з випадковими перехопленнями приписує приблизно 35 відсотків залишкової варіації рецензенту (ICC = 0.35), а інтервали згруповано за рецензентами — саме так експертна панель може повідомити «87 відсотків на рівні порога або вище» з чесним діапазоном.

## Співвідношення з іншими родинами досліджень

Дослідження юзабіліті ділить методи збору даних із [[qualitative-research|якісним дослідженням]] (інтерв’ю, спостереження, мислення вголос), але відрізняється *метою*: якісне дослідження інтерпретує значення й досвід, щоб будувати розуміння й теорію, тоді як дослідження юзабіліті оцінює артефакт за критеріями юзабіліті/UX. Воно також перетинається з [[ai-ed-evaluation]] (оцінка того, чи працює система) і з [[educational-measurement|вимірюванням]] (кількісна оцінка конструктів юзабіліті). База знань трактує юзабіліті як окремий, але пов’язаний методологічний напрям — релевантний для [[human-ai-collaboration]], [[student-experience]] і проєктування ефективних інструментів навчання на основі ШІ. Див. [[research-methods-aied]], щоб зрозуміти, як він вписується в ширший ландшафт методів.

## Сильні сторони та обмеження

- **Сильні сторони:** безпосередньо виявляє бар’єри юзабіліті, які блокують засвоєння й навчання; дає придатні до дії вказівки щодо проєктування; доповнює дослідження ефективності й якісні дослідження, пояснюючи *чому* інструмент працює або зазнає невдачі в використанні; відносно швидке й дешеве порівняно з великими експериментами.
- **Обмеження:** висновки щодо юзабіліті не встановлюють навчальних ефектів (придатний до використання інструмент усе ж може не навчати); малі вибірки й специфічні для завдань умови обмежують узагальнюваність; самостійно повідомлена задоволеність може розходитися з об’єктивною продуктивністю; залежність від дослідника й проєктування завдань.

## Пов’язані поняття

- [[research-methods-aied]]
- [[qualitative-research]]
- [[human-ai-collaboration]]
- [[student-experience]]
- [[ai-ed-evaluation]]
- [[learning-design]]
- [[design-thinking]]
- [[intelligent-tutoring]]

## Пов’язані статті

- [[icub-humanoid-storytelling-llm-hri-2025]] — Дослідження юзабіліті гуманоїдного робота-оповідача на основі LLM
- [[rhaimi-productivemath-2025]] — ProductiveMath: юзабіліті застосунку на основі генеративного ШІ
- [[supplynet-visual-exploratory-learning]] — Дослідження користувачів SupplyNet
- [[anvil-ai-educational-animations]] — Юзабіліті згенерованих ШІ освітніх анімацій
- [[code-anchor-multi-view-visualization]] — Дослідження мислення вголос багатовидових візуалізацій коду
- [[learn-framework-responsible-genai-pbl-2026]] — Рамкова основа LEARN і оцінка методом мислення вголос
- [[feedback-futures-genai]] — Як здобувачі обробляють згенерований ШІ зворотний зв’язок
- [[llm-chatbots-cs-multiple-choice]] — Чатботи на основі LLM для завдань із вибором відповіді в CS
- [[conversational-ai-agents-umbrella-review-2026]] — Зонтичний огляд розмовних агентів ШІ

---

## [Рандомізований контрольований експеримент (RCT)](https://edtechdev.github.io/aied/concepts/rct/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Рандомізований контрольований експеримент (RCT)** — дизайн дослідження, у якому учасників випадково розподіляють між умовами втручання та контролю, щоб оцінити причинний ефект втручання на результат. У [[ai-education|ШІ в освіті]] RCT є золотим стандартом встановлення того, чи інструмент ШІ або [[pedagogy|педагогічний]] підхід *спричинює* [[learning-gains|навчальні здобутки]], зміни залученості або інші результати, а не лише корелює з ними.

## Питання для роздумів

- Якщо школа каже вам: «студенти, які користувалися інструментом ШІ, отримали вищі бали», чому це все ще може не довестити, що саме інструмент спричинив приріст, — навіть якщо різниця велика?
- Рандомізація балансує відомі *і невідомі* сплутувальники між групами. Перш ніж читати, чого досягає випадковий розподіл такого, чого просте порівняння двох цілісних класів не може досягти, хоч як добре зіставленими вони виглядають?
- Сторінка називає RCT золотим стандартом, проте перелічує реальні витрати: штучні умови, швидкозмінний ШІ, що устарює випробування, малопотужні малі вибірки та [[ethics|етичні]] обмеження на утримання корисних інструментів. Який із цих компромісів, на вашу думку, найчастіше ігнорується в заголовках освітніх досліджень?
- RCT із 1 174 учасниками виявив, що [[generative-ai|GenAI]] закрив приблизно три чверті розриву в продуктивності, зумовленого освітою. Але добре проведений RCT усе ж може бути зроблений на вузькому завданні в штучних умовах. Що варто перевірити щодо *міри результату*, перш ніж довіряти причинному твердженню?
- Розгляньте етичну проблему прямо: якби ви мали справжню підставу вважати, що [[intelligent-tutoring|тьютор на базі ШІ]] допомагає студентам навчатися, чи можна виправдати випадкове відмову йому половині класу на семестр? Як би ви спроєктували етично виважене дослідження, яке все ще ізолює причину?

## Вступ

Саме рандомізація відрізняє RCT від інших дизайнів: випадково розподіляючи здобувачів за умовами, RCT балансує відомі та невідомі сплутувальники між групами, тож будь-яку спостережену різницю в результатах можна віднести до втручання з високою внутрішньою валідністю.

### Як RCT виявляються в дослідженнях

- **Мікро-RCT як відповідь на швидкозмінну технологію:** [[ai-tutoring-micro-rct-gcse-science-2026|Harrison et al. (2026)]] стверджують, що звичайні масштабні випробування не можуть встигати за [[edtech-platform|платформами]] тьюторів, які істотно змінюються впродовж дослідження, і використовують мікро-рандомізовані контрольовані випробування з участю [[teacher-role|викладачів]] в англійських середніх школах (644 зі 929 студентів, завершивши посттестування, g = 0.33), щоб причинне оцінювання залишалося відтворюваним. Компроміси окреслені в їхньому власному дизайні: 30.7% випадання, результати, узгоджені з [[curriculum-design|навчальною програмою]], а не з незалежною стандартизацією, і лише чотири тижні відстеження.
- **Причинні твердження про ефективність:** RCT у ШІ в освіті перевіряють, чи покращують тьютор на базі ШІ, інструмент чи педагогічне втручання результати. [[generative-ai-education-productivity-gaps|Рандомізований експеримент щодо генеративного ШІ]] з 1 174 учасниками виявив, що GenAI суттєво звужує розриви в продуктивності, зумовлені освітою, закриваючи приблизно три чверті початкової різниці в продуктивності, — чітка причинна оцінка ефекту ШІ.
- **Порівняння зі золотим стандартом:** Сторінка [[research-methods-aied|методів дослідження]] розміщує RCT як найсильніший дизайн за внутрішньою валідністю, зазначаючи при цьому їхні компроміси — вартість, штучні умови, швидкозмінний ШІ, малі малопотужні вибірки та етичні межі на утримання потенційно корисних інструментів.

- **Випробування, спроєктоване для еквівалентності, а не для різниці.** [[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]] рандомізували 2 383 дорослих на тьюторію на базі ШІ, живе людське тьюторство або відеоконтроль, написали нові завдання GRE з колишніми розробниками тестів ETS і Kaplan, щоб уникнути забруднення опублікованим тестом, збалансували дві форми та перевіряли еквівалентність двома односторонніми тестами проти ±0.25 SD, а не різницю — ті вибори дизайну, що роблять «відсутність значущої різниці» інтерпретовним результатом.
- **Групова рандомізація, низьке засвоєння та що тоді означає оцінка за наміром лікувати.** [[liu-course-integrated-ai-tutoring-rct-2026|Liu et al. (2026)]] рандомізували 2 379 студентів бакалаврату в 13 блоках, розподіляючи *викладачів*, а не студентів, тож кожен студент секції успадковував умову свого викладача, — дизайн, який робить багатосекційне випробування з впровадження реалізовним, і водночас той самий дизайн, який породжує проблеми висновкування, що дослідження потім документує. Лише близько 15% студентів у секціях із втручанням коли-небудь користувалися інструментом, тож повідомлені ефекти оцінюють *пропонування* доступу, а не користування ним; автори читають втручання як ширше використання ШІ, яке спричинило його впровадження, і трактують індивідуальні сесії як окреме питання. Оскільки втручання було розподілено на рівні викладача, висновкування спирається на 34 кластери — умову, у якій стандартні помилки, стійкі до кластеризації, перебільшують точність, — тож стаття повідомляє поряд із ними висновок на основі рандомізації і виявляє стійкість своїх висновків. Два головні ефекти — падіння на 0.37 SD в підсумкових оцінках у вибірці з точним зіставленням і падіння на 0.90 SD у зафіксованій участі на платформі в обох вибірках — є наслідками на рівні секції, які персональна рандомізація того самого інструмента не змогла б ізолювати без забруднення між однокласниками в групах із втручанням і контролем.
- **Засвоєння обмежує те, що може перевірити випробування, а підтримка залученості не є дозою.** [[access-not-enough-ai-tutoring-2026|Robinson et al. (2026)]] провели два RCT на платформі для читання, у яких лише 60.7% і 53.3% студентів контролю коли-небудь користувалися платформою; тьютор залученості збільшив кількість прочитаних історій на 71–80%, проте не дав жодного приросту в академічних досягненнях, що узгоджується з досягнутими 2–5 хвилинами на тиждень.
- **Масштаб, що перетворює нулі на докази.** [[mata-sustaining-ai-enabled-student-support-2026|Mata et al. (2026)]] відстежили 8 708 студентів упродовж восьми семестрів із потужністю виявляти ефекти 0.05 SD і виявили великі, негайні рухи на датованих бінарних завданнях — на 34 відсоткові пункти більше реєстрацій до 16 серпня після єдиного нагадування, — тоді як академічна успішність, стійкість і випуск не показали жодного виявного ефекту. Масштаб — це урок дизайну: за такого N академічні нулі є точними результатами, а не невдачами виявлення, і саме це надає підставу висновку, що інструмент комунікації рухає те, що може зачіпати, а не кумулятивні результати навчання.
- **Нульове середнє може маскувати взаємокомпенсуючу гетерогенність.** Пре-реєстрований RCT, рандомізуючий 538 викладачів у 24 турецьких школах на рівні шкільних кафедр, виявив, що досягнення впали на 0.129 SD серед викладачів нижче медіани, тоді як серед тих, хто вище медіани, зросли на 0.054, а мотивація впала на 0.111 SD, причому екзамен із обмеженням «стелі» (середнє в контролі 89.2/100) обмежував потужність. ([[genai-can-harm-teaching-rct-2026|Sungu, Lira & Duckworth (2026)]])
- **Пре-реєстрація, що фіксує питання та виявний ефект.** [[chatbot-outreach-course-performance-2026|Meyer et al. (2026)]] зареєстрували обидва курсові випробування в Registry of Efficacy and Effectiveness Studies, заздалегідь взявши на себе зобов’язання щодо оцінювання за наміром лікувати та мінімального виявного розміру ефекту близько 0.157, і рандомізували студентів, які дали згоду, кожного семестру з другою хвилею на етапі додавання/вилучення, щоб пізні вступники увійшли в дизайн, а не в типовий аналітичний зразок. Зводячи 2 483 студентів з двох курсів, ефект лежить на порозі A/B (чотири відсоткові пункти), тоді як зведена зміна числової оцінки не витримує корекції на множинні порівняння — нагадування про те, що зареєстрований первинний результат дисциплінує, якому з кількох корельованих результатів вірити.
- **Рандомізація всередині цілісних секцій з базовим лінією до втручання.** [[thoeni-ai-chatbots-higher-education-expectations-evidence-2026|Thoeni & Fryer (2026)]] рандомізували 454 студентів бакалаврату в межах трьох цілісних секцій з маркетингу після додавання/вилучення та виміряли всі чотири результати на T1, перш ніж хоч один студент отримав доступ до чатбота, тож порівняння впродовж семестру спирається на виміряну базову лінію, а не на припущену. Плаский результат (жодна взаємодія групи × час не досягла значущості; найбільший повідомлений ефект — d = 0.050, за інтересом) повідомляється поряд із впровадженням — 0.89 входів на тиждень проти призначених раз на тиждень, — що не дає прочитати нуль про слабко використовуване втручання як нуль про інструмент.
- **Кросовер із внутрішньосуб’єктним дизайном та контролем на рівні найкращої практики.** [[kestin-ai-tutoring-outperforms-active-learning-rct-2025|Kestin et al. (2025)]] дали кожному зі 194 студентів життєзональних наук Гарварду проробити два уроки з фізики — одного разу в класному занятті [[active-learning]], а одного разу з власним тьютором на базі ШІ курсу, у збалансованому порядку з пре- та посттестами навколо кожного, — тож кожен студент є власним контролем, і порівняння *режимів подачі* не сплутане тим, кому який було призначено. Другий вибір дизайну має не менше значення: компаратором було активне навчання, засноване на дослідженнях, а не лекція, тож перевага (медіана посттесту 4.5 проти 3.5) вимірюється проти поточної найкращої практики і не може читатися як «ШІ перемагає викладання».

### Сильні сторони та обмеження

- **Сильні сторони:** найсильніше причинне висновкування; чисте вимірювання результатів; підтримує оцінювання розміру ефекту; балансує сплутувальники через рандомізацію.
- **Обмеження:** високовартісні та повільні; штучні умови можуть зменшувати екологічну валідність; інструменти ШІ змінюються швидше, ніж можуть тривати випробування; малі вибірки часто малопотужні для виявлення значущих ефектів; етичні обмеження на утримання потенційно корисного ШІ від контрольної групи. Два з цих обмежень змінюють форму, коли розподіл кластеризований: ефективна вибірка стає кількістю *кластерів*, а не кількістю студентів, тож випробування може бути великим за чисельністю і тонким за цією мірою, — 2 379 студентів Liu et al. спираються на 34 кластери на рівні викладачів, — і коли засвоєння є добровільним і низьким, оцінка за наміром лікувати відповідає на питання, чи пропонування інструмента змінило результати, а не чи це зробило користування ним.

Для повнішого розгляду експериментального дизайну в ШІ в освіті — зокрема коли RCT доречний проти квазі-експериментального, опитувального або обчислювального дизайнів — див. [[research-methods-aied]].

## Пов’язані поняття

- [[research-methods-aied]]
- [[ai-ed-evaluation]]
- [[educational-measurement]]
- [[generative-ai]]
- [[higher-ed]]
- [[ai-education]]
- [[student-support-and-success]] — the design behind the strongest student-support evidence

## Пов’язані статті

- [[generative-ai-education-productivity-gaps]] — Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment
- [[genai-can-harm-teaching-rct-2026]] — Generative AI can harm teaching: an RCT
- [[access-not-enough-ai-tutoring-2026]] — Access is not enough: human support improves engagement with AI tutoring
- [[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
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: AI and human tutoring yield equivalent GRE learning gains
- [[liu-course-integrated-ai-tutoring-rct-2026]] — Group randomization by instructor: a 0.37 SD fall in final grades and a 0.90 SD fall in platform participation, with 15% uptake and inference on 34 clusters (Liu et al. 2026)

---

## [Метааналіз і систематичний огляд](https://edtechdev.github.io/aied/concepts/meta-analysis-systematic-review/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Метааналіз і систематичний огляд** — родина методів синтезу доказів, які дослідники застосовують, щоб узагальнити та оцінити сукупність досліджень, а не поставити один новий експеримент. **Систематичний огляд** застосовує прозорий, відтворюваний протокол для пошуку, відбору, оцінки та синтезу літератури за сфокусованим питанням; **метааналіз** іде далі, статистично об’єднуючи розміри ефекту за всіх придатних досліджень, щоб отримати зважену підсумкову оцінку та перевірити модератори. У [[ai-education|AI in education]] ці методи є центральними для створення доказової бази про те, чи працюють AI-інструменти, за яких умов і для кого, — а також для виявлення прогалин, упереджень і методологічної якості галузі. ([[genai-meta-analysis-programming-learning]])([[zerkouk-comprehensive-review-its-2025]])

## Питання для роздумів

- Уявіть, що ви прочитали десять досліджень про те, чи працює AI-тьюторство — два показують великі прирости, три — жодного, п’ять — невеликі позитивні ефекти. Як би ви вирішували, що з цього зробити висновок? Саме цю напругу мають розв’язувати систематичні огляди та метааналізи.
- Систематичний огляд і метааналіз часто трактуються як одне й те саме, але сторінка їх розрізняє: огляд синтезує задокументованим протоколом, тоді як метааналіз статистично об’єднує розміри ефекту. Коли об’єднання було б недоречним або неможливим, навіть якщо ретельний огляд існує?
- Систематичні огляди стоять на вершині ієрархії доказів частково тому, що компенсують малі вибірки, неоднорідні дизайни та суперечливі результати між дослідженнями. Де ви бачили, як одне драматичне дослідження формувало думку, хоча об’єднані докази були значно змішанішими?
- Метааналізи дають зважену підсумкову оцінку — одне число, наприклад «середній ефект 0,125 стандартних відхилень». Що приховує об’єднане середнє про умови, здобувачів чи контексти, де ефект відрізняється, — і чому це важливо для того, чи діяли б ви на його основі?
- Обидва методи зобов’язуються до прозорого, відтворюваного протоколу (часто PRISMA) саме тому, що вибір того, що шукати й включати, може упереджувати результат. Наскільки ви б довіряли огляду, який не розкрив своїх рішень щодо пошуку та відбору?

## Вступ

Систематичні огляди та метааналізи стоять на вершині традиційної ієрархії доказів саме тому, що синтезують багато окремих досліджень, компенсуючи малі вибірки, неоднорідні дизайни та суперечливі результати, які характеризують будь-яку швидкорозвивну прикладну галузь. У сфері ШІ в освіті, де нові інструменти та дослідження з’являються постійно, огляди відіграють вирішальну роль підбивання підсумків: відображення того, що досліджено, узагальнення того, що відомо, та позначення місць, де докази мізерні або методологічно слабкі. Вони відрізняються від наративного чи інтегративного огляду літератури, який дає [[qualitative-research|qualitative]] синтез, своєю зобов’язаністю до задокументованого протоколу та (для метааналізу) статистичного об’єднання. ([[ai-literacy-heptagon-2026]])

## Систематичний огляд проти метааналізу

| | Систематичний огляд | Метааналіз |
|---|---|---|
| **Основна діяльність** | Пошук, відбір, оцінка та синтез досліджень за задокументованим протоколом | Статистичне об’єднання розмірів ефекту за всіх придатних досліджень |
| **Вихідний продукт** | Наративний/тематичний синтез і карта доказів, часто з потоком PRISMA | Об’єднана оцінка ефекту з довірчими інтервалами плюс аналіз модераторів |
| **Статистичне об’єднання** | Необов’язкове (багато оглядів є якісними) | Обов’язкове |
| **Коли застосовується** | Для відображення фрагментованої літератури, відповіді на питання «що досліджено і що це показує?» | Коли існують кілька порівнянних [[quantitative-research|quantitative]] досліджень, для відповіді на питання «наскільки великий ефект у цілому?» |
| **Сильна сторона** | Прозорий, відтворюваний обсяг і оцінка | Підвищена потужність і точність; виявляє модератори та неоднорідність |

Обидва дотримуються **PRISMA** (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) як стандарту звітування, який документує процес пошуку, відбору та [[inclusive-learning|inclusion]] для [[explainable-ai|transparency]] та відтворюваності. Інтегративний огляд може дотримуватися принципів PRISMA заради прозорості, не доходячи до статистичного об’єднання. ([[ai-collaborative-learning-systematic-review]])([[ai-literacy-heptagon-2026]])

## Синтез доказів у сфері ШІ в освіті

### Що дають огляди

Систематичні огляди та метааналізи у сфері ШІ в освіті служать кільком різним цілям:

- **Створити доказову базу** — визначити, чи дають AI-інструменти (тьюторство, зворотний зв’язок, оцінювання, [[conversational-ai|chatbots]]) [[learning-gains|learning gains]] і наскільки ці здобутки великі.
- **Відобразити галузь і її прогалини** — огляд охоплення документує, що досліджено, де докази зосереджені й де їх бракує (наприклад, робочі умови, неангломовні роботи, випадки невдач). ([[ai-vocational-education-training-review]])
- **Визначити модератори та умови** — метааналіз перевіряє, чи відрізняються ефекти за [[learners|learner population]], галуззю, типом AI-системи або дизайном дослідження, виявляючи, для кого й за яких умов інструмент працює. Але модератор такий же надійний, як і дослідження за ним: у [[genai-writing-performance-meta-analysis-2026|a 2026 meta-analysis of GenAI-supported L2 writing]] єдиним модератором, який витримав методологічний контроль, була класифікація ризику упередженості досліджень, тоді як різниця навчальних моделей, яка виглядала значущою в підгруповому аналізі, розсипалася, коли в модель увійшли якість дослідження та розмір вибірки. Ефект несе методологічна якість, а не педагогіка, — тому видимі педагогічні модератори заслуговують такої ж уваги, як об’єднані оцінки. Нульові модератори несуть той самий урок у зворотному напрямі. У [[chen-digital-ai-foreign-language-skills-meta-analysis-2026|Chen and Wei's meta-analysis of digital and AI technologies for foreign-language skills]] (40 досліджень, 3 367 учасників, об’єднаний g = 0,962) модераторами, які витримали, були дизайн дослідження (квазіексперименти g = 1,019 проти справжніх експериментів g = 0,474), тривалість інтервенції та кількість інструментів, тоді як тип навички мови, тип технології, освітній рівень, умови та розмір вибірки не показали значущої міжгрупової різниці, через що автори дійшли висновку, що ефективність не можна приписувати мітці технології чи категорії навички. [[yu-k12-ai-education-ai-literacy-meta-analysis-2026|Yu and colleagues' meta-analysis of K-12 AI education]] (16 досліджень, 57 розмірів ефекту, g = 0,892) виявив усі три перевірені модератори (джерело публікації, рік публікації, рівень школи) нульовими й прочитав залишкову неоднорідність (I2 = 94,68 %) як доказ, що галузь узагалі не погодила, як вимірювати [[ai-literacy]]. Коли модератор виявляється нульовим, а неоднорідність залишається високою, висновок синтезу часто стосується конструкту результату або дизайнів первинних досліджень не менше, ніж самої інтервенції.
- **Розкрити методологічну якість** — огляди регулярно виявляють, що галузь спирається на недостатньо потужні, доекспериментальні або квазіекспериментальні дизайни та негайні поствоїдові тести, що пом’якшує висновки. ([[ai-vocational-education-training-review]])([[zerkouk-comprehensive-review-its-2025]]) Тонке звітування про те, що фактично робилося, є частиною цієї картини, і воно обмежує те, що може сказати будь-який пізніший синтез: [[yalcin-genai-programming-education-systematic-review-2026|Yalcin and colleagues' systematic review of GenAI in programming education]] не зміг ідентифікувати навчальний підхід у 26 із 46 досліджень, і 32 з 46 з’явилися в матеріалах конференцій, тому огляд міг кодувати педагогіку менш ніж для половини свого корпусу й завершується змішаними доказами впливу (деякі дослідження показали покращення результатів іспитів і кодування, тоді як інші не виявили значущої різниці проти зворотного зв’язку від викладача). Синтез успадковує звички звітування своєї галузі.

Надійність відбору може залежати від конструкту: в огляді охоплення PRISMA-ScR 123 досліджень про GenAI, [[cognitive-offloading|offloading]] та [[agency|learner agency]] узгодженість за назвою/анотацією (Fleiss' κ = 0,7103) впала до κ = 0,4884 за повним текстом, що автори пояснюють інтерпретаційною межею між широкою релевантністю GenAI та змістовною релевантністю до механізму ([[genai-cognitive-offloading-learner-agency-review-2026|Wang et al. (2026)]]).

### Приклади з бази знань

- **[[genai-meta-analysis-programming-learning|Meta-analysis of GenAI and programming]]** — об’єднує докази про компроміс між продуктивністю й навчанням, виявляючи значні прирости продуктивності, але незначний приріст у навчанні (g ≈ 0), що ілюструє здатність метааналізу відокремлювати короткострокову ефективність від стійкого навчання. ([[genai-meta-analysis-programming-learning]])
- **[[edurev-100741-tpack-genai-review|Meta-analysis of GenAI in student learning from a TPACK lens]]** — об’єднує 71 дослідження (74 розміри ефекту) в ефект від середнього до великого (g = 0,752), який розкладається нерівномірно: сильні когнітивні (g = 0,831) та афективні (g = 0,729) прирости, але малий, незначний ефект поведінкового залучення (SMD = 0,057, p = 0,828) (Liu & Zhong, 2025).
- **[[ai-vocational-education-training-review|Systematic review of AI in VET]]** — перший систематичний огляд 26 досліджень, який документує розрив «[[constructivist]] на словах, біхевіористський на справі» та відсутність досліджень на робочому місці. ([[ai-vocational-education-training-review]])
- **[[genai-higher-education-systematic-review-2026|Systematic review of GenAI in higher education]]** — відображає можливості, виклики та [[pedagogy|pedagogical]] інновації в п’ятирічному вікні.
- **[[zerkouk-comprehensive-review-its-2025|Comprehensive ITS review]]** — систематичний огляд [[intelligent-tutoring|intelligent tutoring systems]] із фокусом на методологічній суворості.
- **[[chatgpt-critical-creative-thinking-review|Systematic review of ChatGPT and critical/creative thinking]]** — синтезує докази про те, чи підтримує чи підриває використання [[llm]] [[critical-thinking|higher-order thinking]].
- **[[stanford-evidence-base-ai-k12-2026|Evidence base for AI in K-12]]** — оцінює силу доказів для AI-тьюторства в школах.
- **[[liu-ai-literacy-interventions-meta-analysis-2026|Meta-analysis of AI literacy interventions]]** — трирівневий метааналіз 59 досліджень (172 ефекти, 7 211 учасників), що оцінює великий загальний ефект (g = 0,837), показуючи водночас, що ефективність варіюється за регіоном і фокусом навчального результату (інтервенції, зорієнтовані на знання, перевершували ті, що націлювалися на вміння, ставлення чи [[ethics]]).
- **[[ai-literacy-heptagon-2026|AI Literacy Heptagon]]** — інтегративний огляд літератури за принципами PRISMA, що ілюструє якісний синтез, який не доходить до метааналізу. ([[ai-literacy-heptagon-2026]])
- **[[chen-digital-ai-foreign-language-skills-meta-analysis-2026|Meta-analysis of digital and AI technologies for foreign-language skills]]** — Chen and Wei (2026) об’єднують 40 експериментальних і квазіекспериментальних досліджень (3 367 учасників) у великий ефект (g = 0,962, 95% CI 0,765 до 1,159) з високою неоднорідністю (I2 = 85,178) і перевірками на упередженість публікації, які підтверджують оцінку (fail-safe N за Орвіном = 5853; тест Еггера p = 0,84465). Навчальна частина — модератор дизайну: квазіексперименти дали g = 1,019 проти g = 0,474 для справжніх експериментів, а нелінійні патерни тривалості та кількості інструментів спираються на підгрупи з одного-двох досліджень.
- **[[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026|Meta-analysis of GenAI and learning outcomes in higher education]]** — Jing та співавтори (2026) об’єднують 35 досліджень і 175 розмірів ефекту в g = 0,53 (95% CI [0,48, 0,64]), найбільший для професійних навичок (g = 0,72), потім академічної успішності (g = 0,46) та емоційного ставлення (g = 0,44). Тривалість модерує кожен вимір, і саме спад є суттю: ефекти академічної успішності падають від g = 5,07 для інтервенцій тривалістю 0–4 тижні до g = 0,64 за 4–12 тижнів і g = 0,01 понад 12 тижнів (Q = 35,19, p < 0,001). Тип дисципліни та метод навчання не були значними модераторами.
- **[[yu-k12-ai-education-ai-literacy-meta-analysis-2026|Meta-analysis of K-12 AI education and AI literacy]]** — Yu та співавтори (2026) об’єднують 16 досліджень (57 розмірів ефекту, 3 837 здобувачів, усі ефекти позитивні) в g = 0,892 (95% CI [0,548, 1,236]), і коригування trim-and-fill залишає його на g = 0,952. Усі три перевірені модератори (джерело публікації, рік, рівень школи) виявилися нульовими, а автори пояснюють неоднорідність 94,68 % вимірюванням: дослідження операціоналізували [[ai-literacy]] як усе від AI-знань і етики до ставлень, самоефективності та кар’єрного інтересу.
- **[[yalcin-genai-programming-education-systematic-review-2026|Systematic review of GenAI in programming education]]** — Yalcin та співавтори (2026) за протоколом PRISMA відбирають 151 запис до 46 досліджень, з яких 26 не дають придатного опису навчального підходу, а 38 досліджують один інструмент (сам ChatGPT з’являється в 35 із 46). Огляд надійно відображає інструменти, мови та майданчики, але може кодувати педагогіку менш ніж для половини свого корпусу — чиста демонстрація того, що тонке звітування первинних досліджень обмежує те, що може заключити синтез.
- **[[nlp-student-evaluation-teaching-scoping-review-2026|Scoping review and evidence map of NLP in student evaluation of teaching]]** — Eicher and da Silva (2026) оцінюють 421 дослідження за технічною віссю та чотирма ціннісними вимірами, кодуючи придатність до дії за шестирівневою шкалою від заявленої корисності до виміряного впливу на рішення, і доходять до придатного вихідного продукту в 258 зі 421 досліджень (61,3 %) проти оцінки передбачуваним користувачем лише в 49 (11,6 %). Перетворення прогалини на закодований вимір дозволяє огляду назвати межу в 49,7 пункти між «модель працює» і «зворотний зв’язок змінює викладання» своїм центральним висновком, а не застереженням.
- **[[genai-scenario-based-healthcare-education-2026|PRISMA 2020 review of GenAI in healthcare scenario learning]]** — Neto and colleagues (2026) системно шукали в п’яти базах даних (9 листопада 2025 року) рецензовані дослідження GenAI у сценарійному, кейсовому, [[problem-based-learning|problem-]] та [[simulation]]-орієнтованій освіті охорони здоров’я, відібравши 1 151 запис до 23 включених досліджень, оцінених за [[mixed-methods-research|Mixed Methods]] Appraisal Tool (MMAT). Їхній тематичний синтез виявив шість міжгалузевих тем, закріплених на [[prompt-engineering|prompt design]] як навчальній специфікації, і задокументував прогалини в стандартизації валідації, поздовжніх/порівняльних дизайнах і кількісній оцінці ефективності — шаблон суворого систематичного огляду GenAI для [[medical-education|domain-specific]].
- **[[li-language-educators-genai-review-2026|Systematic review of language educators and GenAI]]** — огляд, узгоджений із PRISMA, 23 емпіричних досліджень, індексованих у SSCI (грудень 2022 – вересень 2024), про те, як викладачі мов сприймають, упроваджують і вчаться інтегрувати GenAI, синтезований через аристотелівську типологію знань: episteme (теоретичне розуміння), techne (практичне вміння) і phronesis (практична мудрість). Він документує обережливе, вибіркове упровадження, зважене на приховану підготовку, стійкі прогалини в компетентностях за всіма трьома типами знань і лише три структуровані інтервенції професійного розвитку — ілюструючи, як огляд може розкрити і доказову базу, і методологічні прогалини галузі (тут — дефіцит досліджень структурованого професійного розвитку).
- **[[ai-higher-ed-service-delivery-systematic-review-2026|Systematic review of AI and service delivery in global higher education]]** — Nyamboga (2026) синтезує 155 досліджень за п’ятьма доменами та оцінює достовірність кожного за адаптованими критеріями CASP і на підставі JBI, оцінюючи інтеграцію AI і готовність інфраструктури високо, лідерство помірно, а етичне управління та сталий розвиток низько. Огляд також повертає лінзу якості на власний корпус: 117 досліджень (75,5 %) повідомили про успішне впровадження, 124 (80,0 %) охопили лише короткостроковий вплив, і лише 23 (14,8 %) повідомили про невдачі в етиці, справедливості чи управлінні. Синтез може повідомляти, наскільки достовірні докази, домен за доменом, а не лише куди вони вказують.
- **[[riedmann-reinforcement-learning-education-review-2026|Systematic review of RL in education]]** — Riedmann, Schaper & Lugrin (2025) застосували протокол стандарту PRISMA, щоб синтезувати 89 досліджень [[reinforcement-learning]] (2000–2024). Огляд — повчальний випадок методів синтезу та їхніх меж: він відображає швидкозростаючу, але методологічно нерівну галузь — понад половина досліджень (n = 54) не повідомила про жодного статистичного тесту — і проводить аналіз розмірів ефекту лише на 15 працях, придатних для об’єднання, повідомляючи про ефекти від проміжних до великих (d Коена) з оцінок наживо. Він також провів перевірки на упередженість публікації (воронкоподібний графік, тест Еггера, PET-PEESE), які не виявили значущої упередженості, але мали обмежену потужність (n = 6), і зупиняється на тематичному плюс обмеженому кількісному синтезі, а не на повному метааналізі саме тому, що неоднорідні протоколи оцінки завадили ширшому об’єднанню, — конкретна ілюстрація неоднорідності та обмежень «сміття на вході — сміття на виході», описаних нижче.
- **[[critical-review-critical-thinking-hci-research-ai-2026|Scoping review of critical thinking in HCI research on AI]]** — Inie and colleagues (2026) відображають 80 емпіричних праць і свідомо не проводять жодної оцінки якості, тому «заявлений» вплив означає висновок, який формулює кожна праця. Лише 23 праці (29 %) визначають критичне мислення, 46 (57 %) не можуть бути віднесені до теоретичної позиції, а 49 (61 %) вимірюють конструкт через самозвіт, і саме це дозволяє 50 працям (62 %) повідомляти про позитивний вплив. Коли конструкт настільки невизначений, а його міри незіставні, відображення галузі інформативніше за її об’єднання, і приховування оцінки зсуває твердження від ефекту до опису того, що стверджували дослідження.
- **[[alsheikh-mapping-ai-integration-higher-education-2026|Mapping review of AI integration in higher education (FACETS + SAMR)]]** — огляд PRISMA 2020, який відбирає 959 записів до 22 досліджень-інтервенцій, ілюструючи, як рамка кодування (FACETS: Form, AI use case, Context, Education focus, Technology, [[samr-model|SAMR]]) плюс оцінна лінза (SAMR) відображає фрагментовану літературу й оцінює глибину трансформації. Більшість включених досліджень сиділи на SAMR Substitution/Augmentation, показуючи, що огляди-відображення можуть розкрити галузь інтеграції, яка є широкою, але поверхневою, — альтернатива об’єднанню ефектів, коли мета — описати ландшафт, а не оцінити ефект.
- **[[teacher-intervention-k12-ai-based-instruction-2026|Systematic review of teacher intervention in K-12 AI-based instruction]]** — Lee (2026) відібрали 1 565 записів до 29 досліджень з двома незалежними оцінювачами на кожному етапі (κ = 0,655 відбір, κ = 0,647 придатність) і оцінкою якості за MMAT, яка прибрала одне дослідження. Це повчальний приклад синтезу, який свідомо не доходить до об’єднання: оскільки незалежний ефект інтервенції [[teacher-role|teacher]] не міг бути відокремлений від дизайну AI-системи, навчальної структури та контексту аудиторії в більшості включених досліджень, огляд повідомляє умовні результати та пояснювальну рамку процесу, стратегії та ефекту, а не розмір ефекту — те саме обмеження, яке відокремлює огляд від метааналізу.
- **[[agarwal-ethical-values-norms-aied-2026|Systematic review of ethical values and norms in AIED]]** — Agarwal and colleagues (2026) відібрали 736 записів із Web of Science, ERIC, IEEE CSDL та ACM DL (плюс зворотнє «сніжне грудневкування») до 25 включених статей, консолідуючи фрагментовану літературу про [[ethics|AIED ethics]] у шість основних етичних цінностей (недискримінація, управління даними, [[human-in-the-loop-ai|human oversight]], доброзичливість, пояснюваність, освітня доречність) і відображаючи етичні норми на матрицю «стейкхолдер × цінність». Огляд ілюструє, як систематичний протокол може синтезувати концептуально фрагментовану, переважно неемпіричну літературу (лише три зі 25 статей були методологічними працями або оригінальними дослідженнями) і перетворити її на придатну до дії рамку — тут основу для [[governance]] та [[educational-policy-ai|policy]].
- **[[chen-pbl-pjbl-genai-meta-analysis-2026|Three-level meta-analysis of GenAI in PBL/PjBL]]** — Chen and colleagues (2026) об’єднують 22 контрольованих дослідження і 66 розмірів ефекту у великий ефект на внутрішні для здобувача результати (g = 0,819, 95% CI [0,655, 0,983]), потім повідомляють, що коригування PET-PEESE на малі дослідження знижує оцінку до g = 0,378, тоді як модель продуктивності продукту (g = 1,958, шість досліджень) несе інтервал передбачення, який перетинає нуль. Ще два дослідження були відкинуті за невиконання порогу еквівалентності базової лінії What Works Clearinghouse 0,25 SD. Повідомлений ефект залежить від коригувань на упередженість і екранів дизайну, які застосовує синтез, і обидва належать до інтерпретації, а не до виноски.

### Міждисциплінарний огляд AI для дислексії

**[[dabaghi-ai-dyslexia-education-review-2026|Dabaghi, D'Urso & Sciarrone (2026)]]** представляють керований PRISMA, міждисциплінарний систематичний огляд (2018–2024, n=72) AI та генеративного AI для підтримки здобувачів із дислексією в освіті. Огляд відображає AI у виявленні, асистивній підтримці та [[personalized-learning|personalized learning]], виявляючи, що ці напрями розвиваються паралельно, а не в інтеграції, керуючись більше технологічною можливістю, ніж консолідованою освітньою теорією. Він документує, що генеративний AI недостатньо використовується в цій галузі (дослідження GAI, усі з 2024 року, групуються в чат-боти, підтримку підготовки викладачів та дослідницькі студії) і що інструменти допомоги з освітою на основі ML розпадаються на п’ять областей (конкретні застосування, [[student-engagement|engagement]], персоналізація, рекомендація, універсальна підтримка), наголошуючи на технічній продуктивності, а не на екологічній валідності. Відкриті виклики включають обмежену експериментальну валідацію, масштабованість і [[accessibility]] діагностичних інструментів, занепокоєння щодо етики/приватності чутливих даних здобувачів, обмежену підтримку викладачів та мовні/культурні бар’єри. Власні методологічні обмеження огляду — упередженість інтерпретаційної класифікації, виключення неангломовних досліджень, неоднорідні протоколи оцінки, які заважають кількісному синтезу, і швидкорозвивна доказова база GAI — ілюструють ключову напругу родини систематичних оглядів: прозорий протокол може відобразити фрагментовану галузь, але неоднорідна оцінка заважає статистичному об’єднанню, тому огляд зупиняється на тематичному синтезі, а не метааналізі.

## Викли епохи AI: продуктивність проти навчання

Огляди інтервенцій генеративного AI стикаються з характерним викликом, на який вказує дослідницький синтез бази знань: **відокремлення приростів продуктивності від стійких навчальних здобутків.** Оскільки [[generative-ai|generative AI]] може надувати негайну продуктивність завдань (домашні роботи, асистована практика), не створюючи навчання, метааналізи мусять бути обережними щодо того, який результат вони об’єднують. [[genai-meta-analysis-programming-learning|The GenAI-and-programming meta-analysis]] виявив великі прирости продуктивності, але незначний приріст у навчанні (g ≈ 0) — чиста ілюстрація. [[stromberg-generative-ai-learning-penalty-secondary-2026|Large-scale field studies]] та [[generative-ai-reduced-study-time-math|unassisted-measure research]] показують, що виміряний ефект залежить від того, чи є результати AI-асистованими, чи протекторованими/непідсиленими. Огляди мають тому звітувати асистовані та непідсилені результати окремо, відрізняти продуктивність від [[learning-gains|learning]] та позначати дослідження, які вимірюють лише негайну AI-підтримувану продуктивність. Додаткове застереження виникає з [[liu-ai-literacy-interventions-meta-analysis-2026|AI-literacy meta-analysis]]: те, який **результат** об’єднується, теж формує відповідь — інтервенції [[ai-literacy]], зорієнтовані на знання, показали більші ефекти, ніж ті, що націлювалися на вміння, ставлення чи етику, тому огляд, який об’єднує лише результати знань, може перебільшувати те, чого досягає інструкція ШІ-грамотності в цілому. Це пов’язується з [[ai-ed-evaluation]] та [[summative-assessment]].

Той самий артефакт проявляється в часовому вимірі. [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026|Jing and colleagues' 2026 meta-analysis of GenAI in higher education]] (35 досліджень, 175 розмірів ефекту, об’єднаний g = 0,53) повідомляє ефекти академічної успішності, які падають від g = 5,07 для інтервенцій тривалістю 0–4 тижні до g = 0,64 за 4–12 тижнів і g = 0,01 понад 12 тижнів (Q = 35,19, p < 0,001), тоді як ефекти емоційного ставлення падають від піку g = 2,05 до g = 0,18 на тому самому проміжку. Ефекти настільки великі й настільки рано здебільшого фіксують асистенцію на рівні завдання, а не стійке [[learning-gains|learning]], тому об’єднану оцінку, якою домінують короткі дослідження, слід читати як верхню межу того, що реальне впровадження зможе підтримувати. Огляди, які об’єднують результати, мають тому фіксувати тривалість інтервенції поруч із розміром ефекту, бо тривалість — один із небагатьох модераторів, який витримав перевірку в цих синтезах.

## Сильні сторони та обмеження

**Сильні сторони:**

- Ефективний синтез великої, фрагментованої літератури
- Метааналіз дає об’єднані оцінки ефекту, підвищує статистичну потужність і виявляє модератори та неоднорідність
- Систематичні протоколи покращують прозорість і відтворюваність проти наративних оглядів
- Необхідні для практики на підставі доказів і для виявлення прогалин у дослідженнях

**Обмеження:**

- **Сміття на вході — сміття на виході** — синтез такий же добрий, як якість включених досліджень; слабкі первинні дизайни дають слабкі об’єднані висновки
- **Упередженість публікації** — нульові або негативні результати публікуються недостатньо, надуваючи об’єднані ефекти
- **Неоднорідність** — різноманітні дизайни, міри результатів і [[ai-technologies|AI systems]] ускладнюють пряме об’єднання і можуть підривати значення єдиного розміру ефекту. [[genai-writing-performance-meta-analysis-2026|The GenAI-writing meta-analysis]] робить це конкретним: велика, статистично значуща об’єднана перевага супроводжувалася міждослідницькою неоднорідністю настільки крайньою, що інтервал передбачення для нового впровадження все ще перетинав нуль, тобто свіже розгортання правдоподібно могло б не дати жодної користі. Напрямок середнього був стійким; його величина — ні, — і саме тому рішення про впровадження має базуватися на інтервалі передбачення, а не лише на об’єднаній оцінці. Нерозв’язана неоднорідність може також походити з боку результату, а не дизайну: [[yu-k12-ai-education-ai-literacy-meta-analysis-2026|the K-12 AI-literacy meta-analysis]] виявив I2 = 94,68 %, який не пояснив жоден модератор, і відстежив його до відсутності узгодженої міри [[ai-literacy]], причому 16 досліджень змішували когнітивні та афективні результати під однією міткою. Неоднорідність, керована тим, що вимірювали, не менше, ніж тим, що робили, не може бути розв’язана об’єднанням.
- **Швидка застарілість** — ландшафт AI-інструментів змінюється швидко, тому огляди можуть швидко датуватися
- **Обмеження обсягу** — пошук за однією базою даних або лише англійською може пропустити релевантні роботи. ([[ai-collaborative-learning-systematic-review]])([[ai-vocational-education-training-review]])

**Метадослідження попереджає, що база синтезу в AIED наразі слабка.** Зростаюча сукупність критик документує, що заголовкові AI-ефекти галузі — особливо з ранніх метааналізів — надуті упередженістю публікації, некогерентністю конструкту та методологічними скороченнями. [[bartos-ai-learning-meta-meta-analysis-2026|Bartoš et al. (2026)]], метааналізуючи 1 840 розмірів ефекту з 67 метааналізів, оцінюють скоригований на упередженість публікації AI-ефект приблизно в третину повідомленої величини (SMD ≈ 0,196), з крайньою неоднорідністю. [[oneill-presumed-effective-meta-analysis-2026|O'Neill (2026)]] перевіряє 14 високовпливових метааналізів AIED і виявляє, що жоден не мав когерентного конструкту, валідної оцінки упередженості публікації чи розв’язаної неоднорідності; дванадцять трактували залежні розміри ефекту як незалежні. [[weidlich-chatgpt-effect-search-cause-2025|Weidlich et al. (2025)]] показують, що більшість первинних порівнянь не має добре визначеного впливу, контролю та міри навчання. Це означає, що читачі мають сприймати об’єднані AIED-ефекти як верхні межі, доки якість синтезу не покращиться, — див. [[limitations-in-aied-research|Limitations in AIEd Research]] для повного аналізу.
- **Стандарти звітування не встигають за автоматизацією.** PRISMA-LLM аналізує SciLitBench — корпус 888 праць про автоматизацію оглядів із 14 726 анотаціями — і документує швидкість зростання близько 4,7 % на місяць поряд із прогалиною підзвітності: з 2023 року 38,0 % праць про програмне забезпечення та продукти не повідомили про жодної оцінки, проти 9,3 % праць про LLM, і 52 % оцінок LLM лише з позитивними результатами повідомили про незакрите занепокоєння щодо високої планки. Оскільки LLM- і програмні конвеєри тепер беруть участь на етапах, які можуть змінювати доказову базу, рамка вимагає розкриття того, де в робочому процесі огляду діяла автоматизація, що було оцінено і які обмеження було перевірено, — пряме розширення проблеми прозорості, яку [[limitations-in-aied-research|AIED review critiques]] задокументували для метааналізів ефектів навчання. ([[prisma-llm-ai-assisted-systematic-reviews-2026]])

## Співвідношення з іншими методами

У методологічному ландшафті бази знань метааналіз і систематичний огляд — це родина **синтезу**, що доповнює первинні дизайни:

- **Первинні дослідження** (експерименти, опитування, якісні роботи, [[design-based-research|design-based research]]) генерують окремі висновки; огляди їх узагальнюють. Див. [[research-methods-aied]].
- **Звітування розмірів ефекту** в первинних дослідженнях (наприклад, [[rct|RCTs]]) — це те, що робить можливим пізніший метааналіз; огляди залежать від досліджень, які звітують порівнянні, витяжні розміри ефекту.
- **Оцінювання** ([[ai-ed-evaluation]], [[benchmark]]) оцінює окремі системи; огляди оцінюють *літературу* про системи та інтервенції.
- **Освітнє вимірювання** ([[educational-measurement]], [[assessment-validity]]) стосується якості мір результатів, які огляди об’єднують.

## Наслідки для дослідників

1. **Звітуйте витяжні розміри ефекту.** Щоб література була придатною для метааналізу, первинні дослідження мусять звітувати порівнянні розміри ефекту та достатні деталі методів — відповідальність кожного дослідження в AIEd. ([[research-methods-aied]]) Достатні деталі включають навчальний підхід: [[yalcin-genai-programming-education-systematic-review-2026|a systematic review of GenAI in programming education]] міг кодувати педагогіку менш ніж для половини своїх 46 досліджень, бо 26 ніколи не описали, що вони робили, і деталь, яку пропускають первинні автори, — це деталь, яку пізніші синтези не можуть відновити.
2. **Дотримуйтесь прозорого протоколу.** Керований PRISMA пошук, відбір і оцінка роблять огляди відтворюваними й захищеними.
3. **Інтерпретуйте об’єднані ефекти обережно.** Звертайте увагу на неоднорідність, упередженість публікації та якість включених досліджень, перш ніж робити сильні висновки.
4. **Використовуйте огляди, щоб задавати порядок денний.** Задокументовані в оглядах прогалини (випадки невдач, робочі умови, неангломовні та неіндексовані роботи, довгострокові результати) мають керувати тим, де потрібні нові первинні дослідження. ([[ai-vocational-education-training-review]])
5. **Сприймайте нульові модератори як висновки.** Коли модератори виявляються нульовими, а неоднорідність залишається високою, це доказ про стан галузі (некогерентність конструкту, тонке звітування дизайну) не менше, ніж про інтервенцію, і він належить до наративу синтезу, а не до відкинутих фактів. ([[yu-k12-ai-education-ai-literacy-meta-analysis-2026]])([[chen-digital-ai-foreign-language-skills-meta-analysis-2026]])

## GenAI в сценарійному навчанні охорони здоров’я

- **Огляд GenAI за PRISMA 2020 у сценарійному навчанні охорони здоров’я.** Neto and colleagues (2026) системно шукали в п’яти базах даних (9 листопада 2025 року) рецензовані дослідження GenAI у сценарійному, кейсовому, проблемно- та [[simulation]]-орієнтованій освіті охорони здоров’я, відібравши 1 151 запис до 23 включених досліджень, оцінених за [[mixed-methods-research|Mixed Methods]] Appraisal Tool (MMAT). Їхній тематичний синтез виявив шість міжгалузевих тем, закріплених на [[prompt-engineering|prompt design]] як навчальній специфікації, і задокументував прогалини в стандартизації валідації, поздовжніх/порівняльних дизайнах і кількісній оцінці ефективності — шаблон суворого систематичного огляду GenAI для [[medical-education|domain-specific]].

## Пов’язані поняття

- [[interpreting-and-applying-aied-research]]
- [[research-methods-aied]]
- [[rct]]
- [[ai-ed-evaluation]]
- [[ai-assisted-educational-research]] — AI-Assisted Educational Research
- [[benchmark]]
- [[educational-measurement]]
- [[assessment-validity]]
- [[learning-gains]]
- [[summative-assessment]]
- [[ai-education]]
- [[higher-ed]]
- [[simulation]]

## Пов’язані статті
- [[edurev-100741-tpack-genai-review]] — Systematic review of GenAI in student learning from a TPACK perspective
- [[genai-meta-analysis-programming-learning]] — Meta-analysis of GenAI's effect on productivity and learning in programming
- [[ai-vocational-education-training-review]] — First systematic review of AI in vocational education and training
- [[ai-collaborative-learning-systematic-review]] — PRISMA systematic review of AI-powered collaborative learning
- [[genai-higher-education-systematic-review-2026]] — Systematic review of GenAI in higher education
- [[zerkouk-comprehensive-review-its-2025]] — Comprehensive systematic review of intelligent tutoring systems
- [[chatgpt-critical-creative-thinking-review]] — Systematic review of ChatGPT and critical/creative thinking
- [[stanford-evidence-base-ai-k12-2026]] — Evidence base for AI in K-12
- [[liu-ai-literacy-interventions-meta-analysis-2026]] — Meta-analysis of AI literacy intervention effects
- [[genai-writing-performance-meta-analysis-2026]] — Meta-analysis of GenAI-supported L2 writing: a large pooled effect undermined by extreme heterogeneity and a quality-driven moderator
- [[ai-literacy-heptagon-2026]] — Integrative literature review of AI literacy dimensions (PRISMA-guided)
- [[genai-scenario-based-healthcare-education-2026]] — Systematic review of GenAI in scenario-based healthcare education (Neto et al. 2026)
- [[alsheikh-mapping-ai-integration-higher-education-2026]] — Mapping review classifying 22 AI-integration studies with FACETS + SAMR; most sit at Substitution/Augmentation
- [[agarwal-ethical-values-norms-aied-2026]] — Ethical values and norms for AI in education
- [[li-language-educators-genai-review-2026]] — Language educators' practices and development with GenAI
- [[dabaghi-ai-dyslexia-education-review-2026]] — AI to help people with dyslexia in education
- [[riedmann-reinforcement-learning-education-review-2026]]
- [[weidlich-chatgpt-effect-search-cause-2025]] — ChatGPT in Education: An Effect in Search of a Cause (media-comparison critique)
- [[bartos-ai-learning-meta-meta-analysis-2026]] — Meta-meta-analysis: bias-adjusted AI effects ~1/3 of reported size
- [[oneill-presumed-effective-meta-analysis-2026]] — Presumed Effective: forensic audit of 14 AIED meta-analyses
- [[teacher-intervention-k12-ai-based-instruction-2026]] — Teacher intervention in K-12 AI-based instruction: a systematic review
- [[chen-digital-ai-foreign-language-skills-meta-analysis-2026]] — Meta-analysis of digital and AI tools for foreign-language skills: the design moderator more than doubles quasi-experimental effect estimates
- [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026]] — Meta-analysis of GenAI in higher education: short-intervention effects collapse as duration grows
- [[yu-k12-ai-education-ai-literacy-meta-analysis-2026]] — Meta-analysis of K-12 AI education: large effect with null moderators and heterogeneity attributed to measurement
- [[yalcin-genai-programming-education-systematic-review-2026]] — Systematic review of GenAI in programming education: thin instructional reporting in 26 of 46 studies
- [[genai-cognitive-offloading-learner-agency-review-2026]] — 123-study scoping review mapping GenAI, cognitive offloading and learner agency in higher education

---

## [Аналіз латентних профілів](https://edtechdev.github.io/aied/concepts/latent-profile-analysis/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Аналіз латентних профілів (ЛПА, LPA)** — персцентрований метод, який сортує вибірку на неназвані підгрупи (профілі), коли кожен випадок описаний одразу кількома змінними. Це член родини моделей сумішей із безперервними індикаторами; його родич **аналіз латентних класів (ЛКА, LCA)** застосовує ту ж логіку до категоричних індикаторів. Обидва ставлять питання, відмінне від [[quantitative-research|variable-centered]] моделей, що домінують у дослідженнях ШІ в освіті: не «наскільки X передбачає Y усередненому», а «скільки різних типів здобувача, [[teacher-role|teacher]] чи менеджера ховається всередині цього середнього». У цій базі знань метод показує, що один інструмент ШІ приземлюється зовсім по-різному на різних підгрупах — п’ять профілів етичної обізнаності серед ганських студентів бакалаврату, шість типологій готовності серед українських менеджерів освіти, чотири профілі прийняття [[generative-ai|generative-AI]] серед тайванських майбутніх викладачів.

## Питання для роздумів

- Дослідження повідомляє, що середній комфорт студентів із ШІ становить 3,8 з 5. Що могло б приховувати це середнє, якщо одна група — ентузіасти, а інша — тихо опирається?
- ЛПА моделює безперервні бали; ЛКА моделює категорії. Якщо ви кодуєте відповіді інтерв’ю як «згадує [[cognitive-offloading|overreliance]]: так/ні», який з них вам потрібен?
- Рішення з п’ятьма профілями повідомляє ентропію 0,816; конкурентне рішення з чотирма дає 0,929, але описує дані менш багато. Яке ви б опублікували?
- Профілі є описовими, а не причинними. Якщо профіль «Скептичні опірники» показує високу легкість використання, але низький намір упровадити, що це підтверджує, а що — ні?

## Вступ

Більшість доказів у сфері ШІ в освіті є змінноцентрованою: вона оцінює середні відносини, а середні припускають однорідність. Персцентровані методи натомість беруть особу як одиницю аналізу та питають, скільки відмінних конфігурацій атрибутів існує у вибірці. ЛПА належить до цієї родини, і його користь тут у тому, що він перетворює різноманітність здобувачів із риторичного твердження на вимірюваний висновок: коли профілі етичної обізнаності розходяться від 26,1 % до 4,5 % попри комфортне середнє вибірки, диференціація перестає бути питанням проєктного смаку.

## Що робить метод і коли він є правильним інструментом

ЛПА припускає, що вибірка взята зі суміші підгруп, кожна з власними середніми та дисперсіями за індикаторами. Дослідник задає індикатори та кількість груп; алгоритм оцінює ймовірність належності кожного випадку й призначає за найвищою ймовірністю, повертаючи середній профіль на групу, розмір кожного профілю та підсумок того, наскільки чітко розділяються випадки. Якого члена родини використати, випливає з індикаторів, а не з дослідницького питання:

- **ЛКА — категоричні індикатори.** Becker і колеги перетворили кодовані категорії відповідей відкритих відповідей 1 189 студентів фізики в індикаторні змінні й утримали два класи: Прагматичні користувачі (70 %) і Скептичні некористувачі (30 %); оскільки незгадана тема рахується як «відсутність підтримки», автори позначають зероінфляцію в аналітичному датафреймі.
- **ЛПА — безперервні індикатори**, зокрема бали шкал та середні конструктів. Chen і колеги профілювали 128 тайванських майбутніх викладачів за п’ятьма конструктами [[technology-acceptance-model|TAM]]/UTAUT2; Acquah і колеги профілювали 509 ганських студентів бакалаврату за трьома вимірами етичної обізнаності; Schweder і колеги профілювали 2 464 студентів за задоволеністю [[motivation|motivational]] потреб.
- **Аналіз латентних (профільних) переходів** розширює родину на час, оцінюючи профілі на кожній хвилі та ймовірність переходу між ними. Liang і колеги відстежували мотивацію до навчання за допомогою ШІ у 2 086 студентів упродовж року; Wu відстежувала 457 тих, хто вивчає японську, на трьох хвилях, де дезадаптивний профіль скорошувався з 26,48 до 17,74 %.

Звичайне кластеризування ([[machine-learning|k-means]] та ієрархічне) переслідує той самий персцентрований намір, але поділяє випадки за геометричною відстанню, а не оцінюючи ймовірнісну модель. Беріться за ЛПА або ЛКА, коли питання стосується підгруп — чи «здобувач» є фікцією на рівні агрегації вашої вибірки, і чи відрізняються підгрупи формою, а не лише рівнем. Не беріться за нього, коли вам потрібен середній ефект впливу: рішення з п’ятьма профілями всередині [[rct|randomized trial]] на [[intelligent-tutoring|adaptive tutor]] передбачало різниці на посттесті (часткове η² = 0,27), але не виявило взаємодії умова × профіль (ps ≥ 0,198).

## Як це використовує корпус

Три використання повторюються.

- **Встановлення гетерогенності перед проєктуванням для неї.** Опитування Kremen і колег серед 395 українських менеджерів освіти використало персцентрований ЛКА, щоб показати, що «менеджер» є фікцією: шість типологій від обмежених компетентністю (25,6 %, бажання є, а навичок немає) до скептиків без бар’єрів (найвища готовність і водночас 74 % недовіри до ШІ), і автори читають їх як мандат на диференційоване навчання.
- **Міжсистемне узгодження як перевірка стійкості.** [[teachers-ai-belief-profiles-talis-2024-2026|Fang and Jin (2026)]] утримали чотири профілі переконань серед 40 680 викладачів у 49 освітніх системах (від Байдужих — 6,13 % до Виміряного схвалення — 56,29 %), і зміна еталонного джерела узгодження залишила узгодженість класифікації на рівні 99,62 % — тоді як корисність упорядковувала профілі однаково в усіх 49 системах, а ризик — ні.
- **Відновлення підгруп, які ховає агрегат.** Acquah і колеги утримали п’ять профілів етичної обізнаності від Всеосяжно дуже високої (26,1 %) до Низької етичної обізнаності (4,5 %, благодійність 2,06) — розкид від трохи більше за чверть вибірки до менше ніж двадцятої частини. Chen і колеги виявили, що Скептичні опірники повідомляли про високу сприйняту легкість використання, але дуже низький поведінковий намір — найясніше в корпусі свідчення того, що парадокс легкість використання/намір невидимий для моделі на рівні середніх.
- **Профілювання калібрування, а не рівня.** Дослідження ШІ-грамотності викладачів застосувало ЛПА до узгодженості між [[self-report-measures|self-report]] та об’єктивними вимірами, отримавши шість профілів: переоцінка, недооцінка, узгодженість і група низьке/низьке, сконцентрована серед викладачів без попереднього досвіду [[ai-literacy|AI literacy]]. Тут профілі описують взірець між інструментами, а не смугу балів.

Профілі потім слугують як незалежна змінна: дисципліна формувала належність серед майбутніх викладачів (V Крамера = 0,532, студенти STEM зосереджені в Технологічних піонерах), а належність передбачала пізнішу [[self-efficacy]], вигоряння та [[anxiety-and-stress|AI anxiety]] в інших частинах корпусу.

## Вибір кількості профілів

Жодна одна статистика не обирає рішення; корпус трактує утримання як судження, ухвалене на основі кількох критеріїв разом.

- **Інформаційні критерії (BIC, AIC).** Менше зазвичай краще, але монотонне зниження сигналізує про проблему, а не про переможця. У дослідженні українських менеджерів BIC монотонно спадав у діапазоні від двох до шести класів без ясного мінімуму, і на цьому підставі автори називають своє шестикласове рішення дослідницьким.
- **Ентропія.** Підсумок певності класифікації, чим ближче до 1, тим чіткіше призначення. Chen і колеги повідомляють 0,985 для чотирьох профілів; Acquah і колеги повідомляють 0,816 для п’яти профілів проти 0,929 для чотирьох і самі пропонують укрупнення для стійкішого групування.
- **[[explainable-ai|Interpretability]] і розмір профілю.** Дослідження профілювання довіри до ШІ утримало три кластери, хоча індекс Calinski–Harabasz віддавав перевагу двом, бо три були інтерпретованими, і воно зазначає, що коефіцієнт силуета 0,288 сигналізує про слабке або прикордонне розділення. Chen і колеги попереджають, що їхній найменший профіль (14,06 % із 128 випадків) може бути нестійким, а найменший профіль у ганському дослідженні містить лише 23 студентів, і автори пропонують його об’єднати.
- **Стійкість за ресемплінгу.** Бутстрап-стійкість — чесна перевірка того, чи профілі відтворилися б у новій вибірці: середній скоригований індекс Rand становив 0,385 для українського шестикласового рішення, але 0,989 за 100 випадкових ініціалізацій у дослідженні довіри до ШІ — те саме за назвою проєктування, зовсім різна доказова вага.
- **Бутстрап-тести відношення правдоподіб (BLRT)** і тест Lo–Mendell–Rubin — стандартні супутники BIC і ентропії в ширшій літературі про моделі сумішей, але профільні дослідження в цій базі знань їх не повідомляють. Там, де сторінка повідомляє лише BIC і ентропію, трактуйте кількість класів як умовну.

- **Перевірка відношення правдоподіб, яку цей корпус інакше пропускає.** [[ai-attitude-latent-profiles-career-development-2026|Song et al. (2026)]] утримали чотири профілі (ентропія 0,824) серед 379 студентів бізнесу і повідомили рішення за Lo–Mendell–Rubin: суттєве для чотирьох (p = 0,035) і несуттєве для п’яти (p = 0,376).
- **Утримання, захищене конкурентним рішенням і тестом відношення правдоподіб.** [[suria-martinez-academic-self-efficacy-motor-disabilities-2026|Suriá-Martínez et al. (2026)]] повідомляють, що рішення з чотирма профілями підігналося до 102 студентів трохи краще, але не поліпшилося суттєво і залишило найменший клас на 12,7 %, тож вони утримують три профілі (ентропія 0,89), а не числово краще підігнану модель. Повідомлення програшної альтернативи і того, що її дискваліфікувало, — це те, що робить утриману кількість класів судженням, яке читач може перевірити, і спеціально сконструйований для цього дослідження 12-пунктовий мірило використання ШІ — перевірений на окремій вибірці зі 85 осіб, яку автори називають попередньою, — позначає іншу межу його доказовості.

Повідомляйте порівняння, а не лише переможця: сторінка, яка каже «ми утримали п’ять профілів» без конкурентного рішення, значень ентропії та розміру найменшого профілю, не дає читачеві жодного способу оцінити вибір.

## Читання та повідомлення результатів, і де вони йдуть не так

Читайте профіль за його формою так само, як за рівнем. У ганському дослідженні профілі відрізняються конфігурацією автономії, благодійності та справедливості — найбільший поєднує сильну підтримку автономії з нижчою благодійністю, — тому два профілі можуть лежати на схожих загальних рівнях і водночас вимагати різного викладання.

Чотири застереження, кожне сформульоване на сторінках джерел:

1. **Профілі є описовими.** Вони кажуть, хто є у вибірці, а не чому, і поперечні проєктування не можуть показати стійкість або зміну (дослідження майбутніх викладачів, ганське та фізичне). Лише поздовжні аналізи — річне дослідження переходів і три хвилі Wu — підтримують твердження про зміну, і навіть там зміна є асоціацією, а не ефектом втручання.
2. **Належність оцінюється, а не спостерігається.** Випадки призначаються за найвищою апостеріорною ймовірністю, тому особи біля межі класифікуються зі справжньою непевністю; низька ентропія і слабкі значення силуета означають, що межі слід читати як м’які.
3. **Вибір індикаторів визначає відповідь.** Профілі повністю залежать від того, які змінні входять у модель, тому гетерогенність, яку дослідження ніколи не вимірює, — це гетерогенність, якої воно не може знайти: ганське дослідження зібрало серед тлових змінних лише стать і тому не може сказати, що передбачає належність.
4. **Виявлена гетерогенність — це не виявлена причинність.** Нуль взаємодії профіль × умова в досліді репетитора — нагадування: профілювання результату всередині досліду не є тестом модерування впливу.

## Наслідки для ШІ в освіті

1. **Вимірюйте гетерогенність, перш ніж рекомендувати втручання.** Профілі в цьому корпусі неодноразово розміщують чверть або більше вибірки нижче за заголовне середнє; проєктуйте для профілів, які існують, а не для середнього.
2. **Надавайте перевагу персцентрованим методам, коли результат — це диференціація.** Дослідження майбутніх викладачів і менеджерів обидва подають цей зсув як свій методичний внесок, бо середні предиктори не можуть розкрити конфігурації, які виправдовують диференційовану підтримку.
3. **Повідомляйте докази утримання повністю.** Публікуйте порівняння BIC/AIC, ентропію, розміри профілів і перевірку стійкості, і відверто кажіть, коли кількість класів є дослідницькою.
4. **Трактуйте профілі як діагностику, а не ярлики.** Профіль — це дослідницький конструкт із оціненою межею, тому інструмент, який призначає осіб у названі категорії, несе застереження будь-якого інструмента [[educational-measurement|measurement]] — і [[differential-effects-across-learner-groups|differential effects across learner groups]] вимагають того ж пильного розгляду, що й будь-який аналіз підгруп.

## Пов’язані поняття

- [[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]]

## Пов’язані статті
- [[ai-attitude-latent-profiles-career-development-2026]] — Докази утримання за Lo–Mendell–Rubin для чотирьох профілів ставлення до ШІ серед 379 студентів бізнесу

- [[wu-psychological-adaptation-ai-japanese-learning-2026]] — Трихвильовий аналіз латентних профільних переходів психологічної адаптації
- [[liang-ai-learning-motivation-sdt-2026]] — Аналіз латентних переходів трьох профілів мотивації упродовж року
- [[trust-in-ai-psychological-profiles-ml-2026]] — Профілі за k-means; розбіжність силуета та Calinski–Harabasz; ARI 0,989
- [[saihi-ahmed-genai-adoption-personas-higher-ed-2026]] — Ієрархічне та k-means кластеризування на чотири персони упровадження GenAI

- [[teachers-ai-belief-profiles-talis-2024-2026]] — Чотири профілі переконань викладачів щодо ШІ за 40 680 викладачів у 49 системах, зі стійкістю узгодження

---

## [Мережевий аналіз](https://edtechdev.github.io/aied/concepts/network-analysis/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Мережевий аналіз** — сімейство [[research-methods-aied|методів дослідження]], які моделюють сутності (людей, поняття, дії або коди) як **вузли**, з’єднані **ребрами**, що подання відображують відношення або переходи, а потім аналізують структуру та динаміку отриманої мережі, щоб виявити патерни, невидимі для підрахунків частот або попарних порівнянь. У дослідженнях ШІ в освіті мережевий аналіз використовується для картування патернів взаємодії між здобувачами та інструментами ШІ, моделювання того, як елементи знань або дискурсу зустрічаються разом, і простеження часових послідовностей поведінки. Він включає чіткі варіанти — **епістемічний мережевий аналіз** (ENA, моделювання сумісної появи кодів/конструктів), **аналіз соціальних мереж** (SNA, моделювання відношень між людьми) та **аналіз мереж переходів** (TNA, моделювання часових послідовностей станів) — кожен із яких по-своєму операціоналізує «навчання як зв’язок». ([[tracing-genai-literacy-interaction-patterns]]) ([[penny-transition-network-analysis-efl-writing-2026]]) ([[misiejuk-cognitive-offloading-prompting-2026]])

## Питання для роздумів

- Коли ви чуєте «мережевий аналіз» в освіті, які образи спадають вам на думку — карти дружби студентів, зв’язки між ідеями чи щось інше? Чим вони відрізняються від простого підрахунку того, як часто щось трапляється?
- Уявіть, що ви хочете знати, чи студенти справді взаємодіють із зворотним зв’язком інструмента ШІ для письма, чи просто отримують відповіді. Чому метрика «скільки разів вони клацнули» може не помітити історію, яку виявить послідовність дій (наприклад, цикл редагування проти циклу чату)?
- Сторінка розрізняє епістемічний, соціальний аналіз і аналіз мереж переходів. Не знаючи деталей, чи можете ви здогадатись, який варіант ви б використали, щоб вивчати (а) як люди співпрацюють, (б) які ідеї зустрічаються разом у міркуваннях студентів і (в) як здобувачі переміщуються між станами з часом?
- Дослідник виявляє, що здобувачі з високим і низьким рівнем грамотності використовують той самий інструмент ШІ, але створюють дуже різні мережеві структури міркувань. Що це говорить вам про оцінювання інструментів ШІ за єдиним середнім балом?
- Мережеві метрики, як-от «щільність» і «центральність», описують, чи є взаємодія випадковою, чи організованою навколо хабів. Коли організована мережа, зцентрована на одному здобувачеві, є ознакою хорошої співпраці — а коли ознакою проблеми?

## Вступ

Методи мережевого аналізу поділяють базове припущення: структура зв’язків — не лише їх наявність або частота — несе зміст. Замість того щоб питати «скільки Х відбулося», вони питають «як елементи пов’язані і що ця зв’язність розкриває про [[metacognition|пізнання]], [[collaborative-learning|співпрацю]] чи процеси навчання?» Це робить їх особливо цінними в дослідженнях ШІ в освіті, де дослідники дедалі частіше хочуть зрозуміти *процес* взаємодії здобувача з [[student-ai-interaction|ШІ]] (як здобувачі орієнтуються у [[feedback]], діалозі та редагуванні), а не лише продукт (підсумкові бали, частот помилок).

## Варіанти, що використовуються в корпусі бази знань

- **Епістемічний мережевий аналіз (ENA)** — найпоширеніший варіант у базі знань (обговорюється в ~24 статтях). ENA моделює сумісну появу кодів або конструктів у межах сегментів дискурсу або активності, продукуючи мережі, які показують, які ідеї, навички чи епістемічні дії, як правило, пов’язані в даному контексті. Він використовується для порівняння того, як різні групи (наприклад, здобувачі з високим і низьким рівнем грамотності, людські співробітники проти співробітників ШІ) структурують своє пізнання. ([[tracing-genai-literacy-interaction-patterns]]) ([[hao-human-ai-collaborative-problem-solving-cognition]])
- **Аналіз соціальних мереж (SNA)** — моделює відношення між людьми (здобувачами, викладачами, агентами), щоб виявити структури співпраці, впливу, центральності та спільноти. Корисний для вивчення [[collaborative-learning|спільного]] та однолітківського навчання. ([[misiejuk-cognitive-offloading-prompting-2026]])
- **Аналіз мереж переходів (TNA)** — моделює часові послідовності дискретних станів (наприклад, дій здобувача під час сеансу тьюторства) як орієнтовану мережу, квантифікуючи ймовірність переходу між станами. TNA використовується для виявлення поведінкових циклів, шляхів і динаміки засвоєння у взаємодії здобувача зі ШІ. ([[penny-transition-network-analysis-efl-writing-2026]])

Вони відрізняються від **[[knowledge-graph]]**, який є структурою даних для подання та міркування над фактами (онтологія/сховище трійок), а не аналітичним методом вивчення процесу або структури відношень.

## Мережевий аналіз у дослідженнях ШІ в освіті

Мережеві методи використовуються в усій базі свідчень бази знань для відповідей на питання, на які агреговані метрики не можуть відповісти:

- **Відкрийте «чорну скриньку» взаємодії здобувача зі ШІ.** TNA розкриває *процес* — поведінкові цикли та шляхи, якими йдуть здобувачі, використовуючи інструменти ШІ (наприклад, «цикл редагування» проти «циклу чату» в [[conversational-ai|чатбот]]-підтримуваному [[writing-education|писемі]]) — а не лише підсумковий вивід. ([[penny-transition-network-analysis-efl-writing-2026]])
- **Порівнюйте когнітивну структуризацію між групами.** ENA показує, як різні групи по-різному пов’язують конструкти — наприклад, як [[metacognition]] зустрічається разом із делегуванням проти людського міркування в людсько-ШІ співпраці, розкриваючи різні режими співпраці. ([[hao-human-ai-collaborative-problem-solving-cognition]])
- **Простежуйте ШІ-грамотність і підписи взаємодії.** ENA на логах взаємодії ідентифікує чіткі патерни використання [[llm|LLM]] (ітеративне стратегічне вдосконалення проти лінійних команд), розрізняючи [[ai-literacy|вмілість]] і розвиток здобувача. ([[tracing-genai-literacy-interaction-patterns]])
- **Аналізуйте дискурс і фреймування.** ENA застосовується до [[qualitative-research|якісних]] і [[multimodal]] даних (наприклад, фреймів ChatGPT в освіті на YouTube), щоб розкрити структуру публічного або дисциплінарного дискурсу. ([[youtube-frames-chatgpt-education]])
- **Доповнюйте метрики самоописування та продукту.** Оскільки мережеві методи використовують спостережувані поведінкові дані, вони можуть виявляти розбіжності між тим, що здобувачі стверджують, і тим, що вони насправді роблять, — повторюваний результат у літературі бази знань про засвоєння зворотного зв’язку.

- **Структура графа як величина валідації, а не як описове резюме.** [[synthetic-educational-data-structural-fidelity-2026|Inoue & Yasutake (2026)]] відстежують β0 — кількість зв’язаних компонент щотижневого графа близькості між здобувачами за фіксованим евклідовим порогом — щоб перевірити, чи відтворюють синтетичні когорти справжні, надаючи йому перевагу, оскільки він визначається самим графом, не потребує оптимізації або випадкового зерна, на відміну від максимізації модулярності, і залишається визначеним, коли від сьомої до третьої частини здобувачів сидять самі в компоненті.

## Методологічні міркування

- **Кодування є основою.** Усі мережеві варіанти залежать від надійного кодування сирих даних (висловлювань, подій, відношень) у дискретні вузли/коди; автоматизоване кодування на базі LLM усе частіше використовується, але потребує людської валідації (наприклад, Fleiss' κ 0,70–0,71 у дослідженнях TNA). ([[penny-transition-network-analysis-efl-writing-2026]])
- **Розгляд згоди кодерів як поточної перевірки, а не разової статистики.** [[preservice-teachers-noticing-ai-simulations-2026|Galiç та співавт. (2026)]] закодували 304 твердження про помічання за Krippendorff's α = 0,803 і стежили за згодою впродовж дослідження, перекодовуючи спірні твердження щоразу, коли об’єднане κ падало нижче їхнього порога рекалібрації 0,85 (у випадках 18 і 27), і не потребуючи подальшої рекалібрації до випадків 36–51. Суть — у послідовності: надійність, виміряна лише наприкінці, залишила б ранні моделі переходів спиратись на дрейф кодерів, оскільки ці щотижневі патерни переходів і були результатом дослідження.
- **Метрики на рівні мережі підсумовують структуру.** Щільність, взаїмність, централізація та вхідна/вихідна сила описують, чи є взаємодія випадковою, чи організованою навколо «гравітаційних» хабів, і наскільки взаємним є обмін.
- **Для групових відмінностей потрібне статистичне порівняння.** Хі-квадрат тести або перестановочне тестування використовуються для встановлення того, що спостережувані мережеві відмінності (наприклад, за вмілістю) не зумовлені випадком. [[caeai-response-length-ai-ethics-education-2026|Shao та співавт. (2026)]] показують, що нульову гіпотезу має бути побудовано так, щоб вона відповідала тексту. В обговоренні випадку з двадцятьма аспірантами [[higher-ed|змішаних дисциплін]] частка спільних термінів розміру 3 зросла з 5,2% до 8,0%, тоді як токени змісту впали приблизно до 0,65× від рівня після читання. Перестановочний тест усього мішка назвав би це зростання значущим; їхній тест перестановки токенів, зумовлений довжиною, — ні (Q6 p = 0,62, Q7 p = 0,15).
- **Валідуйте інструмент перед тим, як читати його мережу.** [[alatoai-ai-learning-environments-self-regulation-2026|Alatoai & Alshahri (2026)]] побудували 45-пунктову шкалу AI-STEM-MLCS повним маршрутом розробки шкали — коефіцієнти валідності змісту за експертними оцінками, дослідницький, а потім підтверджувальний факторний аналіз (CFI = 0,983, RMSEA = 0,019), McDonald's ω 0,888–0,905 і двотижневі тест-ретест ICC 0,751–0,900 — перед моделюванням чотирьох вимірів за допомогою дослідницького аналізу графів. Саме ця послідовність захищає від виведення структури з мережі, вузли якої є невалідованими балами шкали, і автори називають специфічну для Саудівської Аравії валідацію межею перенесення структури.
- **Інтерпретуйте з обережністю.** Гранулярність вузлів (наприклад, грубий вузол «чат») може приховувати намір; автоматизована класифікація несе певну неоднозначність; а поперечна структура мережі не встановлює причинності.
- **Мережі, які виявляють те, що приховує агрегат.** [[genai-social-annotation-epistemic-network-analysis-2026|Pan та співавт. (2026)]] виявили, що клас з анотуванням за допомогою GenAI перевершив контрольний і за балами, і за залученістю, а потім розділили експериментальний клас за медіанною продуктивністю і показали, що приріст не був спільним: групи з високими досягненнями ініціювали 60,7 відсотків запитів на зворотний зв’язок в своїх анотаціях проти 34,0 відсотків у груп з низькими досягненнями, які залишались у самореферентному циклі (розділення груп значуще за віссю X ENA, U = 25,00, p = 0,01). Урок дизайну в тому, що один ефект на рівні групи може підсумувати дві різні структури взаємодії — і оскільки обидві групи були цілісними класами, порівняння ідентифікує патерн, не приписуючи його причинно.

## Наслідки для досліджень ШІ в освіті

1. **Надавайте перевагу методам процесу перед метриками лише продукту.** Щоб оцінити, чи підтримують інструменти ШІ навчання, моделюйте, як здобувачі насправді залучаються (засвоєння, діалог, редагування), методами послідовностей/мереж, а не спирайтесь лише на підсумкові бали.
2. **Використовуйте ENA для порівняння когнітивної структуризації.** Коли ставиться питання, як різні здобувачі або режими (людина проти ШІ) структурують своє міркування, ENA дає пряме, візуальне порівняння мереж сумісної появи — метод, що добре підходить до [[student-modeling|моделювання студентів]] щодо того, як здобувачі пов’язують ідеї.
3. **Валідуйте автоматизоване кодування.** За наявності великих наборів даних логів, класифікація на базі [[llm|LLM]] є потужною, але має бути перевірена проти людського кодування (повідомляйте міжекспертну згоду) перед інтерпретацією структури мережі.
4. **Проєктуйте для диференціації.** Мережевий аналіз часто виявляє, що *той самий* інструмент ШІ продукує різні патерни взаємодії в різних підгрупах здобувачів — що інформує адаптивне проєктування, а не універсальне оцінювання.

## ENA-валідація симульованого спільного діалогу

- **ENA як валідація симульованого діалогу.** Fang (2026) застосовує епістемічний мережевий аналіз, щоб оцінити, чи відтворюють донавчені агенти на базі LLM структуру справжнього діалогу спільного [[problem-solving]]. Порівнюючи симульовані вектори суміжності з емпіричною мережею, він повідомляє відстань ENA 0,17 — у межах порога 95-го процентиля нульового розподілу, з перестановочним p-значенням 0,65 — демонструючи силу ENA як [[quantitative-research|кількісної]] перевірки вірності генеративних [[simulation|симуляцій]] дискурсу, поряд із іншими застосуваннями ENA/SNA/TNA в освітніх дослідженнях.

## Пов’язані поняття

- [[learning-analytics]]
- [[knowledge-graph]]
- [[meta-analysis-systematic-review]]
- [[student-modeling]]
- [[student-engagement]]
- [[collaborative-learning]]
- [[metacognition]]
- [[ai-literacy]]
- [[scaffolding]]
- [[feedback]]

## Пов’язані статті

- [[caeai-response-length-ai-ethics-education-2026]] — Довжина відповіді, а не лексична узгодженість, спрямовує статистику спільних термінів у мережах учасник–морфема (Shao та співавт. 2026)

- [[penny-transition-network-analysis-efl-writing-2026]] — TNA взаємодій здобувачів із чатботом у підтримуваному письмі EFL
- [[tracing-genai-literacy-interaction-patterns]] — ENA патернів взаємодії за ШІ-грамотністю GenAI
- [[hao-human-ai-collaborative-problem-solving-cognition]] — ENA спільного розв’язування проблем людиною та ШІ
- [[misiejuk-cognitive-offloading-prompting-2026]] — Когнітивне розвантаження та підказки (методи SNA/мережеві)
- [[youtube-frames-chatgpt-education]] — ENA фреймів ChatGPT в освіті на YouTube
- [[agency-gap-ai-writing]] — Розрив агентності в підтримуваному ШІ письмі (ENA)
- [[synthetic-educational-data-structural-fidelity-2026]] — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data

---

## [Оцінювання ШІ в освіті](https://edtechdev.github.io/aied/concepts/ai-ed-evaluation/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Оцінювання ШІ в освіті** — сукупність методів, бенчмарків і критеріїв, що використовуються для з’ясування, чи [[ai-education|інструменти освіти з ШІ]] (тьютори на основі [[llm]], [[automated-assessment|автоматизовані оцінювачі]], системи зворотного зв’язку, агенти) справді працюють — і не лише за заголовною точністю, а за надійністю, [[pedagogy|педагогічною]] якістю, валідністю та реальним впливом на навчання. Повторювана тема досліджень бази знань полягає в тому, що оцінювання має бути специфічним для домену, усвідомленим щодо надійності та спиратися на людське судження й освітні результати, а не на окремі агреговані показники точності.

## Питання для роздумів

- Як би ви вирішували, чи «працює» інструмент ІІ-тьюторства? Які докази — понад заголовний показник точності — переконали б вас, що він справді покращує навчання?
- Ключове висновок є те, що надійність не гарантує валідності: система може бути дуже узгодженою, але помилково судити про те, як виглядає добре викладання. Чому стабільний, відтворюваний ШІ може все ж бути помилковим?
- Оцінювання має бути специфічним для домену — бенчмарк, що працює для одного предмета, може вводити в оману в іншому. Коли ви бадите сліпучий результат бенчмарку для інструмента ШІ, що ви хотіли б перевірити щодо контексту?
- «Ґрунтовна істина», відносно якої судять системи, часто оскаржується — що вважається правильною відповіддю або оцінкою, відрізняється між експертами й дисциплінами. Як ця непевність ускладнює довіру до будь-якого оцінювання?
- Дослідження показують, що текстові оцінювачі на основі LLM надають перевагу явно вербалізованим поведінкам і недоважають неявному контексту — «упередженість на явну підказку». Які види доброго викладання машина може систематично пропускати, оскільки дивиться лише на очевидне?
- Сучасне оцінювання також зважує екологічні та інфраструктурні витрати — енергію, обладнання — а не лише якість результату. Чи має [[sustainability]] враховуватися при вашому судженні про цінність інструмента ШІ?

## Вступ

Оцінювання ШІ в освіті охоплює кілька відмінних об’єктів оцінювання. Воно може оцінювати **результат** (чи відповідь, оцінка або зворотний зв’язок ШІ є правильними та надійними?), **процес** (чи підтримує інструмент валідне, захищене оцінювання та навчання?) та **агента** (чи навчає тьютор чи агент ШІ ефективно й чи поводиться належним чином?). Кожен потребує різних методів і породжує різні питання валідності.

Деснятирічна дуга самої галузі є рамкою: [[xiong-ai-educational-measurement-review-2026|Xiong and Li (2026)]] простежують три ери — Формативну (2015–2018), Експансії (2019–2022) та Генеративну (2023–донині) — на 313 статтях і стверджують, що конструкти та аргументи валідності мають бути переписані для [[human-ai-collaboration|людсько-ШІ співпраці]], оскільки моделі [[item-response-theory|IRT]] та класичної теорії тестів будувалися на неасистованій людській продуктивності.

### Як оцінювання ШІ в освіті проявляється в дослідженнях

- **Надійність результату та ґрунтовна істина:** [[ground-truth-reliability-aied|Модернізація ґрунтовної істини]] стверджує, що проблеми надійності в оцінюванні ШІ в освіті часто сягають самих еталонних даних — позначок «ґрунтовної істини», відносно якої судять системи — і пропонує чотири зрушення на шляху до покращення надійності та валідності. [[calibrating-trustworthiness-llm-education-2026|Калібрування достовірності]] спільно проєктує метрики та візуалізації оцінювання зі стейкхолдерами, щоб довіра до інструмента ШІ спиралася на продемонстровані, інтерпретовані докази.

- **Автоматизоване оцінювання та виставлення балів:** [[cong-confidence-asag-2026|Оцінювання коротких відповідей за допомогою LLM]], [[cong-confidence-asag-2026|усвідомлене щодо довіри ASAG]], [[cotal-formative-assessment-scoring-2026|інженерія підказок CoTAL за участю людини в циклі]] та [[llm-cognitive-diagnosis-handwritten-math|когнітивна діагностика рукописної математики]] показують, що LLM можуть оцінювати та діагностувати, але надійність залежить від [[human-in-the-loop-ai|людського нагляду]], заземлення в конкретному домені та калібрування довіри, а не від сирого розміру моделі.
- **Бенчмарк для педагогічних знань, а не для контенту.** [[cdpk-pedagogy-benchmark-llms|Lelièvre et al. (2025)]] оцінюють 97 моделей на завданнях чилійських учительських іспитів (CDPK 28–89%), багато з них перевершують оцінений людський базовий рівень близько 50%, проте статичні завдання з вибором відповіді не можуть перевірити планування уроку чи поступовий скаффолдинг крок за кроком.
- **Валідація згенерованих завдань щодо психометричного бенчмарку.** [[assessing-quality-ai-generated-exams-field-2025|Isley et al. (2025)]] згенервали підігнані до курсу іспити для 71 класу та зіставили з бенчмарком ще 20 проти людських завдань AP Statistics, підбираючи байєсівську ієрархічну 2PL-модель [[item-response-theory|IRT]] з претестовими анкорами на 1,686 студентах; завдання ШІ були легші, але більш диференціюючими (ᾱ = 1.3 проти 1.2).
- **Педагогічна якість та узгодженість:** [[machines-misread-pedagogical-quality|Чому машини помилково читають педагогічну якість]] документує людсько-машинне невідповідність у судженні про те, що робить навчання добрим, а [[tutoring-effectiveness-index|Індекс ефективності тьюторства]] передбачає якість тьютора з поведінки викладання. [[responsible-assessment-ai-era-stanford-2026|Відповідальне оцінювання в еру ШІ]] та [[authentic-products-authenticated-processes-2026|автентифіковані процеси]] стверджують, що оцінювання має виходити далі за межі правильних відповідей до питання, чи залишається оцінювання автентичним, валідним і захищеним, коли ШІ може створювати «продукти» навчання.
- **Моніторинг у продакшені та калібрування суддів:** [[llm-judge-evaluation-educational-ai-2026|Rohlfs et al. (2026)]] повідомляють, що відбувається, коли оцінювання типу LLM-as-judge працює в масштабі продакшену, спираючись на набір K-12, який обслуговує мільйони повідомлень учителів і студентів щомісяця. У міру дозрівання програми хибнопозитивні результати почали домінувати серед позначок оцінювачів і відвертали увагу аналітиків від збоїв, які вимагали зміни продукту. Три зміни — панелі однодумного провалу з повторних прогонів суддів, вибір моделі-судді для кожного оцінювача та пом’якшені рубрики — знизили підтверджені хибнопозитивні результати на 99% і підвищили точність на позначку з 0.6% до 49% серед 21 розгорнутого оцінювача, тоді як набір для грубих збоїв зберіг охоплення на 100%. Урок для практики оцінювання полягає в тому, що робочу точку оцінювача, а не його заголовну точність, визначає, чи є позначка придатною до дії.
- **Різноманіття суддів як протокол валідності.** Бенчмарк для агентів інструкційного дизайну брав своїх суддів від різних провайдерів моделей, а не від одного, повідомляючи високу надійність між суддями на 1,017 оцінених сценаріїв ([[jeon-isd-agent-bench-2026|Jeon et al. (2026)]]).

- **Перевіряйте пояснення щодо атрибуції, на яку воно претендує, а не щодо плавності.** [[distilling-self-explaining-lm-learning-analytics-2026|Pan et al. (2026)]] пропускають наративи моделі через ворота арифметичної замкненості, цитованих коваріатів, точності рішень та частоти небезпечного лікування, оскільки плавний текст однаково добре сформований незалежно від того, є його сигнал точним чи шумним — 98.8% наративів пройшли, тоді як негативний хвіст був обрізаний.
- **Чутливість до підказки є властивістю першого порядку оцінювача на основі LLM.** [[llm-graders-computer-science-exams-2026|Habibullah et al. (2026)]] оцінили іспит з [[cs-education|комп’ютерного зору]] на 570 студентів у 171 конфігурації та іспит із машинного навчання на 1,038 студентів у 162: короткий преамбул «суворого оцінювача» вивів 14 із 17 моделей з відкритими вагами з оцінюваної смуги, тоді як реплікація відтворила вразливість, але не її напрям, покращивши сім моделей, чиї нейтральні підказки завищували оцінки. Точність однієї підказки не є доказом придатного оцінювача, і підписане упередження має стояти поруч із показником середньої абсолютної помилки; донавчання LoRA на об’єднаних прикладах подвійного оцінювання довело п’ять малих моделей до людського паритету і майже згладило чутливість до персони.
- **Придатний для оцінки доказ є дизайнерською змінною, а не властивістю завдання.** [[durable-skills-measurement-ai-teammates-2026|Globerson et al. (2026)]] дозволили Executive LLM тримати рубрику й направляти розмову до оцінюваної вміння, підвищивши придатний для оцінки доказ до 92.4% для управління проєктами і 85% для вирішення конфліктів, тоді як пропозиція учасникам звернути увагу на вміння не змінила нічого.

### Чому оцінювання важке в освіті з ШІ

Оцінювання ШІ в освіті важке з кількох причин. По-перше, **надійності недостатньо** — система може погоджуватися з рубрикою, але помилково судити про педагогіку, як показує [[machines-misread-pedagogical-quality|дослідження людсько-машинної узгодженості]]. По-друге, **ґрунтовна істина оскаржується** — те, що вважається «правильною» відповіддю, оцінкою чи педагогічним ходом, саме є судженням, яке відрізняється між дисциплінами та експертами, згідно з [[ground-truth-reliability-aied|модернізацією ґрунтовної істини]]. По-третє, **освітня валідність є багатовимірною** — [[assessment-validity]], [[formative-assessment]] та [[authentic-assessment]] накладають різні критерії, які не може охопити жодна окрема метрика точності. Нарешті, **ціль постійно рухається** — агентний ШІ та [[multimodal]] моделі вимагають рамок оцінювання ([[agentic-ai]], [[tool-invariant-framework-agentic-ai|оцінювання, інваріантне до інструменту]]), а не повторного використання бенчмарків текстових моделей. Висновки оцінювання також підлягають тим самим наскрізним обмеженням, що вражають усі дослідження AIED — вони старіють у міру покращення ШІ, залежать від відтворюваності та практик FAIR і можуть спиратися на власницькі системи — тому результати оцінювання мають читатися з огляду на застереження в [[limitations-in-aied-research]]. Додатковим, новим виміром є **сталий ресурс**: розгортання на власних потужностях дедалі частіше повідомляють про споживання енергії та вимоги до обладнання (наприклад, VRAM, мВт·год на запит) поряд з точністю — див. [[shen-sustainable-ai-knowledge-base-cs-education-2026|сталі асистенти бази знань на власних потужностях]] — так що повне оцінювання зважує екологічні та інфраструктурні витрати, а не лише якість результату.

**Надійність не гарантує валідності.** [[melo-llm-classroom-observation-teach-2026|Валідація спостереження за класом на основі LLM]] показує, що модель може бути дуже стабільною між повторними оцінюваннями і водночас невідповідати експертному судженню, і, навпаки, що моделі, які добре узгоджуються з експертами, часто є більш мінливими — надійність і точність роз’єднуються, тому показник точності одного проходу може перебільшувати залежність. Те саме дослідження документує **упередженість на явну підказку**: текстові оцінювачі на основі LLM надають перевагу явно вербалізованим поведінкам і недоважають неявним чи контекстуальним доказам (наприклад, підтримуваній студентській [[self-regulated-learning|саморегуляції]] там, де рубрика дозволяє високі оцінки за критеріями, толерантними до відсутності), породжуючи систематичну, а не випадкову розбіжність. Це підкреслює, що надійність вимірювання є передумовою для — а не замінником — валідної інтерпретації, і що оцінювання має включати перевірки стабільності повторних вимірювань поряд із прив’язаною до експертів точністю.

Навіть валідована довгогоризонтна дискурсивна модель відстежує незалежні міри результатів лише слабо: оцінки Student Reasoning і Teacher Uptake у NSPA корелювали з моделями доданої вартості ефективності вчителя при ρ = 0.10, тому автоматизовані конструкти потребують зовнішньої валідації результатів, перш ніж інформувати оцінювання ([[nspa-neuro-symbolic-pedagogical-alignment-2026|Fang and Liu, 2026]]).

Оцінювання змодельованих здобувачів стикається з тим самим стандартом: симулятор є валідним лише тоді, коли його поведінка є *епістемічно* вірною, а не лише плавною, тому його мають оцінювати щодо його заявленої поведінкової меті та середовища, а не щодо загальної схожості на людину — і автоматизовані судді узгоджуються з експертними людськими перевагами приблизно 65% часу ([[valid-student-simulation-llm-2026|Yuan et al. (2026)]]).

**Агрегована точність приховує, кому обслуговують погано.** [[drawedumath-vlm-struggling-students-2026|Оцінювання візуально-мовних моделей на DrawEduMath]] показує, що загальна точність маскує систематичну слабкість: моделі працюють гірше саме на тій студентській роботі, яка потребує найбільшої педагогічної допомоги (помилковій роботі студентів, що відстають), тому дезагрегування оцінювання за рівнем володіння студента і статусом помилки є необхідним, щоб уникнути перебільшення здібності та розширення розривів у досягненнях.

**Бінарна правильність приховує збої, які мають значення.** На тристоронньому бенчмарку діагностики кроків із 10,836 змодельованих пар сім тьюторів на основі LLM класифікували оптимальні кроки майже бездоганно (F1 94–99%), але валідні альтернативи — з F1 0–76% і неправильні кроки — з 4–55%, тобто з надмірним відкиданням і надмірним підтвердженням — і точна діагностика все ж не давала придатного до дії зворотного зв’язку ([[yasir-llm-tutoring-agents-2026|Yasir et al. (2026)]]).

- **Повторне використання людських інструментів для оцінювання LLM потребує перевірки латентної структури.** [[assessment-latent-structure-human-llm-2026|Strugatski et al. (2026)]] підбирають експлораторний факторний аналіз окремо для людей і шести мультимодальних LLM: узгодженість LLM–людина залишалася нижче людсько-людського базового рівня на обох інструментах, і паралельний аналіз утримав різні кількості факторів (п’ять для людей проти чотирьох для LLM).

- **Спільне оцінювання виявляє компроміси, які ховає один показник.** [[elbench-education-llm-benchmark-2026|Jiang et al. (2026)]] оцінюють дев’ять моделей для освіти за здібністю, безпекою, базовою освітою та високорівневим вихованням за одним протоколом: шість кращих статистично нерозрізненні в цілому, проте відрізняються на 19.5 балів за Безпекою, і Безпека сильно антикорелює з Базовою освітою (r = −0.83).
- **Перекіс класів може зробити метрику оцінювання оманливою.** [[reflection-level-classification-hungarian-essays-2026|Csibi and colleagues (2026)]] класифікували рівень рефлексії в 1,954 угорських есе педагогічної освіти, у яких 68% знаходилися на одному рівні: одна мілка конфігурація досягла ROC-AUC 0.7131 при точності лише 0.5162, а балансування класів знизило кожну метрику (точність 0.6672 без нього проти 0.6408 з ним). Мілкі моделі давали найкращі агреговані показники, тоді як трансформери краще справлялися з рівнями меншості, тому повідомлювана цифра має відповідати продуктивності, від якої насправді залежить рішення.
- **Помилки бенчмарку та оцінювача приймаються за провал моделі.** Експертне переоцінювання шести широковживаних бенчмарків з [[physics-education|фізики]] перевірило 250 відхилених завдань і віднесло 143 (57.20%) до дефектів бенчмарку і 95 (38.00%) до помилок оцінювача, залишивши лише 12 (4.80%) справжніх помилок моделі, тож 95.20% виміряного розриву не могли бути віднесені до моделі. Виправлення завдань перемістило HLE-Physics mean@4 з 47.28% до 78.66%, а CritPt mean@5 — з 32.29% до скоригованих 87.50%, перетворивши очевидну слабкість фронтьєр-моделі на майже насичення. Аудит стверджує, що повідомлюваний показник є спільною властивістю моделі, банку завдань і оцінювача, і що експертне вирішення має передувати будь-якій заяві про здібності, зробленій на підставі бенчмарку. ([[frontier-models-physics-benchmark-audit-2026]])

Швидкість систем, що оцінюються, є додатковим обмеженням. [[ai-tutoring-micro-rct-gcse-science-2026|Harrison et al. (2026)]] описують часову проблему прямо: до того, як великомасштабне випробування було спроєктоване, проведено, проаналізовано й опубліковано, технологія під дослідженням могла суттєво змінитися, що штовхає практику до слабких спостережувальних даних або даних використання саме в той момент, коли потрібні сильніші докази. Їхня відповідь — не погоджуватися на слабкіші дизайни, а скорочувати цикл: керовані практиками мікровандаомізовані випробування, які зберігають причинний контраст і повторюють його в міру еволюції платформи.


- **Вірність даних є окремою проблемою оцінювання, відмінною від якості результату.** Синтетичні освітні когорти, що відтворюють підсумкову статистику кожної змінної, все ж можуть спотворити структуру даних: щотижневий граф близькості між здобувачами варіював у 2.6–4.9 разів менше протягом семестру в синтетичних версіях, ніж у реальних когортах, тому показник вірності не передбачає, які аналізи виживуть на реальних даних ([[synthetic-educational-data-structural-fidelity-2026|Inoue & Yasutake, 2026]]).

- **Точність на розподілі навчання не є придатністю до розгортання.** Класифікатор рівня Блума, що набрав макро-F1 0.88 на своєму курованому банку завдань, впав до 0.48 і 0.20 на двох наборах питань, згенерованих ШІ, і ця втрата відстежувала майже повну відсутність явних дієслів-тригерів Блума, а не розмір моделі; ненавчені [[llm|LLM]] виявилися найстійкішою опцією поза розподілом навчання (0.79 і 0.41–0.51), і донавчання на позначених даних поза розподілом відновило найбільші здобутки (до 0.82), тому перенесення має з’являтися в звіті поряд із придатністю на розподілі навчання ([[bloom-classifier-ai-assisted-questions-2026|Castanares et al., 2026]]).

- **Шкала складності ШІ є помічником оцінювання, а не оцінкою.** Оцінки складності ШІ сильно відстежували частоту проходження на рівні задачі (rho = −0.871 на 79 задачах), але слабшали до −0.552 на вибірці CS101 зі 106 задач і наближалися до нуля на рівні іспиту, тому такі шкали належать до перегляду завдань, а не до оцінювання студентів ([[llm-difficulty-calibration-programming-exams-2026|Yan et al. (2026)]]).

### Зв’язки з пов’язаними поняттями

Оцінювання ШІ в освіті перебуває в центрі методів і ризиків бази знань. Воно операціоналізує [[assessment-validity]], [[educational-measurement]] та [[benchmark]] у межах [[assessment]] і [[automated-assessment]]. Його заклик до людського нагляду пов’язується з [[human-in-the-loop-ai]] та [[teacher-role]], тоді як його фокус на надійності пов’язується з [[hallucination-risk]], [[automated-assessment|Confidence Aware AI Assessment]] та [[trust-calibration]]. Розрізнення між оцінюванням продуктивності та оцінюванням навчання пов’язується з [[genai-performance-vs-learning|продуктивністю проти навчання]] та з [[student-modeling]]; а оцінювання педагогічних агентів пов’язується з [[intelligent-tutoring]], [[llm-training-and-fine-tuning]] та [[pedagogical-safety]].

### Оцінювання навчальних здобутків

Центральним об’єктом оцінювання ШІ в освіті є **навчальний здобуток** — виміряне покращення знань чи вміння, яке створює інструмент ШІ (див. [[learning-gains]]). Суворе оцінювання здобутків вимагає вибору правильної міри результату, оскільки [[genai-performance-vs-learning|продуктивність і навчання розходяться]]: ШІ може роздувати негайну, асистовану ШІ продуктивність задач, залишаючи тривале, неасистоване навчання незмінним чи зниженим (див. [[generative-ai-reduced-study-time-math]], [[stromberg-generative-ai-learning-penalty-secondary-2026]]). Тому ефективне оцінювання здобутків:

- **Використовує неасистовані, стійкі до ШІ міри результату.** [[generative-ai-guardrails-harm-learning|Докази захисних бар’єрів]] та [[summative-assessment|дослідження підсумкового оцінювання]] показують, що під наглядом, за закритими книгами, неасистовані міри — а не асистована домашня робота чи робота вдома — виявляють справжні [[learning-gains|навчальні здобутки]].
- **Розрізняє асистовану продуктивність від тривалого навчання.** [[genai-meta-analysis-programming-learning|Метааналіз]] показує, що ШІ може давати великі здобутки продуктивності без значного навчального здобутку (g ≈ 0), тому оцінювання мають повідомляти обидва.
- **Покоління технології може не мати значення, а дані про витрати відсутні.** [[burneo-can-edtech-close-learning-gaps-2026|Burneo et al. (2026)]] об’єднують 14 рандомізованих випробувань до середнього навчального здобутку 0.125 sd, причому генеративний ШІ не показує переваги над ранішим адаптивним програмним забезпеченням (0.022 sd, SE 0.075), а порівнянні витрати на студента повідомлялися лише у двох чи трьох дослідженнях.
- **Поєднує пре/пост міри з перевірками валідності.** [[assessment-validity]] і [[educational-measurement]] заземлюють вимірювання здобутків; [[genai-educational-outcomes-meta-analysis|метааналітичний огляд]] об’єднує розміри ефекту між дослідженнями, щоб встановити доказову базу здобутків галузі.
- **Дезагрегує за здобувачем і контекстом.** Оскільки [[learning-gains]] варіюють за населенням, доменом і конфігурацією ШІ, оцінювання має повідомляти здобутки для різних підгруп студентів (наприклад, за попереднім рівнем володіння, як виявляють [[drawedumath-vlm-struggling-students-2026|оцінювання VLM]] для статусу помилки), а не єдиний агрегат, і має пов’язувати висновки про здобутки з [[meta-analysis-systematic-review]], щоб розмістити їх у ширшій доказовій базі.

Потрібні бенчмарки, зумовлені контекстом: [[zhang-tutormoments-2026|Zhang et al. (2026)]] стверджують, що попередні бенчмарки тьюторства (MathTutorBench, MRBench, LearnLM) винагороджують один бік дилеми допомоги або дають невизначені вказівки. TutorMoments замість цього відтворює визначені вчителями педагогічні точки рішень, оцінюючи, чи є допомога тьютора відповідною до конкретної миті навчання — [[scaffolding]] проти суворості.
- **Метрика, яку ви оберете, може обернути ваші висновки.** [[zhang-platform-scores-miss-ai-teaching-agents-2026|Zhang et al. (2026)]], оцінюючи агентів викладання ШІ в [[medical-education|медичній освіті]], виявили, що нерозкриті агреговані показники [[edtech-platform|освітньої платформи]] ранжували агентів майже протилежно до прозорої, валідованої експертами рубрики якості викладання з 8 вимірів (точність медичних знань, педагогічне керівництво, охоплення знань, якість рольової гри, адаптивна складність, медична безпека, залученість, зворотний зв’язок). Показники платформи індексують продуктивність студента; рубрика індексує поведінку викладання агента — вибір неправильної метрики визначає, яких агентів приймуть чи вдосконалять. Вони також виявили, що поблажливість LLM-as-evaluator відрізняється за моделлю (деякі занадто поблажливі, щоб диференціювати), тому автоматизоване оцінювання потребує людської калібрування і є найбільш достовірним на вимірах когнітивного процесу.
- **Частота помилок може ховати збій, який має виявляти.** [[ai-mediated-input-medical-english-asr-2026|Stanchev (2026)]] надіслав один запис перетворення тексту в мову англомовного медичного уривка до чотирьох сервісів [[speech-and-voice-technologies|ASR]]: два безкоштовні сервіси повернули 87.96% і 88.34% еталону, тоді як два платні сервіси повернули попередні версії на 32.76% і 55.35% і тому набрали частоти словесних помилок 73.21% і 48.77%. Високі частоти помилок походили від токенів, які ніколи не поверталися, а не від невірно розпізнаних, тому ранжування лише за частотою помилок розглядало обмеження експорту як збій транскрипції. Охоплення має стояти поряд із частотою помилок щоразу, коли автоматизована метрика заступає артефакт, який бачить здобувач.
- **Прив’язуйте набори оцінювання до виміряного навчання, а не до сурогатів.** Бенчмарки здібності викладання, рубрики розмовної педагогіки та затримку тьютора мають валідовувати щодо фактичних навчальних здобутків, а не розглядати як їх замінники, і затримка сама є віссю оцінювання, оскільки вона визначає, чи взаєлідіють студенти взагалі ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al., 2026]]).
- **Оцінювання на основі експертного судження потребують власного обліку надійності.** [[bespoke-industry-personalized-lecture-videos-2026|Puech et al. (2026)]] дали 25 експертам із відповідного домену оцінити 92 згенерованих [[video-education|лекційних відео]] за рубрикою, прив’язаною до «якості стандартної MOOC-лекції», визнавши 87% на рівні або вище порогу (середнє 3.42 із 5). Кожне відео було оцінене один раз одним перевіряючим (k = 1), тому дизайн розподіляє панель по корпусу ціною статистики узгодженості між оцінювачами; модель з випадковим перетином віднесла приблизно 35% залишкової дисперсії до перевіряючого (ICC = 0.35), і стаття повідомляє інтервали, кластеризовані за перевіряючим, замість єдиної цифри точності. Оцінювання, побудоване на експертному судженні, є лише таким сильним, як аналіз надійності, який воно публікує.

## Пов’язані поняття

- [[interpreting-and-applying-aied-research]]
- [[ai-assisted-educational-research]] — AI-Assisted Educational Research
- [[assessment-validity]] — Validity of interpretation in AI-ed evaluation
- [[educational-measurement]] — Measurement theory for assessing learning
- [[psychometrically-aware-ai]] — Applying psychometrics to AI-based assessment
- [[benchmark]] — Standardized benchmarks for evaluating AI systems
- [[automated-assessment]] — AI-based grading and scoring systems
- [[learning-analytics]] — Data-driven analysis of learning behavior
- [[research-methods-aied]] — Research methods for AI in education
- [[learning-gains]] — Measuring learning gains from AI tools
- [[formative-assessment]] — Ongoing assessment to guide instruction
- [[summative-assessment]] — Summative assessment: AI-resistant formats (oral, proctored, closed-book exams)
- [[authentic-assessment]] — Assessment of real-world, transferable performance
- [[human-in-the-loop-ai]] — Human oversight of AI evaluation
- [[trust-calibration]] — Calibrating trust in AI systems
- [[hallucination-risk]] — Risk of fabricated content in AI outputs
- [[intelligent-tutoring]] — Evaluating AI tutoring systems
- [[agentic-ai]] — Evaluating autonomous AI agent behavior

## Пов’язані статті

- [[zhang-platform-scores-miss-ai-teaching-agents-2026]] — What platform scores miss: multidimensional evaluation of AI teaching agents
- [[assessment-latent-structure-human-llm-2026]] — Do assessment instruments measure the same thing for humans and LLMs? (Strugatski et al. 2026)
- [[assessing-quality-ai-generated-exams-field-2025]] — Assessing the quality of AI-generated exams: a large-scale field study
- [[nspa-neuro-symbolic-pedagogical-alignment-2026]] — Neuro-symbolic pedagogical alignment (NSPA)
- [[yasir-llm-tutoring-agents-2026]] — Three-way classification benchmark of LLM tutoring agents (Yasir et al. 2026)
- [[drawedumath-vlm-struggling-students-2026]] — Evaluating VLMs on DrawEduMath: error content hardest (Lucy et al. 2026)
- [[cdpk-pedagogy-benchmark-llms]] — Benchmarking LLM pedagogical knowledge (CDPK + SEND)
- [[melo-llm-classroom-observation-teach-2026]] — LLM classroom observation validation: reliability vs accuracy (Melo et al. 2026)
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — On-premise OER AI knowledge-base assistants: multi-dimensional evaluation
- [[ground-truth-reliability-aied]] — Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity
- [[calibrating-trustworthiness-llm-education-2026]] — Calibrating Trustworthiness: Co-Designing Metrics and Visualizations
- [[teachbench-llm-teaching-evaluation]] — TeachBench: Evaluating LLM Teaching Ability
- [[machines-misread-pedagogical-quality]] — Why Machines Misread Pedagogical Quality: Human-Machine Alignment
- [[cong-confidence-asag-2026]] — Automatic Short Answer Grading With LLMs
- [[cotal-formative-assessment-scoring-2026]] — CoTAL: Human-in-the-Loop Prompt Engineering for Formative Assessment
- [[llm-cognitive-diagnosis-handwritten-math]] — Benchmarking LLMs for Diagnosing Students' Cognitive Skills
- [[tutoring-effectiveness-index]] — The Tutoring Effectiveness Index: Predicting LLM Math Tutor Quality
- [[jeon-isd-agent-bench-2026]] — ISD Agent Benchmark
- [[tool-invariant-framework-agentic-ai]] — A Tool-Invariant Framework for Teaching and Assessing Computational Methods
- [[valid-student-simulation-llm-2026]] — Toward Valid Student Simulation With Large Language Models
- [[llm-difficulty-calibration-programming-exams-2026]] — From Evaluated Models to Evaluation Aids
- [[socratic-tests-conversational-assessment]] — The Theoretical Foundation of Socratic Tests
- [[responsible-assessment-ai-era-stanford-2026]] — Responsible Assessment in the AI Era
- [[authentic-products-authenticated-processes-2026]] — From Authentic Products to Authenticated Processes
- [[genai-educational-outcomes-meta-analysis]] — Meta-analysis of generative AI educational outcomes
- [[zhang-tutormoments-2026]] — When Help is Unhelpful: evaluating AI tutors for productive struggle
- [[elbench-education-llm-benchmark-2026]] — ELBench: education LLM benchmark
- [[ai-grading-handwritten-physics-2026]] — AI grading of handwritten physics assessments (Olympiad)
- [[distilling-self-explaining-lm-learning-analytics-2026]] — Distilling self-explaining LM for learning analytics
- [[burneo-can-edtech-close-learning-gaps-2026]] — Meta-analytic evaluation of adaptive + AI EdTech
- [[xiong-ai-educational-measurement-review-2026]] — AI's role across scoring, psychometrics, assessment
- [[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
- [[proiqa-math-item-quality-assessment-2026]] — ProIQA: Process-Based Math Item Quality Assessment
- [[durable-skills-measurement-ai-teammates-2026]] — Toward Scalable Measurement of Durable Skills
- [[pivot-generative-video-tutors-stem-2026]] — From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: AI and human tutoring yield equivalent GRE learning gains
- [[synthetic-educational-data-structural-fidelity-2026]] — What Fidelity Metrics Miss: A Structural Check on Synthetic Educational Data
- [[bloom-classifier-ai-assisted-questions-2026]] — Evaluation of pre-trained models for pedagogical assessment of novel AI-assisted educational questions
- [[llm-judge-evaluation-educational-ai-2026]] — When Evaluators Cry Wolf: Lessons from Production LLM-as-Judge Evaluation in Educational AI

---

## [Бенчмарк](https://edtechdev.github.io/aied/concepts/benchmark/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Бенчмарк** — стандартизовані набори тестів і рамки оцінювання, що використовуються для вимірювання успішності моделей ШІ на освітніх завданнях. Бенчмарки забезпечують відтворюване порівняння між моделями та підходами й є необхідними для оцінювання надійності, справедливості та [[pedagogy|pedagogical]] якості систем ШІ в освіті.

## Питання для роздумів

- Бенчмарк — це стандартизований набір тестів для вимірювання успішності моделей ШІ на освітніх завданнях. Перш ніж читати далі: що, на вашу думку, насправді перевіряє більшість бенчмарків ШІ — і чому це може бути іншою річчю, ніж те, що потрібно хорошому тьютору?
- На цій сторінці висвітлено Pedagogy Benchmark, який перевіряє педагогічні знання — стратегії [[teacher-role|teaching]], методи оцінювання, педагогіку спеціальної освіти, — а не знання змісту. Чому ШІ, який блискуче знає предмет, усе одно може провалити його викладання — і чому бенчмарк, що ігнорує педагогіку, цього не помітить?
- Один урок тут є [[research-methods-aied|methodological]]: спосіб валідації бенчмарка докорінно змінює результати, і наївна валідація повідомляє значно вищу успішність, ніж ретельні методи, незалежні від випробувань. Як може спокуситись розробник моделі чи постачальник сконструювати валідацію так, щоб вона виглядала добре, — і як би ви це виявили?
- Успішність на бенчмарку часто не переноситься в реальну користьність. Чи можете ви навести сценарій, де ШІ «виграє» бенчмарк, але провалюється в справжній аудиторії — і що цей розрив говорить вам про опирається лише на бенчмаркові бали?
- Сторінка зазначає, що сама конструкція бенчмарка може кодувати або посилювати упередженість. Якщо бенчмарк складається з певних завдань, певними мовами, від певних популяцій, чиє навчання він зрештою вимірює — і чиє ігнорує?

## Вступ

Бенчмарки слугують доказовою основою [[ai-education|AI in education research]]. Вони дають стандартизовані набори даних, завдання та метрики, що дозволяють дослідникам порівнювати моделі, відстежувати прогрес і виявляти режими відмови. У дослідженнях бази знань бенчмарки постають у кількох доменах:

- **[[cstutorbench-slm-tutors|CSTutorBench]]** оцінює малі мовні моделі на завданнях тьюторства з комп’ютерних наук.
- **[[anvil-ai-educational-animations|ANVIL]]** порівнює згенеровані ШІ освітні анімації зі створеними людиною альтернативами.
- **[[teaching-feedback-classification-benchmark|Teaching feedback benchmarks]]** оцінюють міжмовний перенос класифікації [[ai-feedback-quality|feedback quality]].
- **[[cdpk-pedagogy-benchmark-llms|The Pedagogy Benchmark (CDPK + SEND)]]** перевіряє педагогічні знання — стратегії [[assessment|assessment methods]] та [[special-education|special-education pedagogy]], — а не знання змісту, і повідомляє «фронтир цінності» між вартістю та точністю на 97 моделях (більшість загальних бенчмарків перевіряють знання змісту; педагогіка — окремий, критичний для освіти вимір).
- **[[jeon-isd-agent-bench-2026|ISD-Agent-Bench]]** перевіряє агенти інструкційного [[learning-design|instructional-design]] на основі [[llm]] у 25 795 сценаріях інструкційного конструкціювання, показуючи, що гібридні агенти, засновані на класичних рамках ISD (ADDIE, Dick & Carey, Rapid Prototyping), перевершують або чисту теорію, або чисту техніку — результат бенчмарка з прямими наслідками для конструкціювання [[agentic-ai|agentic AI]] в освіті.

- **Адаптація під здобувача як явний критерій бенчмарка.** The Teaching Monster Challenge оцінює адаптацію до заданої персони здобувача, але його автоматичний суддя-LLM розділив лише слабкий хвіст — найкращі системи набрали близько його стелі, а його ранжування розійшлося з уподобанням натовпу (Spearman ρ = −0.17) ([[teaching-monster-pck-benchmark-2026|Lin et al. (2026)]]).

### Чому бенчмарки мають значення в AIED

Бенчмарки пов’язані з [[ai-ed-evaluation]] та [[assessment-validity]] — без ретельних бенчмарків твердження про ефективність [[intelligent-tutoring|AI tutoring]] неперевірні. Вони також перетинаються з [[bias-mitigation]], оскільки конструкція бенчмарка може кодувати або посилювати упередженості. Напруженість між успішністю на бенчмарку та реальною користністю розглядається в кількох статтях, у зв’язку з занепокоєннями щодо [[transfer-of-learning]] у застосуваннях [[generative-ai]].

- **Коли відмовляє метрика, а не система:** [[algorag-rag-theoretical-cs-education-2026|AlgoRAG]] набрав BLEU-4 = 0,0000 на всіх 179 теоретичних екзаменаційних питаннях з [[cs-education|computer science]], тоді як педагогічна рубрика з шести критеріїв дала 0,7620, бо логічно еквівалентні доведення регулярно розходяться в позначеннях, іменах змінних і стратегії доведення. Нульовий бал говорить більше про перетин n-грам, ніж про якість відповіді, — і це загальний аргумент проти того, щоб робити поверхневі метрики головним числом для систем AIED у формальних доменах.
- **Контрфактичні бенчмарки на рівні конструкту.** CFES-P24 виражає принципи мультимедійного навчання як детерміністичні, оборотні трансформації слайдів, щоб перевіряти, чи реагують MLLM на конкретні конструкти інструкційного конструкціювання, а не дають правдоподібні цілісні оцінки. Заморожений пілотний запуск показав розпізнавання конструкту (операція, принцип, відновлення, локалізація свідчення) на рівні 8/8, тоді як порівняльне судження (напрям 6/8) і калібрування серйозності (0/8) провалились — що аргументує на користь багатошарових таблиць оцінок замість складових балів.([[cfes-p24-multimodal-slide-auditing-2026]])
- **Грунтуйте галюцинацію та енергію в оцінюванні, а не лише в точності.** [[shen-sustainable-ai-knowledge-base-cs-education-2026|Shen et al. (2026)]] оцінили галюцинацію як імплікацію проти відібраних шматків із відкритою ліцензією (κ = 0,76 з експертним судженням) і записали 1,8 мВт·год на запит, а їхня абляція поставила пошук на перше місце: локальна LLM без нього набрала 52,3%, нижче за базовий рівень TF-IDF у 55,4%.
- **Перевірка може перевершити судження на згенерованому вмісті.** [[diagramir-educational-math-diagram-evaluation|Kumar et al. (2025)]] зворотно переводять згенеровані математичні діаграми в проміжне представлення з обмеженнями за схемою й запускають детерміністичні перевірки за правилами, досягаючи вищої згоди з людьми-оцінювачами (Cohen’s κ 0,48–0,56), ніж LLM-as-a-Judge (0,39–0,47), і дозволяючи малій моделі зрівнятись з найкращим суддею при вартості в 10 разів нижчій.
- **Оцінювання, незалежне від випробувань, у фізіологічних бенчмарках.** [[eeg-familiarity-automated-assessment-2026|Nanayakkara & Halloluwa (2026)]] перевіряють 15 моделей ML/DL на передбаченні знайомості за ЕЕГ і показують, що вибір схеми валідації докорінно змінює головні результати: стандартна стратифікована крос-валідація допускає часовий витік і повідомляє F1 до 0,9853, тоді як незалежна від випробувань валідація Group K-Fold знижує пік до 0,6038 F1. Урок — усвідомлене часу та витоків оцінювання необхідне для достовірних освітніх бенчмарків — поширюється далі за ЕЕГ на будь-який бенчмарк, що використовує послідовні або часово структуровані дані.
- **Зсув розподілу — друга вісь бенчмарка, окрім витоку.** Бенчмарк, що повідомляє бал класифікатора всередині розподілу та його бал перенесення, повідомляє дві різні величини: класифікатор за рівнем Блума, утримуваний на macro F1 0,88 на своїм курованому банку, впав до 0,48 і 0,20 на двох наборах питань, згенерованих ШІ, а перетренування на розмічених даних поза розподілом відновило до 0,82, тож єдине число таблиці лідерів всередині розподілу перебільшує те, що зробить розгорнутий інструмент ([[bloom-classifier-ai-assisted-questions-2026|Castanares et al., 2026]]).
- **Корпус, побудований для перевірки міжкорпусного перенесення.** ICLE++ розмічує переконливі есеї цілісними та десятью бальними оцінками на рівні рис, щоб виявити опору досліджень [[automated-essay-scoring|AES]] на ASAP, чиї есеї з обмеженням за часом і лише від носіїв мови плутають довжину з якістю; моделі, натреновані на розмітках рис, переносилися між корпусами краще, ніж натреновані лише на цілісних оцінках ([[icle-plus-plus-essay-scoring|Li & Ng, 2026]]).
- **Бенчмарк, нормований на людей, може не вимірювати той самий конструкт для LLM.** [[assessment-latent-structure-human-llm-2026|Strugatski et al. (2026)]] порівняли структури відповідей людей і мультимодальних LLM на діагностиці з хімії та іспиті з кількісного мислення; конгруентність факторів між LLM і людьми залишалася нижче за базовий рівень «людина–людина», а паралельний аналіз утримав різні кількості факторів.
- **Мультимодальність не покращила калібрування свідчень.** На MathCog, 3036 позначок викладачів на 639 рукописних математичних відповідях, жодна з 18 LLM не досягла macro F1 0,5 — найкраща, GPT-4o-img, набрала 0,448 — і мультимодальні моделі деградували сильніше за текстові, коли свідчення були невизначеними, приписуючи свідченням забагато та фабрикуючи цитати ([[llm-cognitive-diagnosis-handwritten-math|Kim et al. (2025)]]).
- **Синтетичні бенчмарки для ШІ-тьюторства.** Відкриті, відтворювані набори даних для оцінювання ШІ-тьюторства залишаються дефіцитними. ASTRA (Adaptive Socially-intelligent Team Reasoning Agents) — це мультиагентний прототип тьютора й рамка бенчмарка для вивчення колаборативного програмування з соціально диференційованими агентами, що підтримує конфігурації тьютор-сам, пара тьюторів і пара мультиагентів (N=540; 360 сесій; 1440 епізодів) зі схемою, готовою до трасування, для відтворюваного аналізу взаємодії, балансу участі та перевірки.
- **Горизонт — вісь бенчмарка, а не деталь.** [[educlaw-bench-pedagogical-llm-agents-2026|Lee et al. (2026)]] поміщають агента-тьютора в безперервні 30-денні стосунки зі змодельованим здобувачем і знаходять, що кожен адаптер вийшов на плато до дня 5–10, жоден адаптер не дав приросту в навчанні більш ніж на одному рівні базової моделі, а п’ять осей оцінювання були переважно незалежними.
- **Бенчмарк тьюторства, оцінений проти людських тьюторів, а не проти таблиць лідерів.** StudentBench рандомізує 2383 дорослих між ШІ-тьюторством, живим експертним людським тьюторством і відеоконтролем на новонаписаних завданнях GRE, знаходячи, що зведене ШІ-тьюторство статистично еквівалентне людському (p=.015) і на 5,5–6,9 процентних пунктів вище за контроль; його таблиці лідерів якості викладання, побудовані з 2028 експертних парних порівнянь, ранжують плани занять і розмовну поведінку, а не те, скільки навчилися студенти ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]]).
- **Аудит бенчмарків тепер сам по собі є дослідницьким внеском.** Три артефакти 2026 року просувають роботу з бенчмарків далі за агрегацію таблиць лідерів. EduFair-Bench утримує змодельованого студента фіксованим і варіює демографічні атрибути, перетворюючи бенчмарк тьюторства на аудит справедливості з педагогічними метриками на рівні ходу ([[edufair-bench-pedagogical-fairness-llm-tutors-2026]]). GeoVAD-Bench діагностує проміжні візуальні конструкції — сприйняття, якість допоміжних засобів, утилізацію — а не кінцеву правильність на 600 задачах із [[math-education|geometry]] ([[geovad-bench-visual-chain-of-thought-geometry-2026]]). Переоцінювання експертами шести бенчмарків із [[physics-education|physics]] квантифікувало помилку, яку несуть такі бали: 57,20% перевірених відкидань були дефектами завдань, 38,00% — помилками оцінювачів і лише 4,80% — справжніми відмовами моделей ([[frontier-models-physics-benchmark-audit-2026]]). Разом вони аргументують, що бенчмарковий бал завжди слід читати з його власним перевіреним бюджетом помилки — це та ж дисципліна, якої [[assessment-validity]] вимагає від інструментів в аудиторії.
- **Відокремлена розмітка і генерація завдань як парадигма конструкції.** Більшість бенчмарків будують специфічні для завдання пари «питання–відповідь» на кожний елемент або зображення, що робить розширення на нові завдання дорогим, ускладнює повторне використання даних між завданнями й залишає обмежений контроль над формою та складністю питань. MUSE інвертує порядок: розмітити кожен твір мистецтва один раз у повторно використовуване структуроване представлення його візуального та семантичного вмісту, а потім інстанціювати 12 завдань із заздалегідь визначених правил генерації, тож одне зображення дає багатовидовий екземпляр оцінювання, де складність і формат трактуються як явні змінні конструкції, а не як побічні продукти ([[muse-vlm-artistic-image-benchmark-2026]]). Його свідчення про кореляцію — другий аргумент на користь конструкції: 12 завдань вимірюють пов’язані, але не надлишкові здібності (Jigsaw Puzzle слабо корелює з більшістю інших, ρ = 0,25 до −0,10), а на шести зовнішніх бенчмарках загальні мультимодальні бали переносяться нерівномірно на художні освітні образи (BLINK Jigsaw проти MUSE Jigsaw ρ = −0,20), що є аргументом покриття конструкту проти того, щоб читати будь-який єдиний зведений бал як проксі освітньо релевантної здібності ([[muse-vlm-artistic-image-benchmark-2026]]).
- **Генерація мультимодального результату — вісь, яку більшість бенчмарків опускає.** [[omniphys-multimodal-physics-benchmark-2026|Chen et al. (2026)]] оцінили 15 246 фізичних питань і 19 850 зображень від середньої школи до університету, включно з піднабором редагування діаграм: синтез або редагування структурованих фізичних діаграм виявилися складнішими за відповіді на питання, і провідні моделі залишалися нижче 70% строгого володіння.
- **Покриття природничих наук K-12 і проблема насичення.** Бенчмарк, узгоджений з NGSS для природничих наук середньої та старшої школи (1078 + 1150 синтетичних елементів, перевірених трьома суддями), виявив дев’ять моделей з відкритими вагами вище 90% точності при одному пострілі, тоді як класична статистика елементів показала високі значення складності та низьку дискримінаційність: розмір моделі не передбачав успішності, а автори запитують, чи тест не надто простий ([[llm-benchmark-secondary-science-topics-2026]]). Це доменно-специфічний аргумент за читання власної статистики елементів бенчмарка поряд з його таблицею лідерів.
- **Тривіальний базовий рівень і правда IRT як перевірка головної точності.** [[worden-foundationalassist-knowledge-tracing-dataset-2026|Worden et al. (2026)]] будують FoundationalASSIST з 1 722 169 взаємодій ASSISTments зі збереженим текстом завдань і фактичними відповідями студентів, оцінюють завдання трасування знань проти базового рівня «завжди правильно» у 51,3 відсотка і читають компетентність моделей проти оцінок із двома параметрами IRT, підігнаних на тих самих даних. Чотири провідні моделі перевершують тривіальний базовий рівень приблизно на п’ять пунктів (найкраща 56,2 відсотка), падають нижче за випадковий рівень при судженні дискримінаційності елементів і — відмова, яку бачить бенчмарк, побудований саме для цієї мети — передбачають правильність у 85,4 відсотка випадків на правильних відповідях, але лише у 12,6 відсотка на неправильних, тож їхня видима вправність — це упередженість оптимізму.
- **Конфігурація оцінювача сама є змінною.** [[llm-graders-computer-science-exams-2026|Habibullah et al. (2026)]] проганяють 171 конфігурацію оцінювання на іспиті з подвійним оцінюванням для 570 студентів і знаходять, що коротка преамбула «строгого оцінювача» вибиває 14 із 17 моделей з відкритими вагами за межі оцінюваної смуги, а потім відтворюють це з 162 конфігураціями на незалежному іспиті для 1038 студентів, чиї результати відтворюють вразливість, але не її напрям. Отже, найкраща конфігурація (MAE 1,64/35, нижче за 2,61/35, яких досягають людські оцінювачі один проти одного) не є свідченням, що оцінювання LLM працює — хоча один адаптер LoRA, натренований на зведених людських позначках, доводить п’ять малих моделей до людського паритету, майже зітруючи чутливість до персони.
- **Обмеження корпусу, щоб твердження про здібність було атрибутивним.** [[li-littlelearner-pedagogically-controlled-knowledge-exposure-2026|Li et al. (2026)]] фільтрують FineWeb-Edu до 88B токенів матеріалу США для K–5 і тренують з нуля модель 5B на ньому, а потім перевіряють шов через поведінкові проби, а не через бали — утримання близьке нуля на пасажах Beyond-K–5, крах на завданнях Beyond-K–5 Jeopardy і менше половини розв’язаних задач Grade 8 MathCAMPS навіть при pass@1024. Оскільки попереднє знайомство відоме, здібність, що з’являється після масштабування, посттренування чи прикладів у контексті, може бути віднесена до втручання; автори також повідомляють, що межа не є людської форми, бо модель іноді перевершує наступну навичку, провалюючи її передумову.
- **Правило оцінювання — частина інструмента.** [[crediting-assisted-work-inflates-mastery-2026|Srivastava (2026)]] прогоняє чотири правила оновлення трасування знань на тих самих послідовностях подій ASSISTments 2012–13, що розрізняються лише тим, як вони оцінюють рядки з підказками, і пререєструє порівняння за огорожею, яка утримує підтвердну половину студентів до появи файлу реєстрації. Зарахування будь-якого завершення ледь перевершує константу навичка–складність (зведений AUC 0,604 проти 0,595 на 985 813 оцінених подіях) і оголошує 93,9 відсотка пар «студент–навичка» опанованими проти 72,8 відсотка за правилом, яке читає рядки з допомогою як спочатку провалені спроби (0,658) — загальний урок у тому, що позначка володіння визначається правилом свідчення, а не логом.
- **Повідомляйте здібність моделі як калібрований рівень, а не лише як точність.** [[standardized-assessment-llm-english-proficiency-2026|Min et al. (2026)]] проектують 624 експертно розмічених елемента на названі рівні володіння мовою, використовуючи 2050 відповідей здобувачів, і знаходять, що провідні моделі перевершують калібровану стелю — межа, яку ховає відсоток.

- **Правило оцінювання може бути зігране моделлю, яку воно тренує.** Метрика адаптивності, максимізована повторенням одного найкращого рішення, показує, що конструкція бенчмарка має публікувати аргмаксимум, оцінювати адаптивність як різницю й повідомляти базові рівні вище за випадкові ([[llm-tutor-pedagogical-metric-degradation-2026|Domínguez Figaredo & Fernández De la Cruz, 2026]]).

## Пов’язані поняття

- [[ai-ed-evaluation]]
- [[bias-mitigation]]
- [[human-in-the-loop-ai]]
- [[formative-assessment]]
- [[knowledge-tracing]]
- [[generative-ai]]
- [[automated-essay-scoring]]

## Пов’язані статті

- [[standardized-assessment-llm-english-proficiency-2026]] — Бенчмарк володіння англійською з 624 елементів, що повідомляє здібність моделі як калібрований рівень (Min et al. 2026)
- [[omniphys-multimodal-physics-benchmark-2026]]
- [[assessment-latent-structure-human-llm-2026]] — Чи вимірюють інструменти оцінювання одне й те саме для людей і LLM? (Strugatski et al. 2026)
- [[cdpk-pedagogy-benchmark-llms]] — Pedagogy Benchmark: педагогічні знання LLM (CDPK + SEND)
- [[jeon-isd-agent-bench-2026]] — ISD-Agent-Bench: бенчмаркінг агентів інструкційного конструкціювання на основі LLM
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — Асистенти бази знань ОВК на власній інфраструктурі: багатовимірний бенчмарк
- [[authentic-products-authenticated-processes-2026]] — Від автентичних продуктів до автентифікованих процесів: автентичне оцінювання в освіті вищої школи, насиченій ШІ
- [[llm-cognitive-diagnosis-handwritten-math]] — Бенчмаркінг великих мовних моделей на діагностиці когнітивних навичок студентів із рукописних математичних робіт
- [[educlaw-bench-pedagogical-llm-agents-2026]] — EduClaw-Bench: бенчмарк із довгим горизонтом для педагогічних агентів LLM зі змодельованими здобувачами
- [[responsible-assessment-ai-era-stanford-2026]] — Відповідальне оцінювання в еру ШІ: ключові висновки з конференції, зосередженої на майбутньому
- [[anvil-ai-educational-animations]] — ANVIL: аналогії та відео для викладачів
- [[icle-plus-plus-essay-scoring]] — ICLE++: моделювання детальних рис для цілісного оцінювання есеїв
- [[teaching-monster-pck-benchmark-2026]]
- [[cfes-p24-multimodal-slide-auditing-2026]] — CFES-P24: бенчмаркінг мультимодальних LLM на аудит слайдів
- [[diagramir-educational-math-diagram-evaluation]] — DiagramIR: бенчмарк для оцінювання згенерованих математичних діаграм
- [[eeg-familiarity-automated-assessment-2026]] — Автоматизація оцінювання здобувачів: передбачення знайомості на основі ЕЕГ
- [[algorag-rag-theoretical-cs-education-2026]] — AlgoRAG: генерація, посилена пошуком, для освіти з теоретичних комп’ютерних наук — комплексна рамка оцінювання аналізу алгоритмів і теорії складності
- [[muse-vlm-artistic-image-benchmark-2026]] — MUSE: конструкція бенчмарка на основі спочатку розмітки й генерації завдань і нередундантність на рівні вимірів між 12 завданнями на художніх образах (Zhu et al. 2026)
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: ШІ- і людське тьюторство дають еквівалентні навчальні здобутки за GRE
- [[bloom-classifier-ai-assisted-questions-2026]] — Оцінювання заздалегідь натренованих моделей для педагогічної оцінки нових освітніх питань, створених із ШІ
- [[llm-benchmark-secondary-science-topics-2026]] — Бенчмарк для розуміння темами LLM природничих наук середньої та старшої школи
- [[llm-tutor-pedagogical-metric-degradation-2026]] — Вісім принципів конструкції бенчмарків ШІ-тьюторів, виведених із метрики, оптимізованої в повторення (Domínguez Figaredo & Fernández De la Cruz 2026)

---

## [Адміністратори](https://edtechdev.github.io/aied/concepts/administrator/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Адміністратори** — інституційний, керівничий та прийняттєвий погляд на запровадження, стратегію та управління ШІ в освіті. Адміністратори та інституційні лідери формують, чи і як запроваджується ШІ — через політику, фінансування, інфраструктуру та стратегічне окреслення ролі ШІ — і мусять зважувати конкуруючі занепокоєння щодо навчання, [[equity-in-ai-education|справедливості]], ризику та організаційної спроможності.

## Питання для роздумів

- Запровадження ШІ часто окреслюється як рішення аудиторії, але адміністратори задають умови — політику, фінансування, інфраструктуру. У вашій установі хто насправді вирішує, чи і як використовується ШІ, і кого залишено поза цим рішенням?
- Дослідження встановлюють повторюваний розрив між політичним амбіціям на високому рівні та щоденним впровадженням. Де ви бачили, як добре намірена політика щодо ШІ не досягала аудиторії, і чому, на вашу думку, вона залишилася позаду?
- Адміністратори мусять балансувати педагогічну можливість проти ризику, справедливості та ресурсування. Якби вам довелося вибирати між фінансуванням однієї нової ініціативи ШІ та підсиленням управління даними та навчання факультету, що б ви вибрали і чому?
- Рішення про закупівлю, прийняті на інституційному рівні, можуть уможливити або обмежити те, що викладачі та студенти насправді можуть робити. На які питання ви хотіли б отримати відповіді, перш ніж ваша установа підпише контракт на платформу освітніх технологій із ШІ?
- Установи перекладають здатність ШІ на рамки прийнятного використання та стандарти даних. Як ви зважуєте обіцянку інновацій проти наслідків для приватності та справедливості даних, які збирають ці інструменти?
- Вибір адміністраторів щодо інструментів ШІ для благополуччя безпосередньо формує досвід студентів. Які докази ви хотіли б бачити, перш ніж розгортати інструмент ШІ, призначений для підтримки — а не моніторингу — студентів?

## Вступ

Запровадження ШІ в освіті не є чистим рішенням аудиторії; воно є також інституційним. Адміністратори — проректори, декани, директори з інформаційних технологій та інституційні лідери — задають умови, за яких факультет і студенти використовують ШІ, балансуючи педагогічну можливість проти управління, ресурсування та ризику.

### Як перспектива адміністратора з’являється в дослідженнях

- **Політика та інституційне прийняття рішень:** [[ai-uk-higher-education-policy-2026|дослідження політики щодо ШІ у вищій освіті Великобританії]] встановлює, що інтеграція ШІ прискорюється, але фрагментована, з розривом між політичною амбіцією на високому рівні та інституційним впровадженням — повторюваною темою для адміністраторів, що навігають стратегію без чітких операційних настанов.
- **Таксономія з десяти доменів для організації стека.** [[sposato-ai-educational-leadership-taxonomy-2025|Sposato (2025)]] синтезував 314 публікацій у десяти доменах — від адміністративної ефективності через управління та DEI — даючи лідерам спільний словниковий запас для узгідження заявленої інституційної проблеми з доменами, які її розв’язують.
- **Структури керівництва відстають від стратегічного наміру.** [[baroudi-anticipatory-governance-ai-higher-ed-2026|Baroudi (2026)]] встановив, що лише 7% установ створили старші ролі керівництва ШІ, хоча 49% розглядали ШІ як стратегічний пріоритет, причому наділяючі та розподільчі стилі керівництва були пов’язані з вищим залученням факультету, а розрив між теорією та впровадженням був найширшим там, де політика та інфраструктура слабкі.
- **Благополуччя та досвід студентів:** [[ai-campus-wellbeing-tools|інструменти ШІ для благополуччя в кампусі]] вивчають, як установи розгортають ШІ для підтримки студентів, пов’язуючи вибір адміністраторів із результатами [[student-experience]].
- **Управління та регулювання:** Рішення адміністраторів взаємодіють з [[educational-policy-ai]], [[governance]] та [[regulation]] — установи перекладають здатність ШІ на рамки прийнятного використання, правила оцінювання та стандарти управління даними (див. [[genai-policies-higher-ed-computing|аналіз інституційної політики щодо GenAI]]).

### Зв’язки

Перспектива адміністратора пов’язується з [[educational-policy-ai]] (формування політики), [[governance]] та [[regulation]] (управління), [[edtech-platform]] (закупівля та інфраструктура), [[learning-analytics]] (інституційні дані) та [[higher-ed]]. Рішення адміністраторів уможливлюють або обмежують роботу [[educational-development]], [[teacher-role]] та [[ai-literacy]], висвітлену в іншому місці цієї бази знань.

## Пов’язані поняття

- [[educational-policy-ai]]
- [[governance]]
- [[regulation]]
- [[higher-ed]]
- [[edtech-platform]]
- [[learning-analytics]]
- [[privacy]]
- [[llm]]
- [[generative-ai]]
- [[student-experience]]
- [[stakeholders]] — Засніт: люди та аудиторії в освіті з ШІ (здобувачі, викладачі, проєктувальники, адміністратори, політики)
- [[educational-development]]
- [[teacher-role]]
- [[ai-literacy]]
- [[student-support-and-success]] — інституційні процеси, якими керують адміністратори: консультування, зовнішній зв’язок, направлення та розподіл

## Пов’язані статті
- [[sposato-ai-educational-leadership-taxonomy-2025]] — ШІ в освітньому керівництві: всеохопна таксономія
- [[baroudi-anticipatory-governance-ai-higher-ed-2026]] — Антиципаційне управління та керівництво для ШІ
- [[alrahmi-org-drivers-ai-adoption-he-2026]]
- [[ai-uk-higher-education-policy-2026]] — ШІ в політиці та інституційному прийнятті рішень вищої освіти Великобританії
- [[ai-campus-wellbeing-tools]] — Інструменти на основі ШІ для благополуччя в кампусі
- [[genai-policies-higher-ed-computing]] — Інституційна політика щодо GenAI в обчислювальних дисциплінах
- [[institutional-change-framework-ai]] — Рамка інституційної зміни для ШІ
- [[edtech-privacy-deferral-2026]] — «Ми виправимо це пізніше»: освіта, ШІ та відкладання приватності студентів в EdTech

---

## [Розробники освітніх технологій](https://edtechdev.github.io/aied/concepts/educational-technology-developers/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Розробники освітніх технологій** — люди та організації, що будують освітні технології: проєктувальники продуктів, розробники програмного забезпечення, інженери навчання, проєктувальники аналітики навчання та edtech-компанії, університетські лабораторії та проєкти [[open-source]], в яких вони працюють. В освіті зі ШІ це роль, що перетворює можливість моделі на щось, чим викладач чи здобувач може справді користуватися, і вона несе рішення, які жодна пізніша стадія не може скасувати: на яких доказах спочиває проєктувальне твердження, наскільки конвеєр [[learning-analytics|analytics]] або система [[intelligent-tutoring|tutoring]] згрунтовані на власному ліцензованому матеріалі установи, чи включені викладачі та здобувачі в проєктування, які припущення [[learning-design|instructional design]] закладені в налаштування за замовчуванням, і що стається з продуктом після того, як закінчується фінансування. У системних звітах і дослідженнях впровадження цієї бази знань повторюваним уроком є те, що обмежувальним чинником зазвичай буває контекст впровадження, а не модель.

## Питання для роздумів

- Якщо метааналізи, що стверджують, ніби «ШІ покращує навчання», спочивають на невалідній методології, як виявив аудит у [[oneill-presumed-effective-meta-analysis-2026]], то на яких доказах продуктовій дорожній карті насправді дозволено будувати?
- Чи мають пояснення алгоритму бути написані мовою навчального плану викладача, навіть якщо це коштує більше проєктувальних зусиль, ніж викладення важливості ознак, — і хто платить за ці зусилля?
- Коли інструмент співпроєктується зі студентами, чий вердикт вирішує: виміряні навчальні здобутки чи ті 96%, які сказали, що хочуть його зберегти?
- Чи є розгортання на власній інфраструктурі з відкритою ліцензією технічним чи врядувальним вибором, — і чи мають вимоги прозорості стати умовою придбання?
- Що розробник винен установі, коли закінчується грант: підтримуваний продукт, репозиторій, який можна форкнути, чи відверте твердження, що система ніколи не була перевіреною інтервенцією?

## Вступ

Розробник сидить на один рівень нижче за платформу. [[edtech-platform]] описує розгорнуту систему та стейкхолдера, яким вона стає, коли опиняється в школі чи університеті; ця сторінка — про людей, які вирішують, що ця система робить. Це розрізнення має значення, оскільки результати на рівні платформи — низьке впровадження, перекіс щодо справедливості, тертя в закупівлях, — зазвичай є наслідками проєктувальних рішень, ухвалених раніше кимось, хто ніколи не зустрічав здобувачів.

Роль також відрізняється від своїх сусідів. [[learning-design]] та [[curriculum-design]] проєктують курс для відомої когорти; розробник технологій проєктує продукт, яким користуватимуться багато курсів, викладаних людьми, яких він ніколи не зустрічав, — чому налаштування за замовчуванням, можливості конфігурації та документація несуть педагогічну вагу. [[educational-development]] підтримує викладацький склад установи зсередини; розробники сидять ззовні або поруч, постачаючи інструменти, які цей склад потім просять узяти. А [[design-based-research]], є стандартом доказовості, який від таких розробників дедалі частіше вимагають: ітеративним, контекстуальним і повідомленим із власними обмеженнями.

### Хто будує освітній ШІ

**Дослідницькі лабораторії, що будують публічну інфраструктуру.** [[oatutor-open-source-adaptive-tutor-2023|OATutor]] був побудований в UC Berkeley як перша повністю відкритокодна адаптивна система тьюторства на принципах [[intelligent-tutoring|ITS]]: кодова база з ліцензією MIT, бібліотека алгебри з ліцензією Creative Commons, оцінювання опанування на основі [[knowledge-tracing|Bayesian Knowledge Tracing]], інфраструктура A/B-тестування та підтримка LTI. Причина його існування — це проєктувальне рішення: пропрієтарні платформи ув’язнили дослідження [[adaptive-learning]] в закритих системах, — і його маршрут створення матеріалу є ще одним таким рішенням: 16 творців створили курс College Algebra за шість місяців після 2,27 години навчання.

**Будівничі моделей.** [[learnlm-improving-gemini-learning]] перекадровує покращення моделі для навчання як [[prompt-engineering|pedagogical instruction following]]: поведінка встановлюється для кожного застосування через системні інструкції, а не через одне фіксоване визначення [[pedagogy]], і експертні рецензенти надавали йому перевагу на +31% над GPT-4o та +13% над базовим Gemini. Практичний зміст у тому, що педагогіка надто залежить від контексту, щоб визначатися глобально; корисною можливістю є дотримання інструкцій, які пише розробник, вимірюване сценаріями на рівні розмови, а не поодинокими [[benchmark|benchmarks]].

**Архітектори моделей знань.** [[ontology-layered-hybrid-knowledge-model-personalized-elearning-2026]] стверджує, що [[personalized-learning]] потрібно більше, ніж статична онтологія, пропонуючи системи зіставлених онтологій плюс правил та аналітики замість класичної чотиримодельної архітектури ITS, а також рамку повторного використання з восьми класів метаданих, що має на меті скоротити вартість кожної нової побудови.

**Інженери інфраструктури та вимірювання.** [[a4l-analytics-pipeline]] описує модульний, не залежний від предметної області конвеєр для даних про взаємодію здобувачів, перевірений на трьох освітніх асистентах із ШІ, де методи, побудовані для однієї області, поширювалися на іншу, — багаторазова інфраструктура [[learning-analytics]], а не панель для одного курсу. [[stanbkt-bayesian-knowledge-tracing]] показує доповнювальний випадок: байєсовська реалізація дала *тотожне* прогнозування встановленому інструменту точкової оцінки (AUC 0,711), відрізняючись лише вартістю та достовірними інтервалами, що роблять порівняння умов інтерпретованим.

**Будівничі всередині установ.** [[moodle-ai-tutoring-deep-learning]] вбудовує тьюторство на основі LLM в наявну LMS, а не постачає окремий інструмент, знижуючи поріг впровадження, який література ITS називає причиною того, що системи зазнають невдачі на практиці. [[savvy-student-attention-video-learning]] перетворює мультимодальні сигнали уваги на інтерфейс, який викладачі можуть прочитати перед випуском відео. [[instructional-agents-multi-agent-course-gen|Instructional Agents]] автоматизують перші три фази ADDIE агентами зі спеціалізованими ролями, і його абляція є уроком проєктування: базовий варіант з одним агентом набрав найгірший результат, Full Co-Pilot переміг Autonomous на 0,5–0,9 бала, і відсутність різниці в якості між бекендами зробила найдешевший типовим.

### На чому може спочивати проєктувальне твердження

**Докова база є слабшою, ніж здається.** [[oneill-presumed-effective-meta-analysis-2026]] 14 метааналізів, що стверджують, ніби ШІ покращує освіту, виявив, що жоден не обґрунтував свої твердження: усі, крім двох, визначали обробку як інструмент, а не як педагогічну інтервенцію, 61% із 59 перевірених первинних досліджень мали проблеми валідності, гетерогенність була високою всюди, де її повідомляли, аналізи модераторів були недостатньо потужними, а упередженість публікації ніколи не оцінювалася валідно. Відкликаний метааналіз усе ще цитувався як авторитетний 60% вибіркових пізніших статей. Для розробника «ШІ покращує навчання» є твердженням продуктової категорії, а не проєктувальним вхідним данним.

**Повідомляйте невизначеність і повну вартість, а не лише точність.** Для [[stanbkt-bayesian-knowledge-tracing|StanBKT]] байєсовський висновок не дає нічого в прогнозуванні і дає все в можливості сказати, які ефекти були достовірними. [[shen-sustainable-ai-knowledge-base-cs-education-2026]] повідомляє абляції пошуку, точне налаштування з усвідомленням квантування, VRAM, енергію на запит і галюцинації, виміряні проти відкритих ресурсів, отриманих пошуком, — з власною застерегою авторів, що система не є перевіреним тьютором. Це дисципліна [[ai-ed-evaluation|evaluation]], яка робить твердження про впровадження перевірюваним.

### Співпроєктування з викладачами та здобувачами

**Пояснення мають говорити мовою викладача.** [[xai-teachers-trust-edtech-recommendations-2026]] провело внутрішньосуб’єктний експеримент із 41 викладачем хімії над інструментом рекомендацій на основі машинного навчання: зрозумілість, [[trust]] та прийняття корелювали позитивно, і пояснення, керовані предметною області, мовою навчального плану, давали значно вищу зрозумілість, навчену [[trust-calibration|trust]] та прийняття, ніж пояснення важливості ознак. Довіра була також динамічною — кілька викладачів сказали, що лише досвід у аудиторії її вирішить, — а прийняття залежало від педагогічного узгодження та зниження навантаження.

**Співпроєктування в інституційному масштабі.** [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|AIDA]] у Відкритому університеті була побудована через шість досліджень, заснованих на дизайні, упродовж 18 місяців із 498 студентами та 20 співробітниками. Близько 20% спочатку ставилися скептично; після практичного використання 96% хотіли її зберегти, а дослідницький РВД виявив удвічі більший час використання, але жодних суттєвих різниць у даних про навчальний процес. Уможливлюючими чинниками були організаційними — старше спонсорство, співпраця між підрозділами, ітерація на основі даних, — з прогалинами в потужності системного мислення.

### Закупівлі, відкритість і життя після завершення фінансування

[[shen-sustainable-ai-knowledge-base-cs-education-2026]] дає вхідні дані, потрібні рішенню про закупівлю: нижню межу апаратного забезпечення 12 ГБ VRAM, стелю точності для моделі класу 7B, енергію на запит і порядок виборів — спочатку пошук (без нього модель набрала 52,3%, нижче за базову лінію TF-IDF), потім точне налаштування, потім стиснення з усвідомленням квантування; відкрите ліцензування є передумовою для обслуговування корпусу локально. [[reclaiming-epistemic-agency-co-agency-2026]] кадрує те саме рішення як врядування: вимоги прозорості перетворюють придбання на епістемологічне врядування, оскаржуваність і походження стають умовами, а райони з найменшою потужністю стикаються з найвищою планкою. [[credential-cognitive-stewardship-ai-assessment]] додає, що врядування постачальників з’являлося лише в 29% із 30 перевірених пакетів політики, які визначали, що ШІ може робити, значно охочіше, ніж те, які докази навчання залишалися. [[genai-mindtool-generative-learning]] ставить проєктувальне питання — чи заохочує продукт навчання *з* інструментом, чи перекладає когнітивну роботу на нього, — а [[vocabulary-difficulty-prediction]] показує цей компроміс в мініатюрі: модель із найвищим балом «чорна скринька» (r > 0,91) була менш пояснюваною, ніж інтерпретована (r > 0,77).

## Пов’язані поняття
- [[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]]

## Пов’язані статті
- [[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]]

---

## [Здобувачі](https://edtechdev.github.io/aied/concepts/learners/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Узагальнення:** Здобувачі — первинна аудиторія [[ai-education|AI in education]] — студенти в [[k-12]], [[higher-ed]] та [[adult-learning]], чию роботу, розуміння та відчуття себе ШІ тепер формує. Ця сторінка — збірна для всього, що в базі знань стосується сторони здобувача: чого здобувачі зазнають ([[student-experience]]), ким вони стають ([[learner-identity]]), що вони ще обирають ([[agency]]), як вони насправді взаємодіють з інструментом ([[student-ai-interaction]]), чи витримують їхні зусилля та [[self-regulated-learning|self-regulation]] його тиск ([[cognitive-offloading]]), і як системи ШІ їх моделюють ([[student-modeling]]). Повторюваний висновок цих досліджень: той самий інструмент по-різному допомагає і по-різному шкодить різним здобувачам — здобутки зосереджуються там, де [[prior-knowledge|prior knowledge]], [[ai-literacy|AI literacy]] і звички перевірки вже присутні, а обернення ефекту — там, де ШІ заміщає те мислення, яке мала будувати задача.

## Питання для роздумів

- Яких здобувачів у вашому власному контексті новий інструмент ШІ охопив би першими, а кого залишив би позаду — і що змушує вас так думати?
- Дослідження часто повідомляють, що студенти *вважають*, що ШІ їм допоміг, тоді як вимірювання без допомоги не показують приросту або показують втрату. Якщо власний розповід здобувача — ненадійний доказ, що ви прийняли б за доказ того, що навчання відбулося?
- Здобувачів тут описано і як людей, які використовують ШІ, і як об’єкти, які моделює ШІ ([[student-modeling|learner models]], [[knowledge-tracing|knowledge tracing]], [[simulating-students|simulated students]]). Де модель здобувача має інформувати викладання, а де їй варто перестати довіряти?
- [[self-regulated-learning|Self-regulation]] та [[prior-knowledge|prior knowledge]] вирішують, чи стає підтримка ШІ навчанням, чи заміщенням. Це дефіцит здобувача, який треба коректувати, проєктна проблема, яку треба розв’язати, чи проблема оцінювання, яку треба виправити?
- Якщо групі здобувачів погано вдається працювати з інструментом ШІ, проєктувальники інструмента зазвичай дізнаються про це останніми. Як би насправді виглядала у вашій установі рутина почуття здобувачів до і після розгортання?
- [[agency|Learner agency]] та [[learner-identity|identity]] стоять на сторожі поруч із досягненнями. Якою з них ви б відмовилися торгувати за вимірювані [[learning-gains|score gains]] — і чи зробила б ваша конструкція оцінювання цю відмову видимою?

## Вступ

Здобувачі постають в цій базі знань у двох дуже різних виглядах, і їхнє змішування спричиняє більшість плутанини в цій сфері. У першому здобувачі — це **люди, які використовують ШІ**: вони ставлять питання, приймають або відкидають відповіді, втрачають або зберігають підніжжя та розповідають про досвід підтримки, провини, тривоги та залежності. У другому здобувачі — це **об’єкти, які моделюють системи ШІ**: оцінка навички в [[knowledge-tracing|knowledge tracing]], латентний стан у [[cognitive-diagnosis|cognitive diagnosis]] або [[simulating-students|simulated student]], що стоїть замість справжнього. Докази про перший приходять з опитувань, інтерв’ю, аналізу журналів і експериментів; докази про другий — із самої машинерії вимірювання, — і модель здобувача є твердженням, а не здобувачем.

Ця сторінка — точка входу для обидвох. Вона збирає поняття сторони здобувача, які покриває база знань, пояснює, як вони співвідносяться, і посилається на дослідження за ними. [[stakeholders]] покривають інший бік того самого поля — [[teacher-role|teachers]], [[administrator|administrators]], проєктувальників і політиків, — і ці дві сторінки призначені для читання разом.

## Хто вважається здобувачем

База знань розглядає здобувачів у межах усього діапазону формальної освіти: учнів [[k-12]], [[higher-ed|university students]], [[vocational-education|vocational]] і [[professional-training|professional]] здобувачів, а також [[adult-learning|adult]] і [[lifelong-learning|lifelong]] здобувачів, включно зі [[special-education|learners with disabilities]], [[neurodiversity|neurodivergent]] здобувачами та [[multilingual-learning|multilingual]] здобувачами. Дві домовленості важливі. По-перше, «здобувачі» і «студенти» не є зручно взаємозамінними: *студенти* називає інституційну роль, *здобувачі* називає діяльність, і людина може бути одним, не будучи іншим (працівник на [[professional-training|workplace training]] є здобувачем, але не студентом). По-друге, здобувачі не є однорідною групою, і саме гетерогенність — це те, що дослідження постійно виявляє: [[prior-knowledge|prior knowledge]], [[self-regulated-learning|self-regulation]], мова, доступ і статус інвалідності всі змінюють те, чи допомагає інструмент ШІ.

## Що переживають здобувачі

[[student-experience]] — один із найбільш досліджених вимірів ШІ в освіті, і його центральний урок: ефекти змішані, а не рівномірні. [[student-perceptions-ai-study-productivity-2026|Survey work on study productivity]] виявляє, що здобувачі повідомляють про справжні здобутки в ефективності — 92,3 % сказали, що ШІ поліпшив їхнє розуміння, — поряд із розривом, який приховують заголовні числа: лише 38,5 % сказали, що він скоротив їхній загальний час на навчання, і половина повідомила, що іноді спиралася на ШІ замість спроби навчатися самостійно. [[uneven-impact-generative-ai-student-learning-2026|Analyses of reliance patterns]] йдуть далі: студенти з різними рівнями [[ai-literacy|AI literacy]] й навички оцінювання опиняються в якісно різних стосунках із інструментом, тож однакова політика курсу дає різні наслідки для різних здобувачів — підтримку для одних, заміщення для інших. [[genai-student-experiences-uk-he-survey-2026|Students describe the pull of least effort]] власними словами, що сторінки [[academic-integrity]] та [[misconceptions]] трактують як проєктну та політичну проблему, а не моральну.

Афект іде поруч із когнітивною історією: [[anxiety-and-stress]] і [[well-being]] документують тривогу про те, що тебе випереджають, про звинувачення в порушенні та про цінність здобуваного ступеня. Ментальні моделі здобувачів щодо ШІ — що вони думають, що він є і для чого він, — є вгорі за те, чи користуватимуться вони ним добре, і саме тому [[misconceptions]] та [[framing-ai-use-for-students]] з’являються скрізь у дослідженнях сторони здобувача.

Розповіді здобувачів також ускладнюють історію доброчесності, яка вмовляє стільки політики на боці здобувача. [[mulisa-students-genai-integrity-perspectives-2026|Interviews with 27 undergraduates at an Ethiopian university]] виявляють майже всезагальне використання GenAI поряд із щиро розділеним [[ethics|ethical]] прочитанням — більшість приписує інструментам підвищення їхніх досягнень, меншість називає використання в курсових роботах порушенням, і майже всі повідомляють про нерівне поле, на якому користувачі ШІ набирають більше за старанних самостійних працівників, а один описує ефект як знищення їхнього відчуття старанності. Сторона студентів у процедурі щодо порушень — тонша в літературі, ніж сторона студентів у використанні, але [[munoz-misconduct-allegation-evidence-2026|case-file analysis of 1,162 GenAI allegations]] показує, з чим стикаються здобувачі, коли приходить інституційна відповідь: доказ, який цитують найчастіше, — найслабшого за рейтингом виду, жоден мінімальний поріг доказовості не регулює, чи просується справа, а студентів, чиї справи спираються на тонкі докази, штовхають до апеляцій.

## Ідентичність, автономія та авторство

Дослідження на боці здобувача — не лише про наслідки. [[learner-identity]] питає, ким здобувач стає у відношенні до дисципліни та до ШІ, і докази йдуть в обидва боки: добре проєктоване використання може скаффолдити дисциплінарну належність, тоді як передання назовні може руйнувати відчуття, що робота є власною. [[agency]] питає, що здобувач ще контролює. База знань трактує обидва як справді стоящі на сторожі, а не як м’які доповнення до досягнень: здобувач, який дає правильний результат із ШІ і вже не впізнає міркувань за ним, втратив дещо, чого не записує оцінка. Питання авторства — те, де самі здобувачі борються найбільше: [[mulisa-students-genai-integrity-perspectives-2026|students interviewed about GenAI and integrity]], заявляли оригінальність, бо іншого автора не існувало — «Якщо це не моя оригінальна ідея, то чия?» — тоді як інші дійшли висновку, що робота не представляла їх, а один розмірковував до визнання інструмента співавтором, яким він не міг бути, бо ШІ не є особою.

## Взаємодія зі ШІ: що здобувачі справді роблять

Сторінка [[student-ai-interaction]] збирає те, чого здобувачі просять у ШІ, як розвиваються їхні підказки та діалоги, і чому якість взаємодії передбачає [[learning-gains|learning outcomes]] краще, ніж доступ. [[student-llm-interaction-taxonomy-review-2026|A rapid scoping review of 46 categorizations drawn from 33 studies]] виявляє, що ця доказова база концептуально фрагментована — дослідження відрізняються джерелом даних, схемою категорій та одиницею аналізу, тож «якісна взаємодія» не є ще порівнянним між ними конструктом, і заклик огляду — до конвергентної таксономії навчально орієнтованого використання [[llm]], а не твердження, що така вже існує. [[student-ai-conversations-cognitive-engagement-2026|Studies of chat content]] виявляють, що студенти дисциплінують себе характерними способами, а залученість коливається від перевірки та випробовування тверджень до прийняття першої правдоподібної відповіді. [[help-seeking]] дає старішу рамку: просити допомоги — навичка, і просити не того помічника не тим способом — відомий спосіб невдачі, якого ШІ не прибирає.

## Зусилля, саморегуляція та розрив між продуктивністю і навчанням

Тут докази на боці здобувача найбільш вагомі, бо вони розділяють те, що здобувачі *можуть робити зі ШІ*, від того, що вони *можуть робити без нього*.

[[cognitive-offloading]] збирає докази про надмірну спиральність; [[genai-performance-vs-learning]] формулює центральний методичний пункт — що допоможену продуктивність і недопоможену здатність потрібно вимірювати окремо; [[layer-sensitive-cognitive-offloading-writing-2026|Layer-sensitive studies of writing]] розділяють перекладання поверхневого, структурного, ідейного та міркувального характеру і виявляють найвищу підтриману продуктивність у найменш обмеженій умові поряд із найнижчою самостійною продуктивністю через вісім тижнів; а [[shaw-nave-cognitive-surrender-2026|Shaw and Nave's cognitive-surrender account]] називає ту схильність, що робить делегування звичним, а не стратегічним. [[metacognitively-discordant-completion-genai-2026|Metacognitive discord]] документує незручний середній випадок — здобувачів, які помічають, що не розуміють, і все одно подають роботу, — а [[verification-quality-reliance-calibration-genai-2026|verification research]] показує, що сама «перевірка» є градуйованою навичкою, а не бінарною звичкою. На боці проєктування [[desirable-difficulties|productive difficulty]] і [[reducing-ai-misuse]] збирають втручання, які відновлюють зусилля, якого мала вимагати задача.

## Здобувачі як моделі

Поняття сторони здобувача з найдовшою технічною лінією — це ті, що представляють здобувача системі. [[student-modeling]] покриває родину: [[knowledge-tracing]], що оцінює засвоєння навичок у часі, [[cognitive-diagnosis]], що локалізує конкретні хибні уявлення, і адаптивні та [[personalized-learning|personalized]] системи, які споживають ці оцінки. [[simulating-students]] та [[simulating-students-llm-review-2026|its review]] трактують [[simulation]] як спосіб випробовувати [[intelligent-tutoring|tutors]] і генерувати дані, коли справжні здобувачі недоступні, — явно умовний замінник, а не субститут. Два застереження проходять крізь цю літературу: оцінки моделі — це висновки з поведінки, чутливі до того, як побудовані завдання та інтерфейси, і [[demographic-signals-llm-student-assessment-2026|studies of demographic signals]] показують, що системи оцінювання можуть підхоплювати проксі для ідентичності здобувача (мова, тло), які ніколи не мали бути частиною конструкту. [[self-report-measures]] покривають проблему-дзеркало на боці дослідження: те, що здобувачі кажуть про власне навчання, часто розходиться з тим, що вони можуть робити.

## Справедливість між здобувачами

Оскільки користь іде за попередньою перевагою, робота на боці здобувача невіддільна від [[equity-in-ai-education]]. [[digital-divide]] і доступ до платних рівнів моделей формують те, хто отримує найсильніші інструменти; занепокоєння [[bias-mitigation|fairness]] регулюють те, як навчені моделі поводяться з різними групами; [[inclusive-learning]], [[accessibility]], [[special-education]] і [[neurodiversity]] покривають здобувачів, чиї потреби ігнорує типове проєктування. Практичний урок цих досліджень: «ШІ допомагає студентам» — не висновок; висновок завжди — *яким* студентам, за *яких* умов, із *якими* попередніми знаннями та доступом. Дві групи несуть особливу частку цього ризику. [[wright-transcription-not-generation-2026|Wright (2026)]] стверджує, що заборони, написані навколо «[[generative-ai|generative AI]]», а не навколо функції, захоплюють інструмення транскрипції, що перетворюють формат роботи, яку здобувач уже створив, тож виникаючі хибні спрацьовування найтяжче падають на здобувачів з інвалідністю, які спираються на перетворення мовлення в текст і OCR, включно там, де OCR на базі ШІ замінив припинене допоміжне програмне забезпечення; [[harerimana-remote-proctoring-nursing-scoping-2026|a scoping review of remote proctoring]] робить паралельний пункт про умови оцінювання, виявляючи, що зв’язність, вартість даних і відмова пристроїв вирішують, кого взагалі можна оцінити, — це висновок про справедливість, а не технічний, і такий, що зосереджений у країнах із низьким і середнім рівнем доходу.

## Де стоїть ця сторінка

Читайте з [[stakeholders]] щодо людей навколо здобувача та з [[pedagogy]] і [[learning-design]] щодо того, що викладачі роблять із цими висновками. [[assessment]] визначає, які здібності здобувача взагалі стають видимими; [[limitations-in-aied-research]] пояснюють, чому так багато доказів на боці здобувача є короткостроковими, самоописаними та отриманими на зручних вибірках; і [[misconceptions]] — звичайна точка входу для самих здобувачів.

## Пов’язані поняття

- [[differential-effects-across-learner-groups]]
- [[student-experience]] — Як здобувачі сприймають, взаємодіють зі ШІ і як він на них впливає
- [[learner-identity]] — Ким здобувачі стають у відношенні до дисципліни та до ШІ
- [[agency]] — Що здобувачі ще контролюють і обирають
- [[student-ai-interaction]] — Про що здобувачі справді питають ШІ і як розвиваються діалоги
- [[cognitive-offloading]] — Надмірна спиральність і заміщення ШІ мислення
- [[self-regulated-learning]] — Планування, моніторинг і коригування власного навчання
- [[help-seeking]] — Просити допомоги добре та способи невдачі, коли здобувачі цього не роблять
- [[metacognition]] — Знати, що ти розумієш і чого не розумієш
- [[motivation]] — Чому здобувачі наполегливо продовжують або зупиняються
- [[self-efficacy]] — Упевненість здобувачів у власній здатності
- [[student-engagement]] — Поведінкова, емоційна та когнітивна залученість
- [[prior-knowledge]] — Тлові знання, які вирішують, чи стане підтримка навчанням
- [[student-modeling]] — Представлення здобувача всередині системи
- [[knowledge-tracing]] — Оцінювання засвоєння навичок у часі
- [[simulating-students]] — Симульовані LLM здобувачі як умовні замінники
- [[ai-literacy]] — Здатність, яка вирішує, чи користуватимуться здобувачі ШІ добре
- [[equity-in-ai-education]] — Хто має користь і хто залишається поза
- [[well-being]] — Тривога, стрес і афективна вартість навчання, опосередкованого ШІ
- [[misconceptions]] — Ментальні моделі, з якими здобувачі приходять до ШІ
- [[stakeholders]] — Інший бік того самого поля: викладачі, лідери, проєктувальники
- [[assessment]] — Які здібності здобувача взагалі стають видимими

## Пов’язані статті

- [[uneven-impact-generative-ai-student-learning-2026]] — Взірці спиральності та грамотність оцінювання розділяють наслідки для студентів
- [[student-perceptions-ai-study-productivity-2026]] — Здобувачі повідомляють про здобутки в ефективності поряд із занепокоєннями щодо залежності
- [[student-llm-interaction-taxonomy-review-2026]] — Таксономія навчально орієнтованої взаємодії студента з LLM
- [[student-ai-conversations-cognitive-engagement-2026]] — Дисциплінарно специфічні взірці в чатах студента зі ШІ
- [[layer-sensitive-cognitive-offloading-writing-2026]] — Здобутки в допоможеній продуктивності без самостійної здатності
- [[genai-performance-vs-learning]] — Чому допоможену продуктивність і недопоможене навчання потрібно вимірювати окремо
- [[shaw-nave-cognitive-surrender-2026]] — Когнітивна капітуляція як схильність, а не випадковість
- [[metacognitively-discordant-completion-genai-2026]] — Здобувачі, які помічають, що не розуміють, і все одно подають роботу
- [[verification-quality-reliance-calibration-genai-2026]] — Якість перевірки та калібрування спиральності
- [[simulating-students-llm-review-2026]] — Симульовані студенти: архітектура, механізми та межі
- [[stanbkt-bayesian-knowledge-tracing]] — Оцінювання параметрів у байєсівському відстеженні знань
- [[demographic-signals-llm-student-assessment-2026]] — Неявні та явні демографічні сигнали в оцінюванні на основі LLM
- [[ai-literacy-learning-engagement-psych-capital-2026]] — ШІ-грамотність, залученість та психологічний капітал
- [[genai-student-experiences-uk-he-survey-2026]] — Студенти описують тяжіння до найменших зусиль
- [[mulisa-students-genai-integrity-perspectives-2026]] — Студенти про те, чи є GenAI інструментом для списування, чи партнером у навчанні
- [[munoz-misconduct-allegation-evidence-2026]] — Що насправді містять як доказ файли звернень про порушення
- [[wright-transcription-not-generation-2026]] — Надмірно широкі правила щодо ШІ і студенти, яких вони вловлюють
- [[sharma-judgment-visible-genai-assessment-2026]] — Доброчесність як оцінювальне судження, а не дотримання правил
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Емоційна вартість віддаленого прокторінгу та його витрати для справедливості серед студентів

---

## [Бібліотекарі](https://edtechdev.github.io/aied/concepts/librarians/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Бібліотекарі** — фахівці з бібліотечної та інформаційної справи, які навчають інформаційній грамотності, ведуть наукові консультації, формують фонди та системи пошуку та дедалі частіше виступають людським відповідником інструментам пошуку й рекомендацій на базі ШІ. У дослідженнях цієї бази знань вони постають як ті, хто вирішує питання достовірності, яке модель не може врегулювати, — чи варто покладатись на певний патент, технічний стандарт чи галузевій звіт, — і як партнери у спільному проєктуванні курсів і політик. Тому їхнє місце в [[ai-education|ШІ в освіті]] є подвійним: і як викладачів, які навчають оцінювати джерела та стратегії пошуку, і як [[human-in-the-loop-ai|людського шару]] в середині систем, побудованих навколо пошуку на базі ШІ.

## Питання для роздумів

- ШІ тепер за секунди може відповісти на фактичне довідкове питання, яке раніше приймав бібліотекарь. Яка частина цієї роботи коли-небудь була *самою відповіддю* — а яка була судженням про те, чи заслуговує джерело на довіру?
- У дослідженні «бібліотекаря в команді» питання оцінювання джерел домінували в консультаціях (38,5%) саме в тих випадках, коли ШІ був найменш упевнений. Чи це помилка конструювання, яку треба виправити, чи доказ того, що судження про достовірність не піддається автоматизації?
- [[genai-academic-search-workshop|Воркшоп CHIIR 2026]] повідомив про розрив у довірі — студенти [[trust-calibration|надмірно довіряють]] GenAI, тоді як викладачі йому не довіряють. Хто закриває такий розрив: бібліотекарь, викладач чи інтерфейс, який показує свої джерела та свою впевненість?
- [[ithaka-sr-ai-skills-college-graduates-2026|Ithaka S+R]] виявила, що в установах немає ані консенсусу щодо того, якими є навички ШІ, ані рамок для їх оцінювання. Чи є навчання інформаційній грамотності природним домом для цієї роботи — і чи не просить таке твердження бібліотек нести тягар, який не відповідає їхньому штату?

## Вступ

Бібліотекарі — це фахівці, які сидять між питанням здобувача та науковим корпусом: бібліотекарі довідкових відділів і зв’язку, предметні спеціалісти, бібліотекарі-викладачі, які проводять навчання інформаційній грамотності, і персонал, який опікується фондами та репозитаріями. У [[ai-education|ШІ в освіті]] їх згадують значно рідше, ніж [[teacher-role|викладачів]] і [[administrator|адміністраторів]], проте корпус дає їм конкретну, перевірну роль. Вони є людською відповіддю на проблему достовірності, яку створює [[generative-ai]], викладачами, які навчають [[evaluative-judgment]] та стратегії пошуку, а не просто постачають джерела, і — у найсильнішому випадку в цій базі знань — спроєктованим компонентом системи ШІ, а не службою поруч із нею.

Ця сторінка розглядає роль як відмінну від сусідніх. [[educational-technology-developers]] будують системи пошуку та рекомендацій; бібліотекарі вирішують, чому ці системи не слід довіряти у висновках. [[academic-integrity]] опрацьовує використання ШІ як питання авторства та розкриття; подача бібліотекарем — атрибуція, походження, доступ — є суміжним, але конкретнішим.

## Інформаційна грамотність як навчання, а не лише допомога

Найдокладніші докази щодо цієї ролі в цій базі знань походять від [[ai-assisted-seminar-learning-information-literacy-2026|семінарної платформи з бібліотекарем у команді, описаної Huang]], побудованої для дослідницьких інженерних груп у квазіексперименті з 60 студентами трьох програм протягом восьми тижнів (30 на інтегрованій платформі, 30 за звичайного бібліотечного навчання). Інтегрована група набрала 0,78 бали на п’ятибальному інструменті інформаційної грамотності на основі ACRL проти 0,25 у контрольної групи, причому найбільші прирости всередині групи — у навичках пошуку (+0,87) та оцінюванні джерел (+0,83), далі — синтез інформації (+0,73) та обізнаність щодо етичного використання (+0,70). Помітно, що навіть лише завдання на практичне виконання давали великі ефекти, тож здобутки — не лише впевненість у собі. Те, чого навчали, зіставляється з бібліотечною роботою: формування стратегії пошуку, оцінка джерел, цитування та навігація репозитарієм — ті чотири категорії, які згодом домінували в журналах консультацій.

Ширший корпус додає питання штату та способу надання послуг. [[genai-academic-search-workshop|Звіт воркшопу CHIIR 2026]] описує п’ятнадцятитижневу програму цифрової грамотності одного бібліотекаря на базі [[curriculum-design|навчального плану]], побудованого на опитуванні 2 076 студентів і 101 бібліотекаря, і фіксує судження доповідачів, що одноразові воркшопи залишають студентів із неправильно зрозумілим фундаментом; той самий звіт нараховує охоплення навчанням одного бібліотекаря — приблизно 1 700 студентів першого курсу.

## Там, де ШІ був найслабший, бібліотекарь нев тягар

Семінарна платформа свідомо розділяла працю: алгоритми відповідали за пошук у масштабі, люди — за оцінювання в умовах невизначеності, — і журнали показують, що поділ працює. Протягом 312 консультацій (10,4 на учасника) оцінювання джерел та їхня якість становили 38,5%, формування стратегії пошуку — 29,2%, керування цитуванням — 18,6%, а навігація репозитаріями — 13,7%, і 73,4% отримали відповідь упродовж шести годин. Автори пов’язують це безпосередньо з продуктивністю моделі: [[recommender-systems-and-learning-paths|рушій рекомендацій]] досяг точності 0,68 і повноти 0,61, випереджаючи булеву базову лінію за ключовими словами (0,52 і 0,48), але все ще недостатньо для суджень про достовірність патентів і стандартів, а обробка запитів природною мовою коректно відповідала на 72,8% інженерно-специфічних запитів. Задоволеність ішла в тому самому порядку — допомога бібліотекаря найвища, 4,3 із 5,0, попереду рекомендацій (4,1), запитів (3,9), семінарів (3,8), навчальних шляхів (3,6) і [[knowledge-graph|графа знань]] (3,4), — а інтерв’ю зафіксували 21 із 30 студентів, які згадали довіру до присутності бібліотекарів. Використання було неоднорідним: 11 із 30 спирались на ШІ, 8 — на бібліотекарів, а 11 використовували те й інше.

Напруга діє в обидва боки. Випадки, які ШІ обробляв найгірше, були питаннями достовірності, і власні автори платформи роблять висновок, що практичний урок — утримати людського експерта в точці ухвалення рішення про достовірність. Але дослідження є одномісцевим і нерандомізованим, його три компоненти так і не було ізольовано, а автори називають результати «лише попередніми», зазначаючи, що стійкість після відходу бібліотекарської підтримки так і не була перевірена. Чи був людський шар причиною здобутків, чи сіткою безпеки навколо рушія рекомендацій із точністю 0,68 — залишається відкритим.

## Спільне проєктування, партнерство й хто платить за перевірку

Бібліотекарі також постають як співпроєктувальники, а не лише постачальники послуг. [[maybee-disruptive-partnerships-sap-2025|Maybee, LeGrand і Fundator]] документують програму Partners for Algorithmic Literacy в Purdue — шеститижневу навчальну спільноту студентів і викладачів, яку ведуть академічні бібліотекарі, де бакалаври й викладачі спільно створюють курсові [[educational-policy-ai|політики]] щодо ШІ та інтегровані в ШІ [[group-work|групові проєкти]]. Автори подають це як альтернативу дефіцитарним наративам про [[ai-misuse-learning-harm|неправильне використання ШІ]] студентами, і студентські рефлексії програми SPIRaL показують, як інформаційна грамотність переучується: учасники спочатку ототожнювали її з оцінюванням джерел, а потім перейшли до розуміння її як багатошарової наукової практики, пов’язаної з [[agency]]. Цей зсув — від перевірки джерел до судження про продукування знання — є тим, який позиціонує бібліотекаря.

Ще два напрями окреслюють межі ролі. [[pearls-epistemic-verification-2026|Рамка PEARLS]] називає Доступ, Легітимність і Джерело серед шести вимірів перевірки та зазначає, що перевірка потребує доступу до баз даних, дисциплінарної мови, а іноді й платних інструментів, — тож здобувачі з меншими ресурсами несуть більший тягар, щоб довести відповідальне використання, і бібліотекарів названо серед сторін, яких вимагає спільне проєктування. [[aarc-ai-research-competency-2026|Рамка AARC]] робить навчальну мету явною: перевіряти, цитувати та рефлексувати як повторювані зобов’язання, що оцінюються через процес дослідження — включно з виявленням фабрикацій і упереджень, — а не через продукт. [[hingle-collaborative-ai-literacy-2025|Огляд Hingle і Johri]] показує, що ті самі конструкції, які вже використовують бібліотеки, переносяться: вигоди групової роботи для інформаційної грамотності узагальнюються на навчання [[ai-literacy]], зокрема з [[agentic-ai|агентами ШІ]] як партнерами.

## Наслідки для ШІ в освіті

- **Утримуйте людину в точці ухвалення рішення про достовірність.** Точність близько 0,68 залишала приблизно третину знайденого матеріалу незіставленою, а оцінювання джерел було найзатребуванішим типом консультацій, — це підказка для конструювання будь-якого шару пошуку чи рекомендацій на базі ШІ.
- **Розглядайте інформаційну грамотність як навчання.** Здобутки, які витримали перевірку на завданнях практичного виконання, — це стратегія пошуку та оцінка джерел, чого вже навчають бібліотекарі-викладачі і чого також вимагає атрибуція й перевірка виводу ШІ ([[academic-integrity]], [[critical-thinking]]).
- **Проєктуйте для різних шляхів.** За приблизно рівних груп, які надають перевагу ШІ, бібліотекарям або й тому й іншому, маршрутизація консультацій за предметом і навантаженням засвоїла 312 із них за 10,4 на учасника; єдиний обов’язковий маршрут залишить частину здобувачів обділеними.
- **Робіть впевненість і джерела видимими.** Нитка воркшопу «пошук як навчання» ставить питання, які когнітивні процеси не слід перекладати на інструменти, і закликає до інтерфейсів, які зберігають точки прийняття рішень, — це [[scaffolding|скаффолдинг]], який бібліотекарі можуть специфікувати зі свого звичайного робочого стандарту видимості джерел.
- **Бюджетуйте людський шар, а не лише модель.** На консультації відповідали за години, у масштабі, бо персонал було свідомо маршрутизовано; припущення, що здобувачі самі впораються із судженням про достовірність, перекладає цю ціну на людей, які найменше спроможні її заплатити.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[ai-assisted-seminar-learning-information-literacy-2026]] — Семінарна платформа з бібліотекарем у команді; 312 консультацій, якими керувало оцінювання джерел
- [[genai-academic-search-workshop]] — Воркшоп CHIIR 2026 про GenAI та науковий пошук; розрив у довірі до бібліотекарів
- [[maybee-disruptive-partnerships-sap-2025]] — Академічні бібліотекарі спільно проєктують ШІ-грамотність зі студентами як партнерами
- [[aarc-ai-research-competency-2026]] — Перевіряй, цитуй, рефлексуй як навчальні зобов’язання в дослідженні
- [[pearls-epistemic-verification-2026]] — Протокол перевірки з шести вимірів; доступ і легітимність як ворота
- [[hingle-collaborative-ai-literacy-2025]] — Спільне навчання для ШІ-грамотності; перенесення вигод інформаційної грамотності
- [[ithaka-sr-ai-skills-college-graduates-2026]] — Викладачі ставлять атрибуцію та відповідальне використання найвище, але навчають мало з 26 навичок
- [[bird-multimodal-educational-literature-2026]] — Інструмент складності тексту, побудований для нетехнічних користувачів, як-от викладачів англійської та бібліотекарів
- [[cognitive-offloading-llm-synthesis-writing]] — Що здобувачі перекладають на інструменти, коли ШІ синтезує для них джерела
- [[citation-errors-hallucinations-computing-education-2026]] — Сфабриковані та хибні цитати як проблема перевірки

---

## [Батьки та родини](https://edtechdev.github.io/aied/concepts/parents-and-families/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Батьки та родини** — домогосподарство як зацікавлена сторона в [[ai-education|AI in education]]: ті, хто доглядає за дітьми, хто репетиторствує зі своїми дітьми вдома, обирає та платить за засоби, наглядає або не помічає, що ці засоби роблять, і отримує те, що їхня школа повідомляє про ШІ. Сторінка збирає докази про [[intelligent-tutoring|tutoring]] батьків і дитини, опосередковане ШІ, та [[conversational-ai|conversational]] компаньйонів, що використовуються в домі, про передачі між домом і школою, про власну [[ai-literacy]] батьків і про [[equity-in-ai-education|equity]] домашніх пристроїв, зв’язку та вартості. Її обсяг — родина як актор: що родини роблять зі ШІ, що досягає їх від школи і що дослідження встановлює і не встановлює про результати.

## Питання для роздумів

- [[paratutor-parent-child-tutoring|Luo et al. (2026)]] виявили, що універсальна допомога [[llm]] зменшувала роль батька в репетиторстві, тоді як інтерфейс із розділеними ролями її зберігав. Якби ви проєктували засіб для спільного використання батьком і дитиною, від чого ви б захищали батька, і що ви б йому доручали?
- У даних [[stromberg-generative-ai-learning-penalty-secondary-2026|Strömberg, Lei and Wu's (2026)]] бали домашніх завдань зросли на 18 %, тоді як бали [[summative-assessment|closed-book exam]] впали на 20 % протягом шести місяців. Що батько фактично бачить, що відбувається вдома, і що йому потрібно було б сказати, щоб помітити відмінність?
- [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] виявили, що вчителі називають батьків первинно відповідальними за стосунки дітей із компаньйонами ШІ, описуючи при цьому тих самих батьків як необізнаних або перевантажених. Чи є це розумним розподілом відповідальності, і що було б потрібно, щоб зробити його реальним?
- [[virtual-tutoring-computer-assisted-learning-takeup-2026|Oreopoulos, Dong and Low (2026)]] майже подвоїли відвідування першої сесії, усунувши паперову роботу, спрямовану на родини. У вашій власній школі чи програмі які частини процесу, спрямованого на дім, існують на користь родини, а які — на користь установи?
- [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] трактують координацію родина–школа як неперевірену гіпотезу, а не як усталену практику. Якщо її ніколи не перевіряли, на яких доказах спирається порада, яку ваша школа зараз дає батькам?
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|MacCallum, Parsons and Mohaghegh (2026)]] описують цифрові розриви другого й третього рівня, які зберігаються після того, як пристрої вже надано. Як виглядало б закриття прогалин навичок і результатів у домогосподарстві в порівнянні з аудиторією?

## Вступ

Значна частка часу дітей зі ШІ відбувається поза аудиторією, в умові, яку дослідницька література переважно трактує як тло. Роботи про репетиторство та результати навчання зазвичай базуються в школі, тоді як роботи про настанови для родин зазвичай є порадницькими, а не перевіреними, тому родини водночас є мішеннем великої кількості настав про [[ethics|responsible AI]] і предметом дуже малих доказів про те, чи ці настави працюють.

Ця сторінка трактує домогосподарство як актора саме по собі. Вона охоплює репетиторство батьків і дитини, опосередковане ШІ, компаньйонські та читацькі засоби, які діти зустрічають вдома, що школи роблять і не роблять, повідомляючи родинам про використання ШІ, власну [[ai-literacy]] батьків і те, що відомо про їхні погляди, а також умови доступу та вартості, за яких родини використовують ці засоби. Там, де докази тонкі, сторінка каже про це, а не заповнює прогалину.

## Батьки як співвиховники вдома

Найясніші докази дизайну про домашнє репетиторство походять від [[paratutor-parent-child-tutoring|Luo et al. (2026)]], які побудували ParaTutor для китайського контексту домашнього репетиторства після [[formative-assessment|formative]] дослідження того, як батьки допомагають із текстовими задачами з математики. Ця формативна робота визначила повторювані невдачі: батьки намагаються зрозуміти структуру задачі, часто не мають знання контенту, щоб її підтримати, і натикаються на труднощі комунікації, які руйнують спільне розуміння. Дизайнерською відповіддю було розділення ролей — батьки отримували настанови з репетиторства через [[agentic-ai|multi-agent]] чат-боти, тоді як діти отримували візуальне закріплення самої задачі, з підтримкою, прив’язаною до фази, щоб зупинити стрибки діад до відповідей. В оцінюванні з 23 діадами батько–дитина (діти віком 10–12 років) за чотирьох умов універсальна допомога [[llm]] мала тенденцію витісняти роль батька, тоді як інтерфейс із розділеними ролями утримував батьків надаючими та адаптуючими підтримку, поки діти лишалися в мисленні. Наслідок для авторів є специфічним для контексту: в [[math-education]], де точність моделі обмежена, діти не мають взаємодіяти з моделлю самостійно.

[[virtual-tutoring-computer-assisted-learning-takeup-2026|Oreopoulos, Dong and Low (2026)]] трактують домогосподарство як процедурного актора, і їхні результати так само стосуються поведінки родини, як і репетиторства. Їхнє [[rct|randomized trial]] зі Шкільною радою Торонто розмістило людських віртуальних репетиторів над практикою Khan Academy для школярів 4–8 класів із труднощами. У Році 1 лише приблизно 45 % вибраних [[teacher-role|teacher]] студентів відвідали хоча б одну сесію, причому родини губилися на кожній передачі: запрошення, інтерес, створення облікового запису на [[edtech-platform|third-party platform]], зіставлення, поява. У Році 2 запрошення родин безпосередньо через їхнього власного вчителя на фіксований щотижневий час і виконання зарахування та планування від імені родини підняли взяття першої сесії до 83 %. Щотижневі відвідування усе ще коливалися біля двох п’ятих, переважно переривчаста відсутність, а не відпадання; практика зросла приблизно на 17 хвилин на тиждень, і ефект наміру лікувати на тематичному тесті становив 0,055 SD, із оцінками в табелі, що зросли приблизно на 0,08 SD. Усунення тертя змінило те, хто з’являвся, а не те, скільки хтось витримував.

## Компаньйони та читацькі засоби в домі

Родини частіше зустрічають ШІ як компаньйонський застосунок, ніж як систему репетиторства. [[liao-role-adaptive-ai-companion-book-talk-2026|Liao (2026)]] порівняв фіксованого компаньйона «студент-одноліток» (Whisper із GPT-3.5) проти досвідчених класних вчителів на сесіях розмови про книжки з 19 школярів початкової школи в Таоюані, Тайвань — 12 у 4 класі та семеро в 5 класі, по чотири сесії кожен. Студенти провели значно більше часу зі ШІ, проте внесли помітно нижчу частку слів і речень; для 5 класу частка становила менше третини від того, що вони продукували з учителем, — патерн, який стаття назиє домінуванням у розмові. Компаньйон був ефективним у викликанні фактичного пригадування і значно слабшим за вчителя в [[prompt-engineering|prompting]] емоційної та спрямованої в майбутнє рефлексії — афективна стеля. Відповіддю Liao є роль-адаптивна рамка, в якій один компаньйон посідає ролі Student Peer (студент-одноліток), Teacher Assistant (помічник вчителя) та Parent Advisor (радник батька), причому остання розширює дискусію в дім. Діагностика за нею — вакуум підтримки: більшість дизайнів компаньйонів залишаються зосередженими на діаді студент–ШІ і не дають вчителям і батькам жодного визначеного місця.

**Частина підлітків віддає перевагу звірятися ШІ, а не своїм батькам.** Процитовані китайські дані ставлять 13,5 % молодих інтернет-користувачів, які віддають перевагу звірятися ШІ, а не своїм батькам, і рамка [[ai-connectedness-adolescent-mental-health-2026|Fu and Zhao's (2026)]] передбачає, що прив’язування до ШІ стає компенсаторною підстановкою, коли ті, хто доглядає, не розпізнають потреб підлітка в підтвердженні ідентичності.

Дві статті про раннє дитинство стосуються того, що досягає дому. [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] стверджують, що фізичні, [[embodied-learning|embodied]] агенти є розвитково бажанішими для маленьких дітей, ніж екрани, проте попереджають, що генеративні соціальні роботи можуть фабрикувати контент, який преопераційні діти приймають як істину, не мати розвиткової калібрування у своєму [[feedback]] і нести бар’єри вартості та доступу, які розширюють [[digital-divide]]. [[ai-play-framework-early-childhood-2026|Malallah et al. (2026)]] обирають інший шлях з тією ж віковою групою: їхня непідключена, [[game-based-learning|play]] рамка AI-Play була впроваджена через орієнтовану на родину подію Hour of Code, з опитуваннями батьків і листами рефлексії дітей, використаними для вимірювання залученості та [[usability-research|usability]] для відтворення вдома. Вони повідомляють про високу залученість і нове розуміння, що ШІ вчиться з прикладів.

## Комунікація між домом і школою та прозорість

Те, що школи повідомляють родинам про ШІ, і що родини повідомляють школам, переважно не досліджено; найясніші знахідки стосуються відсутності каналу. В інтерв’ю на основі сценаріїв із 33 вчителями [[k-12]] у США [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] виявили, що рішення втрутитися залежали від юрисдикції, а не від сприйнятої шкоди. Їхній тест видимості проводив межу біля шкільних дверей: використання на занятті або на призначеному засобі сиділо всередині ролі вчителя, тоді як використання вдома входило в неї лише через спостережувані ефекти, такі як замкнутість, падіння оцінок або ізоляція, — за відсутності цих вчителіли описували спостереження та неформальне документування, а не дію. Сценарій Parent (батько) був названий найбільш стурбуючим 10 з 33 вчителів, 17 сказали, що вчитель має втрутитися, і 11 відповіли «залежить від обставин». Батьки були названі першими як сторона, первинно відповідальна за стосунки дітей із компаньйонами ШІ, а потім описані як необізнані або перевантажені. Автори називають це юрисдикційною вакансією і попереджають, що без усталеного навчально-програмного домага дорослі з найбільш послідовним доступом до дітей за замовчуванням переходять до нагляду та направлення. Консультанти, батьки та студенти не були опитані.

[[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] роблять проблему координації явною. Переглядаючи літературу настав, вони спостерігають, що вона штовхає керування ризиком на родини та школи, трактуючи їхню координацію як усталену, і формалізують три конкуруючі моделі — адитивну, синергетичну та компенсаторну, — зазначаючи, що синергетична версія, вбудована в більшість настав, не має підтримувальних доказів. Їхній запропонований тест — факторіальне дослідження, що протиставляє настави лише для родини, лише для школи, координовані та звичайної практики. На боці родини вони переносять розрізнення [[self-determination-theory]] між залежним офлоадінгом, де основне мислення делегується, і автономним офлоадінгом, де ШІ [[scaffolding|scaffolds]], поки здобувач утримує епістемічну [[agency]], а негайна діяльність ідентична в обох випадках, і саме тому неадаптивне використання важко бачити батькові.

Та сама невидимість з’являється в даних досягнень. [[stromberg-generative-ai-learning-penalty-secondary-2026|Strömberg, Lei and Wu (2026)]] стежили за 26 811 китайськими школярами 7–12 класів протягом 30 місяців і виявили, що освоєння [[generative-ai|generative AI]] підвищило бали домашніх завдань на 18 % і скоротило час завершення на 30 %, знижуючи при цьому бали іспиту за книжками на 20 % протягом шести місяців, із падіннями вступних іспитів на 18 % і 24 %, що виникають лише приблизно через два роки. Приблизно 81 % користувачів демонстрували патерн перекладання домашніх завдань на чужих, тоді як користувачі ШІ, які витрачали стільки ж часу на домашні завдання, як і некористувачі, набирали подібно на іспитах. Рекомендація авторів звернена до дорослих навколо дитини: моніторте входи, такі як час і зусилля на домашні завдання, а не виходи, такі як бали домашніх завдань. Вони застерігають, що тісніший батьківський моніторинг сам є одним із неспостережуваних, що розрізняє групу без перекладання.

## Власна ШІ-грамотність та адвокація батьків

Прямі докази про те, що батьки знають, чого бояться і чого просять, тонкі, і батьки переважно з’являються в літературі як про них звітовані іншими. Батьки в [[all-girls-genai-makerspace-gender-equity-2026|Liu et al.'s (2026)]] про мейкерспейс лише для дівчат були опитані поряд із дівчатами та практиками, і повідомили, що дівчата часто «лякалися» і говорили менше в умовах змішаної статі. В [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] грамотність щодо компаньйонів, яку намалювали вчителі, була спільною роботою консультантів, батьків, платформ і політиків, послідовною як віково-градуйована спіраль, з батьками, названими першими, а потім описаними як уже несучими більше, ніж могли. Батьки з’являються в оцінюванні AI-Play через опитування зручності діяльності, а не через розповіді про власне розуміння.

Те, що батькові було б потрібно, щоб взяти участь у будь-чому із цього, визначено по суті рамками ШІ-грамотності, побудованими для шкіл. [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|MacCallum, Parsons and Mohaghegh (2026)]] спроєктували SAIL як віково-агностичну, трактуючи її компетенції Рівня 1 — розуміння та дослідження ШІ — як істотні для всіх віків, що розміщує дорослих у тому самому прогресії, що й діти, а не як його інструкторів. Родини також посідають формальну роль у самому дослідженні: [[raise-framework-ai-education-reporting-2026|Allison (2026)]] просить авторів повідомляти контекст учасників та соціально-демографічні характеристики, [[accessibility]] і культурну відповідність, і етичний огляд, згоду та [[governance]] даних, — зобов’язання, через які згода, дані та контекст родини стають видимими взагалі.

## Доступ і справедливість між родинами

Вартість і зв’язок формують те, що родини можуть використовувати, раніше, ніж виникає будь-яке питання педагогіки. В дослідженні мейкерспейсу [[all-girls-genai-makerspace-gender-equity-2026|Liu et al. (2026)]] документують і бар’єр вартості, і бар’єр дизайну: безкоштовний генератор зображень Playground відкинув свої безкоштовні функції на користь платного рівня «pro», який недостатньо забезпечена неприбуткова організація не могла поглинути, і засоби приймали лише англомовні підказки, ставлячи в невигідне становище дівчат без впевненості в англійській. [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] позначають вартість і доступ як такі, що розширюють [[digital-divide]]. Результат взяття в [[virtual-tutoring-computer-assisted-learning-takeup-2026|Oreopoulos, Dong and Low (2026)]] є результатом справедливості так само, як і результатом дизайну: родини, втрачені в Році 1, були втрачені на адміністративних кроках, і втручання, яке їх відновило, було побудовано навколо власного вчителя родини та фіксованого щотижневого слоту.

[[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] називають умови вимірювання, які роблять загальні поради для родин небезпечними: інструменти для ШІ-грамотності, залежності та [[cognitive-offloading|overreliance]] були переважно розроблені в однокраїнних або спеціалізованих університетських вибірках, і більшість досліджень є поперечними та [[self-report-measures|self-reported]]. Аргумент [[equity-in-ai-education|equity]] SAIL застосовується в регістрі домогосподарства так само: надання пристрою вирішує лише перший із трьох розривів, і прогалини навичок і результатів зберігаються незалежно від того, хто володіє обладнанням.

## Що докази показують і не показують

Найсильніші результати, звернені до родин, в цій базі знань стосуються поведінки, а не навчання. Зниження тертя, зверненого до домогосподарства, підняло відвідування першої сесії з приблизно 45 % до 83 % в одному дослідженні, і взяття залишалося обмежувальним обмеженням навіть тоді. Той самий дослідження дало малі й неточні здобутки в результатах, тоді як найбільше дослідження [[learning-gains|achievement]] повідомляє про великі негативні ефекти, сконцентровані серед студентів, які перекладали домашні завдання на чужих, — патерн, який автори частково приписують батьківському моніторингу, який вони не могли виміряти безпосередньо. Жодна із цих знахідок не ізолює те, що роблять батьки, від того, що роблять школи чи засоби.

Те, чого не вистачає, помітніше. Власні розповіді батьків рідкі: вчителі в [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] виключили батьків зі своєї вибірки за дизайном, а батьки, які з’являються, опитуються як один голос поміж дівчат, практик або вчителів. Тут немає прямих доказів про те, як родини дізнаються [[educational-policy-ai|AI policy]], що їм кажуть про моніторинг чи розкриття, або як вони на це відповідають, і координація родина–школа була теоретизована, а не перевірена. Дизайни домашнього репетиторства, такі як ParaTutor, були оцінені з 23 діадами в одному національному контексті, а порівняння компаньйонів спираються на 19 студентів в одній школі.

Огляд меж 2026 року картографує, наскільки далеко пішла галузь. [[llm-family-education-activity-theory-2026|Luo et al. (2026)]] проаналізували 53 дослідження HCI з 6 540 записів із 19 майданчиків через теорію діяльності, і виявили, що література зцентрована на взаємодії дитина–батько і на мові, [[ai-literacy]], та реляційному навчанні, причому 44 із 53 досліджень (83 %) розміщені в конфігураціях дитина–батько. Розмовні, втілені та просторові системи генерують підтримку з контексту розгортальної взаємодії, а LLM перерозподіляють освітню працю, поки родини та установи залишаються відповідальними за тлумачення виходів і вирішення того, як вони входять у практику. Підтримувана [[personalized-learning|personalization]], праця ремонту і те, як родини узгоджують авторитет і правила, — прогалини, які називає огляд, що є тією ж відсутністю, яку цей розділ документує з іншого боку.

**Відношення до інших сторінок.** [[stakeholders]] — стислий огляд усього набору зацікавлених сторін, з родинами, зазначеними як аудиторія, яку ще не охоплено глибоко; ця сторінка є цією глибиною. [[early-childhood-elementary-ai-education]] охоплює розвитковий і [[pedagogy|pedagogical]] домен для молодих здобувачів через школу і дім; ця сторінка слідує за родиною через віки, від дошкільних ігрових діяльностей до домашніх завдань у середній школі. [[ai-use-disclosure]] охоплює, чи кажуть здобувачі іншим, що вони використовували ШІ; ця сторінка охоплює суміжне питання, чи досягає ця інформація дорослих вдома, і що родинам кажуть про використання ШІ в школі.

## Пов’язані поняття

- [[stakeholders]] — узагальнювальна сторінка для аудиторій і акторів у ШІ в освіті
- [[early-childhood-elementary-ai-education]] — розвитковий домен, де використання вдома й у родині досліджено найбільше
- [[ai-use-disclosure]] — практики розкриття і питання того, що досягає родин
- [[ai-literacy]] — власні компетенції батьків і побудовані школою рамки, які їх визначають
- [[equity-in-ai-education]] — як вигоди і тягарі розподіляються між домогосподарствами
- [[digital-divide]] — шари доступу, навичок і результатів, як вони застосовуються вдома
- [[conversational-ai]] — домінуюча форма, яку ШІ набуває в родинних умовах
- [[self-determination-theory]] — підтримка автономії як рамка для настав для родин
- [[cognitive-offloading]] — залежний проти автономного офлоадінгу, і чому батьки не можуть побачити відмінності
- [[intelligent-tutoring]] — модель за репетиторством батьків і дитини, опосередкованим ШІ

## Пов’язані статті

- [[ai-connectedness-adolescent-mental-health-2026]] — Пов’язаність підлітків із ШІ та коли прив’язування до ШІ підставляє невдоволене розпізнавання від тих, хто доглядає

- [[paratutor-parent-child-tutoring]] — підтримка LLM із розділеними ролями для 23 діад батько–дитина в китайському домашньому математичному репетиторстві
- [[liao-role-adaptive-ai-companion-book-talk-2026]] — фіксований компаньйон ролі однолітка проти вчителя з 19 школярами початкової школи на Тайвані
- [[family-school-autonomy-support-genai-2026]] — огляд, що трактує координацію родина–школа як неперевірену гіпотезу
- [[raise-framework-ai-education-reporting-2026]] — зобов’язання повідомлення, що охоплюють згоду, контекст учасників і справедливість доступу
- [[k12-teachers-ai-companion-literacy-2026]] — 33 вчителі про юрисдикцію, батьків і стосунки дітей із компаньйонами ШІ
- [[ai-play-framework-early-childhood-2026]] — непідключена грамотність щодо ШІ, перевірена через орієнтовану на родину подію Hour of Code
- [[all-girls-genai-makerspace-gender-equity-2026]] — батьки поміж опитаними; вартість засобу та мовні бар’єри в неформальних умовах
- [[creative-project-approach-ai-early-childhood-2025]] — фізичні агенти для маленьких дітей, із застереженнями щодо вартості, доступу та приватності
- [[demir-akar-ai-media-literacy-children-2026]] — шкільна програма про приватність даних, безпечну комунікацію та етику медіа у 36 четверокласників
- [[virtual-tutoring-computer-assisted-learning-takeup-2026]] — взяття зросло з 45 % до 83 %, коли були усунуті кроки, звернені до родин
- [[stromberg-generative-ai-learning-penalty-secondary-2026]] — перекладання домашніх завдань на чужих, падіння на іспитах і аргумент за моніторинг входів
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]] — віково-агностичні рівні ШІ-грамотності та трирівневий цифровий розрив
- [[llm-family-education-activity-theory-2026]] — Характеризація сімейної освіти на основі LLM через призму теорії діяльності: огляд меж літератури HCI

---

## [Зацікавлені сторони](https://edtechdev.github.io/aied/concepts/stakeholders/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Зацікавлені сторони** — діапазон людських учасників, залучених до [[ai-education|AI in education]], зачеплених нею й відповідальних за неї, а також поняття-парасолька для висвітлення в базі знань того, хто є виконавцями дій. [[ai-education|AI in education]] — це багатостороннє поле: здобувачі, які користуються ШІ, [[teacher-role|teachers]] та [[educational-development|faculty]], які його інтегрує, [[administrator|administrators]], які ним керують, проєктувальники навчання, які будують навчальний досвід навколо нього, і творці політики, які його регулюють. У кожної аудиторії відмінні потреби, компетентності, ролі й погляди, і база знань розглядає їх як людський контекст, у якому інструменти ШІ проєктуються, розгортаються та оцінюються.

## Питання для роздумів

- Сторінка стверджує, що та сама система ШІ виглядає по-різному з кожної точки спостереження — інструмент, який студент переживає як підтримку, може здаватися викладачеві ризиком для цілісності, а адміністратору — рішенням щодо керування. З якою роллю ви найбільше себе ототожнюєте і що, на вашу думку, ви схильні не помічати з боку інших?
- Перш ніж читати далі, спробуйте перелічити всіх у вашому закладі, кого зачеплює рішення в освіті зі ШІ, — виходячи за межі лише студентів і викладачів. Кого ви забули і що було б найважливішим для кожного з них?
- Якщо в здобувачів, викладачів, адміністраторів, проєктувальників навчання і творців політики відмінні потреби й компетентності, кому належало б останнє слово щодо того, як розгортається інструмент ШІ, — і чому?
- «Персоналізована підтримка» для студента може водночас бути «ризиком для цілісності» для викладача. Як би ви спроєктували розмову або процес, який дає щирій вазі занепокоєння кожної зацікавленої сторони, а не дозволяє перемогти найгучнішому голосу?

## Вступ

[[ai-education|AI in education]] фундаментально стосується людей — здобувачів і викладачів, чию роботу вона перетворює, а також лідерів і проєктувальників, які вирішують, як неї користуватися. Розуміння відмінних зацікавлених сторін є суттєвим, бо та сама система ШІ виглядає дуже по-різному з різних точок спостереження: інструмент, який студент переживає як персоналізовану підтримку, може здаватися викладачеві ризиком для цілісності, адміністратору — рішенням щодо закупівель і керування, а проєктувальникові — педагогічним вибором. База знань організовує висвітлення цих аудиторій на кількох сторінках понять.

## Ландшафт зацікавлених сторін

- **Здобувачі (студенти).** Основна аудиторія — студенти в [[k-12]], [[higher-ed]] та [[adult-learning]]. База знань висвітлює здобувачів через [[student-experience]], [[student-engagement]], [[misconceptions]], [[student-modeling]], [[well-being]] та [[agency]]. Центральні занепокоєння — ШІ-[[ai-literacy]] здобувачів, саморегуляція ([[self-regulated-learning]]) і ризик [[cognitive-offloading|over-reliance]].
- **Викладачі та науково-педагогічний склад.** Освітяни, які інтегрують ШІ в навчання. Висвітлюються через [[teacher-role]], [[teacher-ai-competency]], [[teacher-education]], [[educational-development]] і [[tpack]]. Викладачі стикаються з подвійним викликом: користуватися ШІ у власному навчанні й навчати студентів користуватися ним відповідально (див. [[pedagogy|pedagogies and teaching strategies]]).
- **Проєктувальники навчання та технологи навчання.** Фахівці, які проєктують курси, навчальні плани й навчальний досвід навколо ШІ. Пов’язані з [[learning-design]] (як дисципліною) та [[curriculum-design]], хоча *людини/ролі* проєктувальника навчання ще немає окремою сторінкою — вона згрупована тут.
- **Адміністратори та інституційні лідери.** Проректори, декани, CIO та лідери, які встановлюють політику, розподіляють ресурси й керують упровадженням. Висвітлюються через [[administrator]] й пов’язані з [[educational-policy-ai]], [[governance]] і [[regulation]].
- **Творці політики та регулятори.** Урядові та інституційні органи, які встановлюють правову та регуляторну рамку. Пов’язані з [[educational-policy-ai]], [[regulation]] і [[governance]].
- **[[parents-and-families|Parents and families]].** Присутні в [[research-methods-aied|research]] (наприклад, стосовно спостереження за [[student-ai-interaction|student AI use]] та ставлення до ШІ) і нині висвітлені окремою сторінкою — згруповані тут як зацікавлена сторона.

## Як зацікавлені сторони з’являються в дослідженнях

- **Рамки компетентностей за конкретними ролями.** [[teacher-ai-competency]] і [[tpack]] визначають, що потрібно викладачам для ефективного використання ШІ; [[ai-literacy]] визначає, що потрібно всім аудиторіям (особливо студентам).
- **Відмінні впливи за роллю.** Дослідження вивчають, як ШІ по-різному впливає на різні аудиторії, — [[student-experience]] вивчає результати студентів, [[teacher-role]] — педагогічну інтеграцію, [[administrator]] — інституційну стратегію, а [[educational-development]] — професійне навчання.
- **Багатостороннє керування.** Дослідження [[governance]] та [[educational-policy-ai]] наголошують на узгодженні національних, інституційних та аудиторних зацікавлених сторін — творці політики встановлюють очікування, адміністратори впроваджують, викладачі адаптують, а студенти переживають результат.
- **Справедливість між аудиторіями.** [[equity-in-ai-education]] вивчає, як користі й шкоди ШІ розподіляються між здобувачами й закладами, пов’язуючи зацікавлені сторони з [[bias-mitigation|fairness]] та доступом.

- **Рольові відмінності легше стверджувати, ніж спостерігати.** SWOT 167 внесків від 152 працівників вищої освіти виявив, що викладачі, дослідники й адміністратори сходяться на тих самих сильних сторонах і загрозах, тоді як повністю анонімний збір залишав ролі неідентифікованими, тож дослідження не змогло перевірити свій план протиставити їх ([[beyond-hype-stakeholder-perceptions-genai-2026|Humble & Mozelius, 2026]]).

## Ідентичність між аудиторіями

Спільна нитка, що проходить крізь ці зацікавлені сторони, — **ідентичність**, тобто відчуття того, ким є хто і ким стає щодо ШІ та щодо домену. База знань розглядає ідентичність як розподілену між аудиторіями, а не як таку, що належить якійсь одній групі.

- **Ідентичність здобувача** — мінлива дисциплінарна, професійна, творча та академічна ідентичність студентів ([[learner-identity]]). Вона відмінна від, але причинно пов’язана з [[agency]]: суб’єктність — це [[situated-learning|situated]] здатність діяти, тоді як ідентичність — це стійке відчуття себе, що накопичується з суб’єктних дій і якому загрожує втрата авторства та сумнів у компетентності за умов ШІ.
- **Ідентичність викладача** — професійне саморозуміння освітян ([[teacher-role]]), переформоване ШІ як питання призначення та ролі, а не лише навичок (див. [[laidlaw-genai-identity-crisis-faculty-2026|GenAI as identity crisis]]).
- **Проєктувальники та лідери** — професійна ідентичність також формує те, як проєктувальники навчання, [[administrator|administrators]] та творці політики орієнтуються на ШІ, хоча явне висвітлення ідентичності в базі знань зосереджується на здобувачах і викладачах.

Ідентичність — людський якір ландшафту зацікавлених сторін: це те, що ШІ має підтримувати (а не підривати) для кожної аудиторії, і це конструкт, який пов’язує інші окремі сторінки ролей — зокрема [[learner-identity]], [[agency]] і [[teacher-role]]. Там де суб’єктність стосується *контролю*, а ідентичність — *себе*, проєктування ШІ має зберігати обидва: контроль над власним навчанням і стійке, авторське відчуття того, ким є хто в домені.

## Наслідки для освіти зі ШІ

- **Проєктуйте для повного набору зацікавлених сторін:** ефективна [[ai-education|AI in education]] має служити здобувачам, підтримувати викладачів, інформувати адміністраторів і узгоджуватися з політикою — а не просто оптимізуватися під одну аудиторію.
- **Будуйте компетентності за конкретними ролями:** викладачам, студентам, проєктувальникам і лідерам кожному потрібні адаптована ШІ-грамотність і підтримка (див. [[ai-literacy]], [[teacher-ai-competency]], [[educational-development]]).
- **Узгоджуйте між рівнями:** дослідження керування в базі знань показує, що ШІ досягає успіху, коли інституційне лідерство, практика викладача і досвід студента узгоджені, а не фрагментовані.
- **Беріть до уваги батьків і ширшу спільноту:** родини є зацікавленими сторонами в упровадженні ШІ, і їхня роль та занепокоєння заслуговують на явну увагу.

## Пов’язані поняття

- [[learners]] — Здобувачі: поняття-парасолька для понять на боці здобувачів
- [[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]] — хто має право голосу в інституційних рішеннях щодо підтримки з боку ШІ

## Пов’язані статті

- [[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

---

## [Політика щодо ШІ в освіті](https://edtechdev.github.io/aied/concepts/educational-policy-ai/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Політика щодо ШІ в освіті** — формальні та неформальні правила, що регулюють використання ШІ в освітніх установах, від національного законодавства до нормативів аудиторного рівня. Дослідження політики в цій базі знань охоплюють інституційне врядування, вимоги до [[curriculum-design|curriculum]] та вимоги до підготовки викладачів.

## Питання для роздумів

- Інституційну політику щодо ШІ часто пишуть так, ніби повідомлення людям правил змінює те, що вони роблять. Дослідження свідчить, що така політика може значно відставати від фактичного використання ШІ. Як ви вважаєте, чому політика «на папері» так часто не збігається з тим, що відбувається в аудиторіях?
- Якщо перенесення домашніх завдань на ШІ спричиняє втрати в навчанні, які залишаються переважно непоміченими — оскільки жоден окремий викладач не пов’язує погіршення результатів студента з використанням ШІ, — то яка політика взагалі можлива? Яким було б таке моніторинг?
- Політичні рішення щодо оцінювання — усні іспити, контрольоване тестування, формати із закритими книгами — самі є реакцією на шахрайство, уможливлене ШІ. Чи є, на вашу думку, контроль за «результатом» (виявлення використання ШІ) кращою стратегією, ніж перепроєктування оцінювання так, щоб саму роботу було складніше віддати на аутсорсинг?
- Політика щодо ШІ в освіті охоплює національне законодавство, урядові настанови, інституційні правила та вибори на аудиторному рівні. Який із цих рівнів, на вашу думку, справді найбільше формує поведінку студентів і викладачів — і чому?
- Чий голос зазвичай формує політику щодо ШІ — і чиї відсутні? Хто має бути за столом переговорів, коли установа вирішує, яке використання ШІ дозволене та як ним врядовувати?

## Вступ

## Рівні політики

- **Інституційна політика:** [[genai-policies-higher-ed-computing|Institutional policy analysis]] порівнює, як університети розробляють політику щодо ШІ. [[institutional-change-framework-ai|Institutional change frameworks]] дають моделі для розробки політики. [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] кодував основні сторінки про ШІ 50 університетів США, визначених у 2025 році найбільш інноваційними, і виявив, що лише 6 з них оформили їх саме як «політику», тоді як 44 опублікували настанови, керівництва, принципи чи центри ресурсів, і що 33 з 50 позиціонували викладачів як головних перекладачів інституційних очікувань у правила навчальних курсів, — інституційну політику свідомо пишуть як гнучку настанову для інтерпретації на рівні курсу, а не як незмінне правило.
- **Державна політика:**  і [[ai-lifelong-learning-policy|lifelong learning policy]] досліджують регуляторні підходи на національному та регіональному рівнях. Критичний погляд на рівні інфраструктури щодо ШІ в урядовому прийнятті рішень дає [[perrotta-zero-shot-governance-2026|Perrotta (2026)]], чий аналіз британського цивільно-службового прототипу [[llm]] Redbox показує, як загального призначення ШІ входить у професійний інструментарій політики через «врядування без навчальних прикладів» (zero-shot governance) — моделі-засновники, не прив’язані до предметної області, що втручаються в рішення, вплетені в тонкі [[discipline-specific-aied|domain-specific]] [[scaffolding|scaffolds]].
- **Політика рівня [[k-12]]:** [[stanford-evidence-base-ai-k12-2026|Stanford's evidence reviews]] з 818 статей інформують політику щодо ШІ на рівні K-12.
- **Політика оцінювання:** [[ai-assessment-scale-reform|Assessment reform policies]] та фреймворки [[authentic-assessment]] є політичними відповідями на [[academic-integrity|AI-enabled cheating]]. Вибір формату підсумкового оцінювання — усний, контрольований, із закритими книгами — сам є рішенням політики оцінювання (див. [[summative-assessment]]).

### Розрив зрілості політики

База знань документує, що інституційна політика щодо ШІ [[genai-policies-higher-ed-computing|lag behind actual AI use]]. Програми [[educational-development]], фреймворки [[teacher-ai-competency]] та [[regulation]] — усі потребують узгоджених політичних основ. Великомасштабові польові дані [[stromberg-generative-ai-learning-penalty-secondary-2026|(Strömberg, Lei, & Wu 2026)]] показують, що втрати в навчанні через перенесення домашніх завдань на ШІ залишаються переважно непоміченими, оскільки окремі викладачі предметів та студенти рідко пов’язують погіршення з використанням ШІ, — розрив, який може подолати політика, заснована на доказах (наприклад, збільшення ваги оцінювання із закритими книгами, інформування студентів про довгострокові витрати, моніторинг ресурсів, а не результатів).

Там, де сформувався консенсус для заповнення цього розриву, [[crompton-governing-genai-higher-ed-delphi-2026|Crompton et al. (2026)]] провели дельфійське опитування 35 експертів із 22 країн, яке зійшлося на восьми сферах врядування — з академічною доброчесністю як центральним якорем — плюс шестикомпонентний механізм перегляду (постійний комітет із GenAI, заплановані перегляди політики, професійний розвиток, комунікація, оцінка впливу, моніторинг), щоб підтримувати політику актуальною.

**Національна готовність до ШІ не передбачає сили інституційної політики.** [[adarkwah-genai-unesco-policy-2026|Adarkwah et al. (2026)]] оцінили 26 університетів із десяти країн з високим показником AIPI за восьмикомпонентною рамкою UNESCO щодо GenAI і виявили, що установи Північної Європи та Нової Зеландії охопили її повніше, ніж вище ранжовані однолітки, тоді як інклюзія, справедливість та сталий розвиток були найбільш знехтуваними елементами.

**Консультативних документів більше, ніж обов’язкової політики.** Перепис усіх акредитованих програм в одній професійній галузі показує, що розрив зрілості — це розрив і форми, і строків. [[institutional-ai-policy-health-informatics-2026|Eldredge et al. (2026)]] зібрали документи політики та настанов щодо ШІ з усіх 48 магістерських програм охорони здоров’я, інформатики охорони здоров’я та управління інформацією охорони здоров’я в США, акредитованих CAHIIM, і виявили, що 40 (83%) із них мали принаймні один публічно доступний документ, пов’язаний із ШІ, тоді як 8 — жодного, але ці документи були переважно настановами, а не примусовими правилами: 21 керівництво (53%) проти 7 формальних політик (18%). Їхній зміст концентрувався на академічній доброчесності та допустимому використанні, тоді як приватність, інтелектуальна власність і регуляторні концепції (HIPAA, FERPA, дотримання вимог досліджень) згадувалися значно рідше, і тематичне моделювання дало ту саму орієнтацію на студентську поведінку. Ні тип документа, ні цільова аудиторія не варіювалися залежно від способу навчання (точний тест Фішера P = 0,85 і P = 0,71). Автори читають це як доказ того, що політика академічної програми є діяльністю, відмінною від проєктування навчального плану та розвитку компетентностей робочої сили, і стверджують, що акредитаційні органи могли б зменшити виникаючу через це варіативність, надавши рамки політики щодо ШІ, що інтегрують академічну доброчесність, етику даних та рівний доступ.

Систематичний огляд у Великій Британії додає секторальний шар до того самого розриву: інвестиції в інфраструктуру та навчання персоналу роботі зі ШІ концентруються в дослідницьких університетах (Россельська група), тоді як установи, орієнтовані на викладання (пост-92), стикаються з обмеженнями потужностей, і лише меншість установ Великої Британії мають офіційні плани врядування ШІ ([[ai-uk-higher-education-policy-2026|Ashiq (2026)]]).

**Галузь, що формує політику без доказової бази.** Розрив зрілості постає також як проблема доказовості в професійних програмах. [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski and Hurley (2025)]] оцінили інституційну політику юридичних факультетів США, схвалених ABA, за п’ятьма вимірами — заборонністю, дозвільністю, освітньою інтеграцією, прозорістю та підзвітністю, глибиною — і виявили, що більшість факультетів займають загалом заборонні позиції, залишаючи дискрецію окремим викладачам та зобов’язуючись переглядати правила в міру розвитку технологій. Обережність вони пояснюють тиском часу, а не доказами: опитування ABA 2024 року отримало відповіді лише від близько 15% акредитованих факультетів, а автори не повідомляють про консенсус щодо того, чи має розкриватися використання ШІ і як його цитувати. Їхній висновок є процесуальним — будуйте політику разом із викладачами, а не для них, навчайте завчасно і сприймайте створення політики як повторювану подію, а не одноразовий акт, — що робить [[legal-education]] одним із найявніших випадків розрізнення політики та врядування, яке проводить ця сторінка.

**Викладачі регулюють; установи — переважно ні.** Розрив зрілості має друге обличчя, видиме з боку викладання. [[watson-rainie-ai-challenge-faculty-survey-2026|Watson and Rainie (2026)]] опитали 1 057 викладачів коледжів і університетів США і виявили, що правила писалися значно швидше нижче установи, ніж у самій установі: 87% респондентів створили власну політику на рівні навчальних завдань для [[student-ai-interaction|student AI use]], проти 35%, які заявили, що керівництва написала їхня кафедра, і 48%, які заявили, що їхня установа. Структурна відповідь за цими документами є мізерною — 55% повідомили про робочу групу чи наглядну комісію, 37% про нові курси, орієнтовані на ШІ, 17% про спеціальність чи мінор із ШІ, 16% про нові офіси академічного керівництва і лише 13% про прийняття [[ai-literacy|AI literacy]] як результату загальної освіти, — тоді як 68% заявили, що їхні заклади не підготували викладачів до викладання з інструментами. Оскільки студенти сприймають виникаючу із цього мозаїку як єдиний інституційний режим, цей результат є прямим доказом проведеного на цій сторінці розрізнення між документом політики та врядуванням, що робить його узгодженим. (Автори описують вибірку як ненаукову та непридатну для узагальнення, тому її найкраще читати як висловлені галуззю занепокоєння.) Цей задокументований розрив має вимірюваний наслідок на боці студентів. Дводослідний дизайн Чень — 160 студентів мистецьких спеціальностей у сценарному експерименті та 425 опитаних ([[gai-advocacy-practice-art-education-2026|Chen, 2026]]) — виявив, що сприйнята неузгодженість між пропагандою GAI в університеті та його фактичною практикою викладання, оцінювання та підтримки позитивно передбачала оцінки й перешкоди (β = 0,431), і виклику (β = 0,496), що несли протилежні опосередковані ефекти на залученість у творчий процес (β = −0,060 через перешкоду, p = 0,004; β = 0,217 через виклик, p < 0,001), тобто одна неузгоджена політика може водночас придушувати й підтримувати творчу роботу студентів.

**Регулювання на рівні завдань — це новий патерн.** Великомасштабове лонгітюдне дослідження понад 31 000 навчальних програм курсів (2021–2025) у великому державному дослідницькому університеті ([[chirikov-regulate-ai-syllabi-2026|Chirikov 2026]]) показує, як викладачі насправді регулюють ШІ на практиці: явне регулювання ШІ зросло з майже нуля до 55% курсів до осені 2025 року, але напрям змістився від заборонного до дозвільного, і викладачі все частіше **диференціювали за типом завдання** — обмежуючи ШІ для створення текстів/міркування (завдання з ризиком витіснення), водночас дозволяючи його для редагування/коригування та підтримки навчання (завдання доповнення). Кадрування також змістилося від академічної доброчесності (63% → 49% програм) до впливу на навчання (1% → 29%). Цей завданнєвий патерн — побудований на механізмах економіки праці витіснення, доповнення та поновлення завдань — пропонує більш детальну альтернативу політикам повного впровадження чи заборони і є прямим емпіричним якорем для наведеного вище розрізнення політики та врядування.

- **Студентський бік регулювання на рівні завдань.** За умови однакового рівня відкритого використання для двох із трьох оцінювань, формат оцінювання все одно визначав, для чого студенти використовували GenAI: випадки використання для зворотного зв’язку зросли з 0% у скаффолдингованій презентації до 66,7% у домашньому тесті ([[genai-use-changing-institutional-policy-physics-2026|Quince and Faulconer (2026)]]).

**Проєктування політики на рівні викладача як вправа на узгодження.** Регулювання на рівні завдань має проєктувальний аналог нижче за навчальну програму. [[mccorkle-aligned-genai-course-policy-2025|McCorkle's (2025)]] виводить дозволене та заборонене використання GenAI в курсі з питання «що, конкретно, я оцінюю?» — інвентаризуючи кожне завдання в проєкті, відображаючи кожне на навчальну мету, поєднуючи кожне із новою компетентністю робочої сили щодо GenAI ([[career-development-and-readiness]]), а потім вирішуючи, якому занепокоєнню надати пріоритет: необхідності оцінити успішність студента чи цінності формування компетентності. Виникаюча політика відрізняється завдання від завдання в межах одного проєкту — вибір тем і підбір зображень дозволені, формулювання навчальних цілей і проєктування слайдів — ні, з [[framing-ai-use-for-students|rationale written directly to students]]. Кейс також документує, чому повні заборони зазнають невдачі на практиці: студенти, які не вважають себе нечесними, читають заборону як таку, що до них не стосується, і політика стає несправедливою ([[equity-in-ai-education]]), коли очікування залишаються неявними. Вона доповнює наведені вище рівні політики згори донизу, показуючи, як *зміст* політики може бути породжений узгодженістю з [[assessment]] на рівні курсу та навчального завдання.

**Розрив між межею та доказами в політиці оцінювання.** Аудит публічних настанов щодо [[generative-ai|GenAI]] у 30 університетах ([[credential-cognitive-stewardship-ai-assessment|Yao 2026]]) виявляє, що інституційна політика краще *класифікує* використання ШІ, ніж пояснює, які докази навчання залишаються чинними в межах кожного класу: середній бал межі делегування (2,47/4) перевищував середній бал стандарту доказовості (1,89/4), запобіжні заходи були рідкісними (2,75 з 8), а настанови були найясніщими для підміни кінцевого результату. Рамка *когнітивного управління знанням* (cognitive stewardship) стверджує, що політика має робити видимою логіку сертифікації — що здобувачі можуть делегувати, що вони все ще мусять продемонструвати, і як установи захищають справедливі докази, — а не лише моніторити використання ШІ.

**Надмірно широка заборонна мова та неправильно застосовані правила.** Обсяг правила є політичним рішенням з наслідками, що виходять за межі дотримання. [[wright-transcription-not-generation-2026|Wright (2026)]] стверджує, що повні заборони, написані в [[higher-ed|higher education]] з 2023 року, забороняють «генеративний ШІ» без технічної точності, необхідної, щоб відокремити створення контенту від перетворення форматів із підтримкою ШІ, — оптичне розпізнавання символів, розпізнавання рукописного тексту й перетворення мовлення в текст є [[ai-technologies|technologies]] розпізнавання, які виводять те, що студент уже написав, а не створюють новий контент. За таким прочитанням санкціювання використання лише для транскрипції найкраще характеризувати як неправильне застосування політики, а не як проступок, і витрати через неточність розподіляються нерівномірно: студенти, піддані ризику [[equity-in-ai-education|equity]], та студенти з інвалідністю, які покладаються на ці інструменти, несуть непропорційний ризик хибнопозитивних рішень, — вплив, який [[legal-issues-and-risks|legal issues and risks]] розглядають як питання розумного пристосування, а не питання доброчесності.

**Межа, заснована на призначенні, замість переліку інструментів.** [[li-genai-assessment-language-equity-2026|Li (2026)]] дає той зміст політики, якого бракує надмірно широкій заборонній мові: лінію між підтримкою та підміною, визначену функцією та конструктом оцінювання, а не переліченням інструментів, з тим аргументом, що переліки інструментів застарівають і заохочують дотримання через інтерфейс. Дозволена підтримка — це поверхнева інтервенція, що не додає жодних ідей, жодних джерел і жодного суттєвого переупорядкування аналізу; підміна — це створення аргументів чи контраргументів, застосування дисциплінарних правил до фактів, перебудова аналітичної послідовності чи створення цитат для включення. Рамка подана як три інструменти — робочі визначення зі спільними швидкими тестами, щоб двоє екзаменаторів однаково характеризували одну й ту саму поведінку, калібровані шаблони [[ai-use-disclosure|disclosure]], що варіюються від нічого для вбудованих функцій низького ризику до одного рядка для зовнішнього мовного редагування та приблизно 80–120 слів там, де обмежена генерація ідей прямо дозволена, і рубрику рішень, яка називає слабкі сурогати (відполірована мова або раптова плавність, нефононна формулювання, поодинокі бали виявлення) поряд із типами доказів, що можуть мати вагу. Вона також окреслює умови, за яких масштабовані дозвільні режими, такі як шкала оцінювання ШІ, залишаються працездатними: використання прямо дозволене для конкретного завдання, конструкт уточнений так, що студенти й екзаменатори знають, що оцінюється, і розкриття залишається можливим.

**Поетапна автоматизація з обов’язковим людським наглядом.** Національний іспит підтвердження кваліфікації для молодшої середньої школи в Уругваї [[human-in-the-loop-ai-scoring-national-assessment-2026|*Acredita EB*]] дає конкретну модель автоматизації, що зберігає нагляд: розділи з вибором відповіді та наявні процедури залишаються незмінними, ШІ використовується лише для розділу письма в межах обов’язкової калібрувальної стадії на 50–100 текстах, і два правила відсікання визначають, які результати потребують експертного перегляду — кандидати, які не можуть скласти за іншими двома розділами, не потребують перегляду письма, а кандидати, що досягли рівня володіння за всіма трьома розділами, складають іспит із лише 0,2%/0,6% спостережуваного залишкового ризику. Автори оцінюють, що такий дизайн міг би скоротити кількість письмових відповідей, що потребують повного людського оцінювання, щонайменше на 50%, зберігаючи керівний принцип, що жодне остаточне рішення про результати тесту не приймається без відповідного [[human-in-the-loop-ai|human oversight]]. Це доповнює наведену вище роботу щодо межі та доказів, показуючи політику, яка визначає не лише те, де ШІ дозволений, але й те, які людські докази та перегляд залишаються обов’язковими.

**Асоціальний бік [[automated-assessment|automated grading]].** Політика, що направляє оцінювання через інструмент ШІ, успадковує поверхню атаки. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] провів червоний командний тест інституційного робочого процесу оцінювання, сховавши п’ять непрямих ін’єкцій підказок у файлах синтетичної роботи, яку Microsoft Copilot (GPT-5.2) оцінив як «незадовільно» за всіма шістьма базовими прогонами. Дві стратегії підвищили оцінку без видимого попередження користувачеві — повідомлені частоти успіху атак 100% (9 із 9 ітерацій) і 94% (17 із 18), — а інструмент і тихо вимкнув чат після блокування найпростішої атаки, і, в одній ітерації, оголосив, що ігноруватиме вбудовані інструкції, перед тим як підвищити оцінку в наступних шести прогонах. Оцінка, отримана через приховану інструкцію, не має жодної заяви на [[assessment-validity|validity]], і та сама техніка могла б погіршити роботу, не залишивши стійкого сліду, тому прохання статті носять політичний, а не технічний характер: настанови на рівні сектору, професійний розвиток, обмежене використання ШІ з людським переглядом для високоставних робіт і стандартизоване, не залежне від предметної області тестування стійкості до ін’єкцій підказок, щоб поверхню атаки вимірювали, а не припускали. Це асоціальний аналог наведених вище дизайнів нагляду: там, де ті визначають, який людський перегляд є обов’язковим, цей визначає клас маніпуляцій, для виявлення яких перегляд існує, але для яких немає надійного сигналу.

**Матриця цінностей і норм як основа політики.** [[agarwal-ethical-values-norms-aied-2026|Agarwal et al. (2026)]] — [[meta-analysis-systematic-review|systematic review]] 25 статей, — консолідують етику AIED у шість основних [[ethics|ethical]] цінностей (недискримінація, управління даними, [[human-in-the-loop-ai|human oversight]], доброзичливість, пояснюваність, освітня доречність) і відображають етичні норми, видобуті з літератури, на матрицю «стейкхолдер × цінність». Огляд позиціонує цю матрицю як основу для побудови детальних етичних рамок і регулювання AIED, даючи освітнім установам, розробникам і регуляторам конкретні норми для впровадження окремих цінностей. Він виявляє, що норм доброзичливості, спрямованих на регуляторів, значно більше (дев’ять), ніж для будь-якого іншого набору стейкхолдерів, що сигналізує про роль регуляторів у забезпеченні того, щоб AIED приносив користь здобувачам через політику та законодавство, — конкретну, закріплену в цінностях відправну точку для описаного на цій сторінці механізму розрізнення політики та врядування.

**Твердження, що подорожують далі за своїми обмеженнями.** Оголошення пілотного проєкту — це також інструмент політики, і його стандарти звітності є частиною політики. [[el-salvador-ai-tutoring-selection-claim-2026|Restrepo Morales et al. (2026)]] аналізують епізод у Сальвадорі у вересні 2026 року, коли про пілотний проєкт зі ШІ-тьюторством у 171 публічній школі повідомили як про такий, що досяг результатів, порівнянних із Німеччиною та Швецією: проти середнього показника PISA 2022 з [[math-education|mathematics]] верхні 5,5% національного розподілу досягнень збіглися б із цією відміткою без жодного навчального приросту, і оцінювання пілотного проєкту охопило 7,0 студентів на школу проти 25,4 у національному опитуванні того ж року, тому опубліковані докази не можуть виключити відбір як пояснення. Їхня пропозиція — стандарт звітності з шести пунктів: базовий рівень шкіл-учасниць, протокол вибірки (студенти, що мають право на участь, оцінювані студенти, правило ідентифікації, рівень участі), дезагреговані бали зі стандартними похибками, операційна дата кожного компонента реформи, перекриття з репрезентативною національною вибіркою і кваліфікація, виражена в тому самому документі, дописі чи абзаці, що й твердження, — мотивована арифметикою розкриття самого оголошення: допис Світового банку, який ніс твердження, набрав близько 441 000 переглядів проти близько 11 000 у допису, який ніс кваліфікацію, на чотири позиції пізніше в тому самому ланцюжку. Урок політики в тому, що коли система використовує результати на шкільному рівні як докази про себе, формат розкриття вирішує, яке твердження стає публічним фактом.

Аналіз на рівні країн за PISA 2022–2025 виявив, що країни з вищим рівнем використання генеративного ШІ демонстрували більші спади в читанні та математиці, — асоціація, що зникала, коли контролювали попередні результати ([[genai-pisa-decline-countries-2026|Guerra & Aslanov, 2026]]). Автори читають це як застереження, що ширший доступ до чат-ботів не слід сприймати як благо сам по собі, і закликають до впроваджень у поєднанні з лонгітюдним оцінюванням.

### Політика проти врядування

Політика та врядування тісно пов’язані, але відмінні, і підтримання між ними розрізнення має значення для розуміння досліджень цієї бази знань.

- **Політика — це *зміст*, тобто те, що вирішено.** Політика — це формальне правило, принцип чи твердження: яке використання ШІ дозволене, заборонене чи обов’язкове; що має розкриватися; які формати оцінювання дозволені. Вона існує як задокументований артефакт (законодавство, інституційне керівництво, твердження в навчальній програмі) і відповідає на питання *«які є правила?»*
- **Врядування — це *механізм*, тобто те, як це вирішується, впроваджується та забезпечується.** Врядування охоплює інституційні структури, норми та механізми підзвітності, що створюють, виконують і моніторять політику: хто встановлює правила, як їх комунікують і забезпечують ресурсами, як забезпечується дотримання і як йому кидається виклик, і як їх переглядають в міру розвитку ШІ. Воно відповідає на питання *«хто вирішує, і як правила насправді набувають чинності?»*
- **Вони взаємозалежні.** Політика без врядування не забезпечується — писане правило, за яким ніхто не стежить, якого ніхто не моніторить і не оновлює. Врядування без політики бракує спрямованості — структури, що не адмініструють нічого конкретного. Дослідження цієї бази знань повторно показують, що ці два елементи мають будуватися разом: політика, яка лише *класифікує* використання ШІ без врядування, що визначає докази, запобіжні заходи та процеси перегляду, залишається слабкою на практиці ([[credential-cognitive-stewardship-ai-assessment|the cognitive-stewardship audit]]), а врядування, яке лише моніторить без чіткої політики, ризикує стати спостереженням без [[bias-mitigation|fairness]] (див. [[governance|AI governance]]).

- **Старше керівництво зі ШІ є рідкісним на тлі стратегічних амбіцій.** Огляд охоплення 19 джерел виявив, що лише 7% установ створили ролі старшого керівництва зі ШІ, хоч 49% розглядали ШІ як стратегічний пріоритет, причому більшість включених досліджень мали концептуальний або поперечний характер, тому жодного причинного ефекту антиципаційного врядування встановити не вдалося ([[baroudi-anticipatory-governance-ai-higher-ed-2026|Baroudi (2026)]]).

Практичний тест, що розділяє їх: політику можна прочитати на папері, а врядування спостерігається в тому, чи правило впроваджується, чи забезпечується і чи адаптується. Саме тому [[governance]] поширює [[regulation]] і політику на установи, і саме тому база знань розглядає вибори формату оцінювання ([[summative-assessment]]) як *політичні* рішення, які набувають чинності лише через структури *врядування*, такі як ради з перегляду, рамки декларування та маршрути оскарження.

**Аудиторна політика як інтерпретативна межа врядування.** Механізм врядування не зупиняється на інституційному документі; викладачі, які його читають і адаптують, є останнім ланцюгом у ланцюжку, і [[nash-preservice-teachers-classroom-ai-policies-2026|Nash & Burriss (2026)]] показують, як це ланцюго виглядає на практиці. Їхні [[teacher-education|preservice teachers]] очікували працювати в районах із політикою щодо ШІ, проте все одно мусили створювати правила, специфічні для власної аудиторії, для своїх власних студентів — необхідну навичку адаптації, — і автори стверджують, що викладачі можуть відмовитися впроваджувати ШІ для конкретних завдань читання й письма, не ігноруючи його, причому принципова відмова відрізняється від некритичного відкидання. Підтримання цього розрізнення життєздатним саме є завданням врядування: райони та програми підготовки потребують настанов, [[educational-development|professional development]] та політичної інфраструктури, що дозволяють викладачам відмовлятися від конкретних видів використання, не будучи представленими такими, що відстають від часу.

**Індикатори врядування для проблеми автентифікації.** [[coates-governing-academic-integrity-indicators-2025|Coates, Croucher and Calderon (2025)]] дають шар вимірювання, який підказує це розрізнення політики та врядування, розглядаючи [[academic-integrity]] в епоху GenAI як проблему врядування раніше, ніж проблему виявлення, і вважаючи сучасне академічне врядування стійким, але «не добре розташованим і не готовим» захистити автентифікацію студентського [[assessment]]. Їхня рамка містить 130 питань врядування в межах восьми вимірів — проєктування, розроблення, навчання, впровадження, аналіз, звітність, оцінювання та вдосконалення, — і ці пункти є питаннями про інституційний механізм, а не психометричними шкалами: чи отримує найвищий орган або рада установи оновлення про процеси та результати оцінювання, чи охоплюють ключові показники ефективності якість оцінювання, який відсоток студентів відомий індивідуально викладачам, які їх оцінюють, чи перехрестя перевіряються надзвичайно низькі або високі оцінки, і чи існує простий маршрут для передачі справ про замовлення робіт. Супутня програма реформування спрямована на архітектури врядування, людей, які обіймають ролі врядування, і технології та ресурси, що підтримують оцінювання, і автори стверджують, що невеликий інституційний розвиток не віддає без зовнішньої підтримки з боку регулювання, [[benchmark|benchmarking]] та міжустановчої конкуренції — того самого регуляторного тиску, який сторінка [[regulation]] розглядає як обмежувальний чинник реформи врядування.

- **Розрив вимірюється й на рівні K-12, а не лише в університетах.** Національно репрезентативне опитування 1 018 учителів та директорів публічних шкіл США виявило, що лише 18% учителів і 24% директорів повідомили про політику щодо генеративного ШІ в школі — той самий патерн нижче за установу, який ця сторінка документує у вищій освіті ([[tench-ai-policy-isnt-a-playbook-2026|Tench, Weinstein & James, 2026]]).

### Політичний дефіцит у дослідженнях ШІ × SEL

[[meta-analysis-systematic-review|systematic review]] 65 статей на перетині [[ai-education|AI]] та [[social-emotional-learning|social-emotional learning]] ([[policy-deficit-ai-sel-2026|Tran, Liu & Nguyen 2026]]) документує «політичний дефіцит»: майже три чверті досліджень не окреслюють жодних політичних імплікацій, а ті, що окреслюють, часто бракують специфічності, орієнтованої на акторів. Огляд виявляє, що політична [[student-engagement|engagement]] корелює із виданням публікації, відображаючи академічні стимули, що винагороджують технічну новизку понад [[governance]] та [[regulation]]. Він пропонує рамку «WH-питань» (Who, What, Why, When/Where, How) і перехід від «імплікації як останньої думки» до «імплікації як методології» — сприйняття політичного формулювання як обмеження проєктування дослідження, а не як пізнього доповнення.

## Пов’язані поняття
- [[pedagogical-partnerships]] — Pedagogical Partnerships
- [[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]] — 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
- [[stakeholders]] — Umbrella: people and audiences in AI education (learners, teachers, designers, administrators, policymakers)
- [[student-support-and-success]] — the policy context for institutional support deployment

## Пов’язані статті
- [[tench-ai-policy-isnt-a-playbook-2026]] — A nationally representative survey of US teachers and principals on AI policy coverage, agency, and five classroom plays (Tench, Weinstein & James 2026)
- [[gai-advocacy-practice-art-education-2026]] — When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education
- [[nash-preservice-teachers-classroom-ai-policies-2026]] — Preservice English teachers' classroom AI policies: what they permitted, limited, and banned (Nash & Burriss 2026)
- [[human-in-the-loop-ai-scoring-national-assessment-2026]] — A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment
- [[mccorkle-aligned-genai-course-policy-2025]] — Deriving allowed and unallowed GenAI uses task by task from what is assessed (McCorkle 2025)
- [[chirikov-regulate-ai-syllabi-2026]] — How instructors regulate AI across 31,000 course syllabi (Chirikov 2026)
- [[chirikov-ai-grade-inflation-2026]] — AI task displacement as a mechanism of grade inflation (Chirikov 2026)
- [[crompton-governing-genai-higher-ed-delphi-2026]] — Global Delphi on governing generative AI in higher education
- [[qian-governing-genai-higher-ed-policy-2026]] — Guidance over policy: instructor-set syllabus rules and a four-unit support ecosystem across 50 innovative US universities (Qian 2026)
- [[gutowski-hurley-genai-policy-legal-education-2025]] — Five-factor comparison of law school GenAI policies in a sector making policy without an evidence base (Gutowski & Hurley 2025)
- [[wright-transcription-not-generation-2026]] — Transcription is not generation: over-inclusive AI rules, format conversion and disability accommodation (Wright 2026)
- [[baroudi-anticipatory-governance-ai-higher-ed-2026]] — Anticipatory governance for AI in higher education (scoping review)
- [[institutional-ai-policy-health-informatics-2026]] — AI policy documents across all 48 accredited health informatics master's programs: mostly guidance, centered on academic integrity (Eldredge et al. 2026)
- [[credential-cognitive-stewardship-ai-assessment]] — Cognitive stewardship for AI-mediated assessment (30-university policy audit)
- [[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]] — The Policy Deficit in AI × SEL Research
- [[agarwal-ethical-values-norms-aied-2026]] — Ethical values and norms for AI in education
- [[perrotta-zero-shot-governance-2026]] — Zero-shot governance: general-purpose AI in policy (Perrotta 2026)
- [[el-salvador-ai-tutoring-selection-claim-2026]] — Bounding the learning claim of El Salvador's AI tutoring pilot (Restrepo Morales et al. 2026)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — 1,057 US faculty: 87% write their own assignment rules against thin institutional and departmental guidelines (Watson & Rainie 2026)
- [[li-genai-assessment-language-equity-2026]] — A purpose-based support–substitution boundary with calibrated disclosure and decision rubrics (Li 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Prompt injection in AI-mediated grading: grades changed undetected, and the policy-level response (Humble 2026)
- [[coates-governing-academic-integrity-indicators-2025]] — 130 governance indicators for authenticating assessment, and the external pressure reform needs (Coates, Croucher & Calderon 2025)
- [[genai-use-changing-institutional-policy-physics-2026]] — Policy tier versus task design: what students used GenAI for across three physics assessments (Quince & Faulconer 2026)
- [[genai-pisa-decline-countries-2026]] — Higher country-level generative-AI use tracked larger PISA 2022-2025 declines, a correlation that vanished after controlling for prior performance (Guerra & Aslanov 2026)

---

## [Урядування ШІ](https://edtechdev.github.io/aied/concepts/governance/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Урядування ШІ** — фреймворки, політики, інституційні структури та норми, що направляють відповідальне проєктування, впровадження та використання [[ai-education|штучного інтелекту в освіті]]. Урядування охоплює формальні інституційні механізми (керівні групи зі ШІ, політики щодо академічної доброчесності та прийнятного використання, етичну експертизу) та неформальні норми (вказівки для викладацького складу, професійний розвиток, культури [[reducing-ai-misuse|відповідального використання ШІ]]). В епоху ШІ ефективне урядування є передумовою етичного, [[equity-in-ai-education|справедливого]] та стійкого впровадження генеративного ШІ — воно визначає, чи інтегрується ШІ прозоро й з підзвітністю, чи впроваджується реактивно способами, що поглиблюють нерівності.

## Запитання для роздумів

- Якщо ваша установа має політику щодо ШІ на папері, але жодного чіткого процесу її забезпечення, оновлення чи комунікації, чи це справді урядування? Що відрізняє правило, що існує, від правила, яким справді керують?
- Студенти в одному дослідженні сказали, що їхній університет не має чіткої політики щодо ШІ і що це формувало те, як вони використовували ШІ. Як невизначеність політики може впливати на те, що студенти вирішують вважати «прийнятним використанням» — і чи мають установи непокоїтися тим, що залишають ці домовленості на осіб?
- Сторінка відрізняє урядування на основі виявлення (поліцейський нагляд за використанням ШІ) від урядування на основі дизайну (перепроєктування оцінювання так, щоб використання ШІ було очікуваним і заявленим). До якого підходу тяжіє ваша власна практика оцінювання, і які компроміси в кожного?
- Урядування описане як таке, що діє на національному, інституційному та аудиторному рівнях. Візьміть одне правило щодо ШІ у вашому контексті: хто його встановив, як воно комунікується й забезпечується, і наскільки добре ці рівні узгоджені?
- Один фреймворк переосмислює урядування ШІ як проблему колективної дії з підтримки спільної експертизи — «когнітивного спільного». Як захист колективного пулу знань професії змінює ваше мислення про урядування ШІ порівняно з просто регулюванням інструмента?
- Сторінка попереджає, що обов’язкові декларації використання ШІ зазнають невдачі, коли здаються каральними або невизначеними. Коли ви бачили, як правило відповідності спрацьовувало навпаки, бо люди йому не довіряли або його не розуміли — і чому це навчило вас щодо урядування?

## Вступ

Урядування ШІ в освіті стає дедалі нагальнішим, оскільки [[generative-ai|генеративний ШІ]] вводить нові епістемічні, етичні та організаційні виклики: він дестабілізує припущення про виробництво знань, [[agency|агентивність здобувача]], валідність [[assessment]] та [[teacher-role|роль педагогів]] як епістемічних авторитетів. Урядування розв’язує питання [[academic-integrity|академічної доброчесності]] (що вважається прийнятним використанням ШІ), [[privacy|приватності даних]] і безпеки, [[bias-mitigation|алгоритмічної упередженості]] та справедливості, [[explainable-ai|прозорості]] та підзвітності, а також узгодження впровадження ШІ з місією та цінностями установи. Повторюваним висновком у [[research-methods-aied|дослідженнях]] цієї бази знань є те, що **інституційне урядування часто відстає** — багато установ не мають чітких, уніфікованих політик щодо ШІ, залишаючи студентам і викладачам самостійно узгоджувати прийнятне використання.

- **Урядування zero-shot як структурна умова платформизації.** [[perrotta-zero-shot-governance-2026|Perrotta (2026)]] розробляє поняття **урядування zero-shot** — доменно-агностичного [[generative-ai|генеративного ШІ]], що втручається в політичні рішення — через аналіз на рівні коду **Redbox**, припиненого прототипу британської цивільної служби, побудованого на готових [[llm|ВММ]]. Читаючи його архітектуру (невидимий системний підказковий контекст + тонкий Python-обгортка над конвеєром [[rag]] retrieve→format→generate та провайдер-агностичний хмарний стек), стаття стверджує, що загального призначення характер фундаційних моделей є *структурною рисою* платформизації, яку можна пом’якшити, але ніколи не виключити: [[agentic-ai|агентний ШІ]] не перериває монополістичну, рентну логіку платформ, і той самий ймовірнісний механізм, що породжує новизну, також створює [[hallucination-risk|галюцинації]]. Для урядування наслідок у тому, що нагляд над ШІ загального призначення має розглядати абераційний результат як незвідний, лише пом’якшуваний ризик, а не як виправну ваду — застереження, що однаково стосується міркувань про [[educational-policy-ai|освітню політику]].

- **[[baroudi-anticipatory-governance-ai-higher-ed-2026|Baroudi]]** [[meta-analysis-systematic-review|огляд]] фреймує урядування ШІ у вищій освіті через лінзи антиципаційного урядування та лідерства.

- **Співпроєктування політики студентами:** [[guided-inquiry-genai-course-policy-2026|Hingle і Johri]] показують, як вид діяльності на керованому розслідуванні, у якому студенти співспроєктували політику курсу щодо генеративного ШІ, виявив цінності студентів — надаючи пріоритет навчанню, стандартизованим процедурам [[ai-use-disclosure|розкриття]], сильнішій інституційній підтримці та більшій участі в прийнятті рішень. Це позиціонує [[pedagogical-partnerships|студентів як партнерів]] в урядуванні, а не як пасивних суб’єктів, доповнюючи політику інституційного рівня голосом студентів знизу.

- **Пастка техно-солюціонізму та дефіцит політики:** систематичний огляд 65 досліджень ШІ × [[social-emotional-learning|соціально-емоційного навчання]] ([[policy-deficit-ai-sel-2026|Tran, Liu & Nguyen 2026]]) виявляє, що дослідження часто висувають на передній план технічний потенціал, недостатньо специфікуючи інституційні умови відповідального впровадження — пастку «техно-солюціонізму». Автори пов’язують [[student-engagement|залученість]] у політику з виданням, де опубліковано роботу, і пропонують фреймворк «WH-питань», щоб зробити наслідки урядування специфічними для актора, перегукуючись із ширшим висновком бази знань, що інституційне урядування відстає від впровадження ШІ.

## Як урядування ШІ проявляється в дослідженнях

- **Інституційне впровадження в масштабі:** [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|дослідження AIDA в Open University]] показує, як установа спроєктувала, впровадила та оцінила асистента на генеративному ШІ, виявивши, що відповідальне розгортання на системному рівні вимагає структур урядування (керівної групи зі ШІ), спонсорства з боку старшого керівництва та узгодження зі стратегією установи — а не лише технічної спроможності.

- **Лідерство та системна зміна:** [[leveraging-complex-systems-leading-for-transformative-change|SPARK]] фреймує урядування в межах Complexity Leadership Theory, стверджуючи, що лідери мають балансувати адміністративну стабільність із емерджентною інноваційністю, вбудовуючи механізми урядування (політики, режими оцінювання, фреймворки підзвітності), щоб інновації адаптивного простору могли підтримуватися та масштабуватися.

- **Невизначеність політики та досвід студентів:** [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination|Students' engagement with GenAI]] виявило, що 12 із 23 студентів зазначили відсутність явних інституційних політик щодо ШІ («University doesn't have a clear and unified policy yet»), стверджуючи, що невизначеність урядування формує практики, норми та [[self-regulated-learning|саморегуляцію]] студентів — підтримуючи перехід до прозорих інституційних вказівок.

- **ШІ-грамотність як потужність урядування («18-а ЦСР»):** [[ai-literacy-sdg-governance-framework-2026|Islam, Morshed та Islam (2026)]] переосмислюють ШІ-грамотність як системний механізм урядування, а не як вміння в аудиторії, пропонуючи шестирівневу таксономію AIRE (Recognize → Comprehend → Apply → Analyze → Integrate → Govern), що розширює ієрархію Блума етичним синтезом і стратегічною передбачливістю, та карти зв’язку ШІ–ЦСР, що відображає компетентності грамотності на всі сімнадцять [[sustainability|Цілей сталого розвитку]]. Фреймуючи ШІ-грамотність як евристику «18-ї ЦСР» — наскрізну потужність, що направляє навчання в урядування та сталий розвиток, — дослідження 300 професіоналів виявило, що грамотність в урядуванні є найсильнішим предиктором обізнаності про зв’язок ШІ–ЦСР (β = 0.64, r = 0.67 з обізнаністю про зв’язок), і визначило етичне міркування та рефлексивне мислення як найсильніші предиктори довірливого використання ШІ. Це пов’язує інституційне урядування з культивуванням публічної [[ai-literacy]], перегукуючись із висновком бази знань, що відповідальне узгодження ШІ вимагає [[stakeholders|політиків]] та громадян, що здатні критично тлумачити алгоритмічні системи, а не лише орієнтованого на відповідність технічного контролю.

- **Академічна доброчесність та оцінювання:** Урядування є центральним для того, як установи поводяться із занепокоєннями щодо [[academic-integrity]], пов’язаними зі ШІ, і перепроєктовують [[assessment]] — переходячи від заборони/нагляду до вказівок, ШІ-грамотності та зосереджених на процесі дизайнів, як видно в дослідженнях [[student-rationalization-ai-writing|раціоналізації студентами]] та [[beyond-detection-authentic-assessment-ai-2025|перепроєктування автентичного оцінювання]].

- **Перепроєктування діє за трьома вимірами водночас.** [[assessment-redesign-critical-practice-2026|Laidlaw (2026)]] фреймує перепроєктування оцінювання в епоху ШІ через культурно-дискурсивний (мова та припущення), матеріально-економічний (ресурси) та соціально-політичний (урядування та влада) виміри, і називає перетин ресурсів і влади водночас найбільшою точкою опори і найбільшим ризиком: ресурси, що течуть через наявні структури влади, підсилюють нерівності.

- **Інструментальний набір записаного урядування:** [[institutional-ai-policy-health-informatics-2026|Eldredge et al. (2026)]] про аудит документів, пов’язаних зі ШІ, з усіх 48 магістерських програм з медичної інформатики та управління медичною інформацією, акредитованих CAHIIM, у Сполучених Штатах. Сорок із 48 (83%) мали щонайменше один публічно доступний документ, і в 40 проаналізованих документах урядування реалізовувалося переважно як вказівки, а не як обов’язкове правило: 21 вказівка (53%), 9 інформаційних документів (23%) і лише 7 формальних політик (18%). Більшість документів були адресовані викладачам і студентам разом (20, 51%), а не лише студентам (6, 15%), і ні тип політики, ні аудиторія не варіювалися за способом подачі (точний тест Фішера P = .85 і P = .71), що свідчить про те, що інструментальний набір відстежує інституційну звичку, а не вимоги онлайн-, кампусних чи гібридних програм. Зміст кластеризувався навколо академічної доброчесності, відповідального використання ШІ та поведінки студентів, із небагатьма вказівками щодо використання ШІ в прикладному навчанні, дослідженнях та змодельованих середовищах — саме там, де перетинаються занепокоєння щодо навчального плану та урядування даними. Автори також повідомляють, що регіональні акредитатори поставили більшість корпусу (Higher Learning Commission n = 14 і SACSCOC n = 13, разом близько 60%, і жодного з регіону WASC), і стверджують, що акредитація є тим зовнішнім важелем, який найкраще розташований, щоб зменшити варіацію між програмами.

- **Урядування як розподілена екосистема підтримки:** [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] закодував вказівки щодо ШІ 50 американських університетів, визнаних найінноваційнішими, і виявив, що урядування реалізується менше як правило, а як тлумачення та підтримка: лише 6 із 50 сфреймували свою основну сторінку як «політику», 33 з 50 позиціонували викладачів як основних перекладачів інституційних очікувань у правила курсу, а підтримка для цього кластеризувалася в чотирьох взаємопов’язаних одиницях — центри викладання та навчання, що постачають мову для силбусу та меню політик курсу, бібліотеки, що встановлюють стандарти цитування та походження, ІТ-та корпоративні управлінські офіси, що керують правилами класифікації даних та перевіреними наборами інструментів, і офіси академічної доброчесності, що несуть належний процес і відновлення з навчанням на першому місці. Qian стверджує, що саме [[scaffolding]], а не позиція, зменшує невизначеність, і повідомляє, що вона розподілена нерівномірно: 33 із 50 установ опублікували матеріали для силбусу або політик курсу, тоді як лише 4 висунули на передній план вказівки, звернені до студентів. Це є висновок про інструментальний набір вище в організаційній формі — потужність урядування, розташована в одиницях, а не в документах.

- **Етика, приватність і упередженість:** Механізми урядування операціоналізують етичні принципи ([[ethics]], [[privacy]], [[bias-mitigation]]), які часто визнаються, але не забезпечуються, пов’язуючись із дебатами про відповідальний ШІ та [[regulation|регулювання]] в освіті.

- **Матриця цінностей/норм для урядування.** [[agarwal-ethical-values-norms-aied-2026|Agarwal et al. (2026)]] у [[meta-analysis-systematic-review|систематичному огляді]] 25 статей узагальнюють етику AIED у шість основних етичних цінностей (недискримінація, керування даними, [[human-in-the-loop-ai|людський нагляд]], доброзичливість, пояснюваність, освітня доречність) і відображають етичні норми, витягнуті з літератури, на матрицю «зацікавлена сторона × цінність». Це відображення робить норми придатними до дії правилами для реалізації конкретних цінностей і дає основу для побудови детальних етичних фреймворків і регулювання для AIED — даючи освітнім установам, розробникам і регуляторам конкретні норми для впровадження. Норми людського нагляду кластеризуються на освітніх установах і кінцевих користувачах, освітня доречність — на освітніх установах і регуляторах, а норми доброзичливості, спрямовані на регуляторів, значно численніші (дев’ять), ніж для будь-якого іншого набору, сигналізуючи про роль регуляторів у забезпеченні того, що AIED приносить вигоду здобувачам через політику та законодавство.

### Освіта з урядування

Урядування ШІ діє на двох рівнях, які база знань розглядає разом: *інституційні правила*, що керують використанням ШІ (політики, фреймворки прийнятного використання, вимоги до [[assessment]] і декларування), та *освіта про ці правила* (підготовка людей до навігації ними). Урядування без освіти ризикує бути незабезпеченим або непрозорим; освіта без урядування не має зубів. Дослідження в цьому напрямі включають [[genai-policies-higher-ed-computing|аналіз інституційних політик щодо генеративного ШІ]], [[genai-declaration-frameworks-higher-education|фреймворки декларування ШІ]], [[genai-assessment-governance|урядування оцінюванням]], [[ai-uk-higher-education-policy-2026|політику щодо ШІ у вищій освіті Великої Британії]] та [[raza-farooq-aied-review-2020-2025|комплексні огляди AIED]], що розташовують урядування в ширшому ландшафті політики.

### Урядування оцінюванням

Центральною ареною урядування ШІ є **як установи керують оцінюванням** — правила, що визначають, що вважається прийнятним використанням ШІ, як декларується робота із допомогою ШІ та як захищаються підсумкові міри. Це включає проєктування та забезпечення [[ai-use-disclosure|заяв про використання ШІ та розкриття]]: дослідження показують, що обов’язкові декларації зазнають невдачі, коли здаються каральними або невизначеними ([[gonsalves-student-non-compliance-ai-declarations-2025|Gonsalves 2025]], [[vetter-hidden-cost-disclosure-genai-2026|Vetter et al. 2026]]), і що саме чітка, узгоджена, заснована на довірі політика справді сприяє розкриттю. Дослідження бази знань відрізняють урядування на основі *виявлення* (поліцейський нагляд за використанням ШІ, наприклад через [[ai-detection]]) від урядування на основі *дизайну* (перепроєктування [[summative-assessment|підсумкового]] та [[authentic-assessment|автентичного]] оцінювання так, щоб використання ШІ було очікуваним, заявленим і ретельно розглянутим). [[genai-assessment-governance|Evidence-centered governance of generative AI in assessment]] і [[beyond-detection-authentic-assessment-ai-2025|Beyond Detection]] стверджують, що урядування має поєднувати будь-яке виявлення з перепроєктуванням оцінювання, тоді як вибір стійких до ШІ підсумкових форматів (усні іспити, міри під наглядом/за книжками, інтерв’ю з оглядом коду — див. [[summative-assessment]]) сам по собі є рішенням урядування. Великомасштабні дані [[stromberg-generative-ai-learning-penalty-secondary-2026|(Strömberg, Lei, & Wu 2026)]] підкреслюють важливість урядування підсумковими мірами, оскільки некеровані домашні завдання можуть бути надуті ШІ, тоді як фактичне навчання падає. Масштаб заборони сам по собі є рішенням урядування: [[wright-transcription-not-generation-2026|Wright (2026)]] показує, що правила, що забороняють «генеративний ШІ», не відрізняючи генерації від перетворення формату, вловлюють асистивні інструменти транскрипції та перетворюють неправильне застосування політики на звинувачення в порушенні, обтяжуючи студентів з інвалідністю та тих, хто виставлений ризику втрати [[equity-in-ai-education|справедливості]] — невдачу урядування, яку [[legal-issues-and-risks|legal issues and risks]] розглядає як питання рівності в не меншій мірі, ніж як питання доброчесності.

Дані, які [[ai-refusal-higher-education-diagnostic-non-use-2026|Zagami (2026)]] збирає в аренах із високими ставками, вказують на нерівномірне урядування, а не на просту відмову: часткове впровадження та неповна політика в оцінюванні, зарахуванні та дисциплінарних процесах, із інституційною затримкою, що діє як позиція урядування, а не як невдача. Інституційне завдання — тлумачити відмову достатньо добре, щоб покращити урядування, питаючи, які рішення вимагають людського перегляду, які системи вимагають аудиту, які види використання вимагають розкриття, а які вибори закупівлі вимагають публічного обґрунтування. [[weidlich-inference-at-risk-assessment-validity-2026|Weidlich (2026)]] додає специфічний для оцінювання корарій: бали детекторів є умовними ймовірнісними сигналами, що самі по собі не можуть встановити порушення, тому урядування, зосереджене на виявленні, є недостатньою основою для захисту тверджень про оцінювання.

### Урядування на рівнях

Урядування ШІ діє на кількох рівнях — від **національного/регуляторного** (державна політика, фреймворк OECD, державні вказівки щодо ШІ) до **інституційного** (університетські політики, керівні групи зі ШІ, ради етичної експертизи) до **аудиторного** (вказівки для викладачів, заяви в силбусах, проєктування завдань). Ефективне урядування узгоджує ці рівні: національні фреймворки встановлюють очікування, установи перекладають їх у політики та структури підтримки, а педагоги впроваджують їх способами, що будують ШІ-грамотність і агентивність студентів. Дослідження бази знань підкреслює, що урядування — це не лише обмеження, а створення умов для відповідальної, справедливої та підтримувальної для навчання інтеграції ШІ — включаючи [[educational-development|розвиток викладацького складу]], прозорі вказівки та поточне оцінювання.

**Однакова поведінка, різні вердикти.** [[genai-governance-australian-higher-ed-2026|Poudyal (2026)]] застосував 15 стандартизованих віньєток використання студентами до публічних політичних середовищ 20 австралійських університетів, отримавши 300 класифікацій: 40.0% чітко заборонені, 32.3% потенційних порушень політики, 9.0% дозволені з умовами та 18.7% невизначених — жодна не досягла порогу чітко дозволених. Обов’язкові інструменти мовчали щодо генеративного ШІ в 100 комбінаціях, тоді як вказівки вирішили 88, а розкрите переписування мовою та абзац, складений ШІ, дали найбільше розходження між університетами проти одностайності за явної заборони оцінювання. Там, де рівні, описані вище, припускаються узгодженими, це дослідження вимірює, наскільки вони розходяться, і розташовує операційну межу у вказівках, а не в обов’язковій політиці.

**Урядування викладацьким складом і справа за свідомий перегляд.** Там, де рівні вище узгоджені через політику, деякі сектори доходять до них через спільне урядування. [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski і Hurley (2025)]] описують [[legal-education|юридичні школи]] як важкий випадок саме з цієї причини: американські юридичні факультети мають незвичайну індивідуальну владу над стандартами курсу, тому політику має бути побудовано з ними, а не оголошено їм, і більшість шкіл, що пишуть заборони, також залишили розсуд індивідуальним викладачам і зобов’язалися до перегляду в міру руху технології. Їхні рекомендації — гнучкість за дизайном, періодичний перегляд, проактивне навчання та саморегуляція через обмін інформацією, а не очікування, поки акредитатор диктуватиме політику — описують урядування як тривалий процес, а не як документ, ту саму точку, яку [[crompton-governing-genai-higher-ed-delphi-2026|Дельфійський консенсус]] робить, рекомендуючи заплановані цикли перегляду та постійний міждисциплінарний комітет.

В масштабах усієї установи фреймворк **AIGEM** ([[tan-aigem-ai-educational-management-2026|Tan et al. 2026]]) позиціонує відповідальний ШІ як стратегічну організаційну потужність для освітнього управління, інтегруючи стратегічне лідерство в ШІ, відповідальне урядування, інтелект прийняття рішень, колаборативний інтелект людини та ШІ, розвиток компетентностей та створення стійкої цінності — і пов’язує відповідальне впровадження з ЦСР. Це підкреслює, що урядування — це не лише шар відповідності понад викладанням, а виконавча функція освітніх установ.

### Зв’язки з пов’язаними поняттями

Урядування ШІ пов’язується з [[ethics]] (принципами, які він операціоналізує), [[higher-ed]] (інституційним контекстом), [[privacy]] і [[bias-mitigation]] (конкретними занепокоєннями урядування) та [[academic-integrity]] (основною ареною урядування). Воно є центральним для [[change-management|інституційної зміни]] і відповідального ШІ, і перетинається з [[ai-literacy]] (урядування підтримує розвиток критичного, поінформованого використання). Воно також пов’язується з [[learning-analytics]] (урядування даними) та [[student-experience]] (урядування формує те, як студенти навігують прийнятне використання).

**Урядування когнітивним спільним.** Фреймворк Cognitive Commons ([[cognitive-commons-ai-expertise-regeneration|Lovett 2026]]) фреймує регенерацію експертизи як проблему колективної дії на рівні професії, що вимагає урядування в стилі Острома (визначення меж, моніторинг, градуйовані санкції, колективний вибір). Урядування ШІ, отже, — це не лише регулювання інструмента, а підтримка того пулу спільної експертизи, якого потребують професії — на організаційному, професійно-асоціаційному та політичному рівнях.

### Відношення до освітньої політики

Урядування відрізняється від — але є нерозривним із — [[educational-policy-ai|освітньої політики щодо ШІ]]. **Політика — це зміст**: формальні правила та заяви (яке використання ШІ дозволене, що має бути розкрите, яке оцінювання дозволене). **Урядування — це механізм**, що виробляє, впроваджує, забезпечує та переглядає ці правила: хто їх встановлює, як вони забезпечені ресурсами та комунікуються, як впораються з відповідністю та апеляціями, і як вони адаптуються в міру розвитку ШІ. Там, де сторінка [[educational-policy-ai|політики]] каталогізує *самі правила* та їхні прогалини зрілості, ця сторінка фокусується на *структурах та практиках*, що роблять правила реальними — керівних групах, етичній експертизі, урядуванні оцінюванням та підзвітності на рівнях. Правило на папері — це політика; правило, яке є прийнятим, моніторованим і забезпеченим, — це урядування. Ці двоє взаємозалежні: політика без урядування є незабезпеченою, а урядування без політики не має спрямування.

**Мова підзвітності може залишати відповідального актора неназваним.** [[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal (2026)]] витяг 166 виразів зобов’язання або відповідальності з 366 анотацій з досліджень генеративного ШІ у вищій освіті і виявив, що жоден не призначав відповідальність системі, тоді як 33 залишили носія неспецифікованим; «потрібне урядування» не називає нікого, хто скликає, вирішує чи забезпечує. Установи та політичні актори несли 37 зобов’язань, метонімії установа/педагог — 30, педагоги — 20, дослідники — 18, а студенти лише шість.

[[learning-analytics-to-educational-interventions-2026|Svetec, Divjak & Kadoić (2026)]] визначають **етику та урядування даними** як один із семи сприятливих чинників довірливих освітніх втручань на основі аналітики навчання — політики етичного використання аналітики навчання та ШІ, приватності даних, безпеки та підзвітності — і позиціонують [[trust|довірливість]] (включаючи лідерство та урядування, що підтримують впровадження) як передумову значущих втручань, поінформованих даними.

- **Урядування може бути вбудоване в інструмент.** Профіль урядування з шести вимірів — педагогічне обґрунтування, навчальний авторитет, людська підзвітність і контроль, агентивність здобувача та когнітивна залученість, специфічність контексту та видимість оцінювання — розташовує урядування в моделі взаємодії, підказках, рубриках, шлюзах затвердження та панелях керування навчального інструмента, і питає, чи відповідають механізми навчальній функції, а не наскільки інструмент є суворим чи дозволеним ([[instructional-governance-design-computing-education-2026|Dickey, 2026]]).

## Пов’язані поняття

- [[pedagogical-partnerships]] — Pedagogical Partnerships
- [[ai-use-disclosure]] — Заяви про використання ШІ та розкриття
- [[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]] — Зонтична категорія: люди та аудиторії в освіті зі ШІ (здобувачі, викладачі, дизайнери, адміністратори, політики)
- [[student-support-and-success]] — нагляд за інституційними системами підтримки студентів на основі ШІ

## Пов’язані статті

- [[ai-literacy-sdg-governance-framework-2026]] — ШІ-грамотність як потужність урядування для сталого розвитку: таксономія AIRE та зв’язок ШІ–ЦСР (Islam, Morshed & Islam 2026)
- [[tan-aigem-ai-educational-management-2026]] — Фреймворк AIGEM для урядування ШІ в освітньому управлінні
- [[institutional-ai-policy-health-informatics-2026]] — Документи політики та вказівок щодо ШІ в 48 акредитованих CAHIIM програмах медичної інформатики: урядування як необов’язкові, зосереджені на доброчесності вказівки (Eldredge et al. 2026)
- [[guided-inquiry-genai-course-policy-2026]] — Студенти, що співпроєктують політики курсу щодо генеративного ШІ через кероване розслідування (Hingle & Johri 2026)
- [[learning-analytics-to-educational-interventions-2026]] — Від аналітики навчання до освітніх втручань: сприятливі чинники довірливих втручань на основі аналітики навчання (Svetec, Divjak & Kadoić 2026)
- [[gonsalves-student-non-compliance-ai-declarations-2025]] — Невідповідність студентів деклараціям про використання ШІ
- [[vetter-hidden-cost-disclosure-genai-2026]] — Прихована вартість розкриття
- [[chang-should-i-tell-my-teacher-ai-disclosure-2026]] — Розкриття використання ШІ студентами, стигма та саморегульоване навчання
- [[weidlich-inference-at-risk-assessment-validity-2026]] — Which inference is at risk: assessment validity reasoning and generative AI (Weidlich 2026)
- [[crompton-governing-genai-higher-ed-delphi-2026]] — Глобальна Дельфі щодо урядування та політики в галузі генеративного ШІ
- [[qian-governing-genai-higher-ed-policy-2026]] — Урядування через вказівки: правила силбусу, встановлені викладачами, та екосистема підтримки з чотирьох одиниць в 50 інноваційних американських університетах (Qian 2026)
- [[gutowski-hurley-genai-policy-legal-education-2025]] — Урядування викладацьким складом, розсуд викладача та періодичний перегляд у політиці юридичних шкіл щодо генеративного ШІ (Gutowski & Hurley 2025)
- [[wright-transcription-not-generation-2026]] — Надмірно широкі заборони «ШІ», перетворення формату та проблема розумного пристосування (Wright 2026)
- [[ai-refusal-higher-education-diagnostic-non-use-2026]] — Відмова як доказ: нерівномірне урядування, обов’язок розуміти та діагностична цінність невикористання (Zagami 2026)
- [[baroudi-anticipatory-governance-ai-higher-ed-2026]] — Антиципаційне урядування та лідерство в галузі ШІ
- [[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of]] — Впровадження AIDA в Open University
- [[leveraging-complex-systems-leading-for-transformative-change]] — SPARK: Leading for Transformative Change
- [[students-engagement-with-generative-ai-in-academic-learning-a-self-determination]] — Students' Engagement With GenAI (SDT)
- [[beyond-detection-authentic-assessment-ai-2025]] — Beyond Detection: Authentic Assessment Redesign
- [[genai-policies-higher-ed-computing]] — Інституційна політика щодо генеративного ШІ в обчислювальній галузі
- [[genai-declaration-frameworks-higher-education]] — Фреймворки декларування ШІ
- [[genai-assessment-governance]] — Урядування оцінюванням за генеративного ШІ
- [[ai-uk-higher-education-policy-2026]] — ШІ в політиці вищої освіти Великої Британії
- [[raza-farooq-aied-review-2020-2025]] — Комплексний огляд досліджень AIED
- [[cognitive-commons-ai-expertise-regeneration]] — Трагедія когнітивного спільного: ШІ та регенерація експертизи
- [[policy-deficit-ai-sel-2026]] — The Policy Deficit in AI × SEL Research
- [[agarwal-ethical-values-norms-aied-2026]] — Етичні цінності та норми для ШІ в освіті
- [[perrotta-zero-shot-governance-2026]] — Урядування zero-shot: ШІ загального призначення в політиці (Perrotta 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
- [[instructional-governance-design-computing-education-2026]] — Instructional Governance by Design: A Framework for AI in Computing Education
- [[genai-governance-australian-higher-ed-2026]] — Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education

---

## [Управління змінами](https://edtechdev.github.io/aied/concepts/change-management/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Управління змінами** — свідомий набір процесів, структур управління та лідерських практик, за допомогою яких заклади [[higher-ed]] планують, упроваджують та підтримують інтеграцію ШІ в навчання, викладання та [[assessment]]. Оскільки [[generative-ai|генеративний ШІ]] прийшов як «arrival technology» — технологія, яка потрапила в аудиторії раніше, ніж накопичилися [[pedagogy|педагогічні]] свідчення, — управління змінами в [[ai-education|освіті з використанням ШІ]] має підтримувати безперервну адаптацію в умовах невизначеності, а не разове впровадження, урівноважуючи інституційну стабільність із суто новими інноваціями та спільним управлінням між [[administrator|адміністраторами]], [[teacher-role|викладачами]], студентами та [[educational-policy-ai|політиками]].

## Питання для роздумів

- Управління змінами тут описано як керування безперервною адаптацією в умовах невизначеності, бо генеративний ШІ з’явився в аудиторіях раніше, ніж накопичилися педагогічні свідчення. Що означає керувати змінами, коли не можна чекати на найкращі практики, але водночас не можна відповідально масштабувати неперевірені інновації?
- Постійною перешкодою є розрив між наміром «згори вниз» у політиці й реальністю аудиторії — наприклад, політики, які заохочують використання GenAI, тоді як навчальні плани курсів його забороняють, змушуючи викладачів імпровізувати. Як ви вваєте, чому політика й практика так легко розходяться саме навколо ШІ?
- [[research-methods-aied|Дослідження]] показує, що педагогічна орієнтація викладача — те, що він вважає щодо значення ШІ для дисциплінарного знання, — є найсильнішим предиктором упровадження, тоді як інституційні ініціативи та демографічні характеристики є на диво слабкими предикторами. Що це свідчить про те, де слід зосереджувати зусилля змін?
- Сторінка зазначає, що лише 7% закладів створили старші посади з лідерства в галузі ШІ, незважаючи на те, що 49% розглядають ШІ як стратегічний пріоритет. Як ви вваєте, що це сигналізує, коли заклад називає щось стратегічним, але не забезпечує його лідерськими ресурсами?
- Модель координаційної гри пояснює, чому одних політичних заяв недостатньо: [[student-ai-interaction|використання ШІ студентами]] є колективним процесом формування норм, і невеликі, добре відкалібровані зміни в стимулах до оцінювання можуть спричинити стрімкі зрушення в межах цілого потоку на користь відповідального використання. Як зміна стимулів до оцінювання може зробити більше, ніж будь-коли могла б видача політики?
- Сторінка попереджає, що фрагментоване упровадження розширює наявні розриви — інклюзію, справедливість і сталий розвиток часто залишають поза увагою навіть там, де основні етичні принципи сприймаються. Яких [[learners]], на вашу думку, або які заклади програють, коли змінами керують нерівномірно, і як утримати їх у центрі уваги?

## Вступ

Емпірична література послідовно показує, що ефективне управління змінами ШІ є соціотехнічним, а не лише технічним зусиллям. [[institutional-change-framework-ai|Структура інституційних змін]] адаптує класичні моделі змін до генеративного ШІ, стверджуючи, що заклади «не можуть чекати на найкращі практики, але не можуть відповідально масштабувати невиправданих інновацій», і закликаючи до скромного локального дослідження, реформ, організованих навколо педагогічних підходів, а не тимчасових інструментів, і залучення студентів як партнерів у реформах. Ця рамка резонує з аргументом [[leveraging-complex-systems-leading-for-transformative-change|лідерства в складних системах]], що освіта є складною адаптивною системою, у якій лідери мають оцінювати, коли підсилювати адміністративну стабільність, а коли відкривати «адаптивний простір» — поширюючи високоризикові інновації на кшталт ШІ через довірені соціальні мережі (складні зараження), а не через лінійний потік знань.

Постійною перешкодою змінам є розрив між наміром політики «згори вниз» і реальністю аудиторії. [[genai-policies-higher-ed-computing|Порівняльний аналіз політик]] виявив, що хоча 63% політик університетів R1 у США заохчують використання GenAI, половина навчальних планів обчислювальних курсів категорично його забороняє, змушуючи викладачів імпровізувати непослідовні локальні правила. Так само [[ai-uk-higher-education-policy-2026|огляд політики вищої освіти Великої Британії]] документує розділення між дослідницькими інституціями та закладами, орієнтованими на викладання, причому національні рекомендації критикують за відсутність конкретності та можливостей примусу, тоді як [[institutional-governance-ai-universities|аналіз інституційного управління]] показує, що політики університетського рівня акцентують безпеку даних і зниження ризиків, тоді як політики на [[k-12|шкільному]] рівні (якщо вони існують) зосереджені на педагогіці — структурна розбіжність, яка не відповідає акредитаційним очікуванням щодо уніфікованої інтеграції [[curriculum-design|навчального плану]], політики, оцінювання та інфраструктури.

## Дослідження управління змінами в освіті з використанням ШІ

Відповідна наукова література сходиться на кількох важелях управління змінами. **Структури управління (govemance)** забезпечують шаблони, побудовані на консенсусі: [[crompton-governing-genai-higher-ed-delphi-2026|глобальне дельфійське дослідження]] пропонує структуру управління GenAI із восьми областей (академічна доброчесність, етичне використання, [[privacy]], рівний доступ, грамотність, інтеграція, [[human-in-the-loop-ai|людський нагляд]], інституційна підтримка) плюс механізм огляду з шести частин для підтримання політики в актуальному стані, позиціонуючи політики як структур, що створюють умови, у межах взаємопов’язаної інституційної екосистеми. **Антиципаційне лідерство** — це комплементарна тема: [[baroudi-anticipatory-governance-ai-higher-ed-2026|огляд обсягу літератури]] виявляє, що заклади мають переходити від реактивного до управління, спрямованого на передбачення, причому розширення повноважень і розподільче лідерство збільшують упровадження — проте лише 7% закладів створили старші посади з лідерства в галузі ШІ, незважаючи на те, що 49% розглядають ШІ як стратегічний пріоритет.

**Драйвери упровадження** розкривають, чому зміни гальмують або досягають успіху. [[alrahmi-org-drivers-ai-adoption-he-2026|Дослідження організаційних драйверів]] показує, що внутрішня організаційна культура та технологічні атрибути (сумісність, відносна перевага, низька складність) каталізують упровадження ШІ, причому державне [[regulation]] виступає зовнішнім сприяючим фактором — це чутлива до контексту динаміка, яку не враховують моделі [[technology-acceptance-model|сприйняття технологій]] на індивідуальному рівні. Навпаки, [[ai-pedagogical-orientation|дослідження орієнтації викладачів]] виявляє, що епістемічна інтерпретація ШІ викладачем — його педагогічна орієнтація щодо того, що ШІ означає для дисциплінарного знання, — є найсильнішим предиктором упровадження, тоді як інституційні ініціативи та демографічні характеристики є на диво слабкими предикторами. Це застерігає, що стратегічні плани «згори вниз» мають обмежений вплив, якщо не залучають переконань викладачів, і що горизонтальні мережі колег (колеги з кафедри були головним джерелом інформації) значать більше, ніж центральні ініціативи.

**Кейси інституційної трансформації** показують, як ці важелі спрацьовують на практиці. [[ai-digital-transformation-liberal-arts-lingnan-2026|Qin (2026)]] аналізує стратегічні зміни в Університеті Ліннань за чотирма вимірами — оновлення навчання за допомогою ШІ, пріоритизацію незамінних людських компетентностей, поновлення навчального плану та збереження етичних і культурних цінностей, — ілюструючи, як давно існуючий заклад може керувати змінами, спричиненими [[generative-ai|GenAI]], не втрачаючи своєї ідентичності. Трансформація подана як інтелектуальна, а не техноцентрична, даючи інституційним лідерам поетапну модель для визнання обов’язкової ШІ-грамотності зі збереженням гуманістичної місії.

**Свідчення впровадження в шкільних системах** зсувають питання з того, який продукт упровадити, на те, як його використовують. Польові дослідження [[instruction-partners-ai-in-action-learning-tour-2026|Instruction Partners]] — 32 аудиторії в 16 шкільних системах у семи штатах — виявили, що той самий продукт спрацьовував добре або погано залежно від того, як учитель окреслював мету, спостерігав за панеллю інформації та діяв на основі показаного, а десятихвилинні активності розтягувалися на весь урок там, де бракувало звичок і чіткого місця в обсязі та послідовності. Продукти, які конкретизували дії учителя під час використання, застосовувалися ближче до передбаченого підходу, а учителям потрібен був тривалий коучинг, а не єдине впровадження; там, де лідери добре знали продукт, учичастіше виконували бажані дії.

**Сталий розвиток — властивість організації, а не інструмента.** Чотирирічна рандомізована оцінка нега GenerAI-текстового чат-бота месенджера в Університеті штату Каліфорнія, Північний Рідж, відстежує довговічність до адміністративного дому (спільний нагляд з боку Офісу бакалаврських студій та Офісу реєстрації), одного фахівця з комунікацій, який писав усі кампанії для послідовного голосу, і достатньої гнучкості в суміші повідомлень, щоб поглинути шок COVID-19 — тоді як обмін даними між офісами для цільової роботи виявився настільки обтяжливим, що цільові кампанії впали з 36% до 6% річного обсягу ([[mata-sustaining-ai-enabled-student-support-2026|Mata, Russell & Page 2026]], робочий документ, чиї висновки про впровадження спираються на спостереження системи та обговорення з адміністраторами, а не на випробування). Їхній результат щодо залученості підсилює той самий урок: річні показники відмови від участі ніколи не перевищували 4% протягом чотирьох років, що автори трактують як сприйнятливість, підтримувану тим, як заклад адаптував впровадження, а не самою технологією.

**Реформа оцінювання** — центральне поле бою управління змінами. [[ai-assessment-scale-reform|Дослідження AI Assessment Scale]] показує, що впровадженню структури заважали непослідовності між кафедрами, тиск робочого навантаження та невизначеність, причому співробітники описували процес як «a bit of chaos and madness». [[ethical-ai-higher-ed-game-theory|Модель координаційної гри]] дає формальне пояснення, чому одних політичних заяв недостатньо: використання ШІ студентами є колективним процесом формування норм, і невеликі, добре відкалібровані зміни в стимулах до рефлексивного оцінювання можуть спричинити стрімкі зрушення в межах цілого потоку на користь відповідального використання, тоді як слабкі або розбіжні стимули дозволяють опортуністичним практикам зберігатися. Це підтримує керування, орієнтоване на педагогіку, а не нагляд. [[ai-adaptation-gap-higher-education-2026|Опитування щодо розриву в адаптації до ШІ]] додає вимір [[stakeholders|зацікавлених сторін]]: студенти повідомляють про вищу інтенсивність використання ШІ та сприйняту корисність, ніж викладачі й адміністративний персонал, тоді як останні повідомляють про сильніші занепокоєння щодо [[academic-integrity]] — і сприйнята корисність зумовлює [[trust]] (β = 0.402) сильніше, ніж ясність інституційної політики (β = 0.223).

Семінар-практикум із практики оцінювання за участю 73 викладачів обчислювальних дисциплін дає відповідне підтвердження з боку аудиторії. Майже кожна зміна, яку описали учасники, була зроблена окремим викладачем в межах одного курсу без інституційної координації — колеги в межах однієї кафедри займали протилежні позиції, і ніщо їх не узгоджувало, — а відповідь на рівні навчального плану, за яку виступає звіт, не встигне завершитися вчасно, щоб допомогти нинішнім студентам; також спостерігалося, що складність завдань застаріває приблизно за семестровий цикл, що робить калібрування щодо поточної можливості моделі недовговічним інституційним активом, а не разовим рішенням ([[computing-assessment-genai-workshop-report-2026|Akbar et al., 2026]]).

## Наслідки

Управління змінами в освіті з використанням ШІ несе як позитивні, так і негативні наслідки. **Позитивно**, структуровані структури дають закладам шлях від реактивного керування кризою до проактивного, партисипативного управління; [[crompton-governing-genai-higher-ed-delphi-2026|Дельфійський консенсус]] і [[baroudi-anticipatory-governance-ai-higher-ed-2026|антиципаційне управління]] обидва підтримують розгляд [[ai-literacy]] та [[ethics]] як міждисциплінарних інституційних можливостей, а не ізольованих правил. **Негативно**, фрагментоване упровадження розширює наявні розриви: [[adarkwah-genai-unesco-policy-2026|аналіз структури ЮНЕСКО]] 30 провідних університетів виявляє, що основні етичні принципи та принципи [[governance]] широко сприймаються, але [[inclusive-learning|інклюзію]], справедливість і [[sustainability]] (доступ до інтернету, гендерний паритет, вплив на довкілля) часто залишають поза увагою — а національні рейтинги готовності до ШІ не прогнозують стійкої інституційної політики. [[league-ethical-governance-student-data-2026|Структура LEAGUE]] поширює це занепокоєння на [[learning-analytics]], стверджуючи, що управління має вийти за межі відповідності (FERPA/GDPR) назустріч законності, справедливості, [[agency]], корисності та етиці за задумом, прозоро й освітньо переглядаючи практики роботи з даними студентів.

У закладах, де стратегія випереджає інфраструктуру, робота ускладнюється: розробники академічних програм у двох південноафриканських закладах, що історично були в невигідному становищі, назвали стратегію ШІ «performance more than practice», і стаття наполягає, що цифрову нерівність — проблему розподілу — слід тримати відокремленою від алгоритмічної колоніальності, епістемічної проблеми, яка виживає навіть за повного доступу ([[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole, 2026]]).

**Для [[administrator|адміністраторів]] і [[educational-policy-ai|політиків]]** свідчення виступають за партисипативне управління, інвестиції в інфраструктуру та розвиток потенціалу замість аспіраційних стратегічних документів, транслюючи національну політику в конкретну підтримку викладача, а не видаючи мандати «згори вниз». **Для викладачів** управління змінами означає перехід від сприймача до експериментатора, керованого дослідженням, залучення [[pedagogical-partnerships|студентів як партнерів]] і закріплення реформи на довговічних педагогічних принципах, а не інструментах, які можуть застаріти протягом місяців, — із застереженням, що професійний розвиток має бути спрямований на повний цикл проєктування (оцінка потреб, зворотний зв’язок), а не лише на використання інструмента, як демонструє [[dot-framework-survey-2026|опитування щодо структури DOT]].

Інституційний кейс відстежує десятирічну дугу поширення в бакалаврській математиці, переходячи від індивідуальної ініціативи та семінарів колег до спільного ліцензування викладачами та центрального фінансування ([[flipped-classroom-ai-assessment-math-2026|Law, 2026]]).

## Зв’язок з іншими поняттями

Управління змінами є інституційним доповненням до інтеграції на рівні аудиторії. Воє оперує системні умови — управління, розвиток викладачів, залучення [[student-engagement|зацікавлених сторін]] і гарантії справедливості, — які дозволяють педагогічним інноваціям укорінитися, пов’язуючи проєктування політики [[educational-policy-ai]] із [[governance]], [[educational-development]] та результатами [[equity-in-ai-education]].

## Пов’язані поняття

- [[governance]] — структури політики та нагляду, які операціоналізує управління змінами
- [[educational-policy-ai]] — намір національної та інституційної політики щодо ШІ, який управління змінами має транслювати в практику
- [[educational-development]] — розвиток потенціалу викладачів і педагогічної орієнтації для інтеграції ШІ
- [[administrator]] — лідерство та антиципаційне управління як агенти змін
- [[ai-literacy]] — міждисциплінарна можливість, на якій спирається відповідальне інституційне упровадження
- [[equity-in-ai-education]] — забезпечення рівномірного розподілу вигід від змін між закладами та здобувачами
- [[technology-acceptance-model]] — драйвери упровадження, які пояснюють, як поширюються зміни
- [[academic-integrity]] — центральний регуляторний якір, навколо якого організована реформа оцінювання
- [[student-support-and-success]] — підтримка програми супроводу за межі пілоту

## Пов’язані статті

- [[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]] — структура з шести виміром для адаптації моделей інституційних змін до ШІ як технології появи
- [[leveraging-complex-systems-leading-for-transformative-change]] — структура SPARK і лідерство в умовах складності для трансформаційних змін
- [[crompton-governing-genai-higher-ed-delphi-2026]] — глобальний дельфійський консенсус щодо управління GenAI із восьми областей
- [[baroudi-anticipatory-governance-ai-higher-ed-2026]] — огляд обсягу літератури щодо антиципаційного управління та лідерства
- [[ai-adaptation-gap-higher-education-2026]] — розриви між зацікавленими сторонами у використанні ШІ, ставленні та довірі серед студентів, викладачів і персоналу
- [[ai-uk-higher-education-policy-2026]] — намір національної політики проти інституційного потенціалу у вищій освіті Великої Британії
- [[alrahmi-org-drivers-ai-adoption-he-2026]] — організаційні та технологічні драйвери упровадження ШІ
- [[adarkwah-genai-unesco-policy-2026]] — аналіз структури ЮНЕСКО інституційних політик щодо GenAI
- [[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]] — міжсистемне польове дослідження щодо того, як впровадження та дії вчителя вирішують, чи допомагає продукт на основі ШІ
- [[dot-framework-survey-2026]] — свідчення опитування, що професійний розвиток має охоплювати повний цикл проєктування, а не лише використання інструмента
- [[flipped-classroom-ai-assessment-math-2026]] — десятирічна дуга поширення від індивідуальної ініціативи до центрального фінансування в бакалаврській математиці (Law 2026)

---

## [Регулювання ШІ в освіті](https://edtechdev.github.io/aied/concepts/regulation/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Регулювання ШІ** — закони, політики та рамки управління, які визначають, як ШІ розробляється та впроваджується в освітньому середовищі. Регулювання в цій базі знань охоплює державну політику, інституційне управління та [[self-regulated-learning|саморегуляцію]] галузі.

## Питання для роздумів

- Інструменти ШІ впроваджуються в навчальних аудиторіях значно швидше, ніж можна писати правила. Перш ніж читати: як ви думаєте, хто насправді зараз встановлює дієві правила — законодавці, заклади освіти, розробники чи викладачі, які імпровізують на ходу?
- Сторінка розмежовує регулювання (обов’язкові закони та правила) і управління (ширші норми й структури). Чому це розрізнення важливе? Як виглядає заклад із сильним управлінням, але слабким регулюванням, і чи є така ситуація стабільною?
- Регулювання «і обмежує, і розширює можливості» — воно встановлює кордони, водночас створюючи умови для рівного та безпечного впровадження. Чи можете ви назвати правило, яке одночасно обмежувало б зловживання і розширювало відповідальне використання, чи така напруга неминуча?
- Етичні рамки дедалі більше перетворюються на обов’язкові правила, а вимоги безпеки функціонують як регулювання де-факто. Чи вважаєте ви перехід етичних принципів у статус примусових норм прогресом, чи способом виглядати підзвітним без реальних важелів — і як відрізнити одне від іншого?
- База знань документує стійкий «провал управління» між швидкістю впровадження та зрілістю регулювання, нерівномірний за юрисдикціями та рівнями освіти. Як неузгоджене регуляторне середовище впливає на ваші повсякденні рішення щодо вибору інструментів ШІ, якщо ви [[teacher-role|викладач]] або розробник?
- Дослідження [[research-methods-aied|обізнаності]] студентів щодо регулювання ставить питання, чи справді [[learners]] знають правила і дотримуються їх. Перш ніж читати: наскільки добре, на вашу думку, більшість студентів розуміє правила щодо ШІ, яких вони мають дотримуватися — і на кому лежить відповідальність, коли вони їх не розуміють?

## Вступ

Регулювання — це правовий і політичний рівень [[governance]] у сфері ШІ: воно задає обов’язкові правила, стандарти та механізми забезпечення виконання, які інституційне управління перетворює на практику. Якщо управління — це широка рамка норм і структур, то регулювання дає авторитетні правила — від національних законів про ШІ і статутів [[privacy|про захист даних]] до внутрішніх політик прийнятного використання та професійних настанов. Повторювана тема досліджень у цій базі знань: регулювання відстає від впровадження ШІ, змушуючи заклади імпровізувати з управлінням у цій прогалині.

### Регуляторний ландшафт

- **Державна політика:** дослідження [[educational-policy-ai]] аналізують національні та регіональні політики [[ai-education|щодо ШІ в освіті]]. Політика [[ai-lifelong-learning-policy|навчання впродовж життя]] з ШІ закриває регуляторні прогалини, тоді як [[ai-uk-higher-education-policy-2026|політика Великої Британії щодо ШІ у вищій освіті]] і [[oecd-digital-education-outlook-2026|OECD Digital Education Outlook]] розміщують національні підходи в порівняльній і міжнародній перспективі.
- **Інституційне управління:** [[governance|рамки управління ШІ]] і [[genai-policies-higher-ed-computing|аналіз інституційної політики]] документують, як університети розробляють внутрішні правила щодо ШІ, тоді як [[genai-declaration-frameworks-higher-education|рамки декларування ШІ]] і [[genai-assessment-governance|управління оцінюванням]] регулюють використання ШІ в оцінюваних роботах. [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] встановлює, що внутрішні правила сектора — здебільшого рекомендації, а не обов’язкова політика: 44 із 50 інноваційних університетів США опублікували настанови, принципи чи центри ресурсів, і лише 6 оформили свою головну сторінку як «політику» — при цьому операційне регулювання в окремих курсах виконують правила, які викладачі прописують у силабусах. [[watson-rainie-ai-challenge-faculty-survey-2026|Опитування Watson і Rainie (2026)]] 1057 викладачів вищої школи США вимірює, наскільки нижче за інституційний рівень лежать дієві правила: 87% респондентів писали власні політики на рівні завдань, і лише 48% повідомили про письмові інституційні настанови та 35% — про настанови на рівні кафедри, тоді як структурна відповідь на верхньому рівні слабка: робоча група чи наглядний комітет у 55% випадків, але ШІ-грамотність як результат загальної освіти — лише у 13%.
- **Регулювання безпеки:** [[pedagogical-safety]], [[child-safety-genai|безпека дітей]] і [[eduzone-llm-safety-k12|рамки безпеки для K-12]] репрезентують регулювання де-факто через вимоги безпеки. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] показує, чому інструментарій оцінювання належить і до цієї категорії: у ред-тимінг тесті дві з п’яти непрямих ін’єкцій у підказках, прихованих у файлі зданої роботи, підняли незадовільну оцінку без жодного попередження перевіряючому — із повідомленими рівнями успіху 100% і 94% — а галузеві вимоги статті чіткі: політика щодо ШІ, [[educational-development|професійний розвиток]] і стандартизовані, доменно-незалежні оцінювання стійкості до ін’єкцій у підказках, щоб поверхня атаки вимірювалася, а не припускалася.
- **Етика як регулювання:** рамки [[ethics]] дедалі більше виконують регуляторні функції — [[ai-ethics-education-public-discourse|публічний дискурс щодо етики ШІ]] формує очікування політики, а [[league-ethical-governance-student-data-2026|етичне управління даними студентів]] показує, як принципи етики тверднуть у обов’язкові правила.
- **Право рівності та розумного пристосування:** Надмірно широкі правила щодо ШІ можуть зіштовхуватися зі статутними обов’язками. [[wright-transcription-not-generation-2026|Wright (2026)]] стверджує, що заборони, які виключають «[[generative-ai|генеративний ШІ]]», не розрізняючи генерації вмісту від перетворення формату, захоплюють інструменти транскрипції ШІ і можуть втягувати обов’язок розумного пристосування за UK Equality Act 2010, американським Americans with Disabilities Act і австралійським Disability Discrimination Act 1992 — роблячи формулювання заборони регуляторним питанням, а не лише питанням академічної доброчесності (див. [[legal-issues-and-risks|правові питання та ризики]]). [[li-genai-assessment-language-equity-2026|Li (2026)]] поширює те саме зіткнення на мовне походження: правила оцінювання, які не відокремлюють легітимну мовну підтримку від субстантивної заміни, створюють спотворене за когортами навантаження дотримання для студентів, які використовують англійську як додаткову мову, а рамка, розроблена для виправлення цього, захищається через міркування про непряму дискримінацію плюс адміністративно-правове очікування, що суб’єкт, який приймає рішення, може назвати застосоване правило, покладені в основу докази і чому результат був пропорційним — стандарт, який оскарження за переглядом застосовує до адміністративного рішення.
- **Дотримання вимог і підзвітність:** [[student-regulatory-awareness-genai|обізнаність студентів щодо нормативного регулювання]] досліджує, чи справді здобувачі знають правила щодо ШІ і дотримуються їх, а [[dot-framework-survey-2026|рамки впровадження технологій]] досліджують, як регуляторні та етичні занепокоєння впливають на рішення про впровадження.

### Провал управління

База знань документує стійку прогалину між швидкістю впровадження ШІ і зрілістю регулювання. [[institutional-change-framework-ai|Рамки інституційних змін]] і дослідження регулювання аргументовано стоять на засадах проактивного [[governance]], а не реактивної політики. Дослідження та [[raza-farooq-aied-review-2020-2025|комплексні огляди AIED]] підкреслюють, що регулювання нерівномірне за юрисдикціями та рівнями освіти, створюючи неузгоджене операційне середовище для викладачів, студентів і розробників.

**Ця прогалина — не лише прогалина часу, а й прогалина доказів.** [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski і Hurley (2025)]] характеризують один професійний сектор як такий, що формує політику під тиском часу й без доказової бази: більшість схвалених ABA американських [[legal-education|юридичних факультетів]] зайняли переважно заборонні позиції, залишивши дискрецію індивідуальним викладачам, а автори повідомляють про відсутність консенсусу щодо практики розкриття чи цитування і лише ~15% рівень відповідей на опитування політики ABA 2024. Їхня нормативна відповідь — чіткі настанови незалежно від обраної позиції, залучення [[stakeholders|зацікавлених сторін]] до формулювання та управління, сконструйоване гнучким і періодично переглядуваним — збігається з [[crompton-governing-genai-higher-ed-delphi-2026|глобальним дельфійським консенсусом]], який також розглядає підтримку політики як повторюваний інституційний механізм, а не разове завдання. [[coates-governing-academic-integrity-indicators-2025|Coates, Croucher і Calderon (2025)]] додають зворотну залежність: їхня програма реформування управління приходить до висновку, що інституційний розвиток навряд чи віддасться без зовнішнього сприяння з боку регулювання, бенчмаркингу та міжинституційної конкуренції, що робить органи з якості та регулювання — і порівняння, яке вони змушують проводити між закладами — умовою, за якої внутрішня реформа управління тримається.

Аудит політик приватності платформ EdTech дає цій залежності конкретний приклад. На 48 платформах збір даних розкривався порівняно добре (середнє 1,81 із 2), тоді як розкриття ШІ (0,90) і підзвітність (1,07) відставали, і 33% не робили жодного значущого розкриття ШІ, попри видимі функції ШІ; платформи США [[k-12]] набрали найбільше загалом (M = 7,47 проти 5,50 для американської [[higher-ed|вищої освіти]]), але не виграли нічого в розкритті ШІ чи підзвітності — регулювання, за висновком авторів, підвищує лише те, що називає, тому примусові правила і стандарти закупівель, а не добровільні зобов’язання, мають зробити [[privacy]] умовою впровадження ([[edtech-privacy-deferral-2026|Nair & Greenstadt, 2026]]).

### Зв’язки

Регулювання пов’язане з [[educational-policy-ai]], [[governance]], [[ethics]], [[privacy]], [[pedagogical-safety]] і [[academic-integrity]]. Це інституційний рівень, який формує, як решта практик освіти з ШІ функціонує. Регулювання і обмежує, і розширює можливості: воно встановлює кордони прийнятного використання ШІ, водночас створюючи — через [[ai-literacy]] і очікування відповідального використання — умови для [[equity-in-ai-education|рівного]], безпечного впровадження.

## Пов’язані поняття

- [[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]] — правові ризики, коли регулювання та управління нечіткі або надто широкі

## Пов’язані статті

- [[institutional-change-framework-ai]]
- [[genai-policies-higher-ed-computing]]
- [[ai-lifelong-learning-policy]]
- [[ai-ethics-education-public-discourse]]
- [[ai-uk-higher-education-policy-2026]] — ШІ в політиці вищої освіти Великої Британії
- [[oecd-digital-education-outlook-2026]] — OECD Digital Education Outlook 2026
- [[genai-declaration-frameworks-higher-education]] — рамки декларування ШІ
- [[genai-assessment-governance]] — управління оцінюванням за GenAI
- [[league-ethical-governance-student-data-2026]] — етичне управління даними студентів
- [[student-regulatory-awareness-genai]] — обізнаність студентів щодо GenAI
- [[dot-framework-survey-2026]] — рамки впровадження технологій
- [[raza-farooq-aied-review-2020-2025]] — комплексний огляд досліджень AIED
- [[qian-governing-genai-higher-ed-policy-2026]] — Рекомендації замість обов’язкової політики: внутрішні правила щодо ШІ в 50 інноваційних університетах США (Qian 2026)
- [[gutowski-hurley-genai-policy-legal-education-2025]] — Політика юридичних факультетів щодо GenAI, оцінена за п’ятьма вимірами: заборонна за замовчуванням, дискреція викладача, періодичний перегляд (Gutowski & Hurley 2025)
- [[wright-transcription-not-generation-2026]] — Надмірно широкі заборони щодо ШІ та обов’язки розумного пристосування, які вони можуть втягнути (Wright 2026)
- [[li-genai-assessment-language-equity-2026]] — Мовне походження в правилах оцінювання: межа підтримка–заміна як питання рівності (Li 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Атаки ін’єкцій у підказках на системи оцінювання ШІ та аргументи на користь стандартизованого тестування стійкості (Humble 2026)
- [[coates-governing-academic-integrity-indicators-2025]] — Зовнішній регуляторний тиск як умова реформи управління (Coates, Croucher & Calderon 2025)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — 87% викладачів пишуть власні правила на тлі тонкого інституційного політичного рівня (Watson & Rainie 2026)
- [[edtech-privacy-deferral-2026]] — "We'll Fix It Later": Education, AI, and the Deferral of Student Privacy in EdTech

---

## [Справедливість](https://edtechdev.github.io/aied/concepts/equity-in-ai-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Справедливість** — принцип, згідно з яким ШІ має справедливо служити всім здобувачам, а також дослідження системних розривів у доступі до освітніх інструментів ШІ, у представленості в них та у отриманні вигід від них. Дослідження [[research-methods-aied|research]] у базі знань вивчає розриви в доступі та цифровий розрив, упередженість і справедливість у [[ai-technologies|AI systems]], культурно адаптоване та лінгвістично інклюзивне проєктування, доступність для здобувачів з інвалідністю та розподіл вигід і шкоди від ШІ між групами. Воно пов’язує технічне (зниження упередженості, справедливі алгоритми) зі структурним (інфраструктура, політика) та [[pedagogy|pedagogical]] (культурно релевантне [[teacher-role|teaching]]).

## Питання для роздумів

- Забезпечення школи чи аудиторії інструментами ШІ автоматично не закриває [[learning-gains|achievement gaps]] — насправді сам доступ може їх розширювати. Якщо «доступу недостатньо», що ще має бути на місці, щоб ШІ справді справедливо служив усім здобувачам?
- Навіть дані, які використовуються для *симуляції* здобувачів, несуть упередженість: коли LLM генерували портрети студентів, різні моделі створювали переважно профілі Глобального Півночі або Глобального Півдня та гендерні займенники. Наскільки варто довіряти згенерованим ШІ уявленням про здобувачів, коли самі моделі кодують нерівні апріорні розподіли?
- Справедливість в освіті зі ШІ часто розглядається крізь три проблеми: хто отримує інструменти (доступ), хто представлений у них (репрезентація) і хто отримує вигоду (результати). Чи можете ви уявити ситуацію, коли група отримує доступ, але все одно не отримує вигоди? Що пояснює цей розрив?
- Дослідження «структурної мовчазності» стверджує, що мовці малопредставлених мов опиняються в невигідному становищі через інфраструктуру ШІ — навчальні корпуси, токенізацію, бенчмарки — *ще до навчання будь-якої моделі*. Якщо невигідність закладена в інфраструктуру, з чого варто починати її виправлення?

## Вступ

Справедливість у [[ai-education|AI education]] охоплює три взаємопов’язані проблеми: хто *отримує* інструменти ШІ (доступ), що й кого *представлено* в системах ШІ (репрезентація) та хто *отримує вигоду* (результати). Залежно від проєктування, інфраструктури та політики ШІ може як розширювати, так й звужувати наявні розриви. Тому справедливість — це наскрізна оптика, що застосовується до [[bias-mitigation|algorithmic fairness]], [[digital-divide|digital access]], [[language-learning|linguistic inclusion]], [[accessibility]] та [[culturally-relevant-pedagogy|culturally relevant teaching]].

## Доступ та інфраструктурна справедливість

- **Цифровий розрив:** [[digital-divide|Unequal access]] до інструментів навчання на основі ШІ за соціально-економічними лініями, регіонами та країнами є базовою перешкодою. Докази фіксують, що вигоди від [[generative-ai|generative AI]] нерівномірно розподілені між країнами та закладами.
- **Якість інструмента — частина розриву, а не лише доступ до інструмента:** [[canonigo-teacher-mediation-generative-ai-mathematics-2026|Canonigo (2026)]] тричі подавав 50 математичних підказок до безкоштовного та преміального рівнів однієї й тієї самої моделі та виявив, що безкоштовний рівень був неточним у 49 із 150 відповідей (**32,7 %**) проти 18 із 150 (**12 %**) для преміального рівня (χ2(1) = 17,5, p < 0,001); викладачі в менш забезпеченій ресурсами з двох досліджуваних шкіл назвали безкоштовну модель «межово непридатною для математики». Автори трактують це як алгоритмічний розрив, який розширює [[digital-divide]] за межі доступу до пристроїв на якість самого інструмента, тобто школа з «доступом до ШІ» може все одно передавати студентам суттєво менш надійного репетитора; вони самі застережливо зазначають, що порівняння мало дослідницький характер, а підказки не було рандомізовано, тому величина розриву є орієнтирною, а не всталеною. Той самий дослідження показує, що спрямованість розриву не визначається інструментом: там, де викладачі вимагали від студентів порівнювати результати ШІ з власною роботою і попередньо просили модель не надавати готових розв’язків, результат ставав артефактом для критики, тоді як у класах без медіації студенти зверталися до алгоритму першими, а викладач перетворювався на валідатора («я вже не оракул; я — редактор»).
- **Доступу недостатньо:** [[access-not-enough-ai-tutoring-2026|Providing AI tools without addressing structural barriers]] не закриває розривів — доступ має супроводжуватися навичками, підтримкою та умовами, що уможливлюють справжнє використання.

Диференційована підтримка не є свідченням справедливої вигоди: огляд систем ШІ-репетиторства в [[math-education|mathematics]] виявляє, що твердження про інклюзивність не підтверджені, оскільки дослідження рідко перевіряють, чи розподілені здобутки однаково між групами за здібностями, гендером, соціально-економічним статусом, мовою, інвалідністю та географією, залишаючи невстановленим, що ці системи зменшують розриви в досягненнях ([[intelligent-tutoring-mathematics-education-review-2026|Ogunsakin et al. (2026)]]).
- **Диференційоване гібридне репетиторство людини та ШІ — це доказ того, що гібридні моделі можуть звужувати розриви, коли розподіл відповідає потребам.** Дослідження типу difference-in-discontinuities (635 студентів, 5–8 класи; учасники нижче медіани отримували *проактивне* репетиторство людини, учасники вище медіани — *реактивну* підтримку на вимогу, на тлі базового варіанта лише зі ШІ) виявило, що гібридне репетиторство підвищило час на завданні на 25 %, володіння навичками — на 36 %, а академічне зростання — на 61 % загалом; при цьому обидві групи досягли *порівнянних* показників залученості та володіння навичками різними механізмами. Деталь, важлива для справедливості: проактивне репетиторство показало маргінально вище середнє зростання (75 %, p = 0,065), зосереджене серед студентів, які опинилися значно нижче порогового значення — картина стискання розриву, а не рівномірного підйому; при цьому один репетитор за сеанс обслуговував обидві групи. Автори належно обережні: дизайн DiDC є квазіекспериментальним, дихотомічний розріз за медіаною не фіксує варіації потреб всередині груп, а ефект 75 % є маргінальним. ([[gurung-hybrid-human-ai-tutoring-2026]])

- **Викладачі очікують розширення розриву.** [[watson-rainie-ai-challenge-faculty-survey-2026|Watson and Rainie (2026)]] опитали **1 057 викладачів коледжів і університетів США** та виявили, що **81 %** очікують, що генеративний ШІ розширить цифрові нерівності (**58 %** кажуть — значно); це найсильніше очікування щодо справедливості в звіті, і воно стоїть поруч із **68 %**, які заявили, що їхні заклади не підготували викладачів до використання інструментів у навчанні та наставництві. Той самий опитування показує, наскільки нерівномірно інструменти засвоюються: **26 %** респондентів узагалі не використовують генеративний ШІ, і ця частка зростає до **40 %** серед викладачів мистецтв і [[humanities-education|humanities]] та **28 %** серед соціальних науковців, тобто невикористання та непідготовленість концентруються в певних [[discipline-specific-aied|disciplines]]. Звіт ґрунтується на непроцесуальній (non-probability) вибірці, яка, за словами авторів, не є генералізованою, тому це висловлені занепокоєння сектора, а не виміряні ефекти.
- **Інфраструктурна невигідність:** [[structural-silence-underrepresented-language-ai-2026|Structural Silence]] показує, що *інфраструктура* ШІ — навчальні корпуси, токенізація, [[benchmark|benchmarks]], архітектури розгортання — систематично ставить мовців малопредставлених мов у невигідне становище *ще до навчання моделі*, переосмислюючи дефіцит даних як структурну, а не випадкову проблему.
- **Модельно-специфічні демографічні апріорні розподіли в синтетичних даних:** [[lopez-pernas-llm-appropriate-student-support-2026|López-Pernas et al. (2026)]] виявили, що коли LLM генерували портрети студентів, кожна модель нав’язувала власні демографічні тенденції — GPT створював більше профілів Глобального Півночі та використовував займенники they/them, Qwen створював більше профілів [[global-south|Global South]], а Mistral схилявся до she/her. Навіть *конструювання* даних про здобувачів за допомогою [[llm]] несе отже регіональні та гендерні апріорні упередження, які можуть поширюватися на наступні рекомендації, — недостатньо досліджений ризик для справедливості.
- **Соціально-економічні градієнти:** [[ai-lifelong-learning-policy|AI and lifelong-learning policy]] та [[generative-ai-education-productivity-gaps|productivity-gap experiments]] досліджують, як ШІ може звужувати або розширювати розриви між різними групами здобувачів.
- **Подолання розривів для здобувачів з інвалідністю:** [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] виявили, що GenAI вирівнює можливості для студентів із вадами зору в межах цифрових, географічних та соціально-економічних розривів, трактуючи інклюзію як інфраструктурну, так і культурну справу, — розширюючи дискурс цифрової справедливості за межі доступу до належності, голосу та представленості.

Підготовленість важливіша за переваги, і право відмовитися розподілене нерівномірно. Студенти з високою академічною впевненістю можуть відмовитися від ШІ без наслідків, тоді як студенти, яким потрібна мовна підтримка, підтримка доступності або швидкий зворотний зв’язок, переживають відмову як втрату можливості, а випадковий персонал може відчувати тиск засвоювати інструменти, що скорочують час підготовки, не скорочуючи відповідальності. Там, де обов’язок розуміти нав’язується без навчання, захищеної інфраструктури та чіткої політики, він перетворюється на приховане навантаження, а відмова стає передбачуваною реакцією на інституційну непідготовленість, а не на опір технології ([[ai-refusal-higher-education-diagnostic-non-use-2026|Zagami 2026]]).

**Оренду платиться трьома валютами, а набута компетентність відходить разом із випускником.** [[rented-self-decoupling-performance-becoming-2026|de Barba (2026)]] стверджує, що можливість, яка мешкає в комерційному інструменті, доступна лише на умовах постачальника, тому інституційні ліцензії переміщують орендодавця, а не усувають його: доступ зазвичай завершується разом із навчанням, і орендована можливість зберігається потім лише для випускників, які можуть платити далі. Вона додає ще два розподіли, які дебати про доступ зазвичай оминають: витрати «себе» концентруються в акліматизації, де здобувачі з меншим попереднім доменним знанням витрачають найбільше часу, а орендовані стандарти несуть референтні точки моделі, які, за прогнозами, витіснятимуть більше стандартів у тих здобувачів, чиї культурні та мовні референтні точки відрізняються від моделі. Той самий інструмент водночас розширює доступ і витісняє стандарти, тому вона розглядає найменування можливостей, які курс має розвивати самотужки, як захід справедливості, а не лише педагогічний.

## Репрезентаційна справедливість

- **Упередженість у навчальних даних і результатах:** навчальні дані ШІ значною мірою відображають домінантні культурні перспективи. Дослідження [[gender-bias-transfer-llm-writing|Gender bias transfer research]] показує, що письмо з допомогою LLM може забруднювати студентські роботи гендерною упередженістю; фільтри [[paternalistic-filter-llm-history-education|history-education filters]] та [[ai-scoring-language-bias-physics|AI scoring]] можуть кодувати західноцентричні та лінгвістично упереджені припущення.
- **Маргіналізовані знання:** [[genai-minoritized-knowledges-disability|Research on minoritized knowledges]] досліджує, як генеративний ШІ маргіналізує недомінантні системи знань і перспективи інвалідності в [[higher-ed|higher education]].
- **Диверсифікація [[curriculum-design|Curriculum]]:** викладачі дедалі частіше використовують LLM для диверсифікації матеріалів курсу (Wang та співавт., 2025, виявили, що так робили 78 %), проте зібрані ШІ списки для читання все ще недостатньо представляють авторів BIPOC, а репетитори [[stem-education|STEM]] на основі [[intelligent-tutoring|AI tutors]] за замовчуванням спираються на західноцентричні контексти задач.

- **Згенеровані зображення відтворюють домінантні візуальні норми, що робить критичне використання компетентністю, а не додатком.** Jiang та співавт. (2026) зауважують, що генерація зображень за допомогою GenAI відтворює домінантні мультимодальні норми, такі як візуальна упередженість, і застерігають, що мультимодальне оцінювання, яке це ігнорує, ризикує автоматизувати та відтворювати нерівності; тому їхня рамка для викладачів другої мови вимагає компетентності допомагати студентам виявляти, оцінювати та створювати контрнаративи упереджених результатів моделі ([[multimodal-assessment-literacy-l2-teachers-genai-2026|Jiang et al., 2026]]).

## Справедливість результатів

- **Диференційований вплив:** інструменти ШІ можуть розширювати розриви, якщо їх проєктують без оптики справедливості — [[genai-higher-education-systematic-review-2026|systematic reviews]] та [[ai-scoring-language-bias-physics|scoring-bias studies]] показують нерівні вигоди та шкоду між групами здобувачів. Узгоджений доказ вигоди несе ту саму межу: [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026|Jing et al. (2026)]] оцінюють помірний за величиною середній здобуток для студентів бакалаврату за 35 досліджень (g = 0,53, 95 % CI [0,48, 0,64]), водночас зазначаючи, що нерівний доступ до дорогих інструментів є одним із ризиків, які ці величини ефекту не можуть охопити, а значимі тести Еггера для академічних результатів і професійних навичок залишають асиметрію воронкової діаграми та ефекти малих досліджень нерозв’язаними.
- **Еквівалентне навчання при розходженні вартості на два порядки.** StudentBench виявив, що агреговане репетиторство зі ШІ статистично еквівалентне репетиторству експерта-людини, тоді як розкид між репетиторами становив від \$0,005 до \$1,40 за відсотковий пункт навчального здобутку, а одна відкрита модель досягала людських здобутків при вартості на одиницю в 918 разів нижчій (\$0,0052 проти \$4,81), що робить вартість одиниці навчання змінною доступу, а не лише якості ([[studentbench-ai-human-tutoring-gre-2026|Northcutt et al. (2026)]]).
- **Посилення упередженості:** пропозиції ШІ та [[ai-feedback-quality|automated feedback]] можуть підсилювати (а не кидати виклик) наявним упередженням викладачів і системним. [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]] показує, що інструменти зворотного зв’язку з письма на основі LLM систематино зсуваються до похвали, узгодженої зі стереотипами, та прихованої критики, коли зворотний зв’язок персоналізується за расовою належністю, мовою, інвалідністю, досягненнями чи мотивацією студента — навіть на ідентичних есеях, — роблячи «[[personalized-learning|personalization]]» конкретним вектором упередженості в автоматизованому зворотному зв’язку.
- **Системи, чутливі до справедливості:** дослідження [[bias-mitigation]] та [[ground-truth-reliability-aied|ground-truth reliability]] розробляють методи виявлення та виправлення упередженості в репетиторах, оцінювачах і рекомендаційних системах ШІ.
- **Регуляризатори справедливості можуть не генералізуватися на нових здобувачів:** [[student-attention-estimation-fairness-2026|Fragkiadakis et al. (2026)]] додали регуляризацію розриву помилок, націлену на гендер і вік, до [[multimodal]] трансформера, що передбачає увагу студента в режимі реального часу, і виявили, що вона звузила демографічні розриви на даних *валідації*, проте ці здобутки не переносилися послідовно на відкладені суб’єкти або повторні розбиття на рівні суб’єктів (регуляризована модель зменшила розрив лише в 4 із 10 навчальних прогонів). Сертифікована справедливість на одному розбитті може отже зникнути на справді нових здобувачах — освітнім системам ШІ потрібне оцінювання leave-subjects-out із повторними сідами, а не лише агреговані метрики.

- **Диференційовано розподілені рішення про наступні можливості.** Упередженість, яка виглядає виправданою в кожному окремому випадку, може водночас систематично сортувати здобувачів: [[genai-social-bias-software-engineering-education-2026|Entezami et al. (2026)]] змусили три LLM розподілити 11 200 командних завдань на заняттях із програмної інженерії, де чоловіки були щонайменше на 80 % менш схильні, ніж жінки, потрапити до Interface Design замість Core Development (GPT-5.2 OR < 0,01), а національність зміщувала розподіл незалежно від заслуг. Навички не вирішували питання — 99,2 % призначень на основі навичок відповідали одній із двох допустимих команд, проте гендер усе одно обрав між однаково допустимими варіантами, тож закономірність виявляється лише в агрегованій статистиці; зображення окремих студентів були перекошені до чоловічої та світлошкірої видимості (понад 95 % світлошкірих для підказок із Database, Debugging та Individual Programming), тоді як багатоособові зображення були порівняно різноманітними.
- **Агентність студента:** забезпечення того, щоб ШІ розширював, а не заміщав [[student-experience|student voice]] та [[agency]], особливо для історично маргіналізованих здобувачів.
- **Психологічна проти когнітивної справедливості:** [[school-ai-education-readiness-gaps-agency-2026|Liang et al. (2026)]] виявили, що рік шкільного навчання ШІ в середніх школах Гонконгу **звузив психологічні розриви в готовності до ШІ (впевненість, [[motivation]], [[ethics|ethical]] усвідомленість), але не когнітивні** — об’єктивні розриви в [[ai-literacy]] між здобувачами, що ініціюють навчання самотужки («high-agency»), та їхніми ровесниками зберігалися: закономірність ефекту Метью, коли курс «підняв нижню межу, але не зрівняв умови». Доступу до курсу самого по собі, без стійкої самоініційованої [[student-engagement|engagement]], може вистачити для психологічної, але не повної когнітивної паритетності.
- **Автоматизоване оцінювання, досягнення та мова.** [[opraise-automated-marking-ai-assessment-2026|The OpRaise comparison of three frontier models on 761 authentic essays]] виявило, що розбіжності між ШІ та людиною варіювалися залежно від рівня досягнень студента і від поверхневих мовних рис (словниковий діапазон, сполучники, складність речень) у спосіб, якого не спостерігалося в людському оцінюванні, і що точність відрізнялася в трьох університетах Великої Британії з різними когортами — автори пов’язують це безпосередньо з обов’язками закладів за UK Equality Act, із міркування, що деякі групи студентів можуть постраждати більше за інших, і зазначають право на пояснення за статтею 22 GDPR там, де рішення автоматизованого оцінювання впливають на студентів. Оскільки оцінювання ШІ стискало розподіл до середини, студентами, найбільш підданими впливу, є ті, хто перебуває на верхньому та нижньому краях діапазону досягнень.
- **Правила оцінювання можуть перетворювати мовну невигідність на ризик для академічної доброчесності.** [[li-genai-assessment-language-equity-2026|Li (2026)]] стверджує, що правила доброчесності, які трактують GenAI як єдину категорію несанкціонованої допомоги, накладають вищий тягар дотримання на студентів, які використовують англійську як додаткову мову, чиє законне використання мовної підтримки є частішим і ітеративним, і концентрують підозру на тих авторах, чия поверхнева плавність найбільше змінилася, — це проблема проєктування правил, а не поведінки, і вона підвищує ризик вибіркового правозастосування на слабких доказах. Пропонована межа ґрунтується на меті та конструкті, а не на інструменті: редагування граматики, пунктуації та ясності на рівні речень, переклад для розуміння та перше чернеткування, яке студент суттєво переписує, вважаються дозволеною підтримкою, бо не додають нових ідей, нових джерел і суттєвого переупорядкування аналізу, тоді як генерація аргументів чи контраргументів, застосування дисциплінарних правил до фактів, перебудова аналітичної послідовності чи генерація цитат вважаються підміною. Оскільки формулювання конструкту часто винагороджує плавність та ідіоматичність як прокси міркування, студенти EAL стикаються з варіацією, нерелевантною до конструкту, в оцінках; засобами є заздалегідь визначена конкретність щодо дозволених і заборонених функцій, [[ai-use-disclosure|disclosure]], відкаліброване так, що оголошувати рутинну підтримку коштує менше, ніж бібліографічний запис, поетапні подання та сліди джерел замість висновків на основі [[ai-detection|detection-led]], а також моніторинг направлень і санкцій на рівні когорти. Рамка є нормативною та не перевіреною — Li не робить жодних тверджень щодо частот використання GenAI студентами EAL.
- **Самі студенти судять про межу між підтримкою та підміною досить точно, але нерішуче.** [[reed-ai-literacy-ethical-judgment-scenarios-2026|Reed et al. (2026)]] запропонували шість етичних кейсів 531 студенту бакалаврату і виявили, що 57,6 % класифікували всі шість правильно (у середньому 88,54 %): види використання з підтримкою перевірки широко приймалися — узагальнення конспектів із перевіркою викладача (91,7 %), покращення граматики в самостійно написаній роботі (84,9 %), згенеровані ШІ пошукові терміни з наступним незалежним оглядом літератури (91,1 %) — тоді як види, що підміняють, переважно відкидалися. Невизначеність концентрувалася на випадках, які правило має справді розв’язати: неперевірюваних згенерованих ШІ посиланнях (9,9 % «не впевнені») та мінімально відредагованому згенерованому ШІ тексті (9,6 %), — що автори читають як доказ, що межа між допомогою та змістовним авторством студентам не є зрозумілою. Об’єктивна [[ai-literacy]] передбачала точність класифікації лише слабко (ρ Спірмена = 0,234), вибірка була переважно білою, жіночою та першокурсною в одному публічному університеті Середнього Заходу, а автори наголошують, що правильний розсуд не є етичною поведінкою.
- **Привілей підказок:** [[prompt-privilege-equitable-ai-access-2026|Jin et al.]] документують «prompt privilege» — користувачі, які вміло формують запити, систематично отримують кращі результати LLM, ніж користувачі, що висловлюють той самий намір менш спритно, — що робить уміння [[prompt-engineering|prompting]] тихо нерівним ресурсом. Їхній Prompt Equity Transformer переносить оптимізацію підказок у систему, трактуючи справедливий результат як властивість доступності, а не вимагаючи експертного формулювання підказок від новачків.

- **Розрив у керуванні взаємодією.** [[brunnstrom-ai-interaction-literacy-srl-2026|Brunnström and Palmqvist (2026)]] доходять амбівалентного висновку щодо GenAI як вирівнювача: оскільки продуктивне використання потребує впізнавати надто абстрактну відповідь, просити спростити та структурувати сеанс навколо малих цілей, некерований GenAI «може бути найкориснішим для й так переважених студентів» — тих, хто має сильні навчальні звички та впевненість у керуванні ШІ, — тоді як студенти зі слабкішими навчальними навичками або нижчою академічною [[self-efficacy]] зустрічають додаткову складність і фрустрацію. Замість того щоб заміняти відсутніх партнерів з академічної розмови, інструмент упроваджує нову компетентність, чиє засвоєння створює власний розрив; автори дходять висновку, що відповідальність за її викладання не може лежати лише на студенті ([[ai-literacy]], [[self-regulated-learning]]).
- **Механізми розриву в навичках і розриву в ресурсах — це не одна й та сама проблема.** [[kumar-genai-computing-education-systematic-review-2026|Kumar, Wongsirichot and Nanthaamornphong (2026)]] розрізняють два механізми, які, як виявляє їхній [[meta-analysis-systematic-review|systematic review]] 72 досліджень зі освіти в галузі обчислень, література схильна змішувати. **Розрив у навичках** діє в межах однієї аудиторії: студенти з сильнішим [[prior-knowledge|prior knowledge]] перетворюють допомогу ШІ на довготривалу навичку, тоді як студенти, що мають труднощі, використовують її як милиці, які знімають [[desirable-difficulties|productive struggle]], розширюючи розподіл компетентностей до кінця семестру — лікується поступовим доступом, прив’язаним до виявленої компетентності. **Розрив у ресурсах** діє між закладами та національними контекстами: надійний інтернет і платні підписки на API підтримують здатніше використання інструментів, ніж у студентів без них — лікується інституційними інвестиціями в спільний доступ до інструментів і політиками, які не припускають універсальної доступності. Справедливість — найтонша з трьох вимог рамки огляду (шість досліджень), і автори читають цю тонкість як знахідку: відсутність досліджень втручань, зосереджених на справедливості, сама є проблемою справедливості ([[assessment-validity]], [[scaffolding]]).

- **Найкраще підтверджені методи — найменш масштабовані.** На воркшопі з 73 освітян з галузі обчислень усне та інтерактивне оцінювання було назване найсильнішим доступним доказом індивідуального розуміння і найменш масштабованим із запропонованих засобів — його порушували в одній кімнаті поряд зі студентами 400+ та жменькою асистентів викладачів, — тож стратегії з найчіткішим зв’язком із перевіреним навчанням містяться в закладах, які навчають найменше студентів: розрив у справедливості між закладами, а не в межах когорти ([[computing-assessment-genai-workshop-report-2026|Akbar et al., 2026]]).
- **Якість репетиторства змінюється залежно від демографії здобувача.** EduFair-Bench поєднує фіксованого [[simulating-students|LLM student]] з кожним репетитором на дев’ятьох демографічних рівнях, що охоплюють гендер, імміграційне походження, першу мову та соціально-економічний статус, і оцінює п’ять педагогічних метрик на рівні ходу. У [[intelligent-tutoring|LLM tutoring]] найбільші відхилення з’являються в умовах явної демографії — скаффолдинг кроків корелює до |r| = 0,144 у математиці, а коригувальний тон перевищує 0,10 для кожної моделі в [[chemistry-education|chemistry]] (0,102–0,168) та [[physics-education|physics]] (0,129–0,294) — і в 11 із 15 комірок «модель × домен» умова неправильної відповіді отримувала вищий бал, ніж правильної, що вказує на те, що тон відстежував демографічну мітку студента, а не якість його міркування. Підсилення навчання, специфічне для педагогіки, на [[reinforcement-learning|reinforcement learning]] перерозподіляло, а не усувало ці розриви. ([[edufair-bench-pedagogical-fairness-llm-tutors-2026]])
- **Неявні демографічні сигнали є менш керованим каналом упередженості, ніж заявлені атрибути.** [[demographic-signals-llm-student-assessment-2026|Rooein, Benedetto and Hovy (2026)]] утримували кожне введення завдання фіксованим, змінюючи лише демографічний контекст на шести інструкційно налаштованих [[llm|LLMs]] і трьох освітніх завданнях, зробивши 192 480 викликів інференції, і розділили *явні* сигнали (заявлені атрибути студента) від *неявних*, які несе історія [[conversational-ai|conversation]] із десяти підказок. В [[automated-essay-scoring|automated essay scoring]] більшість моделей були порівняно стабільними за явного кондиціювання, тоді як неявне кондиціювання завищувало оцінки — Llama-70B набирав 1,57 бали вище власного значення за замовчуванням (p < 0,001). У метамовному відповіданні на запитання неявна умова зсувалася в інший бік: відповіді для нижчих рівнів освіти отримували менш позитивний сентимент, середній розрив 0,3 між найнижчим і вищими рівнями освіти за шкалою 0–4 проти внутрішньо-пунктового стандартного відхилення 0,07. Трудність для справедливості є структурною — сигнал не є заявленим атрибутом, який політика могла б заборонити, чи полем підказки, яке міг би оглянути аудит, а властивістю самої взаємодії.
- **Перевірка може переспрямувати здобуток на слабших студентів.** [[verified-study-materials-learning-gains-2026|Dang & Nguyen (2026)]] виявили, що підтверджені експертами навчальні матеріали ШІ на курсі економіки першого року були пов’язані з приростом на 2,34 бали, але приблизно три чверті цього приросту виникли в нижньому квінтилі, і частка оцінок нижче межі 60 % впала на 24,7 пункти, — перекладаючи тягар перевірки зі студентів на підзвітного викладача.

## Мовна, культурна інклюзія та інклюзія за інвалідністю

- **Мова:** більшість інструментів ШІ пріоритезують англійську, маргіналізуючи [[multilingual-learning|multilingual]] здобувачів. Дослідження [[genai-linguistic-diversity-academic-writing|Linguistic diversity in academic writing]], [[structural-silence-underrepresented-language-ai-2026|underrepresented languages]] та [[language-learning]] розглядають це.
- **Впізнавання, а не лише доступ: культурна плоскощинність ШІ як знахідка щодо справедливості:** у 9-місячному наративному дослідженні з п’ятьма учнями середньої школи — підмайстрами кольору, [[gyekye-selves-apprenticeship-2026|Gyekye (2026)]] виявив, що студенти ототожнювали справедливість з *відсутністю* видимої упередженості — «культурною плоскощинністю», у якій пов’язані з ідентичністю переживання та культурні маркери залишаються непредставленими у відповідях ШІ, — і конструювали агентність через відмову (невикористання як інституційне узгодження) та домовленість (робили результати ШІ легітимними для інституції). Поняття Recognition Bandwidth із цього дослідження найменує простір, який здобувачі мають, щоб побачити себе в результатах ШІ, а Institutional AI Literacy — здатність орієнтуватися в ШІ в межах інституційних очікувань. Це якісне дослідження однієї програми з п’ятьма студентами; його внесок у справедливість — показ того, що нейтральність-як-справедливість сама може бути механізмом виключення.
- **Хто отримує вигоду від репетитора ШІ — дослідницькі польові свідчення:** за повного розгортання в межах району платформи математики ШІ з медіацією викладача [[alam-goblins-math-platform-2026|Goblins (Alam et al. 2026)]] виявив сильніші асоціації з досягненнями для студентів з IEP (+0,122 SD), тих, хто вивчає англійську (+0,191 SD), і іспаномовних студентів (+0,084 SD), ніж для контрольних груп, що узгоджується з мультимодальним введенням і голосовою підтримкою семи мовами, які знижують бар’єри залученості. Автори прямо зазначають, що дослідницькі, непотужні підгрупи не можуть встановити, що саме можливості доступності спричинили цю диференціацію, — це ранній сигнал, що генерує гіпотези, а не знахідка щодо справедливості.
- **Культура:** [[culturally-relevant-pedagogy|Culturally relevant pedagogy]] та [[culturally-aware-aied-community-learning|community-centered AIED]] закликають до ШІ, який відображає культурні контексти здобувачів, а не нав’язує домінантні норми.
- **Інвалідність і нейрорізноманіття:** дослідження [[inclusive-learning|Accessible learning]], [[universal-design-for-learning|universal design]], [[neurodiversity]] та [[special-education|special education]] розглядає, як ШІ може підтримувати або виключати здобувачів з інвалідністю — [[neurodivergent-computing-students|neurodivergent computing students]], [[dyslexlens-dyslexic-learners-ai|dyslexic learners]] та [[inclusive-learning|accessible educational materials]] є ілюстративними прикладами.
- **Мова, культура та вартість разом:** Bashir and Afzal (2026) формують справедливе проєктування в ШІ [[well-being]] як єдине питання мови, культури та вартості — інструменти лише англійською не справляються зі студентами, які виражають страждання урду або романізованим урду, західні набори даних не фіксують локально значущих стресорів, а дорогі комерційні системи не справляються з менш забезпеченими університетами ([[culturally-aware-student-stress-chatbot-2026|Sukoon]]). Їхня відповідь поєднувала багатомовну LLM [[open-source]], доступну через хостинговий API з низькими вимогами до ресурсів, двомовний інтерфейс оцінювання та класифікатор, навчений на перевіреному інструменті з 20 ознак, — водночас визнаючи, що навчальні дані не є репрезентативними для цільової популяції, що «some areas... tools are available but often expensive» і що адаптація є підказкового рівня, а не перевірена зі студентами: щирий опис розриву між справедливим наміром і продемонстрованою справедливістю.

## Особливі популяції та глобальна справедливість

- **Особливі популяції:** [[special-education]], [[neurodivergent-computing-students|neurodivergent learners]], [[dyslexlens-dyslexic-learners-ai|dyslexic learners]] та [[inclusive-learning|learners with disabilities]] представляють групи, чиї потреби часто оминаються в проєктуванні систем ШІ.
- **Перспективи Глобального Півдня:** [[suacode-african-students-motivations|African student motivations]], [[connected-ai-lesson-planning-vietnam|Vietnamese AI lesson planning]] та [[pre-service-science-teachers-ai-perceptions-2026|Ghanaian teacher acceptance]] дають перспективи Глобального Півдня, яких часто бракує в західноцентричних дослідженнях AIED. На інституційному рівні [[adeniranye-ai-integration-nigerian-higher-education-2026|Adeniranye et al. (2026)]] показують, що інтеграція ШІ в 45 нігерійських університетах рухається віком закладу та географією, а не типом управління, причому підсилюючі мережеві зв’язки дозволяють добре зв’язаним закладам нарощувати перевагу, — свідчення того, що розриви в справедливості відтворюються структурно, а не лише через індивідуальний доступ.
- **Глобальна потужність:** свідчення фіксують, що вигоди від генеративного ШІ нерівномірно розподілені між країнами та закладами, і [[ai-lifelong-learning-policy|AI and lifelong-learning policy]] займається структурними соціально-економічними градієнтами.
- **Перетин інвалідності та Глобального Півдня:** [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] — [[qualitative-research|qualitative]] кейс-стаді 21 студента із вадами зору з трьох палестинських університетів — показує, що GenAI подоляє цифрові, географічні та соціально-економічні розриви, розширюючи [[technology-acceptance-model|technology acceptance models]] на контексти інвалідності, де [[usability-research|usability]], доступність за ціною та доступність взаємно підсилюють одна одну.
- **Гендерна справедливість в обчислювальній галузі:** спрямовані на справедливість види використання [[generative-ai|GenAI]] залишаються недостатньо дослідженими. [[all-girls-genai-makerspace-gender-equity-2026|An all-girls GenAI makerspace initiative in Europe]] поєднувала два інструменти GenAI з феміністичною педагогікою, аби протидіяти стійким гендерним нерівностям у представленості дівчат в обчислювальній галузі, причому практики впроваджували конкретні кроки для підтримки участі й залученості дівчат — приклад орієнтованого на справедливість проєктування GenAI. Навмисно гендерований ШІ може функціонувати і як саме *втручання*: [[ada-female-coded-chatbot-gender-stereotypes-2026|Rücker and Becker-Genschow (2026)]] показали, що кодований як жіночий [[discipline-specific-aied|domain-specific]] математичний [[conversational-ai|chatbot]] за особистістю Ади Лавлейс (розгорнутий водночас як рольова модель і як [[intelligent-tutoring|learning assistant]]) суттєво зменшив гендерно-стереотипні уявлення про математичні здібності та [[math-education|mathematics]] як чоловічу домену серед учнів дев’ятого класу — у *обох* гендерів, з високим і гендерно-нейтральним технологічним прийняттям. Це переосмислює репрезентацію як важіль проєктування, а не лише упередженість для аудиту: систематично проєктовані персони ШІ можуть протидіяти [[gender-bias-transfer-llm-writing|gender bias]], а не лише уникати її відтворення.

## Наслідки для ШІ в освіті

- **Справедливість — це проєктування, а не післядумка:** [[bias-mitigation|bias mitigation]] та алгоритми, чутливі до справедливості, мають бути вбудовані в репетиторів, оцінювачів і рекомендаційні системи ШІ та оцінюватися на справедливість нарівні з точністю.
- **Інфраструктура — це справедливість:** подолання [[digital-divide|digital divide]] та інфраструктурної нестачі для малопредставлених мов є передумовою справедливого ШІ, а не другорядним занепокоєнням.
- **Репрезентація важлива в контенті та оцінюванні:** зібрані ШІ матеріали та [[automated-assessment|automated assessment]] мають відображати, а не штрафувати різних здобувачів, культури, мови та системи знань.
- **Поєднуйте доступ із підтримкою:** надання інструментів недостатнє; здобувачам потрібні навички, умови та культурно релевантний [[scaffolding]], щоб отримувати вигоду.
- **Охоплюйте аудиторії, яких формальна освіта не досягає:** рамка [[ai-literacies-young-adults-2025|AI Literacies framework for public service media]] стверджує, що надання й надалі досягатиме й так переважених, якщо його не проєктувати інакше, найменує молодих людей, які цифрово або інакше маргіналізовані, як тих, хто має найменше можливостей через формальну освіту, і пропонує як засіб цільові партнерства плюс надання національного охоплення, а не універсальну публікацію.
- **Політика та управління:** інституційна політика щодо ШІ ([[educational-policy-ai]], [[governance]]) має закладати справедливість як керівний принцип.

## Пов’язані поняття

- [[differential-effects-across-learner-groups]]
- [[learners]] — Здобувачі: узагальнення для понять на боці здобувача
- [[digital-divide]] — Нерівний доступ до інструментів та інфраструктури ШІ за соціально-економічними лініями, регіонами та країнами
- [[bias-mitigation]] — Методи виявлення та виправлення упередженості в репетиторах, оцінювачах і рекомендаційних системах ШІ
- [[accessibility]] — Проєктування, що робить інструменти навчання зі ШІ придатними для здобувачів з інвалідністю
- [[assistive-technology]] — Інструменти, які підтримують здобувачів з інвалідністю в умовах посередництва ШІ
- [[culturally-relevant-pedagogy]] — Викладання, що відображає культурні контексти здобувачів, а не нав’язує домінантні норми
- [[language-learning]] — Лінгвістична інклюзія багатомовних здобувачів та мовців малопредставлених мов
- [[inclusive-learning]] — Доступне та справедливе навчання для всіх здобувачів
- [[universal-design-for-learning]] — Проєктування з урахуванням варіативності здобувачів від самого початку
- [[neurodiversity]] — Підтримка нейрорізноманітних здобувачів в освіті зі ШІ
- [[special-education]] — Задоволення потреб здобувачів з інвалідністю в проєктуванні систем ШІ
- [[ai-literacy]] — Навички, потрібні здобувачам, щоб справедливо отримувати вигоду від ШІ
- [[educational-policy-ai]] — Інституційна політика, що закладає справедливість як керівний принцип
- [[governance]] — Нагляд і підзвітність для справедливого ШІ
- [[agency]] — Забезпечення того, щоб ШІ розширював, а не заміщав голос студента
- [[stakeholders]] — Узагальнення: люди та аудиторії в освіті зі ШІ (здобувачі, викладачі, проєктувальники, адміністратори, політики)
- [[parents-and-families]]
- [[student-support-and-success]] — кого охоплюють системи підтримки та ризики дій на основі оцінки ризику

## Пов’язані статті
- [[multimodal-assessment-literacy-l2-teachers-genai-2026]] — Як візуальна упередженість GenAI проникає в мультимодальне оцінювання і чому створення контрнаративів їй є компетентністю викладача
- [[rented-self-decoupling-performance-becoming-2026]] — Орендоване «я»: орендна плата в грошах, «я» та стандартах і ліцензії, що завершуються на випуску
- [[verified-study-materials-learning-gains-2026]] — Перевірене, а не згенероване: підтверджені експертами навчальні матеріали ШІ та розподіл навчальних здобутків в університетському курсі

- [[ai-literacies-young-adults-2025]] — Справедливість як задача доставки: охоплення молодих людей, яких формальна освіта оминає
- [[opraise-automated-marking-ai-assessment-2026]] — Звіт OpRaise: оцінювання ШІ 761 університетського есея в трьох університетах Великої Британії
- [[kumar-genai-computing-education-systematic-review-2026]] — Розрив у навичках проти розриву в ресурсах: два механізми справедливості, що потребують різних засобів
- [[brunnstrom-ai-interaction-literacy-srl-2026]] — Некерований GenAI може розширювати розриви: компетентність керування взаємодією (Brunnström & Palmqvist 2026)
- [[adeniranye-ai-integration-nigerian-higher-education-2026]] — Інституційні структури, цифрова нерівність та інтеграція ШІ в нігерійській вищій освіті
- [[student-attention-estimation-fairness-2026]] — Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation
- [[school-ai-education-readiness-gaps-agency-2026]] — Шкільна освіта зі ШІ звужує психологічні, але не когнітивні розриви в готовності
- [[prompt-privilege-equitable-ai-access-2026]] — Prompt Privilege: вимірювання та пом’якшення розривів у доступності LLM
- [[ai-scoring-language-bias-physics]] — Мовна упередженість в оцінюванні на основі ШІ
- [[gender-bias-transfer-llm-writing]] — Перенесення гендерної упередженості в письмі з допомогою LLM
- [[genai-minoritized-knowledges-disability]] — Генеративний ШІ і маргіналізація міноритарних знань
- [[structural-silence-underrepresented-language-ai-2026]] — Структурна мовчазність: малопредставлені мови в інфраструктурі ШІ
- [[genai-higher-education-systematic-review-2026]] — GenAI у вищій освіті: систематичний огляд
- [[ai-lifelong-learning-policy]] — Політика щодо ШІ та навчання протягом життя
- [[generative-ai-education-productivity-gaps]] — Чи звужує генеративний ШІ розриви в продуктивності, засновані на освіті?
- [[genai-linguistic-diversity-academic-writing]] — Мовна різноманітність в академічному письмі, опосередкованому ШІ
- [[access-not-enough-ai-tutoring-2026]] — Доступу недостатньо
- [[ada-female-coded-chatbot-gender-stereotypes-2026]] — Кодований як жіночий чат-бот як рольова модель, що зменшує математичні гендерні стереотипи
- [[paternalistic-filter-llm-history-education]] — Патерналістичне фільтрування в історичній освіті на основі LLM
- [[dyslexlens-dyslexic-learners-ai]] — DyslexLens: підтримка ШІ для здобувачів з дислексією
- [[ground-truth-reliability-aied]] — Надійність ground-truth в AIED
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: упередженість зворотного зв’язку, узгоджена зі стереотипами, за атрибутами студента
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Чи може ШІ забезпечити відповідну підтримку для різних профілів студентів? Масштабне оцінювання
- [[all-girls-genai-makerspace-gender-equity-2026]] — Воркшопи майстерень GenAI для дівчат і гендерна справедливість в обчислювальній галузі
- [[khlaif-assistive-genai-visually-impaired-2026]] — Допоміжний GenAI для здобувачів із вадами зору
- [[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]] — Неявні (з історії розмови) демографічні сигнали зсувають оцінювання, зворотний зв’язок і відповіді LLM (Rooein, Benedetto & Hovy 2026)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — 1 057 викладачів США про сьогодення й майбутнє ШІ: 81 % очікують ширших цифрових нерівностей, 26 % не використовують інструментів
- [[li-genai-assessment-language-equity-2026]] — Проведення межі між підтримкою та підміною: правила оцінювання з GenAI і тягар дотримання студентів EAL
- [[ai-refusal-higher-education-diagnostic-non-use-2026]] — Право відмовитися розподілене нерівномірно: відмова як свідчення інституційної непідготовленості (Zagami 2026)
- [[reed-ai-literacy-ethical-judgment-scenarios-2026]] — Етичний розсуд на основі кейсів і ШІ-грамотність серед 531 студента бакалаврату
- [[studentbench-ai-human-tutoring-gre-2026]] — StudentBench: репетиторство ШІ та людини дають еквівалентні навчальні здобутки на GRE
- [[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]] — Розрив точності між безкоштовним і преміальним рівнем у математиці: 32,7 % проти 12 % (Canonigo 2026)
- [[jing-genai-learning-outcomes-higher-ed-meta-analysis-2026]] — Узгоджені навчальні здобутки від GenAI (g = 0,53) і нерівний доступ до дорогих інструментів, який вони не можуть охопити
- [[intelligent-tutoring-mathematics-education-review-2026]] — Огляд репетиторства зі ШІ в математиці, що знаходить твердження про інклюзивність і звуження розривів у досягненнях непідтвердженими
- [[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]] — Районне розгортання математики зі ШІ з більшими дослідницькими асоціаціями для студентів IEP, тих, хто вивчає англійську, та іспаномовних студентів (мультимодальні/багатомовні підтримки; причинний зв’язок не перевірено)
- [[gyekye-selves-apprenticeship-2026]] — Підмайстри кольору ототожнювали справедливість з культурною плоскощинністю; агентність конструювалася через відмову та домовленість; Recognition Bandwidth та Institutional AI Literacy

---

## [Диференційовані ефекти в різних групах здобувачів](https://edtechdev.github.io/aied/concepts/differential-effects-across-learner-groups/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Диференційовані ефекти в різних групах здобувачів** — те, що дослідження [[ai-education|ШІ в освіті]] встановлюють про те, як *використання* ШІ і його *ефекти* відрізняються між різними видами здобувачів: [[special-education|студентами з інвалідністю]] та [[neurodiversity|нейровідмінними студентами]], здобувачами другої мови та [[multilingual-learning|багатомовними здобувачами]], дівчатами й хлопцями, студентами з меншин, студентами з родин із низьким доходом, сільськими студентами, студентами першого покоління, іноземними студентами та [[adult-learning|дорослими здобувачами]]. Закономірність, яку варто винести, є нерівною у двох напрямах водночас: деякі напрями мають справжні докази (інвалідність, мова), тоді як інші — майже порожні (перше покоління, іноземці, біженці), і навіть сильні напрями рідко встановлюють, що відрізняється саме *група*, — вони встановлюють, що інструмент допоміг або зашкодив вибірці з цієї групи, а це інше твердження. Ця сторінка зображає те, що існує, що це показує, і методологічні причини, чому групове середнє не є прогнозом про здобувача.

## Питання для роздумів

- Ваш інструмент переважно спрацьовує для студентів у вашому класі, а підгрупа з п’ятьох осіб зіткнулася з труднощами. Чи була б така різниця в підгрупі взагалі виявною в дослідженні цього типу — і чи хотіли б ви змінювати інструмент для всього класу на основі цих даних?
- Дослідження студентів з інвалідністю повідомляють про ефекти, які змінюються за категорією інвалідності. Якщо дві категорії в одному й тому самому [[meta-analysis-systematic-review|метаналізі]] мають дуже різні розміри ефекту, що це говорить про розгляд «інвалідності» як однієї групи в рішенні щодо дизайну?
- Кілька досліджень виявляють, що інструменти ШІ *не* відрізняються за статтю в своїх ефектах, а інші роботи показують, що [[ai-feedback-quality|зворотний зв’язок ШІ]] й підтримане ШІ письмо *дійсно* відтворюють гендерні стереотипи, коли їх несуть персони або підказки. Як обидва твердження можуть бути водночас правдивими?
- Більшість робіт про справедливість перевіряє змодельовані персони студентів, а не справжніх здобувачів, бо справжжі демографічні атрибути не доступні моделі під час виведення в більшості розгортань. Що може встановити аудит контрфактичних персон, а чого він не може?
- Переглядаючи напрями на цій сторінці, які групи здобувачів справді представлені в дослідженнях, на яких спирається валідація вашого інструмента, — і що б ви зробили з групою, якої немає?
- Втручання, що підвищує результати для всіх, але закриває розрив (найбільше допомагаючи студентам, які відставали), має іншу історію щодо справедливості, ніж те, що підвищує середнє. Коли ви оцінюєте пілотний проєкт, ви вимірюєте розрив чи середнє?

## Вступ

Усередині питання «чи працює ШІ для студента *цього* типу?» ховаються два питання. Перше — про ефекти: чи дає інструмент різні результати для різних груп. Друге — про використання: чи засвоюють, отримують доступ або взаємодіють різні групи з одним і тим самим інструментом по-різному, що може формувати результати без жодного диференційованого ефекту. Ця сторінка охоплює обидва, група за групою, і прямо каже, де література зупиняється.

Вона навмисно не є дублікатом своїх сусідів. [[equity-in-ai-education|Справедливість в освіті зі ШІ]] несе нормативну та структурну рамку — доступ, репрезентацію та справедливість результатів і аргумент щодо того, що освіта зі ШІ *має* робити. [[inclusive-learning|Інклюзивне навчання]] несе рамку дизайну, включно з [[universal-design-for-learning|універсальним дизайном навчання]]. [[digital-divide|Цифровий розрив]] охоплює шари доступу та навичок. [[neurodiversity]], [[special-education|спеціальна освіта]], [[accessibility]] і [[multilingual-learning|багатомовне навчання]] заглиблюються в окремі групи. Для цієї сторінки залишається карта міжгрупових доказів і питання оцінки: як оцінюються ці ефекти, які групи взагалі досліджуються і що дозволяє вам робити висновок на груповому рівні.

## Як повідомляють про групові відмінності — і чому більшість цього не може

**Дослідження однієї групи не є дослідженням диференційованого ефекту.** Більшість літератури в цій області вимірює одну групу за відсутності групи порівняння. [[zhang-ai-students-disabilities-meta-analysis-2024|Zhang та співавт. (2024)]] об’єднали 29 (квазі-)експериментальних досліджень ШІ для студентів з інвалідністю і виявили середній позитивний ефект (g Геджса = 0.588, 95% CI [0.349, 0.826]) — без нейротипової групи порівняння. Це говорить, що втручання допомогло, а не що воно допомогло цій групі інакше.

**Аналізи підгруп зазвичай надто малі, щоб відповісти на питання.** [[ai-tutoring-micro-rct-gcse-science-2026|Мікро-РВД з природничих наук для GCSE]] є незвично явним: його взаємодія «втручання × статус» становила 0.57 бала (95% CI від −2.25 до 3.39), зі стратифікованими оцінками g = 0.28 (95% CI від −0.04 до 0.59) для однієї групи й g = 0.35 (95% CI від 0.18 до 0.52) для іншої. Інтервал підгрупи, що перекриває нуль, — це питання для локального пілотного проєкту, а не підстава для правила на весь клас.

**Демографічні атрибути зазвичай змодельовані.** Справжня демографія здобувачів рідко долучається до вхідних даних моделі, тому аудити пропонують замість цього персони. [[demographic-signals-llm-student-assessment-2026|Rooein, Benedetto і Hovy (2026)]] прогнали шість налаштованих за інструкціями моделей на трьох освітніх задачах в умовах типових для моделі, з явною персоною та з неявною історією — 192 480 викликів виведення — і виявили, що і явні персони, і *неявні* історії розмов зміщують поведінку моделі. Їхнє розрізнення варто зберегти: усвідомленість відмінностей здобувачів може бути бажаною (пристосування зворотного зв’язку до рідної мови здобувача), тоді як та сама чутливість є шкодою, коли вона зміщує оцінку тотожної роботи.

**Засоби виправлення справедливості можуть не узагальнюватися.** [[student-attention-estimation-fairness-2026|Fragkiadakis та співавт. (2026)]] зменшили розриви помилок, націлені за статтю і віком, в оцінюванні уваги студентів на даних [[assessment-validity|валідації]], але здобутки не переносилися послідовно на відкладені предмети або на повторені розбиття на рівні предмета.

**Групові позначки ховають варіацію всередині них.** У тому самому метаналізі про інвалідність студенти з конкретними труднощами в навчанні, інтелектуальними та розвитковими порушеннями або глухі мали більший ефект (g = 0.952), ніж студенти з розладами аутичного спектра (g = 0.368) — різницю, яку автори повідомляють як статистично незначущу, на матеріалі 239 розмірів ефекту з 41 незалежної вибірки. «Інвалідність» — не одна група, і «здобувач другої мови» — теж.

## Інвалідність і нейровідмінність

Це найглибший напрям у базі знань і той, де повідомлення найсильніше.

- **Ефекти справжні, але нерівно розподілені за результатом.** У [[zhang-ai-students-disabilities-meta-analysis-2024|Zhang та співавт. (2024)]] [[learning-gains|академічна успішність]] показала найбільший ефект (k = 80, g = 0.929), попереду навичок повсякденного життя та інших навичок (g = 0.766) і соціально-емоційних навичок (k = 144, g = 0.382). Присутнє упередження публікації (тест Еггера β = 2.837, p < .001); метод обрізання і доповнення зменшив узагальнену оцінку до g = 0.2694, яка залишилася статистично значущою. Читайте заголовний ефект і скоригований на упередження разом.
- **Галузь переорганізувалася навколо [[generative-ai|генеративного ШІ]].** [[assistive-tech-neurodivergent-higher-ed-review-2026|Огляд області цифрових допоміжних технологій для нейровідмінних студентів]] відібрав 766 записів, щоб включити 40 емпіричних досліджень, з яких 15 використовували генеративний ШІ, а 11 — імерсивні формати. Напрям є малим і новим, а не зрілим.
- **Деяка підтримка ШІ зрівнює, а не диференціює.** [[adhd-video-segmentation-computing-education|Pimenova, Begel і колеги]] розбили [[video-education|навчальні відео]] на блоки в одну інструкцію з фіксованими паузами в дослідженні типу «всередині учасників» (17 із СДУГ, 10 без СДУГ); усі покращилися, а помилки й вагання учасників із СДУГ знизилися до паритету з їхніми ровесниками без СДУГ. Це найсильніша доступна форма доказів для [[universal-design-for-learning|універсального дизайну навчання]] через автоматизовану трансформацію контенту: загальна зміна, що закриває розрив, а не виправлення, націлене на групу.
- **Те, що, за словами нейровідмінних студентів, їм потрібно, часто буденне.** [[neurodivergent-computing-students|Опитування 24 нейровідмінних студентів комп’ютерних наук і 20 нейротипових ровесників]] із чотирма інтерв’ю виявило значний дискомфорт від завдань, які не мають чіткої структури або несуть неоднозначні очікування, — пристосування, яке нічого не коштує надати.
- **Рішення дизайну можуть також виключати епістемічно.** [[genai-minoritized-knowledges-disability|Tali-Otmani (2026)]] стверджує, що англомовні, західцентричні навчальні дані маргіналізують негегемонні способи пізнання і ставлять ситуацію здобувачів з інвалідністю в центр цієї критики.

## Мова: друга мова, багатомовність та англомовні здобувачі

За кількістю статей це найбільший напрям, і він чисто ділиться на ефекти інструментів і шкоду від інструментів.

- **Ефекти інструментів багатообіцяльні й шумні.** [[robot-assisted-language-learning-meta-analysis-2026|Wang, Zhang і Zou (2026)]] метаналізували 11 досліджень (17 розмірів ефекту, N = 595) робот-підтриманого [[language-learning|вивчення мови]] і виявили позитивний загальний ефект (g = 0.83, 95% CI [0.46, 1.21]) за високої гетерогенності (I² = 84.4%); з шести перевірених модераторів лише тип взаємодії «робот — здобувач» був значущим. База доказів такого розміру підтримує умовний [[benchmark]], а не рішення про закупівлю.
- **Інфраструктура сама є нерівною ще до будь-якого інструмента.** [[structural-silence-underrepresented-language-ai-2026|Roy і Roy (2026)]] документують розрив корпусів на прикладі бенгальської: менше 0,5% світового вебвмісту проти приблизно 49,5% для англійської, хоча носії бенгальської становлять майже 4% населення світу.
- **Мова навчання змінює результати на матеріалі 294 студентів вищої освіти.** Той самий огляд повідомляє, що контент іноземною мовою давав гірші результати, ніж навчання рідною мовою, і що білінгвальне навчання [[cs-education|програмуванню]] перевершувало навчання лише англійською.
- **Детектори штрафують авторів другої мови.** [[hadra-ai-detector-accuracy-efl-2026|Hadra, Cambridge і Mesbah (2026)]] перевірили Turnitin і Originality на 192 текстах: один детектор класифікував 48 із 48 професійно написаних текстів правильно, але помилково класифікував чотири з 48 текстів студентів, для яких англійська є іноземною (91,6%). Асиметрія й є суттєвою — помилка лягає на групу, чиє письмо вже й так перебуває під прискіпливим поглядом.

## Стать

Дослідження статі тут ділиться на те, чи інструменти поводяться з здобувачами по-різному, і чи є здобувачі відкриті інструментам, навантаженим стереотипами.

- **Навмисно гендерно нейтральний дизайн не показав різниці за статтю.** [[ada-female-coded-chatbot-gender-stereotypes-2026|Квазіекспериментальне дослідження 195 студентів дев’ятого класу]] перевіряло ADA, [[conversational-ai|чатбот]] з жіночим кодуванням, заснований на Аді Лавлейс: ситуативний інтерес зріс для обох статей без різниці за статтю в емоційній реакції, когнітивному навантаженні чи академічній успішності. Персону-рольову модель можна побудувати, не спричиняючи загрози стереотипу.
- **Але контент підказок переносить упередження в роботи студентів.** [[gender-bias-transfer-llm-writing|Контрольоване дослідження з 123 учасників]] дало студентам писати твори про планування кар’єри для парних профілів, що відрізнялися лише статтю, в умовах без ШІ, нейтрального ШІ та ШІ з гендерним упередженням; умова з упередженням перенесла гендерно диференційовану мову в письмо студентів і асиметрично пригнітила жіночу [[agency]]. Дослідники спершу підтвердили ефект на 1600 згенерованих творах.
- **Простір і рамкування важать так само, як інструмент.** [[all-girls-genai-makerspace-gender-equity-2026|Кейс вивчення простору-мейкерспейсу з генеративним ШІ лише для дівчат]] виявив, що дівчата цінували однополу середовище як безпечніше й розслабленіше, і попереджає проти «дівчачіння» — поверхневого пристосування, яке залишає відносини влади недоторканими.
- **Чутливість моделі є властивістю моделі, а не сталою величиною.** У [[edufair-bench-pedagogical-fairness-llm-tutors-2026|EduFair-Bench]] п’ять тьюторів від 7B до 70B було перевірено на дев’ятьох демографічних рівнях: Qwen2.5-7B перевищував поріг упередженості |r| ≥ 0.10 у 7 із 12 клітин «домен × вимір», тоді як LLaMA-3.1-8B перевищував його один раз. Навчання, специфічне для педагогіки, зменшило деякі упередження й збільшило інші.
- **Виправлення по одній осі може залишити групу в гіршому стані:** гендерно різноманітні студенти, зведені до категорії «Unknown Gender», мали найнижчі частки справжніх позитивів за кожним методом справедливості, і жоден односівний метод не поліпшив їхнього трактування — та сама варіація групових позначень, але всередині моделі предиктивного раннього попередження, а не тьютора ([[fairness-theatre-early-warning-systems-2026|McConvey та співавт. (2026)]]).

## Раса, етнічність і студенти з меншин

Цей напрям є малим за кількістю статей і сильним за механізмом, бо докази стосуються того, що ШІ робить *з* демографічним атрибутом, коли вже його має.

- **[[personalized-learning|Персоналізація]] є вектором упередження.** [[marked-pedagogies-linguistic-bias-writing-feedback|Marked Pedagogies]] показує, що інструменти зворотного зв’язку з письмом на основі [[llm]] зсуваються до узгодженої зі стереотипом похвали та притриманої критики, коли зворотний зв’язок персоналізовано за расою, мовою, інвалідністю, досягненнями чи [[motivation|мотивацією]] студента — на тотожних творах.
- **Демографічна підказка може бути неявною.** Вищезгаданий аудит контрфактичних персон виявив, що історії розмов, а не лише явні персони, зміщували оцінювання і поведінку щодо зворотного зв’язку — той самий результат [[demographic-signals-llm-student-assessment-2026|192 480 викликів виведення]] і причина, чому правила розкриття про *заявлену* демографію недостатньо.
- **Розриви в міграції і мові можуть домінувати.** У EduFair-Bench модель 70B поєднувала найбільші мовні та імміграційні розриви з найменшими педагогічними розривами, отже, тьютор, який виглядає педагогічно сильним, може бути тим, хто найчутливіший до того, ким, на вигляд, є студент.
- **Епістемічне виключення, а не просто помилка:** див. [[genai-minoritized-knowledges-disability|маргіналізацію знань меншин]] вище.

## Соціально-економічний статус, географія та вік

- **Цифрова грамотність, а не використання ШІ, є медіатором.** [[ai-divide-ses-personality-primary-education-2026|Wang і колеги (2026)]] змоделювали дані опитувань і національного реєстру від 4497 студентів шостого класу в Нідерландах і виявили, що зв’язок між рисами особистості й академічною успішністю проходив через цифрову грамотність, а не через інтенсивність використання ШІ, причому відмінності в цифровій грамотності зумовлювалися більше особистістю, ніж соціально-економічним статусом, — а переваги СЕС діяли незалежно від залученості до ШІ. Класичне рамкування лише через СЕС є неповним.
- **Географія може бути обмеженням, що зв’язує.** [[arc-hubs-k12-ai-robotics-rural-2026|Розповідь ARC]] про [[k-12]] робототехніку й освіту зі ШІ повідомляє, що сільська участь у FIRST LEGO League впала в дистанційний сезон 2020 року і так не відновилася, тоді як міська участь поступово відновилася, і визначає стійку локальну технічну наставництво — не набори чи [[curriculum-design|куррикулум]] — як обмеження, яке розподілене географічно.
- **Дорослі здобувачі є окремим випадком дизайну,** розкритим у [[adult-learning|дорослому навчанні]] та андрогогічній роботі цієї бази знань, а не в дослідженнях K-12.
- **Досі доступ обмежує все решта:** див. [[digital-divide|цифровий розрив]] і висновок, що [[access-not-enough-ai-tutoring-2026|доступу до тьюторінгу зі ШІ недостатньо]] без [[pedagogy|педагогічної]] інтеграції.

## Дисциплінарне тло

Дисциплінарне тло є диференційованою віссю, якої карта «група за групою» цієї сторінки ще не несла: той самий інструмент може розподіляти свою користь нерівно між галузями, а не між демографічними групами студентів.

- **Інструмент може залучати одну дисципліну й відштовхувати іншу.** У двотижневому квазіексперименті з 130 студентами бакалаврату в міждисциплінарних командах [[generative-ai|ChatGPT]] підвищив фізичну [[student-engagement|залученість]] студентів STEM і знизив її для студентів не-STEM (Q = 9.87, p < .05), а нотатки, написані без ChatGPT, набрали вище за різноманітність і інтеграцію дисциплінарних ідей ([[caeai-chatgpt-interdisciplinary-stem-nonstem-2026|Zhu та співавт. (2026)]]).

## Де бракує доказів

Чесний висновок цього огляду — наскільки тонкими є деякі групи. Кожен із цих пунктів є справжньою прогалиною в базі доказів, а не прогалиною на цій сторінці.

- **Студенти першого покоління:** одне дослідження повідомляє про різницю у використанні, а не про ефект. У [[student-ai-inquiry-types-cs2-2026|дослідженні запитів у CS2]] студенти-продовжувачі розглядали ШІ як активного співучасника [[problem-solving]], тоді як студенти першого покоління брали на себе роль, орієнтовану на підтвердження й валідацію, і ставили менше запитань загалом.
- **Студенти першого покоління: перша оцінка ефекту, і вона йде не в той бік.** [[rct|Рандомізоване дослідження]] [[liu-course-integrated-ai-tutoring-rct-2026|Liu та співавт. (2026)]] про [[intelligent-tutoring|ШІ-тьютора]], інтегрованого в курс, дає те, чого бракує запису вище, — виміряну диференціацію, а не патерн використання. У повній вибірці ефект доступу до тьютора на підсумкові оцінки був на 2.87 більш негативним для студентів першого покоління (0,28 SD), що дає −5.10 балів (−0,50 SD) для них проти −2.23 балів (−0,22 SD) для їхніх ровесників; диференціація була більшою у вибірці з точним збігом (−3.89 бали, −0,35 SD), і студенти першого покоління також втратили більше балів за домашні роботи й перегляди сторінок платформи. Дослідження не повідомляє механізму, а його точність змінюється за результатом, проте напрям протилежний історії про звуження розриву: студенти з найменшим попереднім доступом до академічної підтримки понесли найбільшу виміряну ціну.
- **Іноземні студенти:** одне [[mixed-methods-research|змішане]] дослідження (опитування n = 60, інтерв’ю n = 14) про [[international-students-conversational-ai-adaptation|підтримку міжкультурної адаптації]].
- **Іноземні студенти: виміряний патерн залученості, а не оцінка ефекту.** На матеріалі 270 іноземних студентів етнічних меншин у семи [[business-education|бізнес-школах]] Великої Британії повідомлене використання [[generative-ai]] було позитивно пов’язане з усіма чотирма напрямами [[student-engagement|залученості]] — найсильніше з агентною залученістю (β = 0.429), — причому сприятливі умови (β = 0.369) були найсильнішим предиктором наміру використовувати ([[bjet-genai-engagement-minority-ethnic-students-2026|Adekoya та співавт. (2026)]]).
- **Обдаровані й високодосягаючі студенти:** фактично не досліджені як група в цьому корпусі.
- **Біженці, іммігранти та переміщені особи:** досліджень немає.
- **Стать усе ще аналізується як бінарна** в більшості наведених вище робіт, а категорії інвалідності змінюються між дослідженнями, тому порівняння «однієї і тієї самої» групи між дослідженнями має обмеження.

## Використання цих доказів без переналаштування на групову позначку

- **Розглядайте групові середні як гіпотези про популяцію, а ніколи як прогнози про людину.** Кожне диференційоване твердження вище є твердженням про розподіл.
- **Запитайте, чи ваші здобувачі взагалі були у валідаційній вибірці,** перш ніж довіряти заявленій інструментом інклюзивності; напрями нейровідмінності й мови обидва показують, що репрезентація в розробці є винятком.
- **Віддавайте перевагу зрівнювальним дизайнам там, де докази дозволяють.** Результат із сегментацією відео за СДУГ — усі покращуються, розрив закривається — є краще відповідною ціллю для загального класу, ніж доповнення, націлене на групу.
- **Будьте обережні з персоналізацією, що споживає демографічні атрибути.** Висновок [[marked-pedagogies-linguistic-bias-writing-feedback|позначених педагогік]] безпосередньо стосується цього механізму, і він застосовний до перевірок [[well-being|благополуччя]], [[affective-computing|афективних тьюторів]] і [[recommender-systems-and-learning-paths|рекомендаційних систем]], які профілюють здобувачів.
- **Перевіряйте локально, на групі, яка вам небайдужа, із результатом, виміряним без інструмента.** Див. [[interpreting-and-applying-aied-research|Інтерпретація та застосування досліджень AIEd]] щодо навичок оцінки та [[research-methods-aied|Методи досліджень в освіті зі ШІ]] щодо дизайнів, які роблять локальну перевірку захищеною.

## Пов’язані поняття

- [[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]]
## Пов’язані статті

- [[zhang-ai-students-disabilities-meta-analysis-2024]] — 29 досліджень ШІ для студентів з інвалідністю: g = 0.588 і g = 0.269 після коригування на упередження
- [[caeai-chatgpt-interdisciplinary-stem-nonstem-2026]] — ChatGPT дав нерівну користь студентам STEM і не-STEM у міждисциплінарному навчанні
- [[bjet-genai-engagement-minority-ethnic-students-2026]] — Використання GenAI і залученість за чотирма напрямами серед іноземних студентів етнічних меншин
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — від 766 записів до 40 досліджень, 15 із них — генеративний ШІ
- [[adhd-video-segmentation-computing-education]] — Загальна зміна дизайну, що привела учасників із СДУГ до паритету
- [[neurodivergent-computing-students]] — 24 нейровідмінні студенти про структуру, неоднозначність і співпрацю
- [[genai-minoritized-knowledges-disability]] — Епістемічна маргіналізація в ШІ на прикладі інвалідності
- [[robot-assisted-language-learning-meta-analysis-2026]] — g = 0.83 за I² = 84.4% у малій базі доказів про другу мову
- [[structural-silence-underrepresented-language-ai-2026]] — Менше 0,5% вебвмісту для бенгальської проти 49,5% для англійської
- [[hadra-ai-detector-accuracy-efl-2026]] — Детектори хибно класифікують письмо здобувачів, для яких англійська є іноземною, оцінюючи професійні теккти бездоганно
- [[ada-female-coded-chatbot-gender-stereotypes-2026]] — Перевірка на 195 студентах рольових моделей з жіночим кодуванням без різниці за статтю
- [[gender-bias-transfer-llm-writing]] — Підказки з гендерним упередженням, що переносяться в твори студентів
- [[all-girls-genai-makerspace-gender-equity-2026]] — Однопола простір ціннується, з попередженням проти дівчачіння
- [[edufair-bench-pedagogical-fairness-llm-tutors-2026]] — Справедливість тьюторів, що змінюється за моделлю, доменом і виміром поведінки
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Узгоджений зі стереотипом зворотний зв’язок на тотожних творах
- [[demographic-signals-llm-student-assessment-2026]] — 192 480 викликів: і явні персони, і неявні історії зміщують моделі
- [[student-attention-estimation-fairness-2026]] — Регуляризація справедливості, яка не узагальнилася
- [[ai-divide-ses-personality-primary-education-2026]] — 4497 студентів: цифрова грамотність, а не використання ШІ, медіює розрив
- [[arc-hubs-k12-ai-robotics-rural-2026]] — Сільська участь, яка так і не відновилася, і наставництво як обмеження
- [[ai-tutoring-micro-rct-gcse-science-2026]] — Взаємодія в підгрупі, чий довірчий інтервал перетинає нуль
- [[student-ai-inquiry-types-cs2-2026]] — Єдиний висновок корпусу про використання студентами першого покоління
- [[international-students-conversational-ai-adaptation]] — Єдине дослідження корпусу про іноземних студентів
- [[liu-course-integrated-ai-tutoring-rct-2026]] — Перша оцінка ефекту корпусу для студентів першого покоління: доступ до тьютора коштував їм 0,50 SD підсумкової оцінки проти 0,22 для їхніх ровесників (Liu та співавт. 2026)
- [[fairness-theatre-early-warning-systems-2026]] — Fairness Theatre: Evaluating Post-Hoc Fairness Interventions in Vendor-Controlled Early Warning Systems

---

## [Цифровий розрив](https://edtechdev.github.io/aied/concepts/digital-divide/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Цифровий розрив** — нерівний розподіл доступу до цифрових (і дедалі більше — штучних) [[ai-technologies|technologies]], навичок їх використання та користей від них між особами, спільнотами й націями. В освіті зі ШІ цифровий розрив є центральною проблемою справедливості: [[generative-ai|generative AI]] швидко перебудовує навчання, і розрив між тими, хто може користуватися ним ефективно й критично, і тими, хто не може, загрожує поглибити наявні освітні нерівності.

## Питання для роздумів

- Цифровий розрив часто описують на трьох рівнях: доступ, навички й те, хто справді отримує користь. Який рівень, на вашу думку, мають на увазі більшість людей, коли кажуть «закриття цифрового розриву», — і чому це може бути неповним?
- Надати кожному студентові пристрій і доступ до інтернету не означає автоматично, що він зможе ефективно або критично користуватися ШІ. Що відрізняє наявність доступу від здатності отримувати користь?
- ШІ додає нові шари нерівності: упередженість алгоритмів може диспропорційно шкодити маргіналізованим [[learners]], а сама ШІ-грамотність визначає, чи розширює технологія розриви, чи звужує їх. Чим це відрізняється від розривів попередніх технологій?
- Розрив поширюється й на те, ЯКІ спільноти, мови та перспективи представлені в системах ШІ й обслуговуються ними. Чим сама репрезентація є формою доступу — або виключення?
- Якщо закриття розриву — це «питання справедливості та участі», хто несе відповідальність: платформи, школи, уряди чи всі разом, — і яким був би справді справедливий розподіл користей від ШІ?

## Вступ

Цифровий розрив зазвичай розуміють як такий, що діє на **трьох рівнях** (van Deursen & van Dijk, 2014): розрив *першого рівня* стосується доступу до технологій і інфраструктури (зв’язку, пристроїв, сприятливих середовищ); розрив *другого рівня* стосується навичок і компетентностей (нерівної здатності використовувати інструменти ефективно й осмислено); а розрив *третього рівня* стосується результатів і користей (того, хто справді отримує користь від використання технологій, за можливого посилення ШІ соціальних, культурних і економічних диспропорцій). [[framing-ai-use-for-students|Framing AI]] грамотності через цю оптику робить ясним, що справедливість потребує більшого, ніж закриття розриву в пристроях і інфраструктурі, — вона потребує формування навичок ефективного й критичного використання ШІ, щоб його користі розподілялися справедливо, а не підсилювали наявні нерівності.

### Як цифровий розрив постає в дослідженнях

- **ШІ-грамотність як механізм справедливості:** [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl|The SAIL framework]] була явно розроблена, щоб працювати з розривами другого і третього рівня, даючи скаффолдований, не залежний від віку шлях до справедливої ШІ-грамотності на всіх етапах освіти, спираючись на аргумент, що ШІ-грамотність невіддільна від справедливості та участі.

- **Політика та інфраструктура:** [[oecd-digital-education-outlook-2026|OECD Digital Education Outlook 2026]] розміщує цифровий розрив усередині національної [[educational-policy-ai|education policy]], досліджуючи, як змінюється доступ до цифрових технологій і технологій ШІ та що системи можуть зробити для закриття розривів.
- **Грамотність відповідального використання та [[prompt-engineering|prompting]]:** [[aaai2026-prompting-literacy-k12|K-12 prompting-literacy research]] працює з розривом другого рівня, [[teacher-role|teaching]] студентів навичок відповідального використання [[conversational-ai|chatbots]] ШІ, визнаючи, що сам по собі доступ не дає здатності [[ai-literacy|use AI well]].
- **Уміння формулювати є власним розривом другого рівня.** На MedQA точність зростала зі зростанням витонченості підказки (82,4% для формулювань із низькою грамотністю проти 83,4% для експертних формулювань), а Prompt Equity Transformer, що переписує запити на рівнозначніші, ясніші формулювання, закрив розрив, перенісши тягар ефективного формування підказок із здобувача на систему ([[prompt-privilege-equitable-ai-access-2026|Jin et al. (2026)]]).
- **Репрезентація та структурна мовчазність:** [[structural-silence-underrepresented-language-ai-2026|Research on underrepresented languages]] висвітлює, як цифровий розрив поширюється на те, *які* спільноти, мови та перспективи представлені в системах ШІ й обслуговуються ними, — культурний і епістемічний вимір нерівності.
- **Змішування мов є власним виключенням.** Більшість інструментів-лекцій на основі LLM припускають одномовне англійське аудіо й надійний інтернет, виключаючи аудиторії, де сумішують англійську й домашню мову; дані індійської системи UDISE+ вказують на доступ шкіл до інтернету близько 54% із розривом 24 пункти між містом і селом, а білінгвальний супутник відповідає за рахунок транскрипції на пристрої та локального зберігання ([[bilingual-llm-lecture-companion-srl-2026|Malhotra, 2026]]).

### ШІ поглиблює (і може закривати) розриви

ШІ додає нові шари до наслідків технологій для справедливості. Упередженість алгоритмів може диспропорційно впливати на здобувачів із маргіналізованих спільнот, а [[ai-literacy|AI literacy]] — здатність розуміти, критично оцінювати та пом’якшувати упередження й ризики ШІ — сама є ключовим чинником того, чи розширює ШІ розриви, чи звужує їх. [[research-methods-aied|Research]] показують, що педагоги з вищою ШІ-грамотністю ефективніше виявляють і пом’якшують упереджені результати. Тому цифровий розрив в епоху ШІ — це не просто проблема технічного забезпечення, а питання справедливості та участі: хто може отримати доступ до ШІ, хто може користуватися ним критично й хто отримує користь.


Давній напрям літератури простежує, як саме поняття змістилося від доступу до **цифрової справедливості**, яку тепер визначають через чотири виміри — цифрову грамотність, доступність за ціною, чутливий до груп контент і наявність інфраструктури, — і читає споживчий ШІ як нову хвилю розриву на користь тих користувачів, які вже здатні перевіряти машинний результат ([[mechanical-compliance-human-flourishing-ai-literacy-2026|Rose (2026)]]).

**Розрив епохи ШІ формує особистість, а не лише СЕС.** [[ai-divide-ses-personality-primary-education-2026|Wang et al. (2026)]] проаналізували дані опитувань і національного реєстру від **4497 студентів шостого класу** в Нідерландах, розділяючи два медіюючі шляхи — використання ШІ та цифрову грамотність, — що пов’язують тло й особистість студента з [[learning-gains|academic performance]]. Їхній ключовий висновок перерамковує класичний розрив: **медіатором є цифрова грамотність, а не інтенсивність використання ШІ** зв’язку між особистістю й успішністю, і виникає новий розрив у цифрових навичках, який зумовлений більше **рисами особистості, ніж соціально-економічним статусом**. Переваги СЕС в успішності діяли незалежно від залученості студента до ШІ [[student-engagement|engagement]]. Це ускладнює рамкування цифрового розриву через доступ і СЕС, вказуючи на формування навичок і диспозиційну підтримку як на важливі для справедливості важелі поруч із доступом до пристроїв і інструментів.

**Розрив має метакогнітивний шар.** Оскільки продуктивне використання ШІ потребує попередніх знань і саморегуляції, найбільше користі отримують ті студенти, які вже ними володіють, тоді як ті, кому практика потрібна найбільше, делегують саме навчання — «метакогнітивний розрив справедливості», який може розширювати розриви в досягненнях навіть за рівного доступу ([[lodge-loble-cognitive-offloading-2026|Lodge & Loble (2026)]]).

Структуроване шкільне навчання ШІ є психологічним каталізатором, але не когнітивним зрівнювачем: на матеріалі 752 студентів молодшої та середньої школи Гонконгу річний куррикулум звужував розриви в упевненості й мотивації, проте залишив недоторканими об’єктивні відмінності в ШІ-грамотності між здобувачами з високою й низькою суб’єктністю ([[school-ai-education-readiness-gaps-agency-2026|Liang et al. (2026)]]).
**Розрив діє й на інституційному рівні.** [[adeniranye-ai-integration-nigerian-higher-education-2026|Adeniranye et al. (2026)]] показують, що в системі вищої освіти Нігерії спроможність інтегрувати ШІ концентрується в старших установах регіону південного заходу й наростає через взаємопідсилюючі мережеві зв’язки (міжнародні співпраці × партнерства з індустрією, r = 0.74) — тобто інституційні «неимущі» (зазвичай новіші державні університети) стикаються зі структурними бар’єрами на вході в ті самі мережі, які допомогли б їм наздогнати. Таким чином, цифрова нерівність відтворюється не лише між окремими здобувачами, а й між [[governance|institutional]] структурами, які формують, хто може брати участь в економіці знань, перетвореній ШІ.

**Розрив має також географію, і наставництво є його механізмом.** [[arc-hubs-k12-ai-robotics-rural-2026|Jacobson et al. (2026)]] документують асиметрію відновлення в участі в FIRST LEGO League в Індіані: і міська, і сільська участь впали в дистанційний сезон 2020 року, але відновилася лише міська участь, тоді як сільська залишалася біля свого рівня після 2020 року впродовж 2025–2026. Механізм, який вони називають, — доступ до технічного наставництва, людей із достатніми знаннями з програмування та [[educational-robotics|robotics]], щоб створити й утримувати команду, — яких у сільських школах може не бути навіть тоді, коли студенти й викладачі зацікавлені, що робить його передумовою шляху в робототехніку та ШІ, а не лише його рисою. Їхня відповідь — спроєктувати поширення цього наставництва: коледжні первинні хаби навчають студентів бакалаврату й проводять майстерні, зрілі шкільні програми стають вторинними хабами, які наставничають сусідні школи, а просторова симуляція Маркова для 1925 державних шкіл Індіани проєктує 992 програми через 40 років за помірних припущень проти 161 без ARC, включно з 341 сільською програмою проти 60. Прочитане поруч із результатом про інституційні мережі вище, це показує, що розриви зберігаються через *структуру того, хто може постачати експертизу де*, і що навмисне її постачання — а не припущення про близькість до університету — є важелем політики.

**Доступ і епістемічна ієрархія — різні проблеми.** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] чітко проводить це розрізнення на матеріалі інтерв’ю з [[educational-development|academic developers]] в двоїх історично невигідних установах Південної Африки: цифрова нерівність є дистрибутивною — пристрої, зв’язок, бюджети, цифрова грамотність, — і в принципі розв’язуваною через перерозподіл, тоді як **алгоритмічна колоніяльність** є епістемічною й зберігається навіть за умов повного доступу, бо вона втілена в тому, що системи кодують і чиї знання вони ставлять у центр. Учасники дослідження переживають обидва явища водночас, що описано як таку ситуацію, коли від них «просять побудувати цифрове майбутнє на аналогових фундаментах»: фундаменти називають матеріальний регістр розриву, а імпортоване майбутнє приходить уже завантаженим епістемічними припущеннями контекстів, які його спроєктували. Практичний наслідок для роботи над справедливістю: закриття розриву в доступі саме собою не зруйнує ієрархію — ці два явища діють на різних рівнях і потребують різних відповідей.

**Дизайн може обійти розрив у пристроях, а не чекати його закриття.** [[rodrigues-aied-unplugged-numeracy-2026|Rodrigues et al. (2026)]] перевіряють, чи можуть студенти, які ніколи не торкалися комп’ютера, усе ж отримувати підтримку в стилі інтелектуального тьюторингу, використовуючи парадигму, яку вони називають «AIED unplugged» і в якій викладач є посередником між здобувачем і системою: студенти продовжують працювати папером і ручкою, викладач фотографує їхні розв’язки на смартфоні, а система повертає персоналізовані списки вправ, автоматичне оцінювання й зворотний зв’язок за конкретними помилками. Їхній кластеризований квазіексперимент на 19 класах бразильських державних шкіл є, за їхніми словами, першим квазіекспериментальним оцінюванням такої системи в автентичних аудиторіях, а не в прототипі, і застосунок працював на власних телефонах викладачів за переривчастого зв’язку, типового для цих шкіл. Тому цей дизайн є окремою стратегією справедливості, відмінною від наведених вище: замість того щоб закривати розрив першого рівня в пристроях і пропускній здатності до того, як тьюторінг зі ШІ зможе дійти до когось, або підвищувати навички другого рівня як вхідний квиток, він досягає студентів, з якими ШІ взагалі не взаємодіє безпосередньо. Той самий дослідження, однак, показує, що цей шлях не вільний від розриву, який він оминає. Навчальна перевага над звичайною практикою стягувалася до підготовки викладачів, а не до технології — умови підготовки й повної системи не відрізнялися за приростом, — і позитивний непрямий ефект системи на навчання діяв через *зменшення зусиль викладача*, причому більше навантаження було пов’язане з меншим приростом. Отже, оминання розриву в доступі не розчиняє проблему справедливості; воно переносить обмеження, що зв’язує, на спроможність і час викладача.
- **Апаратне обмеження може розчинятися, а розрив у доступі — не закриватися.** [[llmersion-local-first-language-learning-2026|Guo et al. (2026)]] стверджують, що обмеженням, яке зв’язує, для [[equity-in-ai-education|equitable]] вивчення мови тепер є програмне забезпечення, а не апаратура: повний стек синтез–розпізнавання–перекладу вміщується в 4 ГБ, громадські вимірювання дають 3B-модель на рівні 4–9 токенів за секунду на одноплатному комп’ютері за \$80, а п’ять років щоденної практики коштують близько \$18 електрики проти \$1200 за хмарну підписку й \$2600 за щотижневий репетиторство.

- **Стиснення моделі — інший шлях до обмеженої апаратури.** Адаптивний тьютор нігерійського піджинлішного, доналаштований на корпусі з 416 343 записів, зберігав семантичну структуру й зв’язність за 8 бітів, тоді як версії на 4 і 5 бітів скорочували затримку виведення за мінімальної втрати якості навчання, і носії мови перевіряли культурну прийнятність, а не лише метрики ([[multilingual-adaptive-learning-nigeria-2026|Nwogo et al., 2026]]).

- **Змодельована лабораторія може відтворити той самий рахунок за обладнання, якого вона мала уникнути.** [[meta-analysis-systematic-review|systematic review]] 11 досліджень цифрових двійників у вищій освіті STEM виявив апаратні витрати від \$2000 до \$15 000 на один функціональний вузол робочої станції в чотирьох дослідженнях, причому фізичні об’єкти обмежували доступ 1–3 одночасними студентами в п’яти, і жодне включене дослідження не дало аналізу окупності інвестицій ([[caee-digital-twins-stem-education-systematic-review-2026|Pelayo-Gonzalez et al. (2026)]]). В огляді цю вхідну вартість порівнюють із фізичними дослідними стендами, які коштують від \$30 000 до понад \$150 000.

### Зв’язки зі спорідненими поняттями

Цифровий розрив є основним об’єктом уваги досліджень [[equity-in-ai-education]], тісно пов’язаний із [[ai-literacy]] (яку позиціонують як центральний механізм подолання структурних бар’єрів) і з [[ethics]] та [[bias-mitigation]] (оскільки упередженість алгоритмів диспропорційно впливає на маргіналізовані групи). Він пов’язаний із [[ai-education]] та [[higher-ed]] як середовищами, де проявляються розриви в доступі й спроможності, і відноситься до [[student-experience]], оскільки формує, хто може змістовно брати участь в навчанні, сформованому ШІ.

## Пов’язані поняття

- [[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]]
## Пов’язані статті

- [[adeniranye-ai-integration-nigerian-higher-education-2026]] — Інституційні структури, цифрова нерівність та інтеграція ШІ у вищій освіті Нігерії
- [[ai-divide-ses-personality-primary-education-2026]] — СЕС, особистість і розриви в ШІ в початковій освіті (Wang та співавт. 2026)
- [[rodrigues-aied-unplugged-numeracy-2026]] — AIED unplugged: тьюторінг із викладачем-посередником досягає студентів без пристрою (Rodrigues та співавт. 2026)
- [[school-ai-education-readiness-gaps-agency-2026]] — Шкільна освіта зі ШІ звужує психологічні, а не когнітивні розриви в готовності
- [[prompt-privilege-equitable-ai-access-2026]] — Prompt Privilege: вимірювання та пом’якшення диспропорцій у доступі до LLM
- [[the-scaffolded-ai-literacy-sail-framework-results-of-a-delphi-study-for-equitabl]] — Рамка скаффолдованої ШІ-грамотності (SAIL)
- [[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]] — Платформа адаптивного навчання на основі ШІ для багатомовних контекстів із обмеженими ресурсами
- [[ai-science-chemistry-education-systematic-review-2025]] — Систематичний огляд ШІ в освіті з природничих наук і хімії
- [[unesco-ai-guidelines-chemical-education-2026]] — Рекомендації UNESCO зі ШІ, перекладені на освіту з хімії; епістемічний дрейф
- [[lodge-loble-cognitive-offloading-2026]] — ШІ, когнітивне розвантаження та наслідки для освіти (Lodge & Loble 2026)
- [[mechanical-compliance-human-flourishing-ai-literacy-2026]] — Соціалістично-гуманістична ШІ-грамотність + добросовісне використання
- [[arc-hubs-k12-ai-robotics-rural-2026]] — ARC: сільський доступ до робототехніки слідує географії наставництва, а не доступу до пристроїв (Jacobson та співавт. 2026)
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Цифрова нерівність як дистрибутивна проблема проти алгоритмічної колоніяльності як епістемічної, в південноафриканських історично невигідних установах

- [[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]] — Лабораторії цифрових двійників несуть рахунок за обладнання, який обмежує одночасний доступ

---

## [Пом’якшення упередженості](https://edtechdev.github.io/aied/concepts/bias-mitigation/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Пом’якшення упередженості в освіті зі ШІ** — виявлення, вимірювання та зменшення несправедливої, пов’язаної з ідентичністю поведінки в [[intelligent-tutoring|AI tutors]], системах оцінювання, рекомендаційних системах і освітніх системах загалом. Упередженість може проникнути на будь-якій стадії конвеєра ШІ — навчальні дані, поведінка моделі, підказки, оцінювання та розгортання — і проявитися як різне поводження зі здобувачами залежно від мови, статі, раси, культури чи інших характеристик ідентичності. Пом’якшення охоплює курацію даних, алгоритми знеупередження, [[prompt-engineering|prompt design]], методи справедливого оцінювання, пояснюваність та оцінювання. Це технічний аналог [[equity-in-ai-education]] і ключове занепокоєння [[ethics]] в освіті зі ШІ.

## Питання для роздумів

- Упередженість може проникнути на будь-якій стадії конвеєра ШІ — навчальні дані, поведінка моделі, підказки, оцінювання та розгортання. Перш ніж читати далі: де в цьому ланцюгу ви очікували, що живе упередженість? Ця сторінка припускає, що вона може з’являтися майже будь-де. Де є місце, якого ви не розглядали?
- [[research-methods-aied|Research]] показує, що ШІ-оцінювання з [[physics-education|physics]] систематично недооцінює студентів, чиї текстові пояснення мають нижчу мовну якість — ШІ оцінює мову, а не розуміння. Чому система, яка в цілому добре узгоджується з людьми-оцінювачами, усе одно може послідовно карати неписьменних або менш вільних письменників?
- Одне дослідження виявило, що підказка з гендерною упередженістю змушує есеї студентів виявляти більший «розрив в агентності» та більше гендерно-стереотипного вмісту — упередженість перенеслася з інструмента у власну роботу здобувача. Що це говорить про упередженість не просто як про несправедливий бал, а як про силу, що може переформулювати те, що студенти створюють, і те, ким вони себе вбачають?
- Інше дослідження показало, що LLM зсувають зворотний зв’язок у стереотипно узгоджених напрямах, коли персоналізуються атрибутами студента — надмірно використовують похвалу й утримують критику для «позначених» студентів навіть на ідентичних есеях. Як «мило» упереджений зворотний зв’язок може бути шкідливішим за очевидно хибний бал, бо його важче виявити?
- Пом’якшення охоплює курацію даних, алгоритми знеупередження, нейтральну конструкцію підказок, методи справедливого оцінювання, пояснюваність і людський нагляд. Який єдиний важіль пом’якшення, на вашу думку, дасть найбільшу різницю в системі ШІ, на яку ви покладаєтесь, і що вам треба було б аудитувати, щоб дізнатись, що він спрацював?
- Нейтральна підказка здебільшого уникає індукування гендерно диференційованої мови — що припускає, що конструкція підказки є практичним пом’якшенням. Але якщо упередженість може бути знову внесена через дані, оцінювання чи розгортання, чому виправлення лише підказки може бути неповною відповіддю?

## Вступ

Пом’якшення упередженості має значення, бо [[ai-education|AI in education]] не є нейтральним: системи, натреновані на домінантних мовних і культурних даних, можуть систематично ставити в невигідне становище маргіналізованих здобувачів — від оцінювання на основі ШІ, що карає неписьменних письменників, до тьюторів [[llm|LLM]], які відповідають по-різному для різних груп. Упередженість — це транссферне занепокоєння, що постає в [[automated-assessment|Automated Grading]], [[automated-essay-scoring]], [[knowledge-tracing]], рекомендаційних системах і тьюторах із [[conversational-ai|conversational AI]].

## Джерела упередженості

Дослідження бази знань документують проникнення упередженості в кількох точках конвеєра:

- **Мовна упередженість і упередженість оцінювання:** [[ai-scoring-language-bias-physics|AI-based physics scoring]] систематично недооцінює концептуальне розуміння студентів, чиї текстові пояснення мають нижчу мовну якість — ШІ оцінює мову, а не розуміння, караючи неписьменних або менш вільних письменників. Це пряма відмова за валідністю та справедливістю в [[automated-assessment|Automated Grading]].
- **Перенесення гендерної упередженості в письмі з допомогою LLM:** [[gender-bias-transfer-llm-writing|Contaminated Collaboration]] показує, що коли студенти пишуть із гендерно упередженою підказкою LLM, їхні есеї виявляють значно більший розрив в агентності та більше гендерно-стереотипних пропозицій щодо професій (N=123); перенесення упередженості є асиметричним, придушуючи агентність в есеях, орієнтованих на жінок. Дослідження-верифікація (N=1 600 есеїв LLM, R²=.399) підтверджує, що гендерно упереджена підказка індукує гендерно диференційовану мову.
- **Диференційовані відмови та епістемічна несправедливість:** [[paternalistic-filter-llm-history-education|The Paternalistic Filter]] аудитує чотири LLM як тьюторів з історії (1 800 відповідей) і виявляє «патерналістичний фільтр»: моделі по-різному відмовляють, пом’якшують або переформовують чутливий вміст для різних здобувачів — епістемічна несправедливість із прямими наслідками для справедливості.
- **Упередженість відбору в [[learning-analytics|learning analytics]]:** [[temporal-smoothness-debiased-kt|Debiased knowledge tracing]] вирішує упередженість відбору, що виникає через нерендомізовані рекомендації вправ: тренування на спостережуваних логах зі стандартним емпіричним ризиком дає упереджені оцінки володіння, які накопичують помилки в циклах адаптивних рекомендацій.
- **Упередженість даних і розмітки:** дослідження [[data-annotations-pedagogical-hints|data annotations]] і [[ground-truth-reliability-aied|ground-truth reliability]] вивчають, як позначки й надійність між оцінювачами, що лежать під моделями ШІ, несуть упередженість — аргументовано проти трактування κ > 0.8 як бінарної печатки схвалення.
- **Маргіналізовані знання:** [[genai-minoritized-knowledges-disability|Generative AI and minoritized knowledges]] документує, як навчальні дані та поведінка моделі маргіналізують недомінантні системи знань і перспективи інвалідності.
- **Стереотипно узгоджений автоматизований зворотний зв’язок (Marked [[pedagogy|Pedagogies]]):** [[marked-pedagogies-linguistic-bias-writing-feedback|Tan et al. (2026)]] показують, що чотири широко вжиті LLM систематично зсувають зворотний зв’язок на письмі у стереотипно узгоджених напрямах, коли зворотний зв’язок персоналізується атрибутами студента — раса, етнічність, позначка ELL, порушення навчання, досягнення або мотивація — створюючи упередженість позитивного зворотного зв’язку та упередженість утримання зворотного зв’язку (надмірне використання похвали, менш змістовна критика, припущення обмеженої здібності) для позначених студентів навіть на ідентичних есеях. Метрика концентрації «Marked Words» пропонує конкретний метод аудиту такої упередженості в автоматизованому зворотному зв’язку.
- **Візуальна упередженість в інструментах «текст-у-зображення»:** [[bias-representation-text-to-image-education-2026|Alon, Hadar Shoval, and Levkovich (2026)]] [[meta-analysis-systematic-review|systematically review]] 31 рецензоване дослідження (2023–2025) про упередженість і репрезентацію в освітніх застосуваннях згенерованого ШІ «текст-у-зображення». Використовуючи аналітичну рамку з шести частин (стать; раса, етнічність і SES; культура і релігія; вік; тіло та (не)здатність; вміст), вони знаходять, що упереджена репрезентація є поширеною — зображення часто центровані на білих, чоловічих, західних, худих і неінвалідних фігурах, тоді як різноманіття, пов’язане з віком, тілом і здатністю, здебільшого ігнорувалося. Більшість досліджень спиралася на аудити зображень і [[qualitative-research|qualitative]] методи, з небагатьма експериментальними або інтервенційними конструкціями, що виявляє значні сліпі плями в тому, як освітні дослідження вимірюють візуальну упередженість і реагують на неї.

- **Сигнали ідентичності аватара відтворюють офлайн-упередженість.** У двох експериментах (N = 396) білі аватари — і в STEM-контекстах, аватари азійських чоловіків — оцінювалися як більш достовірні та компетентні, тоді як аватари старших чорних жінок каралися; STEM- і процедурні завдання посилювали упередженість, а рефлексивні та міжособистісні завдання її послаблювали ([[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning|Anthis & Kyriakidou-Zacharoudiou (2026)]]).
- **Недискримінація як ключова етична цінність.** [[agarwal-ethical-values-norms-aied-2026|Agarwal et al. (2026)]], [[meta-analysis-systematic-review|systematic review]] 25 статей, ідентифікують недискримінацію (визначення, що використовують упередженість/дискримінацію/різноманіття) як одну з шести головних етичних цінностей для [[ai-education|AI in education]], поряд з управлінням даними, людським наглядом, доброзичливістю, пояснюваністю та освітньою доречністю. Огляд зазначає, що цінності тісно пов’язані і можуть конфліктувати — наприклад, недискримінація проти управління даними, — створюючи етичні дилеми, і що жодні норми з недискримінації не звертаються безпосередньо до кінцевих користувачів, залишаючи здобувачів переважно пасивними в етичній літературі.
- **Упередженість розподілу в формуванні команд із допомогою ШІ.** [[genai-social-bias-software-engineering-education-2026|Entezami et al. (2026)]] показують, що упередженість проникає в клас завдань поза оцінюванням і зворотним зв’язком: три LLM, що розподіляють класи з програмної інженерії по 28 студентів на чотири команди, направляли чоловіків принаймні на 80% рідше за жінок на Interface Design, а не на Core Development (GPT-5.2 OR < 0,01), а національність зсувала розміщення незалежно від заслуг. Надання навичок зменшувало, але не знімало її — 99,2% призначень на основі навичок збігалося з однією з двох команд-істин, але стать усе одно вирішувала між однаково валідними варіантами (OR 2,53 GPT-4.1, 2,81 GPT-5.2, 1,43 DeepSeek) — і паралельна генерація зображень перекошувала зображення однієї людини в бік чоловічої та світлої шкіри (стать V = 0,64 і 0,65; тон шкіри V = 0,57 і 0,61), тоді як зображення кількох людей залишалися порівняно збалансованими.

## Підходи до пом’якшення

Дослідження бази знань ілюструють кілька взаємодоповнюючих стратегій:

- **Моделювання, усвідомлене справедливості:** [[fair-explainable-edu-recommendations|The Hybrid HKG-GRU framework]] інтегрує **Group Distributionally Robust Optimization (GroupDRO)** для справедливості поряд із пояснюваністю та контрфактичною стабільністю, оцінюється на логах Moodle (152 студенти, ~150k взаємодій). Це демонструє, що рекомендаційні системи можна натренувати бути справедливими та прозорими, а не лише точними.
- **Оцінювачі знеупередження:** [[temporal-smoothness-debiased-kt|Temporal Smoothness Doubly Robust (TSDR) learning]] поєднує модель схильності з моделлю імпутації помилок, утримуючи неупередженість, якщо хоча б одна з них правильна, щоб зняти упередженість відбору з оцінок володіння при трасуванні знань.
- **Пом’якшення на рівні підказок:** [[gender-bias-transfer-llm-writing|the gender-bias study]] показує, що нейтральна підказка здебільшого уникає індукування гендерно диференційованої мови, тож конструкція підказки є практичним важливелем пом’якшення.
- **Діалектно-інваріантне тренування:** [[nspa-neuro-symbolic-pedagogical-alignment-2026|Fang and Liu (2026)]] показують, що тренування діалектної інваріантності перевершує її латання: викидання контрастивного члена перенесення стилю майже потроїло частоту контрфактичного перевертання (з 4,3% до 11,8%) і розширило розрив хибних від’ємних для нестандартного діалекту на десять пунктів, вартуючи лише 0,8 Macro-F1 і зрізавши хибні від’ємні африкансько-американського народного англійського на 18,4 пункти.
- **Валідоване, незалежне від мови оцінювання:** вирішення [[ai-scoring-language-bias-physics|scoring bias]] потребує оцінювання, яке відокремлює концептуальне розуміння від мовної якості, та аудиту балів на мовну упередженість.
- **Пояснюваність:** [[xai-education-framework|XAI in education]] дає прозорість у те, чому система дала певний бал або рекомендацію, дозволяючи виявляти та виправляти упереджену поведінку й підтримуючи [[trust]].
- **Аудит усього конвеєра:** [[antiskillbench-persona-skills-privacy-2026|persona-skills auditing]] і систематичні аудити на кшталт дослідження патерналістичного фільтра показують цінність аудиту моделей за різними умовами ідентичності перед розгортанням.
- **Вимірювання справедливості здебільшого відсутнє там, де аналіз масштабується.** Огляд-скопінг PRISMA-ScR із 421 дослідження, що застосовують NLP до оцінювання викладання студентами, знайшов формальну метрику справедливості лише в 8 дослідженнях (1,9%) і ризик інституційного використання в 18, тоді як обмеження дослідження з’являлися в 70,5% і захисти приватності в 42,3%; автори читають це співіснування як [[llm|LLM]] ухвалення, що розширює технічний репертуар без пропорційних здобутків у валідації чи звітності про відповідальне використання ([[nlp-student-evaluation-teaching-scoping-review-2026|Eicher & da Silva (2026)]]).
- **Розмір групи не є проксі невигідного становища:** два з шести постхок методів справедливості спрямовували виправлення на вже привілейовані групи, бо використовували розмір групи для визначення невигідного становища; перепризначення невигідного становища за спостережуваною диспарністю перенаправило один метод, але залишило інший, що перевертає нуль прогнозів, — межа на те, що може стверджувати постхок-пом’якшення ([[fairness-theatre-early-warning-systems-2026|McConvey et al. (2026)]]).

## Пом’якшення вздовж конвеєра ШІ

Пом’якшення упередженості — не єдине виправлення, а тривалий процес, що простягається вздовж конвеєра:

1. **Курація даних** — диверсифікувати навчальні дані та аудитувати позначки на прогалини за ідентичністю та несправедливі розмітки.
2. **[[llm-training-and-fine-tuning|Model training]]** — застосовувати знеупередження та цілі, усвідомлені справедливості (наприклад, GroupDRO, двічі робастні оцінювачі).
3. **Конструкція підказок і систем** — конструювати нейтральні підказки й системи, які не реагують по-різному на [[learner-identity|learner identity]].
4. **Оцінювання** — валідовувати, що автоматизоване оцінювання вимірює розуміння, а не мову чи демографічні проксі.
5. **Оцінювання та аудит** — аудитувати моделі за різними умовами ідентичності (мова, стать, культура) та вимагати пояснюваності, щоб виявляти упередженість.
6. **Людський нагляд** — утримувати [[human-in-the-loop-ai|human-in-the-loop]] перегляд, особливо для випадків із низькою довірою або високими ставками.

## Відношення до пов’язаних понять

Пом’якшення упередженості — це технічний механізм, через який операціоналізується [[equity-in-ai-education|Equity]], і ключова вимога [[ethics]] та відповідальної конструкції ШІ. Воно пов’язане з [[ai-ed-evaluation]] (упередженість як критерій оцінювання), [[educational-measurement]] і [[assessment-validity]] (справедливість в оцінюванні), і [[privacy]] (як пов’язане занепокоєння відповідального ШІ). Воно також пов’язане з [[cognitive-offloading|Over-Reliance]] (оскільки упереджені системи особливо шкідливі, коли їм надмірно довіряють) і [[ai-literacy]] (допомагаючи користувачам розпізнавати упереджений ШІ та ставити йому під сумнів).

## Наслідки для ШІ в освіті

- **Аудитуйте весь конвеєр:** упередженість може проникнути на стадіях даних, моделі, підказки, оцінювання та розгортання — пом’якшуйте в усіх них.
- **Тестуйте за різними умовами ідентичності:** оцінюйте тьюторів ШІ, системи оцінювання та рекомендаційні системи на різну поведінку за мовою, статтю, культурою та інвалідністю.
- **Відокремлюйте розуміння від мови в оцінюванні:** автоматизоване оцінювання не повинно карати неписьменних або менш вільних письменників за концептуальне розуміння, яке вони демонструють.
- **Робіть системи пояснюваними:** прозорість у рішеннях ШІ необхідна для виявлення та виправлення упередженості.
- **Поєднуйте технічне та людське пом’якшення:** поєднуйте алгоритми знеупередження з людським наглядом у циклі, особливо для випадків із високими ставками або низькою довірою.

## Пов’язані поняття
- [[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]]
## Пов’язані статті
- [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning]]
- [[nspa-neuro-symbolic-pedagogical-alignment-2026]] — Нейро-символічне педагогічне узгодження (NSPA)
- [[ai-scoring-language-bias-physics]] — Мовна упередженість в оцінюванні на основі ШІ
- [[gender-bias-transfer-llm-writing]] — Перенесення гендерної упередженості в письмі з допомогою LLM
- [[paternalistic-filter-llm-history-education]] — Патерналістичний фільтр і диференційовані відмови
- [[fair-explainable-edu-recommendations]] — Справедливі та пояснювані освітні рекомендації
- [[temporal-smoothness-debiased-kt]] — Знеупереджене трасування знань
- [[ground-truth-reliability-aied]] — Модернізація істинної позначки для надійності ШІ
- [[data-annotations-pedagogical-hints]] — Розмітки даних як педагогічні підказки
- [[xai-education-framework]] — Пояснюваний ШІ в освіті
- [[antiskillbench-persona-skills-privacy-2026]] — Приватність навичок персони та аудит упередженості
- [[genai-minoritized-knowledges-disability]] — GenAI та маргіналізація маргіналізованих знань
- [[marked-pedagogies-linguistic-bias-writing-feedback]] — Marked Pedagogies: стереотипно узгоджені упередженості в автоматизованому зворотному зв’язку на письмі
- [[lopez-pernas-llm-appropriate-student-support-2026]] — Чи може ШІ давати відповідну підтримку для різноманітних профілів студентів? Великомасштабне оцінювання
- [[bias-representation-text-to-image-education-2026]] — Упередженість і репрезентація в згенерованому ШІ «текст-у-зображення»: систематичний огляд (Alon et al. 2026)
- [[agarwal-ethical-values-norms-aied-2026]] — Етичні цінності та норми для ШІ в освіті
- [[nlp-student-evaluation-teaching-scoping-review-2026]] — Від класифікації настрою до дієвого та відповідального зворотного зв’язку: огляд-скопінг і карта свідчень NLP в оцінюванні викладання студентами, 2015–2026

- [[genai-social-bias-software-engineering-education-2026]] — Генеративний ШІ може посилювати соціальні упередженості в освіті з програмної інженерії
- [[fairness-theatre-early-warning-systems-2026]] — Fairness Theatre: оцінювання постхок-інтервенцій справедливості в системах раннього попередження під контролем постачальників

---

## [Культурно дорельна педагогіка](https://edtechdev.github.io/aied/concepts/culturally-relevant-pedagogy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Культурно дорельна педагогіка** — запроваджена Глорією Ладсон-Біллінгз (1995), ставить у центр [[curriculum-design|конструювання навчальної програми]] культурні референції маргіналізованих студентів. Вона спирається на три опори: **академічний успіх** (вимогливі стандарти, що шанують культурну ідентичність), **культурну компетентність** (критичну свідомість щодо культури та влади) та **[[critical-pedagogy|соціально-політичну свідомість]]** (розширення можливостей студентів кидати виклик несправедливим системам). Коли інструменти ШІ входять в аудиторії, культурно дорельна педагогіка стає центральною оптикою для оцінювання того, чи [[generative-ai|ШІ]] підсилює, чи стирає культурні знання недомінантних груп.

## Питання для роздумів

- Культурно дорельна педагогіка спирається на академічний успіх, культурну компетентність і соціально-політичну свідомість. Яку з цих опор найважче досягти за допомогою інструментів ШІ — і чому?
- Одне дослідження виявило, що 94% згенерованих ШІ планів уроків не містили помітного мультикультурного контенту, і майже жоден не досягав рівня трансформації чи соціальної дії. Якщо ШІ за умовчанням дає монокультурний результат, чия відповідальність — впровадити відсутні перспективи?
- Дані для навчання ШІ переважно західні та англомовні. Що означає для системи «активно маргіналізувати» способи пізнання — і чим це відрізняється від простого браку доступу?
- Навчання зі ШІ, засноване на спільноті, пропонує, щоб власні епістемології здобувачів, сформовані досвідом, були стандартом оцінювання результатів ШІ, причому відмова та невикористання розглядаються як дійсні відповіді. Як би ви поставили знання спільноти в ролі судді над дорельністю та шкодою ШІ?
- Засновані на культурі дані можуть різко покращити дорельність ШІ — один набір даних із знаннями Індії перевів малу модель із майже нуля до рівня, що змагається з набагато більшою загальною моделлю. Якщо ліки — кращі дані, хто мусить їх будувати й володіти ними?
- Міжкультурне дослідження виявило, що тотожні поведінки щодо використання ШІ судилися як [[ethics|етичні]] в одній країні та неетичні в іншій, незалежно від письмової політики. Що це говорить про спробу регулювати використання ШІ уніфікованими правилами?

## Вступ

### Двоїста роль ШІ в культурно дорельній педагогіці

ШІ може підтримувати викладачів у зробленні навчання культурно чуйним, але його результати за умовчанням також ризикують **підсилити домінантні наративи**, якщо їх не підказкувати.

- **Підтримка викладачів:** Ван та колеги (2025) побудували **CulturAIEd**, систему на основі [[llm|великих мовних моделей]], яка допомагає [[k-12|K-12]] викладачам конструювати культурно чуйні заняття з [[ai-literacy]], поєднуючи демографічну інформацію про студентів із орієнтованим на рубрику керівництвом (контрольний список CRT, вкладений у генерацію). У пілоті з чотирьма викладачів вона **підвищила впевненість викладачів** у виявленні нагод для культурної чуйності та в модифікації наявних занять, причому 78% вважали підказки ШІ корисними для диверсифікації матеріалів. Інструмент безпосередньо цілиться в бар’єри часу, підготовки та ресурсів, що блокують впровадження культурно дорельної педагогіки.
- **Ризик монокультурного результату:** [[civic-education-ai-lesson-plans|Trust et al. (2025)]] проаналізували 310 згенерованих ШІ планів уроків із громадянської освіти (2 230 занять): **94% не містили помітного мультикультурного контенту**, і з 144, які містили, 137 перебували на найнижчому рівні «адитивного» підходу, — **лише один досяг «трансформації», і жоден не досяг «соціальної дії».** Усі три [[conversational-ai|чат-боти]] породжували структурно тотожні монокультурні шаблони уроків. Це конкретний доказ, що ШІ за умовчанням дає гомогенізовані навчальні програми, якщо [[teacher-ai-competency|викладачі]] активно не втручаються.

### Епістемічна маргіналізація в системах ШІ

Поза генерацією уроків культурно дорельна педагогіка пов’язана з глибшою критикою: дані для навчання ШІ та процеси дизайну кодують західні, англомовні епістемічні рамки, які маргіналізують інші способи пізнання.

- **Епістемічна колоніальність:** Талі-Отмані (2026) стверджує, що системи генеративного ШІ не є епістемічно нейтральними, — переважно західноцентричні дані для навчання **активно маргіналізують применьшені знання**, породжуючи «подвійну маргіналізацію» для здобувачів з інвалідністю, чиї епістемології водночас недопредставлені в даних для навчання та виключені з дизайну. Це розширює розмову про [[equity-in-ai-education|справедливість]] від *доступу* до *чиї знання вважаються дійсними*.
- **Перерозподіл епістемічної авторитетності:** [[ojeda-ramirez-community-based-ai-learning|Ojeda-Ramirez, Gyles & Peppler (2026)]] пропонують **навчання зі ШІ, засноване на спільноті**, — рамку, яка переставляє епістемології, сформовані життєвим досвідом і спільнотою, в ролі оцінювального стандарту над результатами ШІ. Її три зобов’язання — **епістемічне донавчання**, **перерозподіл авторитету** та **[[situated-learning|ситуативне]] розрізнення** — калібрують довіру проти місцевих історій і експертизи спільноти, трактуючи відмову та стратегічне невикористання як дійсні відповіді культурно дорельної педагогіки на ШІ.

### Засновані на культурі дані та оцінювання

Певний корпус робіт із цієї бази знань опрацьовує прогалини *контенту* та *оцінювання*, що стоять за культурно дорельною педагогікою.

- **Незахідні дані для навчання:** IKS-Instruct дає **інструкційний набір даних із 24 795 прикладів для [[multilingual-learning|багатомовного]] [[teacher-role|навчання]] великих мовних моделей індійським системам знань** через сім [[language-learning|мов]] і 41 [[pedagogy|педагогічну]] техніку. Компактна домен-налаштована модель на 7B досягла медіанної оцінки судді 6.39 (проти 6.54 для набагато більшої загальної моделі), — тоді як базова модель набрала **майже нуль** за вимірами, специфічними для IKS, показуючи, наскільки засновані на культурі дані покращують дорельність.
- **[[global-south|Глобальний Південь]] [[benchmark|бенчмарки]]:** Бенчмарк **NSMQ Riddles** бере 1,8 тис. наукових/математичних загадок із 11 років Національної науково-математичної вікторини Гани, — один із перших освітніх бенчмарків Глобального Півдня, — і виявив, що найсучасніші великі мовні моделі **мають гірший результат за найкращих учасників-студентів**, викриваючи географічну упередженість у тому, як моделі оцінюються.
- **Культура понад політику:** Міжкультурне опитування канадських і південнокорейських студентів [[cs-education|інформатики]] виявило, що **культура, а не текст політики, керувала сприйняттям етичності використання ШІ**, — тотожні поведінки судилися по-різному між когортами, підсилюючи потребу в культурно обізнаній комунікації, а не в абстрактних правилах.
- **Культурна навігація — це те, де підтримка ШІ найслабша:** Міжнародні студенти оцінили розмовний ШІ найвище за граматику, структуру та узагальнення (середнє 4.27) і найнижче за культурну навігацію (середнє 3.49) ([[international-students-conversational-ai-adaptation|Nourian et al. (2026)]]).
- **Культурна адаптація як ходи дизайну:** [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]] операціоналізують культурну дорельність у системі підтримки [[well-being]] на ШІ ([[culturally-aware-student-stress-chatbot-2026|Sukoon]]) через три ходи: двомовну оцінку з 20 питань із паралельними англійськими та урду мітками; системну підказку, що інструктує модель відповідати узгоджено з пакистанськими соціальними та культурними нормами та використовувати вирази урду та роман-урду там, де доречно; і явну чутливість до локально виражених стресорів (сімейні очікування, фінансовий тиск, ієрархічні стосунки викладач–студент). Їхнє обґрунтування є водночас емпіричним і етичним, — [[explainable-ai|важливість ознак]] поставила стосунки викладач–студент на друге місце серед предикторів стресу, — проте вони визнають, що адаптація живе в підказці, а не в конвеєрі обробки природної мови, і що культурна дорельність оцінювалася лише неформальним тестуванням, а не тими студентами, на яких система цілиться.

### Практичні вказівки

Грунтуючись на власних статтях цієї бази знань, викладачі та дизайнери можуть застосовувати культурно дорельну педагогіку до ШІ:

- **Трактуйте ШІ як генератор чернеток, а не як авторитет.** Висновки про громадянську освіту Траста та колег показують, що викладачі мусять впроваджувати [[critical-thinking|мислення вищого порядку]] та мультикультурні перспективи, які ШІ пропускає; [[human-in-the-loop-ai|людське судження]] залишається необхідним для культурної автентичності та узгодження зі спільнотою.
- **Вкладайте демографічний та культурний контекст у підказки та інструменти.** CulturAIEd та [[connected-ai-lesson-planning-vietnam|ConnectED]] (в’єтнамська система планування уроків, узгоджена з навчальною програмою) показують, що структуровані, локально грунтовані шаблони підказок плюс ворота валідації від викладача покращують культурну відповідність порівняно з узагальненою генерацією.
- **Ставте знання спільноти в ролі оцінювального стандарту.** Слідуючи навчанню зі ШІ, заснованому на спільноті, дозвольте здобувачам судити результати ШІ за локально грунтованими критеріями дорельності, шкоди та корисності, і поважайте контекст, у якому відмова або невикористання є правильним вибором.
- **Ухвалюйте та оцінюйте засновані на культурі набори даних.** IKS-Instruct та NSMQ Riddles ілюструють, що [[discipline-specific-aied|доменно специфічні]] незахідні дані значуще покращують і дорельність, і чесне оцінювання.

## Пов’язані поняття

- [[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]] — Зонтичне поняття: педагогіки та стратегії навчання в освіті зі ШІ

## Пов’язані статті

- [[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

---

## [Багатомовне навчання](https://edtechdev.github.io/aied/concepts/multilingual-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> Багатомовне навчання в освіті зі ШІ стосується того, як освітні [[ai-technologies|технології]] та системи на базі LLM підтримують здобувачів у різних мовах, діалектах та низькоресурсних лінгвістичних контекстах — а також ризиків лінгвістичної виключеності, коли системи ШІ будуються переважно для домінантних мов.

## Питання для роздумів

- Більшість моделей ШІ навчаються переважно на мовах із великим обсягом ресурсів, як-от англійська. Якщо ви мислите, вчитеся або проходите оцінювання іншою мовою, як це може систематично ставити вас у невигідне положення — навіть якщо інструмент здається таким, що «працює» англійською?
- Сторінка попереджає, що неусунута монолінгвальна упередженість у ШІ поглиблює цифровий розрив і підриває справедливість, особливо в країнах Глобального Півдня. Що вимагає справжня справедливість, окрім простого перекладу контенту ШІ іншою мовою?
- Автоматизоване оцінювання може виявляти мовну упередженість, штрафуючи не носіїв мови навіть за той самий хід міркувань. Якби ви впроваджували оцінювання за допомогою ШІ, що б ви перевіряли, щоб воно було справедливим у різних мовах, а не лише точним в одній?
- Сторінка показує, що мовам із малим обсягом ресурсів можна служити шляхом донавчання моделей на кураторських корпусах, навіть за практичних обмежень апаратного забезпечення. Яких компромісів між ефективністю та тим, наскільки вірно модель опрацьовує мову з малим обсягом ресурсів, ви б очікували?
- Багатомовний ШІ має виходити за межі перекладу, щоб відображати культурно релевантну педагогіку — контент, який є лінгвістично *та* контекстуально доречним. Як контент, ідеально перекладений, усе ж може підвести здобувача, якщо ігнорує місцевий контекст і культуру?

## Вступ

Багатомовне навчання стосується освіти для здобувачів, які вчаться або мислять мовами, відмінними від домінантних, і є базовим виміром справедливості ШІ в освіті: [[generative-ai|генеративний ШІ]] переважно навчається та налаштовується на мовах із великим обсягом ресурсів, що може систематично ставити у невигідне положення всіх інших. Тема охоплює технічну роботу (адаптацію моделей до мов із малим обсягом ресурсів і діалектальних корпусів, [[rag|пошук]] в недомінантних мовах), педагогічні занепокоєння ([[culturally-relevant-pedagogy|локально обґрунтоване навчання]]) та структурну справедливість (хто взагалі має доступ до корисного освітнього ШІ) — що робить її нерозривно пов’язаною з [[digital-divide]] та [[equity-in-ai-education]].

## Огляд

Багатомовне навчання є базовим виміром справедливості [[ai-education|ШІ в освіті]]. Генеративний ШІ та [[llm|LLM]] переважно навчаються та налаштовуються на мовах із великим обсягом ресурсів, що може систематично ставити у невигідне положення здобувачів, які вчаться або мислять іншими мовами. Тема охоплює технічні виклики (адаптацію моделей до мов із малим обсягом ресурсів, діалектальних корпусів, [[rag|RAG]] в недомінантних мовах), [[pedagogy|педагогічні]] занепокоєння (культурно релевантне та локально обґрунтоване навчання) та структурну справедливість (хто взагалі отримує доступ до корисного освітнього ШІ).

## Технічні підходи

- **Донавчання для мов із малим обсягом ресурсів:** Nwogo та співавт. (2026) [[multilingual-adaptive-learning-nigeria-2026|донавчили інструкційно налаштовану LLM на кураторському корпусі нігерійського піджину]] в межах платформи [[adaptive-learning]] та систематично проаналізували компроміси квантування (4/5/8-біт) між семантичною вірністю та обчислювальною ефективністю — показуючи, що мовам із малим обсягом ресурсів можна служити за практичних обмежень апаратного забезпечення. Див. також [[bilingual-llm-lecture-companion-srl-2026|двомовного лекційного супутника на базі LLM]] для [[self-regulated-learning|саморегульованого навчання]].
- **Справедливість корпусів і даних:** створення кураторських корпусів (наприклад, нігерійський піджин, індійські системи знань через [[iks-instruct-dataset-indian-knowledge|IKS-Instruct]]) є повторюваною стратегією забезпечення виводу моделі власними мовами здобувачів.
- **Голосові та усні контексти:** [[kutti-ai-voice-first-learning-companion|голосові супутники]] та [[structural-silence-underrepresented-language-ai-2026|аналізи структурної мовчанки]] стосуються контекстів, у яких текстовий ШІ не спрацьовує для мовців недопредставлених мов.

## Справедливість та педагогіка

Багатомовний ШІ має виходити за межі перекладу, щоб відображати [[culturally-relevant-pedagogy|культурно релевантну педагогіку]] — генеруючи контент, який є лінгвістично та контекстуально доречним. Дослідження [[llm-cultural-relevance-k12|культурної релевантності LLM в K-12]] та [[scaffolding-critical-engagement-genai-minority-students|критичної залученості в GenAI серед студентів меншин]] показують, що лінгвістична та культурна узгодженість формує, чи дійсно студенти отримують користь. Якщо не звертати на це уваги, монолінгвальна упередженість у ШІ поглиблює [[digital-divide]] і підриває [[equity-in-ai-education|справедливість]] у [[global-south|країнах Глобального Півдня]].

## Упередженість оцінювання

Багатомовні занепокоєння також стосуються [[automated-assessment|автоматизованого оцінювання]]: [[ai-scoring-language-bias-physics|оцінювання за допомогою ШІ може виявляти мовну упередженість]] (наприклад, у [[physics-education|фізиці]]), штрафуючи не носіїв мови. Забезпечення справедливості інструментів оцінювання в різних мовах є частиною [[assessment-validity]].

Компаративне судження на базі LLM є випадком, коли упередженість відстежувала людський базовий рівень, а не модель: оцінки інформаційного письма учнів 3–6-го класів збігались із рубриками дослідників (r = 0,59–0,73) і демонстрували патерни передбачувальної упередженості для багатомовних здобувачів, подібні до людського оцінювання, без свідчень того, що більша потужність моделі або витрати покращували валідність ([[llm-comparative-judgment-writing-screening-2026|Mercer & Reed (2026)]]).

## Наслідки для викладачів у багатомовних контекстах

- **Поширюйте ШІ на власні мови здобувачів, а не лише англійську.** Донавчайте або налаштовуйте моделі для мов із малим обсягом ресурсів та недомінантних мов ([[multilingual-adaptive-learning-nigeria-2026|платформа нігерійського піджина]]) замість того, щоб примушувати користуватись інструментами лише англійською; поєднуйте ШІ з [[rag|RAG]] та локальними корпусами, де це можливо.
- **Захищайте оцінювання від мовної упередженості.** [[ai-scoring-language-bias-physics|Оцінювання за допомогою ШІ]] може штрафувати не носіїв мови — використовуйте мовочутливе або модероване людиною оцінювання, щоб захистити [[assessment-validity]] та [[equity-in-ai-education|справедливість]].
- **Відображайте культуру та контекст, а не лише переклад.** Багатомовний ШІ має виходити за межі перекладу до [[culturally-relevant-pedagogy|культурно релевантної педагогіки]] — генеруйте контент, який є лінгвістично та контекстуально доречним ([[llm-cultural-relevance-k12|культурна релевантність у K-12]]).
- **Поєднуйте ШІ зі структурами багатомовної підтримки.** Використовуйте голосові та усні режими ([[kutti-ai-voice-first-learning-companion|голосові супутники]]) там, де текстовий ШІ не спрацьовує, і підтримуйте [[self-regulated-learning|саморегуляцію]] в двомовних контекстах ([[bilingual-llm-lecture-companion-srl-2026|двомовний лекційний супутник]]).
- **Стежте за цифровим розривом.** Монолінгвальна упередженість у ШІ поглиблює [[digital-divide]] і підриває доступ у [[global-south]] країнах — плануйте справедливу інфраструктуру та доступ поряд із вибором інструменту.

## Пов’язані поняття

- [[differential-effects-across-learner-groups]]
- [[language-learning]]
- [[llm]]
- [[equity-in-ai-education]]
- [[global-south]]
- [[digital-divide]]
- [[culturally-relevant-pedagogy]]
- [[inclusive-learning]]
- [[generative-ai]]

## Пов’язані статті

- [[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

---

## [Інклюзивне навчання](https://edtechdev.github.io/aied/concepts/inclusive-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Інклюзивне навчання** — проєктування та надання освітнього досвіду, що враховує різноманітні потреби здобувачів, охоплюючи фізичні, когнітивні, сенсорні та ситуативні відмінності. В освіті зі ШІ [[research-methods-aied|research]] інклюзивного навчання вивчає як те, як інструменти ШІ можуть усувати бар’єри для здобувачів з інвалідністю та нейровідмінністю, так і те, як самі [[ai-technologies|AI systems]] мають бути спроєктованими, щоб не створювати нові прогалини в доступності.

## Питання для роздумів

- Доступний інструмент не гарантує інклюзивної інструкції, а асистивні технології не гарантують значущої агентності. Яка різниця між усуненням бар’єра для формату та проєктуванням освіти так, щоб усі могли значуще брати участь?
- Сторінка розрізняє інклюзивне навчання, доступність, асистивні технології, спеціальну освіту та універсальне проєктування. Де ШІ у вашому власному контексті — і на яке питання ви насправді намагаєтеся відповісти?
- Одне дослідження виявило, що сегментовані ШІ відео з фіксованими паузами усунули розрив у продуктивності між здобувачами з СДУГ і без СДУГ. Як проєктування для потреб однієї групи може покращити навчання для всіх?
- Описується, що системи ШІ ризикують створити нові прогалини в доступності, навіть усуваючи старі. Який тип здобувача може мовчки виключати текстовий, візуальний, завжди онлайн-інструмент ШІ?
- Дослідження інклюзивного оцінювання викриває напругу між заходами проти обману та врахуванням потреб здобувачів із порушеннями візуальної обробки. Коли безпека та доступність конфліктують, як має прийматися компроміс — і ким?
- Кілька інструментів інвертують припущення, що [[edtech-platform|edtech]] має бути візуальним, — напр., голосові компаньйони для здобувачів із порушеннями зору. Які припущення щодо «типового» здобувача можуть робити ваші власні інструменти або матеріали?

## Вступ

Інклюзивне навчання — це зобов’язання проєктування: освіта має бути побудована так, щоб усі здобувачі могли значуще брати участь, а не адаптована постфактум для тих, хто має труднощі. Тут воно функціонує як парасолька над суміжними, але відмінними поняттями — [[accessibility]] (чи може кожен сприймати формат і працювати з ним?), [[assistive-technology]] (які інструменти подоланують [[digital-divide|access gap]] окремої людини?), [[universal-design-for-learning]] (як проєктування має передбачати варіативність?) — і воно залучає [[neurodiversity]] та [[special-education]] як контексти проєктування, а не як винятки. ШІ входить тут і як обіцянка (персоналізація, врахування потреб, переклад), і як нове джерело виключення (вартість, дані, мовне покриття та припущення, вбудовані в моделі).

## Як пов’язані поняття узгоджуються між собою

Інклюзивне навчання — це **парасолькове** поняття; сторінки нижче знаходяться в ньому, кожна відповідаючи на різне питання. Вони перетинаються, але не є взаємозамінними — знання того, до якого з них належить твердження, зберігає точність бази знань:

| Поняття | Основне питання, на яке воно відповідає | Типовий фокус |
|---|---|---|
| **Інклюзивне навчання** *(ця сторінка)* | Як проєктувати освіту, щоб усі здобувачі могли значуче брати участь? | Широке проєктування інструкції за всією варіативністю здобувачів |
| **[[accessibility]]** | Чи може кожен сприймати та оперувати *форматом/засобом*? | Субтитри, альтернативний текст, транскрипти, контрастність, сумісність із клавіатурою/екранним читачем, WCAG |
| **[[assistive-technology]]** | Які інструменти/обладнання подоланують прогалину в доступі окремої людини? | Екранні читачі, синтез і розпізнавання мови, шрифт Брайля/тактальні засоби, субтитрування, врахування потреб за допомогою ШІ |
| **[[special-education]]** | Як надавати інструкцію здобувачам із діагностованими інвалідностями? | Індивідуальні освітні програми (IEP), індивідуальні адаптації, навчання, специфічне для інвалідності — **переважно термін [[k-12]] (IDEA/право на освіту)** |
| **[[universal-design-for-learning]]** | Як проактивно вбудовувати гнучкість від початку? | Множинні засоби [[student-engagement|engagement]], подання, дії/вираження |

На практиці: **UDL** — філософія проєктування, яка *запобігає* бар’єрам; **доступність** — властивість, що усуває бар’єри *формату*; **асистивні технології** — шар *інструментів*, якими користуються люди; **спеціальна освіта** — *інструкційна* галузь для діагностованих інвалідностей — і це переважно термін **K-12**, тоді як у **[[higher-ed|higher education]]** (і дедалі частіше також у K-12) поширенішою рамкою є [[universal-design-for-learning|Universal Design for Learning]]. **Інклюзивне навчання** — парасолька, що утримує їх разом навколо спільної мети рівноправної участі. Доступний інструмент не гарантує інклюзивної інструкції, а асистивні технології не гарантують значущої агентності — саме тому парасолька має охоплювати їх усі.

Інклюзивне навчання знаходиться на перетині [[equity-in-ai-education]], [[learning-design]] та [[special-education]], і підтримується конкретним шаром інструментів [[assistive-technology]] та властивістю проєктування [[accessibility]]. На відміну від вузьких адаптацій, які дообладнанням додають доступ до існуючих систем, перспектива інклюзивного навчання — заснована на [[universal-design-for-learning|Universal Design for Learning]] — стверджує, що середовища мають бути спроєктованими для повного діапазону людського різноманіття від самого початку. Статті в цій базі знань досліджують, як ШІ може це забезпечити через автоматизовану трансформацію змісту, адаптивні інтерфейси оцінювання та інструменти, спроєктовані з [[neurodiversity|neurodivergent users']] як відправної точки.

### Ключові теми досліджень

**Доступність змісту на основі ШІ** демонструє, як автоматизовані конвеєри можуть зменшувати бар’єри. **[[adhd-video-segmentation-computing-education|Pimenova et al.]]** показали, що сегментовані ШІ [[video-education|instructional videos]] з фіксованими паузами усунули розрив у продуктивності між здобувачами з СДУГ і без СДУГ — сильний доказ на користь Універсального проєктування для навчання через автоматизовану трансформацію змісту. Дослідження пов’язується з дослідженнями [[neurodivergent-computing-students]] про те, як структури [[collaborative-learning|collaborative learning]] впливають на комфорт нейровідмінних осіб. **[[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al.]]** спроєктували систему генерування питань на основі [[llm]] для глухих та слабочуючих здобувачів, запровадивши стратегії візуальних та емоційних питань, націлених на моменти візуальних або емоційних труднощів у відео, — водночас виявивши стійку невідповідність між текстовими підказками ШІ та першими мовами на основі жестів у глухих та слабочуючих осіб, підкреслюючи потребу в проєктуванні ШІ, обізнаному щодо мови та культури. **[[text-simplification-its|MuTSE]]** працює над доповнювальним бар’єром — рівнем читання — оцінюючи спрощення тексту на основі LLM для [[intelligent-tutoring]], узгоджуючи складність змісту з поточним рівнем кожного здобувача через рамку оцінювання з [[human-in-the-loop-ai|human-in-the-loop]], а не покладаючись на лінгвістичні метрики, які пропускають [[pedagogy|pedagogical]] якість.

Відео, насичене рівняннями, може бути зроблене доступним, а не вручну транскрибованим: конвеєр Gemini плюс LuaLaTeX перетворив 16 навчальних відео з фізики на PDF, які пройшли валідацію PDF/UA-2 та ISO 32005, і лише одне відео потребувало другої спроби ([[gemini-lualatex-physics-video-transcription-2026|Looney & Duston (2026)]]).

**Сенсорна доступність: сліпі, слабозорі та глухі здобувачі.** Кілька статей інвертують припущення, що edtech має бути візуальним. **[[kutti-ai-voice-first-learning-companion|Kutti AI]]** робить усну розмову основним і достатнім модальним каналом для дітей із порушеннями зору — виявлення труднощів у реальному часі, [[multilingual-learning|multilingual]] узгодження відповідей та розпізнавання мови на пристрої з пріоритетом офлайн усувають і залежність від зору, і вимогу з’єднання. **[[tactile-statistical-graphs-accessibility|Obiuwevwi et al.]]** побудували багаторазовий конвеєр, який генерує тактильні 3D-надруковані статистичні графіки для сліпих і слабозорих студентів менш ніж за 250 мс, з опціональним видобуванням діаграм із зображень на основі LLM. **[[pepper-robot-sign-language-lis-2025|Bolla et al.]]** дослідили, чи може соціальний робот Pepper створювати зрозумілу італійську мову жестів, спроєктувавши спільно з глухим студентом і експертом-інтерпретатором 52 жести, — розширюючи [[educational-robotics]] на комунікаційну доступність для глухих здобувачів, водночас підкреслюючи виклик відтворення немануальних компонентів (вираз обличчя, поза), критичних для значення. **[[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]]** розширюють цю лінію робіт на вищу освіту, виявивши в [[qualitative-research|qualitative]] кейс-дослідженні 21 студента бакалаврату із порушеннями зору в Палестині, що GenAI підлаштовує темп, зміст і надання під індивідуальні профілі та перетворює складні академічні тексти між модальностями — тоді як здобувачі сприймають GenAI як доповнення, а не заміну викладачів, зберігаючи людський зв’язок, водночас забезпечуючи участь.

**Проєктування інклюзивного оцінювання** бореться з напругою між безпекою та доступністю. **[[behaviorally-adaptive-visual-diversion-assessment-2026|BAVD]]** пропонує теоретичну рамку для адаптивного візуального відволікання, яке протистоїть обману через зняток екрана, водночас враховуючи потреби здобувачів із порушеннями візуальної обробки, — явно моделюючи компроміс між заходами проти обману та принципами інклюзивного навчання. Це пов’язується з широкішими занепокоєннями щодо [[academic-integrity]] та [[assessment]].

**Досвід нейровідмінних здобувачів** ставить у центр голоси студентів з інвалідністю та нейровідмінністю. **[[neurodivergent-computing-students|Zastudil et al.]]** виявили, що нейровідмінним студентам інформатики потрібні структуровані завдання, малі сталі команди та явні визначення ролей — вподобання, які мають враховувати [[intelligent-tutoring|AI tutoring]] та інструменти колаборації. **[[dyslexlens-dyslexic-learners-ai|DysLexLens]]** проаналізував обговорення на форумах здобувачів із дислексією, виявивши, що, хоча вони цінують ШІ за підтримку грамотності, вони стикаються зі значними бар’єрами доступності через нестабільну якість результатів і відсутність рівних адаптацій. Обидва дослідження пов’язуються зі [[special-education]] та [[student-experience]].

**[[cognitive-offloading|Cognitive offloading]] та компроміс доступ–розвиток.** [[seung-basham-cognitive-offloading-swld-2026|Seung & Basham (2026)]] показують, що для студентів із порушеннями навчання той самий GenAI, який знижує бар’єри доступу до читання та письма (вирівнювання рівня тексту, узагальнення, підтримка складання), може, якщо його не охороняти, підмінити собою практику розуміння, планування та моніторингу, яка цим здобувачам найбільше потрібна, — напруга справедливості, центральна для інклюзивного навчання. Тому інклюзивне проєктування має враховувати не лише те, чи є інструмент *доступним*, але й чи зберігає він у здобувача можливість розвивати саме ті навички, які має забезпечити доступ.

**ШІ для дислексії: виявлення, підтримка та [[personalized-learning|personalized learning]].** Міждисциплінарний [[meta-analysis-systematic-review|systematic review]] 2026 року (Dabaghi, D'Urso & Sciarrone, керований PRISMA, 2018–2024, n=72) виявляє, що ШІ підтримує студентів із дислексією у виявленні, асистивній підтримці та персоналізованому навчанні — але ці напрями розвиваються паралельно, а не в інтеграції, рухаючись більше технологічними можливостями, ніж консолідованою освітньою теорією. Інструменти допомоги на основі машинного навчання охоплюють п’ять галузей (конкретні застосування, залученість, персоналізація, рекомендації, загальна підтримка), проте акцентують технічну продуктивність і точність класифікації, нехтуючи екологічною валідністю та практичним розгортанням в аудиторіях. Дослідження виявлення (ЕЕГ, айтрекінг, моделі машинного навчання) показують діагностичну перспективність для ранньої інтервенції, але часто потребують спеціалізованого обладнання та контрольованих середовищ, обмежуючи масштабованість і доступність у типових шкільних умовах. Відкриті виклики включають обмежену експериментальну валідацію, масштабованість, занепокоєння щодо [[ethics]]/приватності стосовно чутливих даних студентів, обмежену підтримку та підготовку [[teacher-role|teacher]] та мовні/культурні бар’єри (більшість досліджень націлена на англомовні популяції) — підкреслюючи, що інклюзивне навчання має поєднувати технічну здатність із валідованим, масштабованим та етично обґрунтованим розгортанням.

**Критика ШІ, зосереджена на інвалідності,** досліджує, як системи ШІ можуть маргіналізувати, а не включати. **[[genai-minoritized-knowledges-disability|Tali-Otmani]]** стверджує, що системи [[generative-ai|generative AI]] у вищій освіті активно маргіналізують зосереджені на інвалідності способи пізнання через англоцентричні, західноорієнтовані навчальні дані, — пов’язуючи це із занепокоєннями [[equity-in-ai-education]] щодо епістемічної справедливості.

**Воротарство формальної діагностики виключає здобувачів, яких інструмент нібито має обслуговувати.** У огляді [[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel et al.'s (2026)]] 40 досліджень цифрових асистивних технологій для нейровідмінних студентів 28 зробили формальну діагностику умовою участі, і лише три розглядали середовище, а не студента.

**Доступні інструменти на практиці** показують, як ШІ може розширювати участь. **[[suacode-african-students-motivations|SuaCode]]** продемонстрував, що курси програмування на основі смартфонів досягають студентів в африканських контекстах із обмеженими ресурсами, де менше 1% мають навички програмування. **[[embodied-string-learning-blindness-low-vision-musicians|Pimenova et al.]]** працювали зі сліпими та слабозорими музикантами, щоб розробити невізуальні стратегії навчання, ставлячи в центр керований інвалідністю [[embodied-learning|embodied]] дизайн. **[[ludia-udl-ai-thought-partner-2026|LUDIA]]** надає безкоштовного, приватного, багатомовного помічника для міркувань, що пов’язує освітян із принципами UDL. **[[special-r1-rl-special-education|Special-R1]]** розширює [[reinforcement-learning|reinforcement learning]] на моделювання когнітивного та комунікаційного різноманіття між профілями інвалідності.

### Зв’язки зі спорідненими поняттями

Інклюзивне навчання глибоко пов’язане з [[equity-in-ai-education]] — доступність є не просто технічним занепокоєнням, а питанням про те, кому дозволено брати участь у навчанні. Воно пов’язується з [[accessibility]] як свій конкретний шар доступу, з [[assistive-technology]] як шаром інструментів, з [[universal-design-for-learning]] як своєю теоретичною основою, зі [[special-education]] для специфічних для інвалідності підходів, з [[learning-design]] для того, як будуються курси та інструменти, і з [[neurodiversity]] як лінзою, що переосмислює відмінність як різноманіття, а не як дефіцит. Роботи над роботами жестової мови та тактильними інструментами пов’язують доступність із [[educational-robotics]] та [[educational-nlp]], тоді як спрощення тексту пов’язує її з [[sociocultural-learning]] та [[adaptive-learning]]. Зв’язки з [[ai-education]] та [[generative-ai]] підкреслюють і обіцянку (автоматизована адаптація змісту), і небезпеку (системи ШІ, що відтворюють виключення).

## Наслідки для викладачів, які проєктують інклюзивне навчання

- **Проєктуйте для виключеної модальності спочатку, а не наостанці.** Побудова для сліпих/слабозорих користувачів від самого початку ([[kutti-ai-voice-first-learning-companion|Kutti AI]], [[tactile-statistical-graphs-accessibility|tactile graphs]]) дає інструменти, які працюють також офлайн і в умовах обмежених ресурсів — доступність як каталізатор, а не дообладнання постфактум.
- **Спроєктовуйте спільно з цільовою спільнотою.** [[pepper-robot-sign-language-lis-2025|Sign-language robots]] та [[llm-question-generation-deaf-hard-of-hearing-2026|DHH question generation]] показують, що залучення спільноти викриває бар’єри (напр., перші мови на основі жестів), яких проєктувальники не можуть передбачити — залучайте здобувачів і спільноти до проєктування.
- **Оцінюйте педагогічну якість, а не лише лінгвістичні метрики.** [[text-simplification-its|MuTSE]] показує, що варіативність результатів LLM потребує оцінювання з людиною в циклі, щоб спрощення допомагало, а не спрощувало надмірно.
- **Використовуйте ШІ для закриття розривів у продуктивності.** [[adhd-video-segmentation-computing-education|AI-segmented videos]] усунули розрив у продуктивності за СДУГ — розгортайте адаптивний ШІ там, де докази показують, що він вирівнює результати.
- **Явно трактуйте компроміс безпека/доступність.** [[behaviorally-adaptive-visual-diversion-assessment-2026|BAVD]] моделює, як заходи проти обману можуть ненавмисно виключати здобувачів із порушеннями візуальної обробки — зважуйте доброчесність проти доступу.
- **Доступ може залежати від формулювання, а не лише від формату.** За незмінного базового завдання точність моделі зросла з 82,4% для формулювань низької грамотності до 83,4% для експертних формулювань, тож вимога до студентів ставити кращі підказки додає нове виключення; переписувач на боці системи, який нормалізує запити, усував значний розрив, не змінюючи змісту ([[prompt-privilege-equitable-ai-access-2026|Jin et al. (2026)]]).
- **Стережіться відтворення виключення ШІ.** [[genai-minoritized-knowledges-disability|Disability-centered critique]], попереджає, що англоцентричні, західноорієнтовані навчальні дані маргіналізують інвалідні способи пізнання — аудитуйте інструменти ШІ на епістемічну справедливість разом із [[equity-in-ai-education]].

## Пов’язані поняття

- [[differential-effects-across-learner-groups]]
- [[equity-in-ai-education]]
- [[accessibility]] — конкретний шар доступу (субтитри, альтернативний текст, сумісність із асистивними технологіями)
- [[assistive-technology]] — шар інструментів, яким студенти користуються для доступу до змісту
- [[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]]

## Пов’язані статті

- [[prompt-privilege-equitable-ai-access-2026]] — Привілей підказок: вимірювання та пом’якшення розривів у доступі до LLM
- [[adhd-video-segmentation-computing-education]]
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — Генерування питань на основі LLM для глухих і слабочуючих здобувачів
- [[text-simplification-its]] — Спрощення тексту для інтелектуального навчання
- [[kutti-ai-voice-first-learning-companion]] — Kutti AI: голосовий компаньйон для дітей із порушеннями зору
- [[tactile-statistical-graphs-accessibility]] — Тактильні 3D-надруковані статистичні графи
- [[pepper-robot-sign-language-lis-2025]] — Робот Pepper, що підтримує комунікацію мовою жестів
- [[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]] — Доступна для математики транскрипція відео з фізики на Gemini+LuaLaTeX
- [[khlaif-assistive-genai-visually-impaired-2026]] — Асистивний GenAI для здобувачів із порушеннями зору
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Генеративний ШІ, віртуальна реальність і не лише: огляд цифрових асистивних технологій для нейровідмінних студентів у вищій освіті

---

## [Доступність](https://edtechdev.github.io/aied/concepts/accessibility/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Доступність** — проєктування освітніх технологій, вмісту та інтерфейсів таким чином, щоб їх могли сприймати, використовувати та розуміти люди з інвалідністю та різноманітними потребами. В [[ai-education|ШІ в освіті]] доступність охоплює конкретні, операційні бар’єри для *середовища* навчання: субтитри до відео, альтернативний текст, розшифровки, сумісність із програмами екранного доступу та клавіатурою, колірний контраст, спрощення тексту, тактильний вихід, підтримку жестової мови та сумісність із асистивними [[ai-technologies|технологіями]].

## Питання для роздумів

- Коли ви востаннє проєктували або обирали цифровий інструмент навчання, чи перевіряли ви, чи працюють його субтитри, альтернативний текст, навігація з клавіатури та колірний контраст, перш ніж враховувати його [[pedagogy]]? Чому такий порядок може мати значення?
- Відео з точними субтитрами є «доступним», тоді як курс, який структурує обговорення навколо комунікативних потреб глухого здобувача, є таким, що «підтримує цього здобувача». Де б ви провели межу між усуненням технічного бар’єру та змістовним обслуговуванням студента?
- [[research-methods-aied|Дослідження]] показує, що навчальні [[video-education|відео]] з сегментацією ШІ з фіксованими паузами усунули розрив у продуктивності між здобувачами з [[neurodiversity|СДУГ]] та без нього. Чи можете ви згадати «виправлення, розроблене для одного здобувача», яке врешті-решт вигідно вплинуло на всіх у класі, де ви були?
- Дехто стверджує, що доступність є необхідною, але недостатньою — доступний інструмент не є автоматично інклюзивним або справедливим щодо інвалідності. У чому різниця між тим, щоб мати змогу використовувати інструмент, і тим, щоб ним змістовно обслуговували?
- Багато інструментів ШІ навчаються здебільшого на англомовних, західноцентричних даних. Як це може обмежувати те, наскільки добре вони обслуговують здобувачів, чия перша мова є жестовою, або чиї способи пізнання відрізняються від домінуючих?
- ШІ може автоматизувати доступність у масштабі — генеруючи субтитри, спрощуючи текст, створюючи тактильний вихід. Що б ви хотіли перевірити вручну, перш ніж довіряти цій автоматизованій доступності, і чому?

## Вступ

Доступність відрізняється від трьох сусідніх понять у цій базі знань, але тісно пов’язана з ними. **[[inclusive-learning]]** — ширший засніт для проєктування освіти для всієї варіативності здобувачів (фізичної, когнітивної, сенсорної, ситуативної). **[[special-education]]** — навчальний домен для здобувачів із діагностованою інвалідністю, включаючи індивідуалізовані адаптації. **[[universal-design-for-learning]]** — проактивна рамка проєктування (множинні засоби [[student-engagement|залучення]], репрезентації, дії/висловлення). **Доступність** сидить у цьому сузір’ї як *технічний і процедурний шар*: усунення бар’єрів до сприйняття та використання формату, а не перепроєктування педагогіки. Їх можна розділити на спектрі — доступність питає «чи може кожен отримати доступ до цього вмісту та інструмента?», тоді як підтримка студентів з інвалідністю питає «чи змістовно обслуговує навчання кожного здобувача, включаючи адаптації та підтримку, специфічну для інвалідності?» Обидва мають значення, і ШІ перетинає обидва.

### Чому ця відмінність має значення

Відео з точними субтитрами та належним чином позначеною розшифровкою є *доступним*; курс, який структурує обговорення, щоб врахувати комунікативні переваги глухого здобувача, є таким, що *підтримує цього здобувача*. Вони перетинаються — доступні медіа є передумовою інклюзивного навчання — але вони вимагають різних ходів проєктування і спираються на різні докази. Доступність заснована на стандартах і праві (WCAG, Закон про асистивні технології США [[assistive-technology|Assistive Technology Act]] та IDEA), тоді як доступне навчання та спеціальна освіта засновані на педагогіці та [[student-experience|досвіді здобувача]].

### Основні дослідницькі теми

**Доступність формату: субтитри, розшифровки та текст.** **[[adhd-video-segmentation-computing-education|Навчальні відео з сегментацією ШІ]]** з фіксованими паузами усунули розрив у продуктивності між здобувачами з СДУГ та [[learners]] без нього — доступність як каталізатор, який вигідно впливає на всіх. **[[text-simplification-its|MuTSE]]** оцінює спрощення тексту на основі [[llm]] для [[intelligent-tutoring|інтелектуального тьюторінгу]], щоб узгодити складність вмісту з рівнем читання кожного здобувача, шар доступності з [[human-in-the-loop-ai|людиною в циклі]]. **[[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al.]]** будують генерацію [[automated-question-generation|питань]] на основі LLM для глухих і слабочуючих здобувачів, протистоячи невідповідності між текстовими підказками ШІ та першими мовами на основі жестів.

**Сенсорний доступ: невізуальний та тактильний вихід.** **[[kutti-ai-voice-first-learning-companion|Kutti AI]]** робить усну розмову основною модальністю для дітей з порушеннями зору, усуваючи візуальну залежність. **[[tactile-statistical-graphs-accessibility|Тактильні 3D-надруковані графіки]]** перетворюють візуальні статистичні дані на дотичний вихід для сліпих і слабозорих студентів. **[[pepper-robot-sign-language-lis-2025|Роботи з жестовою мовою]]** розширюють [[educational-robotics]] на комунікативну доступність для глухих здобувачів.

**[[generative-ai|Генеративний ШІ]] для здобувачів з порушеннями зору.** **[[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]]** — [[qualitative-research|якісний]] кейс-стаді 21 [[higher-ed|студента бакалаврату]] з порушеннями зору у трьох палестинських університетах — встановили, що GenAI пристосовує темп, вміст і подачу до індивідуальних профілів навчання і спрощує складні академічні тексти, перетворюючи вміст між модальностями (текст, аудіо, візуальне), роблячи матеріали такими, якими можна користуватися, які раніше були недоступними. Здобувачі окреслювали негайність як основну вимогу доступності, а не як зручність, і шість взаємозалежних технологічних атрибутів — інтерактивність, зручність для користувача, доступність за ціною, мультимодальність, інтеграція та масштабованість — визначали, чи був GenAI справжньо доступним у [[global-south|контексті з обмеженими ресурсами]], причому [[usability-research|зручність використання]], доступність за ціною та доступність взаємно підсилювали одне одного, а не були відокремленими міркуваннями проєктування.

**Політика та адаптації для студентів з інвалідністю.** **[[shin-ai-policies-sld-2026|Shin et al.]]** аналізують документи політики щодо ШІ в США, щоб виявити порожнечу в настановах для студентів із специфічними навчальними труднощами, пропонуючи адаптації та рекомендації щодо [[educational-policy-ai|політики]], засновані на Законі про асистивні технології [[assistive-technology|Assistive Technology]] та IDEA. **[[zhang-ai-students-disabilities-meta-analysis-2024|Zhang et al.]]** метааналізують 29 досліджень інтервенцій на основі ШІ для студентів з інвалідністю, встановлюючи середній позитивний ефект на [[learning-gains|результати навчання]] (g = 0,588) — і стверджують, що ШІ мусить робити більше, ніж забезпечувати доступність: він мусить уможливлювати [[agency|агентну]] участь.

**Надмірно ширі заборони щодо ШІ та асистивна розшифровка.** **[[wright-transcription-not-generation-2026|Wright (2026)]]** стверджує, що загальні заборони «використання ШІ» є надмірно ширі, оскільки вони не розрізняють розпізнавання мовлення в текст і OCR від генеративного написання: технології розпізнавання перетворюють формат вмісту, який студент уже створив, а не створюють новий вміст, проте політика, написана навколо ідентичності платформи, охоплює обидва однаково. Студенти з станами, що впливають на контроль дрібної моторики, розбірливість почерку або точність набору тексту — включаючи стани спектра аутизму, диспраксію, церебральний параліч і повторювальні напруження — покладалися на автономні інструменти перетворення мовлення в текст і OCR, і повідомлення вказують, що кілька автономних продуктів перетворення мовлення в текст були зняті з виробництва або деградовані, залишаючи розпізнавання мовлення на основі ШІ заповнювати функціональний проміжок. Розгляд цієї підміни як проступку порушує занепокоєння щодо справедливості за обов’язку розумної адаптації в Законі про рівність Великобританії 2010 року, антиципаційного обов’язку рівності державного сектора, Закону про американців з інвалідністю в США та Законі про дискримінацію за інвалідністю Австралії 1992 року, хоча стаття не стверджує, що ця характеристика була перевірена в трибуналі. Вона зазначає, що перетин інвалідності, асистивних технологій та політики щодо проступків із ШІ є недослідженим, що масштаб цього витіснення невиміряний, і що та сама неточність створює диференційований ризик хибних позитивних результатів, оскільки детектори читають текст з низькою перплексією авторів, для яких англійська не є рідною, як машинне авторство. Правове ризикування, яке створює ця надмірна широта, відображено на сторінці [[legal-issues-and-risks]].

**ШІ для дислексії: виявлення, підтримка та [[personalized-learning|персоналізоване навчання]].** Міждисциплінарний [[meta-analysis-systematic-review|систематичний огляд]] 2026 року (Dabaghi, D'Urso & Sciarrone, керований PRISMA, 2018–2024, n=72) встановлює, що ШІ підтримує студентів із дислексією в межах виявлення, асистивної підтримки та персоналізованого навчання — але з тими нитками, що еволюціонують паралельно, а не в інтеграції, керованими більше технологічною можливістю, ніж консолідованою освітньою теорією. Інструменти допомоги в навчанні на основі ML охоплюють п’ять областей (специфічні застосування, залучення, персоналізація, рекомендація, універсальна підтримка), проте підкреслюють технічну продуктивність і точність класифікації, нехтуючи екологічною валідністю та практичним розгортанням в аудиторії. Дослідження виявлення (ЕЕГ, відстеження погляду, моделі ML) показують діагностичну перспективу для ранньої інтервенції, але часто вимагають спеціалізованого обладнання та контрольованих середовищ, обмежуючи масштабованість і доступність у типових шкільних умовах. Відкриті завдання включають обмежену експериментальну валідацію, масштабованість, занепокоєння щодо [[ethics]]/[[privacy]] з чутливими даними студентів, обмежену підтримку і навчання [[teacher-role|викладачів]], і мовні/культурні бар’єри (більшість досліджень націлена на англомовні популяції) — підкріплюючи, що доступність мусить бути валідованою, масштабованою та етично обґрунтованою, а не лише технічно продемонстрованою.

**Межі однієї лише доступності.** **[[genai-minoritized-knowledges-disability|Критична робота]]** попереджає, що ШІ, навчений на англомовних, західноцентричних даних, може маргіналізувати зцентровані на інвалідності способи пізнання. Доступні формати не гарантують інклюзивного або справедливого навчання — підкріплюючи, що доступність є необхідною, але недостатньою, і мусить пов’язуватися з [[equity-in-ai-education]].

**Домінують інструменти, зцентровані на адаптації та обмежені діагнозом.** Розгорнутий огляд 40 досліджень цифрових асистивних технологій для нейровідмінних студентів встановив, що 28 зробили формальний діагноз умовою участі і лише три працювали на нейротипічних ровесників, а не на студенті, повідомляючи про ефекти інверсії — когнітивне перевантаження, втому, відволікання та надмірну залежність від генеративного ШІ.([[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel et al. (2026)]])

## Наслідки для практики

- **Пріоритезуйте бар’єр формату першим.** Субтитри, розшифровки, альтернативний текст, контраст і операційність з клавіатури є прикордонним шаром — без них ніщо інше не має значення для здобувачів, які їх потребують.
- **Використовуйте ШІ для автоматизації доступності в масштабі.** ШІ може генерувати субтитри, спрощувати текст, створювати тактильні/аудіо альтернативи та пристосовувати подачу — але оцінюйте якість виходу з перевірками з людиною в циклі.
- **Розглядайте доступність як необхідну, але недостатню.** Доступний інструмент не є автоматично інклюзивним або справедливим щодо інвалідності інструментом; поєднуйте доступність із проєктуванням [[inclusive-learning]] та підтримкою [[special-education]].
- **Засновуйте адаптації на праві та політиці.** Посилайтеся на стандарти (WCAG) і статути (Закон про асистивні технології, IDEA), коли проєктуєте або закуповуєте інструменти ШІ.
- **Розгортання ШІ випереджає політику доступності ШІ на інституційному рівні.** [[chan-ai-institutionalization-index-global-universities-2026|Chan (2026)]] закодував усі 100 університетів рейтингу Times Higher Education 2026 року і встановив, що 0% публікують автономну політику доступності ШІ, тоді як 93% розгортають кампусні сервіси на основі ШІ (чат-боти для реєстрації, житла, ІТ). Витривале читання автора — обов’язки доступності сидять у загальних політиках сервісів для інвалідів, але як виміряно, вимоги до інструментів ШІ не з’являються ніде в публічному інституційному записі. Коротка інституційна заява, що інструменти ШІ у викладанні та адмініструванні мусять бути доступними для студентів з інвалідністю, була б попереду всього виміряного поля.

- **Математично доступна розшифровка відео з [[physics-education|фізики]] (2026):** робочий процес ШІ з використанням Gemini (аудіо + вибірка відео з частотою 1 кадр на секунду) та LuaLaTeX компілює навчальні відео з фізики у математично доступні PDF PDF/UA-2 та ISO 32005, які регулярно проходять валідацію доступності — практичний, безкоштовний шлях до того, щоб зробити вміст відео, насичений рівняннями, читабельним для екранних програм для сліпих і слабозорих студентів ([[gemini-lualatex-physics-video-transcription-2026]]).

## Пов’язані поняття
- [[differential-effects-across-learner-groups]]
- [[inclusive-learning]] — ширший засніт для проєктування освіти на всій варіативності здобувачів
- [[special-education]] — навчальний домен для здобувачів із діагностованою інвалідністю
- [[universal-design-for-learning]] — проактивна рамка проєктування
- [[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]] — гарнітури, морська хвороба від руху та доступ до пристроїв визначають, хто може його використовувати
- [[speech-and-voice-technologies]]
- [[legal-issues-and-risks]] — сторінка-засніт для надмірно ширі правил, дефектних доказів і розумної адаптації
- [[arts-design-and-media-education]]

## Пов’язані статті
- [[chan-ai-institutionalization-index-global-universities-2026]] — Chan (2026): 0% зі 100 елітних університетів публікують політику доступності ШІ, тоді як 93% розгортають кампусні сервіси ШІ
- [[shin-ai-policies-sld-2026]] — Політики ШІ та адаптації для студентів із специфічними навчальними труднощами
- [[zhang-ai-students-disabilities-meta-analysis-2024]] — Метааналіз інтервенцій ШІ для студентів з інвалідністю
- [[adhd-video-segmentation-computing-education]] — Відео з сегментацією ШІ з фіксованими паузами
- [[text-simplification-its]] — Спрощення тексту на основі LLM для інтелектуального тьюторінгу
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — Генерація питань на основі LLM для глухих/слабочуючих здобувачів
- [[kutti-ai-voice-first-learning-companion]] — Компаньйон, орієнтований на голос, для дітей з порушеннями зору
- [[tactile-statistical-graphs-accessibility]] — Тактильні 3D-надруковані статистичні графіки
- [[pepper-robot-sign-language-lis-2025]] — Робот Pepper, що підтримує жестову мову
- [[genai-minoritized-knowledges-disability]] — Критична перспектива на ШІ та зцентровані на інвалідності знання
- [[gemini-lualatex-physics-video-transcription-2026]] — Математично доступна розшифровка відео з фізики за допомогою Gemini+LuaLaTeX
- [[khlaif-assistive-genai-visually-impaired-2026]] — Асистивний GenAI для здобувачів з порушеннями зору
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Генеративний ШІ, віртуальна реальність та інше: розгорнутий огляд цифрових асистивних технологій для нейровідмінних студентів у вищій освіті
- [[wright-transcription-not-generation-2026]] — Розпізнавання не є генерацією: надмірно ширі заборони щодо ШІ та асистивні інструменти, які вони охоплюють

---

## [Асистивні технології](https://edtechdev.github.io/aied/concepts/assistive-technology/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Асистивні технології** — пристрої, програмне забезпечення та послуги, які допомагають людям з інвалідністю сприймати, оперувати, спілкуватися та брати участь у навчанні й повсякденному житті. У [[ai-education|ШІ в освіті]] асистивні технології охоплюють зчитувачі екрана, перетворення мови в текст і тексту в мову, субтитрування, шрифт Брайля та тактильний вивід, інструменти жестової мови і, дедалі більше, адаптації на базі ШІ, що пристосовують контент і взаємодію до індивідуальних потреб.

## Питання для роздумів

- Асистивні технології — це шар інструментів доступності: конкретні пристрої та програмне забезпечення, які люди використовують, щоб подолати розриви в доступі. Перед читанням: чи вважали ви доступність і асистивні технології одним і тим самим? Як розгляд їх як різних речей міг би змінити ваші підходи до проєктування навчальних середовищ?
- [[research-methods-aied|Дослідження]] виявляє, що інтервенції на основі ШІ дають середній позитивний ефект на [[learning-gains|навчальні результати]] для студентів з інвалідністю (g = 0.588). Однак сторінка попереджає, що самі по собі інструменти доступу не забезпечують інклюзивної інструкції або агентивності здобувача. У чому різниця між тим, щоб дати студенту доступ, і тим, щоб справді включити його?
- Сторінка зазначає, що документи політики США щодо ШІ здебільш не розглядають асистивні технології та адаптації для студентів із специфічними навчальними труднощами. Як ви думаєте, чому адаптації так легко випадають із уваги політики щодо ШІ — і хто від цього втрачає?
- [[generative-ai|Генеративний ШІ]] може автоматично створювати субтитри, спрощувати текст і генерувати тактильні альтернативи — знижуючи вартість адаптації. Але сторінка застерігає оцінювати якість згенерованих ШІ альтернатив на [[pedagogy|педагогічну]] точність. Що може піти не так, якщо «спрощена» чи «тактильна» версія спотворює контент, який має зробити доступним?
- ШІ розширює асистивні інструменти від голосових навчальних компаньйонів до тактильних графіків і інструментів жестової мови. Як освітянину чи дизайнеру, бар’єр якого конкретного здобувача ви хотіли б подолати першим за допомогою ШІ — і що вам потрібно знати про цього здобувача, перш ніж обирати інструмент?

## Вступ

Асистивні технології — це конкретний *шар інструментів* [[accessibility]]. Там, де доступність є властивістю дизайну середовища (чи можуть усі отримати доступ?), асистивні технології — це конкретне обладнання та програмне забезпечення, які люди використовують, щоб подолати розриви в доступі. Вони є основою [[special-education]] та [[inclusive-learning]] — студенти зі специфічними навчальними труднощами, вадами зору чи слуху та моторними проблемами покладаються на асистивні інструменти, щоб отримати доступ до [[curriculum-design|навчального плану]]. У США [[educational-policy-ai|Закон про асистивні технології (2004)]] та Закон про поліпшення освіти для осіб з інвалідністю (IDEA, 2004) забезпечують правову основу для надання цих інструментів студентам з інвалідністю.

### Ключові теми досліджень

**ШІ розширює асистивні технології.** Генеративний ШІ та LLM перетворюють асистивні інструменти — [[text-simplification-its|спрощення тексту на основі LLM]] адаптує рівень читання в [[intelligent-tutoring]], [[kutti-ai-voice-first-learning-companion|голосовий ШІ з пріоритетом голосу]] прибирає візуальну залежність для незрячих та слабозорих здобувачів, а [[tactile-statistical-graphs-accessibility|згенеровані ШІ тактильні графіки]] перетворюють візуальні дані в дотичний вивід. **[[zhang-ai-students-disabilities-meta-analysis-2024|Zhang et al.]]** виявляють, що інтервенції на основі ШІ (роботи, програмне забезпечення, інтелектуальна віртуальна реальність) дають середній позитивний ефект на навчальні результати студентів з інвалідністю (g = 0.588). **[[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]]** додають [[qualitative-research|якісне]] дослідження випадку 21 студента бакалаврату з вадами зору в Палестині, показуючи, що GenAI функціонує як асистивний шар, який пристосовує темп, контент і подачу, спрощує складні тексти та переводить контент між модальностями — причому здобувачі послідовно розглядають його як доповнення, а не заміну викладачам.

**Політика та забезпечення.** **[[shin-ai-policies-sld-2026|Shin et al.]]** документують, що документи політики США щодо ШІ здебільш не розглядають асистивні технології та адаптації для студентів із специфічними навчальними труднощами, закликаючи до керівництва політики, обґрунтованого Законом про асистивні технології та IDEA.

**ШІ для дислексії через виявлення, підтримку та [[personalized-learning|персоналізоване навчання]].** Міждисциплінарний [[meta-analysis-systematic-review|систематичний огляд]] 2026 року (Dabaghi, D'Urso & Sciarrone, за PRISMA, 2018–2024, n=72) картографує підтримку ШІ для студентів із дислексією, знаходячи ШІ, що використовується для виявлення, асистивної підтримки та персоналізованого навчання, — але з тим, що ці напрями розвивалися паралельно, а не в інтеграції, керуючись більше технологічними можливостями, ніж консолідованою освітньою теорією. Інструменти ML-допомоги в освіті потрапляють у п’ять областей (конкретні застосування, [[student-engagement|залученість]], персоналізація, рекомендація, узагальнена підтримка), але зосереджуються на технічній продуктивності та точності класифікації, нехтуючи екологічною валідністю та практичним розгортанням в аудиторії. Дослідження виявлення (ЕЕГ, відстеження погляду, моделі ML) показують діагностичні перспективи для ранньої інтервенції, але часто потребують спеціалізованого обладнання та контрольованих середовищ, обмежуючи масштабованість і доступність у типових шкільних умовах. Відкриті проблеми включають обмежену експериментальну валідацію, масштабованість, занепокоєння щодо [[ethics]]/приватності стосовно чутливих даних студентів, обмежену підтримку та підготовку [[teacher-role|викладачів]] і мовні/культурні бар’єри (більшість досліджень орієнтована на англомовні популяції) — нагадування, що асистивні інструменти мають бути валідованими, масштабованими та етично обґрунтованими, щоб справді долати розриви в доступі.

**Межі асистивних інструментів.** Асистивні технології дають доступ, але самі по собі не забезпечують інклюзивної інструкції чи [[agency]] здобувача. **[[genai-minoritized-knowledges-disability|Критичні дослідження]]** та рух за [[agency|агентивними]] ролями для студентів з інвалідністю нагадують нам, що доступ має поєднуватися зі значимою участю.

Оглядовий огляд 2026 року цифрових асистивних [[ai-technologies|технологій]] для [[neurodiversity|нейровідмінних]] студентів у [[higher-ed|вищій освіті]] картографує вихід десятиліття: 766 записів переглянуто в п’яти базах даних, 40 досліджень включено, з інструментами на основі ШІ в 15 із них і [[virtual-and-augmented-reality|віртуальною реальністю]] в 11. Його організуючий висновок — невідповідність між тим, на що націлені інструменти, і тим, де сидять бар’єри: 27 досліджень підтримували навчання напряму, 13 розглядали читання та письмо, а 12 — управління навчанням, тоді як увага (n = 4) та соціальна комунікація (n = 5) були порівняно знехтуваними, і лише 6 розглядали кілька бар’єрів ([[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel et al., 2026]]).

## Наслідки для практики

- **Підбирайте інструмент до здобувача та завдання.** Зчитувачі екрана, субтитри, мова та тактильний вивід долають різні бар’єри — обирайте на основі потреб конкретної людини та формату контенту.
- **Використовуйте ШІ, щоб знизити вартість асистивних адаптацій.** ШІ може автоматично створювати субтитри, спрощувати текст і генерувати альтернативи, але оцінюйте якість виходу на педагогічну точність.
- **Обґрунтовуйте забезпечення політикою.** Посилайтеся на Закон про асистивні технології, IDEA та WCAG при закупівлі чи створенні інструментів ШІ.
- **Називайте, яку функцію виконує підтримка, — і оцінюйте за цією функцією.** [[vasileiou-ai-cognitive-scaffolding-executive-functioning-sen-2026|Vasileiou et al. (2026)]] відокремлюють компенсацію (оцінюється за доступом і участю) від скаффолдингу (рішень із підтримкою) від розвитку (використання стратегій після поступового зняття підтримки або перенесення). Вони додають правило, націлене на застереження цієї сторінки: підтримка доступності — це не ремедіація — чи є інструмент адаптацією, інструктуванням щодо стратегій чи тимчасовою підтримкою практики, «має бути зазначено в навчальному плані».

## Пов’язані поняття

- [[accessibility]] — властивість дизайну, яку операціоналізують асистивні технології
- [[inclusive-learning]]
- [[special-education]]
- [[universal-design-for-learning]]
- [[equity-in-ai-education]]
- [[educational-policy-ai]]
- [[neurodiversity]]
- [[learning-design]]
- [[speech-and-voice-technologies]]
## Пов’язані статті

- [[shin-ai-policies-sld-2026]] — Політики ШІ та адаптації для студентів із специфічними навчальними труднощами
- [[zhang-ai-students-disabilities-meta-analysis-2024]] — Метааналіз інтервенцій ШІ для студентів з інвалідністю
- [[kutti-ai-voice-first-learning-companion]] — Голосовий ШІ з пріоритетом голосу для дітей з вадами зору
- [[tactile-statistical-graphs-accessibility]] — Згенеровані ШІ тактильні статистичні графіки
- [[text-simplification-its]] — Спрощення тексту на основі LLM для інтелектуального репетиторства
- [[llm-question-generation-deaf-hard-of-hearing-2026]] — Генерація питань за допомогою LLM для глухих/слабочуючих здобувачів
- [[gemini-lualatex-physics-video-transcription-2026]] — Транскрипція фізичних відео, доступна для математики, за допомогою Gemini+LuaLaTeX
- [[khlaif-assistive-genai-visually-impaired-2026]] — Асистивний GenAI для слабозорих здобувачів
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Генеративний ШІ, віртуальна реальність та далі: оглядовий огляд цифрових асистивних технологій для нейровідмінних студентів у вищій освіті

---

## [Нейрорізноманіття](https://edtechdev.github.io/aied/concepts/neurodiversity/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Нейрорізноманіття** — підхід, за якого неврологічні відмінності, такі як аутизм, РДУГ (ADHD), дислексія та диспраксія, є природними варіаціями [[cognitive-psychology|людського пізнання]], а не дефіцитами, які треба виправляти. В освіті підхід, що підтверджує нейрорізноманіття, проєктує навчальні середовища, які пристосовуються до цих відмінностей і використовують їх, замість того щоб примушувати до єдиної когнітивної норми.

## Питання для роздумів

- Сторінка розглядає нейрорізноманіття як неврологічні відмінності, що є природними варіаціями, а не дефіцитами для виправлення. Як цей зсув у формулюванні змінює те, як має виглядати «допомога» здобувачеві з аутизмом, РДУГ або дислексією у вашому власному контексті?
- Розгляньте інструмент генеративного ШІ, який продукує довгі текстові відповіді. Яким нейровідмінним здобувачам він може допомогти, а яких може ставити у невигідне положення — і чи можете ви назвати варіанти проєктування, які змістили б баланс у той або інший бік?
- ШІ, який зменшує [[cognitive-offloading|когнітивне навантаження]], може підтримувати здобувачів, які мають труднощі з виконавчими функціями або соціальними очікуваннями, проте ШІ, який заохочує залежність, може їх підривати. Де ви проводите межу між підтримкою та надмірною залежністю для конкретного здобувача?
- Сторінка попереджає, що інструменти ШІ, які припускають домінантний стиль комунікації, можуть відтворювати розриви в справедливості. Чи можете ви згадати випадок, коли «універсальний» інструмент або аудиторія припускали, що всі вчаться однаково, і що це упускало?
- Як нейротип здобувача може змінювати те, як його поведінкові сигнали інтерпретуються в аналітиці навчання? Який ризик виникає, коли ШІ читає [[student-engagement|залученість]] або боротьбу, не знаючи, як працює конкретний мозок?
- Найсильніші свідчення на цій сторінці стосуються загальної зміни в проєктуванні, яка допомогла всім і закрила розрив, а не інструменту, створеного для одного діагнозу. Чому універсальні зміни можуть перевершувати ті, що прив’язані до діагнозу — і що це означає для того, як ви б витрачали обмежений бюджет на доступність?

## Вступ

Парадигма нейрорізноманіття змінює мету роботи в [[special-education]] та [[accessibility]] з «виправте здобувача» на «адаптуйте середовище». Вона перетинається з [[universal-design-for-learning]] та [[inclusive-learning]], але наголошує на підтвердженні ідентичності та проєктуванні, спрямованому на сильні сторони, над пристосуванням-як-компенсацією.

В епоху ШІ це формулювання стає тестом проєктування, а не гаслом. [[generative-ai|Генеративний ШІ]] дає справжню надію для нейровідмінних здобувачів — альтернативні засоби залучення, подання та вираження, підтримку виконавчих функцій і зменшення зайвого навантаження — і справжній ризик, оскільки інструменти, які припускають домінантний стиль комунікації, прив’язують підтримку до формального діагнозу або заохочують залежність, можуть ставити у невигідне положення саме тих здобувачів, яким, за їхніми словами, вони служать. Ця сторінка картографує, що насправді показують свідчення, категорія за категорією, і де вони закінчуються.

## Що охоплюють дослідження

Два огляди визначають форму галузі, і обидва описують фрагментацію, а не консолідацію.

[[assistive-tech-neurodivergent-higher-ed-review-2026|Огляд-скоупінг PRISMA-ScR (Rempel та співавт., 2026)]] прошукав п’ять баз даних і десятиліття публікацій (2015–2025), відібравши 766 записів до 40 емпіричних досліджень цифрових допоміжних технологій для нейровідмінних студентів у [[higher-ed|вищій освіті]]. Галузь переорганізувалась навколо [[generative-ai|генеративного ШІ]] — 15 із 40 досліджень — з імерсивними форматами на другому місці (11). Його центральна критика — критика проєктування: індивідуальне пристосування та інструменти, специфічні для нейротипу, організовані навколо формального діагнозу, не можуть вирішити функціональних відмінностей, які перетинають нейротипи, тому він рекомендує замість них універсальне проєктування та партисипативну розробку. Він також зазначає, що найбільш імерсивні інструменти є найменш масштабованими.

[[dabaghi-ai-dyslexia-education-review-2026|Міждисциплінарний огляд ШІ для дислексії (Dabaghi, D'Urso and Sciarrone, 2026)]] охоплює 2018–2024 роки на 72 дослідженнях і виявляє, що ШІ використовується для виявлення, допоміжної підтримки та [[personalized-learning|персоналізації]], причому ці напрями розвиваються паралельно, а не в інтеграції, і галузь спрямовується більше технологічною можливістю, ніж консолідованою освітньою теорією. Його дослідження виявлення (ЕЕГ, айтрекінг, моделі [[machine-learning]]) показують діагностичну надію для ранньої інтервенції, але часто потребують спеціалізованого обладнання та контрольованих умов, що обмежує використання в звичайних аудиторіях. Це практичний тест, який цілий напрям постійно не проходить: підтримка має бути вбудована в курс, який студент насправді проходить.

## Аутизм і РДУГ в аудиторії

[[neurodivergent-computing-students|Опитування 24 нейровідмінних студентів-інформатиків (аутичних та/або з РДУГ) і 20 нейротипових однолітків]] із чотирма поглибленими інтерв’ю виявило значний дискомфорт із завданнями, які не мають чіткої структури або несуть неоднозначні очікування — і ті самі структури, які підходять нейротиповим здобувачам у спільному [[active-learning|активному навчанні]], можуть виключати нейровідмінних однолітків. Автори подання подають його як попереднє та одне з перших досліджень, які ставлять нейровідмінні голоси в центр [[cs-education|освіти з інформатики]], що також є мірою того, як мало існує свідчень.

[[adhd-video-segmentation-computing-education|Дослідження сегментації відео (Pimenova, Begel та колеги, 2026)]] є найсильнішим окремим результатом на цій сторінці. Розгляд [[video-education|навчальних відео]] як завдання подальшої обробки — сегментація їх на одніє-інструкційні блоки з фіксованими паузами для зменшення зайвого навантаження — покращив результативність для всіх у дизайні «всередині учасників» (17 із РДУГ, 10 без РДУГ), а помилки та вагання учасників із РДУГ впали до паритету з їхніми не-РДУГ однолітками. Вирівнювальна зміна, яка не потребує ані діагнозу, ані розкриття, ані окремого інструменту, є найчистішим доступним свідченням [[universal-design-for-learning|універсального проєктування для навчання]] через автоматизовану трансформацію контенту.

## Конкретні труднощі в навчанні, дислексія та когнітивне розвантаження

[[zhang-ai-students-disabilities-meta-analysis-2024|Zhang та співавт. (2024)]] об’єднали 29 (квазі-)експериментальних досліджень інтервенцій на базі ШІ для студентів з інвалідністю і виявили середній позитивний загальний ефект (Hedges' g = 0,588, 95% CI [0,349; 0,826]) за 239 розмірів ефекту з 41 незалежної вибірки. Дві деталі важливіші за заголовок. Перша: ефект відрізняється за категорією інвалідності: студенти з конкретними труднощами в навчанні, інтелектуальними та розвивними інвалідностями або глухі демонстрували більший ефект (g = 0,952), ніж студенти з розладами аутистичного спектра (g = 0,368), хоча автори повідомляють різницю як статистично незначущу. Друга: упередженість публікації: тест Еггера був значущим (β = 2,837, p < 0,001), і метод обрізування-заповнення зменшив об’єднану оцінку до g = 0,2694, усе ще позитивну. «Нейровідмінні студенти» — не одна популяція, і об’єднаний ефект за категоріями не є обіцянкою жодній із них.

Ризикова сторона має власну літературу. [[seung-basham-cognitive-offloading-swld-2026|Seung and Basham (2026)]] стверджують, що генеративний ШІ змінив когнітивне розвантаження з периферійного засобу навчання на делегування вищих когнітивних процесів, з особливо важливими наслідками для студентів із труднощами в навчанні — здобувачів, яким найімовірніше запропонують скорочення і яким найменш імовірно воно послужить, якщо делегований процес і був сенсом завдання.

## Виконавчі функції та покладання

[[genai-reliance-executive-functioning-2026|Klarin, Hoff and Daukantaitė (2026)]] визначають покладання вузько — перевагу генеративного ШІ над власним зусиллям або підтримкою викладача, плюс труднощі з початком шкільної роботи без нього — і перевіряють його в двох шведських громадських вибірках підлітків (849 учнів молодшої середньої школи, аналітичне n = 735, і 898 учнів старшої середньої школи, аналітичне n = 839). Труднощі з виконавчими функціями проходили через уявну корисність і звичне використання до покладання в обох вибірках, із малими опосередкованими ефектами (β = 0,10, 95% CI [0,06; 0,14] у вибірці молодшої середньої школи; β = 0,08, 95% CI [0,04; 0,12] у вибірці старшої середньої школи). Практичне прочитання: студенти, які найбільше потребують підтримки з початку роботи, є саме тими, для кого зручний інструмент найлегше стає типовим маршрутом, а не одним із варіантів — і розміри ефектів тут достатньо малі, щоб це було занепокоєнням проєктування, а не діагнозом.

## Застереження щодо проєктування

- **Підтримка, прив’язана до діагнозу, виключає тих здобувачів, яких вона не називає.** Критика огляду-скоупінгу стосується напряму того, як розгортаються функції ШІ: якщо функція відкривається листом про пристосування, здобувачі з функціональними відмінностями, але без діагнозу, ніколи її не побачать.
- **Інструменти можуть виключати епістемічно, а не лише погано.** [[genai-minoritized-knowledges-disability|Tali-Otmani (2026)]] стверджує, що англомовні, західноцентричні навчальні дані маргіналізують негегемонні способи знання, і ставить ситуацію здобувачів з інвалідністю в центр цієї критики — попередження, що «інклюзивний» ШІ усе ж може кодувати, чиє знання має вагу.
- **Сигнали поведінки читаються системами, які не знають здобувача.** Інтерпретація [[student-engagement|залученості]], боротьби чи уваги в [[learning-analytics]] та [[student-modeling]] припускає нормативний патерн реагування; див. [[differential-effects-across-learner-groups|Диференційовані ефекти в різних групах здобувачів]] щодо свідчень справедливості цього припущення.
- **Залежність є результатом проєктування, а не невдачею здобувача.** З огляду на шлях покладання вище, питання, яке треба ставити будь-якій функції ШІ, — чи заміщає вона той вищий процес, для будівництва якого існує завдання, — те саме, що доводять Seung and Basham для труднощів у навчанні.

## Де свідчення слабкі

- **Майже все тут є одногруповим.** Метааналіз інвалідності не має нейротипового компаратора, тому він встановлює, що інтервенції допомогли, а не що вони допомогли цій групі інакше.
- **Вибірки малі.** Двадцять чотири студенти і чотири інтерв’ю в дослідженні з інформатики; 17 і 10 у дослідженні відео з РДУГ; 72 дослідження в огляді дислексії, де напрями досі не зв’язані.
- **Межі категорій відрізняються між дослідженнями,** тому міждослідне порівняння «того самого» нейротипу обмежене — і відмінності між категоріями в метааналізі повідомляються як незначущі.
- **Власні рецензенти галузі описують її як технологічно спрямовану,** що означає, що свідчення інтервенцій слабкі саме там, де рекомендації щодо проєктування найсильніші.

## Зв’язки

Нейрорізноманіття пов’язане зі [[special-education]], [[inclusive-learning]], [[universal-design-for-learning]], та [[equity-in-ai-education]]. Вона інформує і те, як розгортається ШІ для [[student-experience]], і те, як проєктуються оцінювання та програми грамотності, щоб бути справедливими за когнітивної мінливості. Щодо того, як ці результати стоять поряд із іншими групами здобувачів — мова, стать, соціально-економічний статус, географія, — див. [[differential-effects-across-learner-groups|Диференційовані ефекти в різних групах здобувачів]].

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[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 досліджень про ШІ для студентів з інвалідністю і ефект, який відрізняється за категорією
- [[adhd-video-segmentation-computing-education]] — Тимчасова сегментація відео, що привела учасників із РДУГ до паритету
- [[neurodivergent-computing-students]] — 24 нейровідмінних студенти-інформатики про структуру, неоднозначність і співпрацю
- [[genai-reliance-executive-functioning-2026]] — Труднощі з виконавчими функціями, уявна корисність і шлях до покладання на ШІ
- [[seung-basham-cognitive-offloading-swld-2026]] — Когнітивне розвантаження GenAI для студентів із труднощами в навчанні
- [[dabaghi-ai-dyslexia-education-review-2026]] — ШІ для допомоги людям із дислексією в освіті
- [[genai-minoritized-knowledges-disability]] — Generative AI and the marginalization of minoritized knowledges
- [[tactile-statistical-graphs-accessibility]] — Тактильні статистичні графи для доступності
- [[ai-learning-tools-engineering-education-needs]] — Designing Needs- and Attention-Aware AI Learning Tools

---

## [Універсальне проєктування навчання](https://edtechdev.github.io/aied/concepts/universal-design-for-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Універсальне проєктування навчання (Universal Design for Learning, UDL)** — освітня рамкова основа, яка проєктує навчання так, щоб воно було доступним і ефективним для найширшого кола здобувачів, проактивно вбудовуючи гнучкі засоби [[student-engagement|залучення]], репрезентації та дії/висловлення, замість того щоб додавати індивідуальні пристосування заднім числом.

## Питання для роздумів

- Базове твердження UDL полягає в тому, що мінливість здобувачів є нормою, а не винятком, — тому проєктуйте від самого початку багато шляхів, а не виправляйте єдиний шлях для тих, хто має труднощі. Чи схильні ви проєктувати для «середнього» здобувача, а пристосування додавати пізніше? Що може бути втрачено в такому підході за замовчуванням?
- Згадайте випадок, коли певний формат (щільний текст, лекція, єдиний спосіб показати роботу) виключив вас або когось, кого ви навчали. Який із трьох принципів UDL — залучення, репрезентація чи дія/висловлення — був поставлений на карту, і як виглядала б гнучка альтернатива?
- Генеративний ШІ може створювати персоналізовані приклади, субтитри, резюме й різні формати оцінювання — і це, здавалося б, подарунок для UDL. Але сторінка попереджає, що ШІ також може кодувати упередження та зменшувати [[agency|агентивність здобувача]]. Перш ніж читати далі, подумайте: як інструмент, створений для персоналізації, може обмежити, а не розширити навчальні шляхи для деяких студентів?
- Поширене [[misconceptions|хибне уявлення]] полягає в тому, що UDL означає зниження стандартів або надання всім різних результатів. Поміркуйте над завданням, яке дозволяє студентам здати есе, відео, діаграму або код для того самого навчального результату. Чи це розмивання вимог, чи справедливіший спосіб оцінити ту саму здатність? Обґрунтуйте свою позицію.
- UDL перетворює «виправляй здобувача» на «виправляй проєктування». Виберіть розчаровуючий навчальний досвід, який у вас був або який ви створили. Якби бар’єром була проблема проєктування, а не проблема студента, що б ви змінили в проєктуванні, щоб усунути його для всіх?
- Сторінка попереджає проти ШІ, який припускає єдиний стиль комунікації або штрафує нейровідмінне самовираження. Якщо ви використовуєте або проєктуєте інструменти з підтримкою ШІ, де «типові» стилі можуть тихо виключати здобувачів — і що потрібно, щоб це перевірити?

## Вступ

UDL спирається на розуміння того, що мінливість здобувачів є нормою, а не винятком. Замість того щоб проєктувати єдиний шлях і додавати підтримку тим, хто має труднощі, UDL проєктує від самого початку багато шляхів, щоб бар’єри були усунені для всіх. Це ключова оптика для [[inclusive-learning]], [[equity-in-ai-education]] та [[special-education]].

### Три принципи

- **Множинні засоби залучення** — «чому» навчання: різноманітні способи мотивувати й підтримувати інтерес, пов’язувати з релевантністю і підтримувати [[self-regulated-learning|саморегуляцію]].
- **Множинні засоби репрезентації** — «що» навчання: подання інформації в різних форматах (текст, аудіо, візуальний, інтерактивний), щоб усі здобувачі могли її сприймати й розуміти.
- **Множинні засоби дії та висловлення** — «як» навчання: різноманітні способи демонструвати здобувачами того, що вони знають (письмо, мовлення, конструювання, виконання).

### UDL в епоху ШІ

[[generative-ai|Генеративний ШІ]] створює нові можливості й нові ризики для UDL. ШІ може персоналізувати репрезентацію та забезпечувати альтернативні шляхи, підтримуючи [[personalized-learning]] і доступність. Але він також може кодувати упередження, припускати домінуючі стилі комунікації та — якщо зменшує агентивність здобувача — підривати принцип залучення. [[research-methods-aied|Дослідження]] [[ai-misuse-learning-harm]] та [[equity-in-ai-education]] показує, що інструменти ШІ мають бути проєктовані з інклюзивними принципами, інакше вони відтворюватимуть прогалини. Тому UDL інформує як те, як розгортається ШІ, так і те, як проєктуються ШІ-грамотність і оцінювання, щоб вони були справедливими за різноманітності здобувачів.

Справедливість через проєктування — один із конкретних способів операціоналізувати цю позицію. Wenzel, Geiger and Liening (2026) ґрунтують свою рамкову основу CAIS-GBL для розмовних агентів на основі ШІ [[conversational-ai|conversational agents]] на бізнес-іграх [[simulation]] в явному підході **справедливість через проєктування** (equity-by-design), узгодженому з універсальним проєктуванням навчання, виводячи метавимоги, що охоплюють когнітивну, [[motivation|мотиваційну]], [[affective-computing|афективну]] та [[sociocultural-learning|соціокультурну]] залученість. Їхні принципи проєктування та особливості спрямовані на врахування індивідуальних відмінностей здобувачів у сильних сторонах, викликах та інтересах — конкретне застосування принципів UDL до проєктування адаптивного [[game-based-learning|ігрового навчання]] з підтримкою ШІ.

ШІ також постає в цій літературі як перешкода для UDL, а не інструмент його реалізації. У [[faculty-accessible-course-design-ai-2026|змішаному дослідженні Sidhu, Atif and Newland's (2026)]] із 69 професорів одного університету в Онтаріо одна з чотирьох ключових тем полягає в тому, що [[generative-ai|генеративний ШІ]] скасовує прогрес у доступному проєктуванні курсів; цитата в заголовку «AI is reducing options I had used» походить з їхніх інтерв’ю, бо саме завдання на основі самостійної підготовки та чернеток виконували інклюзивну роботу, а тепер ШІ може виконати їх цілком. Їхні висновки на рівні викладацького складу показують, чому ця втрата припадає на вже тонку основу: 90% респондентів вважали, що створюють доступне навчальне середовище, а 87% сказали, що активно враховують доступність, проте менше половини (46%) вважали, що університет пропонує для цього достатньо ресурсів, і приблизно кожен п’ятий ніколи не чув про такі базові методи, як PDF-файли, читабельні для OCR, або посилання, незалежні від кольору. Попит випереджає пропозицію — набір в університетах Онтаріо зріс на 17% з 2013 по 2022 рік, тоді як реєстрації в службах доступності зросли на 126%, — тому висновок дослідження такий: підтримку UDL треба забезпечити ресурсами, щоб компенсувати варіанти оцінювання, які прибрав ШІ.

### Зв’язки

UDL пов’язаний із [[inclusive-learning]], [[equity-in-ai-education]], [[special-education]], [[learning-design]] та [[culturally-relevant-pedagogy]]. В оцінюванні він перетинається з акцентом [[authentic-assessment]] на репрезентаційній [[bias-mitigation|справедливості]] та з [[reducing-ai-misuse]] як запобіжником проти інструментів, які штрафують певні стилі комунікації. Оскільки UDL — це рамкова основа, яку найчастіше застосовують у контекстах інвалідності у вищій освіті (де «special education» є терміном рівня [[k-12]]), це часто саме та сторінка, на яку варто посилатися в дослідженнях студентів з інвалідністю в коледжах і університетах.

## Висновки та приклади для викладачів і проєктувальників навчання

UDL перетворює «виправляй здобувача» на «виправляй проєктування». Для викладачів і проєктувальників, які працюють зі ШІ, три принципи перетворюються на конкретні кроки:

**Залучення — пропонуйте багато способів розпалити й підтримувати мотивацію.**
- Дозвольте здобувачам вибирати, як залучатися: завдання на основі проблем, ігрові, дискусійні або самостійні за власним темпом варіанти.
- Використовуйте ШІ, щоб виявляти релевантність — персоналізовані приклади, зв’язки з реальним світом або вибір теми, — а не єдине універсальне завдання.
- *Приклад:* Курс використовує ШІ для генерації різноманітних розібраних прикладів, пов’язаних із різними інтересами здобувачів (бізнес, охорона здоров’я, мистецтво), дозволяючи студентам вибрати контекст, який їх мотивує.

**Репрезентація — подавайте інформацію в кількох форматах.**
- Пропонуйте той самий зміст у вигляді тексту, аудіо, відео та інтерактиву — ШІ може автоматично генерувати субтитри, транскрипти, резюме та альтернативні пояснення на різних рівнях читання.
- *Приклад:* Викладач використовує асистента на основі ШІ, щоб створити резюме простою мовою та аудіоверсію щільного читання, щоб здобувачі могли вибрати свою точку входу. Поєднуйте з [[accessibility]] (субтитри, альтернативний текст), щоб кожен формат був придатним до використання.

**Дія та висловлення — дозвольте здобувачам показувати свої знання різними способами.**
- Забезпечте вибір продукту оцінювання (есе, презентація, відео, діаграма, код), узгодженого з тим самим навчальним результатом.
- *Приклад:* Проєкт дозволяє здавати письмовий звіт, відеопояснення з підтримкою ШІ або живу демонстрацію — із підтримкою ШІ-[[scaffolding|скаффолдингу]] для кожного режиму. У проєктуванні [[assessment]] це паралельно репрезентаційній справедливості [[authentic-assessment]].

**Проєктуйте для ШІ-грамотності та агентивності.**
- Навчіть студентів, як і коли використовувати ШІ, і створюйте контрольні точки, які зберігають відповідальність за здобувачем (а не інструментом) — див. [[ai-literacy]] і [[reducing-ai-misuse]].
- *Приклад:* Завдання, узгоджене з UDL, дозволяє студентам використовувати ШІ для чернетки, але вимагає [[metacognition|метакогнітивної]] рефлексії щодо власного внеску, зберігаючи принципи залучення та агентивності.

**Використовуйте ШІ, щоб усувати бар’єри, а не додавати їх.**
- Розгортайте ШІ, щоб закривати розриви в результатів навчання (наприклад, сегментовані ШІ відео з паузами допомогли здобувачам із СДУГ) і знижувати вартість доступних форматів.
- Остерігайтеся ШІ, який припускає єдиний стиль комунікації або штрафує нейровідмінне самовираження, — звертайтеся до [[accessibility]], [[equity-in-ai-education]] та [[neurodiversity]].

- **Спрямовуйте функціональні бар’єри, а не діагнози.** [[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel et al. (2026)]] виявили, що корпус із 40 досліджень асистивних технологій для нейровідмінних студентів організований навколо пристосувань і інструментів, обмежених діагнозом, і стверджують, що саме проєктування під ті міжгалузеві бар’єри, з якими студенти реально стикаються, робить інструмент можливо універсальним.

## Пов’язані поняття

- [[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]] — Парасолька: педагогіки та стратегії навчання в освіті зі ШІ
- [[bias-mitigation]]
- [[reducing-ai-misuse]]
- [[k-12]]

## Пов’язані статті
- [[seung-basham-cognitive-offloading-swld-2026]] — Когнітивне розвантаження за допомогою GenAI для студентів із порушеннями навчання
- [[authentic-products-authenticated-processes-2026]] — Від автентичних продуктів до автентифікованих процесів
- [[tactile-statistical-graphs-accessibility]] — Тактильні статистичні графіки для доступності
- [[neurodivergent-computing-students]] — Нейровідмінні студенти комп’ютерних наук
- [[ai-learning-tools-engineering-education-needs]] — Проєктування інструментів навчання на основі ШІ з урахуванням потреб і уваги
- [[assistive-tech-neurodivergent-higher-ed-review-2026]] — Генеративний ШІ, віртуальна реальність і не тільки: огляд цифрових асистивних технологій для нейровідмінних студентів у вищій освіті
- [[faculty-accessible-course-design-ai-2026]] — «AI is reducing options I had used»: вивчення сприйняття доступного проєктування курсів викладачами в світі ChatGPT

---

## [Глобальний Південь](https://edtechdev.github.io/aied/concepts/global-south/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

**Глобальний Південь** позначає країни Африки, Азії, Латинської Америки та Океанії, які часто є економічно, політично та історично маргіналізованими відносно Глобального Півночі. У [[ai-education|AI in education]] [[research-methods-aied|research]] контексти Глобального Півдня дедалі більше визнаються недопредставленими в базі доказів, проте вони порушують властиві питання про [[equity-in-ai-education|equity]], [[culturally-relevant-pedagogy|cultural relevance]], обмеженість ресурсів та епістемічну домінацію західних, англомовних навчальних даних.

## Запитання для роздумів

- Якщо система ШІ добре працює на бенчмаркових тестах, побудованих із західних, англомовних даних, наскільки ви можете бути впевнені, що вона працюватиме однаково добре для ваших студентів? Що ви хотіли б перевірити, перш ніж довіряти їй у власному контексті?
- Уявіть навчальний інструмент, чиї навчальні дані та метрики оцінювання були розроблені в Глобальному Півночі. Які припущення про мову, традиції знання та освітні реалії він може мовчки кодувати — і хто найімовірніше буде через них несправедливо представлений?
- Коли досліджується впровадження ШІ, чиї аудиторії та установи, як правило, домінують у базі доказів? Як це може перекручувати те, що ми вважаємо відомим про те, чи ШІ «працює» в освіті?
- Сторінка виступає за те, щоб розглядати епістемології здобувачів та їхніх спільнот як авторитетні, а не лише як доповнення до західних моделей. Що знадобилося б для того, щоб ваша власна пов’язана зі ШІ практика чи дослідження ставили в центр локальне знання, а не імпортували його звідусіль?
- Обмеженість ресурсів є повторюваною темою в контекстах Глобального Півдня. Як обіцянка дешевої, масштабованої підтримки зі ШІ може водночас і закривати, і розширювати наявні прогалини в можливостях залежно від того, як її проєктують і впроваджують?
- Як ви могли б визначити, що технологія, «впроваджена» в певному середовищі, була справді впроваджена тому, що відповідала місцевим умовам — а не тому, що вважалося, що вона переноситься? Які дані відрізняли б одне від іншого?

## Вступ

### Чому це важливо для AIED

Масові дослідження ШІ та освітніх технологій історично домінувалися західними, англомовними наборами даних та [[governance|institutional]] контекстами. Це створює дві проблеми: (1) [[ai-technologies|AI systems]], навчені на таких даних, можуть працювати гірше або несправедливо представляти здобувачів у середовищах Глобального Півдня, і (2) оцінювальні [[benchmark|benchmarks]], побудовані в Глобальному Півночі, можуть не відбивати освітні реалії, мови чи традиції знання інших регіонів. Дослідження з контекстів Глобального Півдня в цій базі знань охоплюють культурно обґрунтовані набори даних, бенчмарки та дослідження впровадження технологій, із наслідками для [[ai-literacy]] та для [[higher-ed|higher]] освіти та освіти [[k-12|K-12]].

### Застосунки в базі знань

- **Культурно обґрунтовані дані та бенчмарки:** [[iks-instruct-dataset-indian-knowledge|IKS-Instruct]] дає [[multilingual-learning|multilingual]] набір інструкцій із індійських систем знання; [[nsmq-riddles-science-math-benchmark|NSMQ Riddles]] вводить бенчмарк із [[stem-education|STEM]] на базі Гани, один із перших освітніх оцінювальних наборів даних Глобального Півдня.

- **Обізнаність щодо етики ШІ в ганській вищій освіті:** [[ai-ethical-awareness-ghana-students-2026|Acquah et al. (2026)]] валідували трьохфакторну (автономія, благодійність, справедливість) шкалу обізнаності щодо етики ШІ на 509 [[higher-ed|university]] студентах у Гані, виявивши п’ять латентних профілів — від рівномірно дуже високої обізнаності до невеликого кластера майже без жодної, — найслабших за благодійністю, — і відсутність гендерних відмінностей, даючи вимірювальний орієнтир Глобального Півдня для літератури щодо етики ШІ ([[ethics]]).

- **Етичне міркування викладачів у контекстах із обмеженими ресурсами:** [[teachers-contextual-ethical-reasoning-ai-2026|Adelana et al. (2026)]] виявили, що практичні викладачі STEAM середньої школи в контексті з обмеженими ресурсами міркують про етику ШІ через професійну ідентичність, реалії аудиторії та культурні норми, а не через формальні списки принципів, спростовуючи припущення про «порожнечу етики» стосовно Глобального Півдня.

- **Контекстуальне впровадження:** [[socio-cognitive-genai-adoption-engineering-2026|Asag & Al Mamun]] моделюють впровадження [[generative-ai|GenAI]] серед бангладеських студентів [[engineering-education|engineering]] освіти, а [[connected-ai-lesson-planning-vietnam|ConnectED]] розгортає узгоджену з [[curriculum-design|curriculum]] систему планування уроків для в’єтнамської освіти.

- **Потужності, а не інфраструктура, зрушили впровадження серед викладацького складу.** Серед 255 викладачів у Бангладещ ставлення до генеративного ШІ сильно передбачало використання (β = 0.556), а релевантність для конкретної предметної області рухала ставлення (β = 0.413), тоді як інституційне забезпечення технологіями та суб’єктивні норми не були суттєвими предикторами ([[genai-integration-constructivist-higher-ed-bangladesh-2026|Alam et al. (2026)]]).

- **Інституційна інтеграція та структурна нерівність:** [[adeniranye-ai-integration-nigerian-higher-education-2026|Adeniranye et al. (2026)]] у порівняльному аналізі змісту 45 нігерійських університетів (федеральних/штатних/приватних) виявили, що інтеграція ШІ передбачається віком установи та географічним розташуванням — а не типом управління — і що міжнародні та галузеві мережеві зв’язки підсилюють один одного (r = 0.74), тому добре з’єднані установи накопичують перевагу, тоді як інші відстають ще далі. Дослідження розташовує [[digital-divide|digital inequality]] не лише на рівні здобувача, а й у структурних потужностях самих установ [[higher-ed|higher-education]].

- **[[educational-development|Academic development]] як цифрове посередництво за структурного обмеження:** [[beyond-the-algorithm-academic-developers-digital-mediators-2026|Sithole (2026)]] інтерв’ює дванадцятьох розробників академічних програм та навчальних дизайнерів у двої південноафриканських Historically Disadvantaged Institutions і проводить аналітичну лінію, яку література про Глобальний Південь часто розмиває: **цифрова нерівність** є дистрибутивною і в принципі виправною через перерозподіл і доступ, тоді як **алгоритмічна колоніальність** є епістемічною і зберігається навіть за повного доступу, оскільки вона є властивістю того, що системи кодують і чиє знання вони ставлять у центр. Ці дві є сплетеними, але вимагають різних відповідей, а установа є двопозиційно розташованою — виключена через інфраструктурну недостатність і, коли включена, підпорядкована через імпортовані системи, що кодують чужі знання та норми. Інституційна риторика щодо ШІ («більше продуктивності, ніж практики») прийшла слабо пов’язаною з матеріальними реаліями викладання, тому розробники перекладали глобальний дискурс цифрової трансформації в контекстуально життєздатну практику: тестуючи та свідомо «ламаючи» інструменти в колегіальних просторах, наполягаючи на судженні понад вмілості та абсорбуючи афективну вартість проєкції експертизи, яку вони ще лише набували.

- **Епістемічна маргіналізація:** [[genai-minoritized-knowledges-disability|Tali-Otmani]] стверджує, що західноцентричні навчальні дані маргіналізують незахідні та зосереджені на інвалідності знання — пов’язуючи занепокоєння Глобального Півдня з [[equity-in-ai-education]] і [[culturally-relevant-pedagogy]].

- **Інвалідність і [[inclusive-learning|inclusion]] в Глобальному Півдні:** [[khlaif-assistive-genai-visually-impaired-2026|Khlaif et al. (2026)]] — [[qualitative-research|qualitative]] кейс-дослідження 21 студента бакалаврату з вадами зору у трьох палестинських університетах — виявили, що генеративний ШІ зближує цифрові, географічні та соціально-економічі розділення для здобувачів з інвалідністю, розширюючи дослідження [[technology-acceptance-model|technology-acceptance]] на контексти інвалідності, де [[usability-research|usability]], доступність за ціною та [[accessibility]] взаємно підсилюються.

- **Проєктування для місцевих стресорів за обмеженості ресурсів:** Bashir і Afzal (2026) будують [[culturally-aware-student-stress-chatbot-2026|Sukoon]] як дизайнерську відповідь Глобального Півдня на задокументоване невідповідність — [[conversational-ai|chatbots]] психічного здоров’я, навчені переважно на західних наборах даних і майже винятково англійською, тоді як пакистанські студенти стикаються водночас із навчальними, фінансовими, родинними та стосунковими стресорами і часто не можуть підняти емоційні труднощі з [[parents-and-families|parents]], [[teacher-role|teachers]] чи колегами через стигму. Практичні обмеження авторів також повчальні, як і їхня модель: безкоштовний доступ до [[open-source]] [[llm]] з відкритим кодом через розміщений API для низьких вимог до ресурсів, легке розгортання на Flask для регіональних університетів, «інструменти доступні, але часто дорогі», зазначене як бар’єр, і нерівний доступ до платних моделей, позначений як загальний ризик залежності. Вони також зазначають, що класифікатор було навчено на публічно доступному наборі даних, нерепрезентативному для пакистанських студентів, і зобов’язуються зібрати локальні дані DASS-21, перш ніж робити висновки про популяцію.

- **Тонкі та специфічні для інструмента докази оцінювання з африканської вищої освіти:** [[genai-assessment-african-higher-education-review-2026|A PRISMA 2020 systematic review]] емпіричних досліджень, опублікованих між 2023 і 2025 роками, виявив лише десять досліджень, зосереджених у Нігерії та Південній Африці і проведених майже винятково на ChatGPT, тому те, що відомо про перепроєктування оцінювання для генеративного ШІ в африканській вищій освіті, спирається на невеликі за обсягом, одноустановчі, самозвітні дослідження, а не на виміряні навчальні здобутки — автори огляду фреймують свої рекомендації як напрями, а не як усталені ефекти.

- **Справедливість — найменш досліджений вимір у всьому регіоні.** Оглядове дослідження за PRISMA-ScR 75 досліджень Глобального Півдня (2022–2025) виявило, що справедливість є найменш розглянутою з його п’яти областей, попри її центральність для інклюзивної освіти, і повідомило про прогалину між заявленими етичними позиціями студентів і їхньою поведінкою ([[nguyen-genai-global-south-review-2026|Nguyen & Perkins, 2026]]).

### Наслідки

Увага до контекстів Глобального Півдня вимагає відмови від припущення, що західні моделі та бенчмарки безпосередньо переносяться. Вона закликає до локально обґрунтованих наборів даних, культурно релевантної [[pedagogy]], зосереджених на спільноті стандартів оцінювання та досліджень, що розглядають епістемології здобувачів та їхніх спільнот як авторитетні — узгоджуючись із фреймворками, як-от навчання зі ШІ на основі спільноти та дослідження [[technology-acceptance-model|technology-acceptance]], адаптованого до місцевих умов.

Частиною цієї картини є досвід масштабування, і він понуджує до стриманості. Програми, що працюють у пілотному масштабі, часто припиняють працювати, коли їх запускають уряди: кенійська програма, що дала суттєві здобутки за неурядового впровадження, не показала жодного виявного здобутку в урядовому масштабі (Bold et al.), розміри ефекту мають тенденцію падати зі зростанням програм (Vivalt), а якість впровадження розріджується зі збільшенням кількості майданчиків (Al-Ubaydli, List & Suskind). Власним прецедентом Латинської Америки є перуанська програма One Laptop per Child — близько 800 000 розданих ноутбуків без жодного виявного ефекту на [[math-education|mathematics]] чи читання — з якого витягнутий урок полягає в тому, що доступ до технології не є навчанням. [[el-salvador-ai-tutoring-selection-claim-2026|Restrepo Morales et al. (2026)]] додають урок про звітування до уроку про масштабування: в епізоді зі Сальвадором 2026 року пілот тьюторства на основі ШІ в 171 школі було оголошено порівнянним із Німеччиною та Швецією, тоді як репрезентативна вибірка PISA 2025 тієї самої країни не показала жодного руху за двома із трьох предметів, а дані пілоту були занадто тонкими (7.0 оцінених студентів на школу проти 25.4 на національному рівні), щоб виключити відбір як пояснення. Для систем Глобального Півдня, що впроваджують ШІ у масштабі, наслідок подвійний: дані про те, що реформа працює, зазвичай стосуються компонентів, які вона об’єднує, а не технології в її заголовку, і поетапний розгорт, спроєктований до впровадження, виявляє ефекти майже без витрат — що найважливіше там, де фазами визначає зв’язок.

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[genai-assessment-african-higher-education-review-2026]] — Переосмислення оцінювання в епоху генеративного ШІ: систематичний огляд літератури з африканської вищої освіти

- [[adeniranye-ai-integration-nigerian-higher-education-2026]] — Інституційні структури, цифрова нерівність та інтеграція ШІ в нігерійській вищій освіті
- [[nguyen-genai-global-south-review-2026]]
- [[socio-cognitive-genai-adoption-engineering-2026]] — Уніфікована соціокогнітивна модель для інженерної освіти (Бангладещ)
- [[connected-ai-lesson-planning-vietnam]] — ConnectED: Vietnamese Lesson Planning
- [[iks-instruct-dataset-indian-knowledge]] — IKS-Instruct: Indian Knowledge Systems Dataset
- [[nsmq-riddles-science-math-benchmark]] — NSMQ Riddles: Ghana STEM Benchmark
- [[genai-minoritized-knowledges-disability]] — Маргіналізація маргіналізованих знань
- [[llm-cultural-relevance-k12]] — LLMs for Culturally Relevant K-12 Pedagogy
- [[genai-integration-constructivist-higher-ed-bangladesh-2026]] — Інтеграція генеративного ШІ в бангладеську вищу освіту через конструктивізм (Alam et al. 2026)
- [[khlaif-assistive-genai-visually-impaired-2026]] — Асистивний генеративний ШІ для здобувачів з вадами зору
- [[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]] — Обмеження навчальної заяви пілоту тьюторства на основі ШІ в Сальвадорі (Restrepo Morales et al. 2026)
- [[beyond-the-algorithm-academic-developers-digital-mediators-2026]] — Розробники академічних програм як цифрові посередники в південноафриканських HDI: цифрова нерівність проти алгоритмічної колоніальності
- [[ai-ethical-awareness-ghana-students-2026]] — Обізнаність щодо етики штучного інтелекту в ганських університетських студентів
- [[teachers-contextual-ethical-reasoning-ai-2026]] — Етичні принципи ШІ в освіті: контекстуальне етичне міркування викладачів

---

## [Етика](https://edtechdev.github.io/aied/concepts/ethics/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Етика** — моральні принципи, що регулюють проєктування, розгортання та використання ШІ в освітніх контекстах. Етика [[ai-education|AI education]] охоплює [[privacy|data privacy]], алгоритмічну справедливість, прозорість, підзвітність і ширше питання про те, що ШІ має й не має робити в навчальних середовищах. Це нормативна основа для інших проблем освіти зі ШІ в базі знань — [[equity-in-ai-education|equity]], [[bias-mitigation]], [[academic-integrity]], [[governance]] та [[pedagogical-safety]] — і галузь усе більше переходить від абстрактних переліків принципів до ситуативної, контекстно-чутливої та інституційно підтриманої етичної практики.

## Питання для роздумів

- До систем ШІ часто застосовують етичні чеклісти — справедливість, приватність, прозорість, підзвітність. Проте дослідження все частіше свідчать, що етики, заснованої на принципах та «чеклістах», самої по собі недостатньо. Що таке може впустити чекліст, що проявляється лише в реальній, ситуативній практиці в аудиторії?
- Рішення студентів щодо розкриття використання ШІ менше визначаються етичною переконаністю, ніж страхом покарань, стигми та невизначеної політики. Якщо чесність рухається страхом, а не принципом, що це говорить про етику нинішнього підходу до академічної доброчесності?
- Персоналізація зворотного зв’язку ШІ за атрибутами студента сама може стати вектором упередженості. Як добре намірена спроба пристосувати зворотний зв’язок до індивідуального здобувача може призвести до того, що з ним поводитимуться менш справедливо — і як це виявити?
- Хто тримає владу у відносинах між закладами, системами ШІ та здобувачами — і як цей дисбаланс влади формує згоду, приватність і нагляд за студентами, коли аналітика стає дедалі детальнішою?
- Деякі дослідники стверджують, що захист когнітивного та епістемічного розвитку здобувачів — їхньої здатності думати й діяти незалежно — сам є етичним обов’язком, особливо в умовах зростання надмірної залежності від ШІ. Чи погоджуєтеся ви, що «збереження мислення» — етичний обов’язок систем ШІ?

## Вступ

Етика є нормативним хребтом ШІ в освіті: кожен інструмент ШІ, кожна політика та кожне [[pedagogy|pedagogical]] рішення кодують припущення про те, що є справедливим, прозорим, підзвітним і безпечним. База знань трактує етику і як набір принципів (справедливість, приватність, прозорість, автономія, підзвітність), і як набір *практик* — того, як зацікавлені сторони справді міркують про ШІ, як заклади ним управляють і як готують здобувачів до відповідального використання. Нещодавні [[research-methods-aied|research]] фіксують подвійний рух: з одного боку, поглиблене занепокоєння, що етики «чеклістів», заснованої на принципах, недостатньо; з іншого, зростаюча увага до [[situated-learning|situated]] і екологічних описів етичного розсуду та до структурних і інституційних умов, що роблять відповідальне використання можливим.

## Основні етичні виміри

- **Справедливість і упередженість:** дослідження [[bias-mitigation]] та [[equity-in-ai-education]] розглядають, чи поводяться системи ШІ справедливо з усіма здобувачами. Дослідження [[ai-scoring-language-bias-physics|Language bias]] та [[bias-mitigation]] документують реальні нерівності, а дослідження [[marked-pedagogies-linguistic-bias-writing-feedback|writing-feedback research]] показує, що персоналізація [[ai-feedback-quality|AI feedback]] за атрибутами студента сама може стати вектором упередженості.
- **Приватність і згода:** дослідження [[privacy]] розглядає збір даних, нагляд за студентами та дисбаланс влади між закладами та здобувачами — обмеження, що стає дедалі гострішим, коли аналітика набуває детальнішої форми й керується ШІ.
- **Прозорість і [[explainable-ai|explainability]]:** рамки [[xai-education-framework|Explainable AI frameworks]] стверджують, що студенти та викладачі мають розуміти, як системи ШІ приймають рішення, що їх зачіпають. Це поширюється й на прозорість щодо власного використання ШІ для студентів — [[ai-use-disclosure|AI use and disclosure statements]] — яка, як показують дослідження, менше визначається етичною переконаністю, ніж страхом покарань, стигми та невизначеної політики (див. [[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]]).
- **Автономія і агентність:** дослідження [[cognitive-offloading|Over-Reliance]] та [[cognitive-offloading]] порушують етичні питання про те, чи зменшує використання ШІ [[agency|learner agency]], і галузь формулює захист когнітивного та епістемічного розвитку здобувачів як сам етичний обов’язок.
- **Безпека та запобігання шкоді:** дослідження [[pedagogical-safety]] та [[hazra-safetutors-pedagogical-safety-2026|tutor harm research]] визначають етичні обов’язки розробників систем ШІ, а [[pedagogy-ai-mistakes|mistake-based pedagogy]] показує, як висвітлення помилок ШІ для здобувачів може активувати, а не оминати етичну та [[metacognition|metacognitive]] перевірку.
- **Сталий розвиток і вплив на довкілля:** ШІ в освіті має матеріальний слід — вуглецевий і водний витрати [[llm-environmental-impact-student-usage-2026|large language models]] є суттєвими за високого рівня впровадження серед студентів університетів — і ширшу відповідальність за стале, неекстрактивне проєктування. База знань трактує це як етичний вимір, а не лише технічну чи вартісну проблему: [[daniel-ai-sustainability-scoping-review-2026|Daniel et al. (2026)]] розрізняють *AI for sustainability* (використання ШІ для просування екологічних і соціальних результатів) і *sustainable AI* (зменшення власного сліду ШІ, включно з енергоефективним і [[open-source|on-premise]] розгортанням), а [[alsuhaymi-sustainable-education-ai-digitalization-2026|Alsuhami & Atallah]] стверджують, що ШІ підтримує сталу освіту лише тоді, коли впровадження підпорядковане явним освітнім цінностям, а не технологізації та комодифікації. Роботи з [[raffaghelli-situated-ai-ethics-2026|Situated-ethics work]] також виносять на передній план екологічні витрати та маргіналізацію знань [[global-south|Global South]] як ключові етичні занепокоєння. Див. [[sustainability]].

## Як зацікавлені сторони справді міркують про етику ШІ

Етичне використання ШІ — це не лише питання принципів, а й того, як задіяні люди їх тлумачать і застосовують — і дослідження виявляють систематичні розбіжності між групами.

- **Викладачі проти студентів.** [[bilgic-sever-ethical-dimensions-ai-higher-ed-2026|Bilgiç & Sever (2026)]], [[mixed-methods-research|mixed-methods]] дослідження 971 студента та 135 викладачів, виявили, що обидві групи підтримують етичне використання ШІ, але в різних регістрах: викладачі наголошували на етичних принципах, водночас відзначаючи брак інституційних настанов, тоді як студенти цінували навчальні вигоди ШІ, але висловлювали невизначеність щодо того, хто несе етичну відповідальність. Обидві групи хвилювалися, що надмірне використання ШІ може послабити [[critical-thinking|cognitive skills]] — занепокоєння, що формулює етичну інтеграцію як збереження когнітивного розвитку здобувачів, а не лише регулювання використання інструментів. Викладачі високо оцінили індивідуальну відповідальність, але найнижче — адекватність інституційних настанов (M = 2,99), виявляючи розрив між особистою етикою та структурною підтримкою.
- **Студенти проти викладачів у готовності.** [[fekete-ethical-ai-literacy-gaps-2026|Fekete (2026)]] виявив, що студенти повідомляють про вищу етичну усвідомленість, ніж викладачі (4,03 проти 2,44), проте викладачі демонструють сильнішу готовність використовувати ШІ — студенти тлумачать етику через безпосереднє навчання, тоді як викладачі трактують її як інституційну ясність і доброчесність. Обидві групи повідомляють про слабку інституційну підтримку, і готовність розвивається різними каналами: моральна усвідомленість викладачів зростає за інституційної та соціальної підтримки, тоді як впевненість студентів корелює з [[self-efficacy]] і співпрацею, а не з формальним навчанням.

- **Використання зростає швидше за етичний консенсус.** Протягом чотирьох семестрів у програмі підготовки викладачів у США використання GenAI студентами зросло з 57 % до 83 % для підготовки до оцінювання і з 44 % до 76 % для навчання, тоді як етичні відповіді «не впевнений» неухильно зростали, а користувачі ШІ оцінювали його академічне використання як більш етичне, ніж некористувачі ([[longitudinal-ai-usage-ethics-policy-teacher-education-2026|Parker et al. (2026)]]).
- **Нормативні рамки не є взаємозамінними.** Серед 151 іспанського студента бакалаврату моральна рівність була необхідною умовою наміру використовувати LLM у підготовці до іспитів (d = 0,338), але не достатнім предиктором, тоді як консеквенціалістські (β = 0,350) та деонтологічні (β = 0,329) розсуди були ним — студенти застосовують кілька нормативних рамок ([[ethical-conditions-llm-exam-preparation-2026|Pérez-Portabella et al. (2026)]]).
- **Спільна багатовимірна структура.** Шість тем у [[bilgic-sever-ethical-dimensions-ai-higher-ed-2026|Bilgiç & Sever]] — що охоплюють етику даних, етику алгоритмів і педагогічну етику — формують взаємопов’язаний причинний ланцюг від фундаментальних принципів (прозорість, підзвітність, справедливість, автономія) до поведінкових результатів, підкреслюючи, що відповідальне використання ШІ залежить не менше від чітких інституційних дорожніх карт, ніж від індивідуальної усвідомленості.

## Від принципів до інституційного управління

Дослідження бази знань усе більше розташовують етику в закладах і структурах, а не лише в індивідах:

- **Розрив інституційної відповідальності.** [[bilgic-sever-ethical-dimensions-ai-higher-ed-2026|Bilgiç & Sever]] закликають до [[educational-development|professional development]] викладачів, курсів з етики та чітких інституційних настанов; [[fekete-ethical-ai-literacy-gaps-2026|Fekete]] так само виявляє, що інституційна підтримка рухає готовність викладачів, тоді як студенти покладаються на неформальне, [[self-directed-learning|self-directed learning]] — розрив відповідальності для [[educational-policy-ai|policy]].
- **Навчання етиці рухає усвідомленість, але прогалини в політиці ускладнюють дотримання.** Восьмитижнева програма професійного розвитку з GenAI з 97 освітян підвищила бали етичної усвідомленості з 3,21 до 4,05 (d Коена = 0,93), а знайомство з політикою — з 27 % до 79 %, проте найтяжчою названою учасниками перешкодою було узгодити прогалини інституційної політики з їхніми етичними цінностями ([[alharbi-ethical-genai-eap-2026|Alharbi et al. (2026)]]).
- **Стійкість політики варіюється.** [[adarkwah-genai-unesco-policy-2026|Adarkwah et al. (2026)]], аналізуючи політики щодо [[generative-ai|GenAI]] у 30 провідних університетах проти рамки ЮНЕСКО з восьми компонентів, виявили, що основні етичні принципи широко сприймаються, а [[inclusive-learning|inclusion]], справедливість і [[sustainability]] часто оминаються — і національний рейтинг готовності до ШІ не передбачав сильної інституційної політики. Політики схильні бути декларативними та зосередженими на порушеннях, а не операційно забезпеченими.
- **Етика та управління даними як умова можливості.** [[learning-analytics-to-educational-interventions-2026|Svetec, Divjak & Kadoić (2026)]] визначають етику та управління даними як один із семи умовників заслуговуючих довіри втручань на основі [[learning-analytics]] — позиціонуючи [[trust|trustworthiness]] (етичне дотримання, безпека даних, прозорі алгоритми, педагогічна валідність) як передумову, без якої зміни в освіті, обґрунтовані даними, не мають змісту.
- **[[meta-analysis-systematic-review|systematic review]] [[engineering-education|engineering education]]** виявляє, що настанови щодо етичного ШІ переважно звернені до студентів та орієнтовані на дотримання (зосереджені на [[academic-integrity]] і розкритті), тоді як взаємна підзвітність за використання ШІ викладачами та інституційна відповідальність залишаються нерозвиненими — закономірність, посилена професійними ставками інженерії в публічній безпеці та [[well-being]]. ([[ethical-use-ai-engineering-education-review-2026]])

- **Викладач як користувач ШІ порушує власну етику.** Вісім областей етичного розгляду — професійність, підзвітність, прозорість, ефективність, інклюзивність, безпека, контекстна відповідність, а також політика і ресурси — вміщують використання викладачами ШІ для зворотного зв’язку, і лише 14 із 50 найвище рейтингованих університетів мали для цього конкретні настанови ([[luo-eaton-ai-student-feedback-ethics-2026|Luo & Eaton (2026)]]).
- **Консолідована ціннісна рамка для етики AIED.** [[agarwal-ethical-values-norms-aied-2026|Agarwal et al. (2026)]], [[meta-analysis-systematic-review|systematic review]] 25 статей, консолідують фрагментовану літературу з етики в шість основних етичних цінностей для [[ai-education|AI in education]] — недискримінація, управління даними, [[human-in-the-loop-ai|human oversight]], доброзичливість, пояснюваність і освітня доречність — і відображають етичні норми, витягнуті з літератури, на матрицю «зацікавлена сторона × цінність» (розробники, освітні заклади, кінцеві користувачі, регулятори). Огляд виявляє, що норми розподілені нерівномірно: розробники притягують найбільше, тоді як кінцеві користувачі отримують найменше і найменш дієвих норм, і жодні норми щодо недискримінації, управління даними чи освітньої доречності не звертаються безпосередньо до кінцевих користувачів — голоси студентів по суті відсутні, причому норми для «кінцевого користувача» — здебільшого дії, які інші зацікавлені сторони вчиняють, щоб уможливити викладачів. Автори стверджують, що кінцеві користувачі мають мати агентність і активні ролі, а не розглядатися як пасивні бенефіціари, і зазначають, що цінності тісно пов’язані і можуть конфліктувати (наприклад, пояснюваність проти точності/[[privacy]], недискримінація проти управління даними), породжуючи етичні дилеми поряд із асиметріями влади між наборами зацікавлених сторін.

- **Відповідальність, названа без відношення.** Корпусний аналіз 366 абстрактів із вищої освіти на тему GenAI показує, що словник відповідальності в цій галузі є значною мірою ад’єктивним: «responsible AI/GenAI» зустрічається 83 рази в 59 документах, а «responsible use» — 66 разів в 44, тоді як «AI responsibility» і «student responsibility» ніколи не з’являються як точні фрази, а граматичне усунення є рутинним — 800 пасивних конструкцій, 780 з них без жодного посилання на аґента, поряд із 1 152 номіналізаціями, пов’язаними з відповідальністю. [[genai-higher-ed-agency-responsibility-discourse-2026|Poudyal (2026)]] не знаходить жодної клаузи, що прив’язує наслідок до системи, тож відповідальність визнається як слово без реляційної аґентності, яка перетворила б її на дію.

## До ситуативної та екологічної етики ШІ

Важливий теоретичний зсув у базі знань — критика універсалістської, заснованої на принципах етики «чеклістів» на користь ситуативних, екологічних і трансформативних описів:

- **Ситуативна етика ШІ.** [[raffaghelli-situated-ai-ethics-2026|Raffaghelli et al. (2026)]] поєднують екологічну теорію систем Бронфенбреннера з культурно-історичною [[activity-theory-aied|Activity Theory]], щоб вмістити ШІ як не нейтральний соціотехнічний ансамбль, чиї етичні наслідки історично продукуються та локально узгоджуються. У семи національних кейсах викладачі позиціонуються як моральні воротарі використання ШІ, не маючи водночас структурної, інституційної та епістемічної підтримки, — і рамка розширює [[ai-education|AI literacy]] за межі технічних навичок до критичної, політичної та екологічної аґентності, включно з опором економіці нагляду та екологічній шкоді.
- **Зсув до ситуативної практики.** [[ai-ethics-bibliometric-2026|A bibliometric analysis of 282 articles]] показує, що дискурс етики ШІ після 2021 року дедалі частіше вміщує етику навколо професійного розсуду, довіри, [[human-ai-collaboration|human-AI collaboration]] та інтерпретаційної практики, а не лише технічного дотримання — причому освіта є концептуально важливим контекстом.
- **Культурно-історичний опис відповідальності.** Це переосмислення пов’язує етику з [[learning-theories]] і [[teacher-ai-competency]]: відповідальне використання ШІ трактується як контекстно-чутлива, колективна та трансформативна аґентність, а не індивідуальне дотримання чеклістів. Опитування 454 університетських викладачів підтримує це вміщення: знання етики ШІ медіювало шлях від технічного знання ШІ до інтегрованої навчальної компетентності (β = 0,186) і передавало його далі через педагогічне і контентне знання ([[ethically-mediated-ai-tpack-china-2026|Chen et al. (2026)]]).
- **Онтологічне переосмислення етичного обов’язку.** Xie (2026) посуває критику ситуативної етики далі, переміщуючи її в онтологію: там, де значна частина науки трактує справедливість, асиметрії влади та екологічні витрати як зовнішності, якими слід управляти, даоське реляційне «я» робить їх внутрішніми для того, ким ми є, тож «бути залишеним» стає онтологічно нестерпним, а не лише несправедливим. Етичним завданням тоді є не відірвана оптимізація, а Увей (无为) — невимушена дія, узгоджена з природністю, — проти Ювей (有为) алгоритмічної монокультури, когнітивного розвантаження та екстрактивної інфраструктури, застосована в трьох доменах: знання (епістемічна монокультура і синтетична дезінформація), пізнання (розвантаження, що деградує [[critical-thinking|critical thought]]) і вплив (екологічні витрати та асиметрії Північ—Південь).([[daoism-ai-education-philosophy-2026]])

## Етика в практиці

Статті бази знань з етики сягають від теоретичних рамок ([[ethical-ai-higher-ed-game-theory|game theory approaches]]) до практичних настанов ([[cost-of-ethics-crisis-cs-ethics-education|CS ethics education]]), від [[ai-ethics-education-public-discourse|public discourse analysis]] до [[adarkwah-genai-unesco-policy-2026|UNESCO policy frameworks]]. На всьому цьому діапазоні виступає послідовне практичне послання: етика має перейти від поліціювання неправильного використання до побудови [[ai-literacy]] і здатності етичного використання, підтриманої інституційними настановами, професійним розвитком викладачів і проєктуванням, що зберігає, а не витісняє розсуд здобувача.

Цей практичний довід підсилюється емпіричною роботою про те, як етика функціонує всередині самої ШІ-грамотності: Zhu and Kong (2026) показують, що етична усвідомленість щодо ШІ — поряд із розширенням повноважень у [[problem-solving]] ШІ — медіює відношення між сприйнятим [[project-based-learning|project-based learning]] і задоволеністю курсом ШІ-грамотності. Їхня валідована шкала AI-PBLS і результати SEM (1 027 студентів) вказують, що PBL створює умови, в яких студенти будують особисту рамку етичного міркування про ШІ, підсилюючи тезу, що етика — не додаток, а ключовий механізм змістовного розвитку ШІ-грамотності.

**Знак цього механізму залежить від того, що йде за ним.** Серед 584 студентів бакалаврату, чия компетентність у ШІ походила з самонавчання, компетентність підвищувала етичну усвідомленість щодо ШІ (β = 0,644, p < 0,001). Етична усвідомленість потім підвищувала тривожність щодо ШІ (β = 0,439, p < 0,001), а не знижувала її — посередництво лише непряме, яке автори читають як усвідомленість, що пробудилася без рамки подолання ([[mu-ai-competence-ethical-awareness-anxiety-2026|Mu et al. (2026)]]). Їхній висновок для викладання етики — що воно не може зупинитися на когнітивному рівні. Занепокоєння прозорістю чи приватністю має надходити разом із шляхом управління, який на нього відповідає, і саме тому їхній запропонований модуль міститься всередині правової освіти.

## Зв’язки

Етика пов’язується з [[equity-in-ai-education]], [[privacy]], [[bias-mitigation]], [[regulation]], [[pedagogical-safety]], [[academic-integrity]] і [[governance]]. Це нормативна основа для всіх інших понять освіти зі ШІ — рамка, у межах якої питання справедливості, прозорості, автономії та безпеки порушуються і розв’язуються.

## Пов’язані поняття

- [[business-education]]
- [[equity-in-ai-education]]
- [[privacy]]
- [[bias-mitigation]]
- [[regulation]]
- [[pedagogical-safety]]
- [[academic-integrity]]
- [[ai-use-disclosure]] — Заяви про використання ШІ та розкриття
- [[governance]]
- [[ai-literacy]]
- [[cognitive-offloading]]
- [[teacher-role]]
- [[teacher-education]]
- [[chemistry-education]] — Освіта з хімії та ШІ: лабораторії, формуюче оцінювання, межі LLM, філософія експериментування
- [[biology-education]] — Освіта з біології та ШІ: лабораторні асистенти викладача, ШІ-грамотність у біології, критичне мислення, спеціалізовані інструменти

## Пов’язані статті
- [[mu-ai-competence-ethical-awareness-anxiety-2026]] - Етична усвідомленість посилювала тривожність щодо ШІ там, де не викладалися рамка подолання: посередництво лише непряме серед 584 студентів
- [[learning-analytics-to-educational-interventions-2026]] — Від аналітики навчання до освітніх втручань: умовники заслуговуючих довіри втручань на основі LA (Svetec, Divjak & Kadoić 2026)
- [[kirsanov-beyond-detection-ai-online-assessments-2026]] — Як студенти використовують і приховують ШІ в онлайн-оцінюванні
- [[chang-should-i-tell-my-teacher-ai-disclosure-2026]] — Розкриття використання ШІ студентами, стигма і саморегульоване навчання
- [[vetter-hidden-cost-disclosure-genai-2026]] — Прихована вартість розкриття
- [[gonsalves-student-non-compliance-ai-declarations-2025]] — Недотримання студентами заяв про використання ШІ
- [[bilgic-sever-ethical-dimensions-ai-higher-ed-2026]] — Погляди викладачів і студентів на етичні виміри ШІ
- [[ethical-use-ai-engineering-education-review-2026]] — Ethical Use of AI in Engineering Education: A Systematic Review
- [[ai-ethics-education-public-discourse]] — Поздовжній аналіз публічного дискурсу про етику ШІ в освіті
- [[ethical-ai-higher-ed-game-theory]] — Рамка теорії ігор для етичного використання ШІ у вищій освіті
- [[cost-of-ethics-crisis-cs-ethics-education]] — Криза вартості етики в пошуках роботи студентами CS
- [[xai-education-framework]] — Пояснюваний ШІ в освіті (XAI-ED)
- [[daoism-ai-education-philosophy-2026]] — Alternative AI Philosophy: Daoism as Method for AI in Education
- [[hazra-safetutors-pedagogical-safety-2026]] — Безпека репетиторів ШІ та педагогічна шкода
- [[raffaghelli-situated-ai-ethics-2026]] — Ситуативна етика ШІ: культурно-історична рамка для освіти
- [[ethically-mediated-ai-tpack-china-2026]] — Знання етики ШІ як інтегративний медіатор в AI-TPACK університетських викладачів (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]] — Аналіз рамки політики ЮНЕСКО щодо генеративного ШІ
- [[luo-eaton-ai-student-feedback-ethics-2026]] — Чи етично викладачам використовувати ШІ для зворотного зв’язку студентам?
- [[fekete-ethical-ai-literacy-gaps-2026]] — Подолання розривів в етичній ШІ-грамотності між студентами, освітянами та політикою
- [[alharbi-ethical-genai-eap-2026]] — Етична інтеграція генеративного ШІ в англійську для академічних цілей
- [[alsuhaymi-sustainable-education-ai-digitalization-2026]] — Ціннісно-критичний підхід до станої освіти та ШІ (Alsuhami & Atallah 2026)
- [[ethical-conditions-llm-exam-preparation-2026]] — Етичні умови впровадження LLM у підготовці до іспитів (Pérez-Portabella et al. 2026)
- [[longitudinal-ai-usage-ethics-policy-teacher-education-2026]] — Поздовжнє використання GenAI, етика та політика в підготовці викладачів (Parker et al. 2026)
- [[agarwal-ethical-values-norms-aied-2026]] — Етичні цінності та норми для ШІ в освіті
- [[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

---

## [Неправильне використання ШІ та шкода для навчання](https://edtechdev.github.io/aied/concepts/ai-misuse-learning-harm/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Неправильне використання ШІ та шкода для навчання** — причинний зв’язок між тим, що студенти переносять [[cognitive-offloading|cognitive work]] на [[generative-ai|generative AI]], і зниженим тривалим навчанням, навіть коли негайна продуктивність за завданням зростає. Визначальною рисою є розрив між продуктивністю та навчанням: ШІ завищує допоможену продуктивність, водночас погіршуючи результати без допомоги, за закритими книгами та утримання.

## Питання для роздумів

- Учень може працювати краще в моменті, водночас засвоюючи менше з часом — ШІ може підвищувати допоможену продуктивність, погіршуючи пізніше, недопоможене досягнення. Коли ви відчували, що «засвоїли» щось, що зникло в момент, коли інструмент зник?
- Центральна знахідка — розрив між продуктивністю та навчанням: студенти, які користувалися незахищеним [[intelligent-tutoring|AI tutor]], отримували на 48% вищі оцінки на практиці, але на 17% нижчі на іспитах за закритими книгами. Як це змінює ваше трактування високої оцінки, отриманої з допомогою ШІ?
- Неправильне використання — це підміна: делегування ШІ складання, пригадування чи аналізу, що будують тривале розуміння, а не використання ШІ як доповнення. Де ви провели б межу між тим, що ШІ допомагає вам навчатися, і тим, що ШІ навчається замість вас?
- Студенти в групі, що зазнала шкоди, не усвідомлювали, що засвоїли менше. Якщо здобувачі не можуть сказати, що їм шкодять, за чим має стежити викладач замість довіри до самооголошень студентів?
- Шкода є вибірковою за типом оцінювання: вона проявляється на прохоронованих, закритокнижкових мірах, але може бути прихованою, коли курсова робота не може відрізнити допоможену ШІ роботу від незалежної. Яке оцінювання насправді виявило б, чи засвоїли студенти?
- Захищений «підказка, а не відповідь» ШІ усунув шкоду, зберігши вигоду. Що знадобилося б, щоб спроєктувати допомогу ШІ, яка підтримує навчання, не стаючи милицею?

## Вступ

Неправильне використання ШІ відрізняється від використання ШІ. Використання описує застосування ШІ як доповнення навчання — [[feedback]], мозковий штурм або допомога в перегляді, що тримає когнітивну роботу здобувача в петлі. Неправильне використання описує підміну: делегування ШІ самих психічних процесів (складання, пригадування, аналізу, перегляду), що будують тривале розуміння. Шкода, задокументована в базі доказів бази знань, не в тому, що неправильне використання не допомагає; вона в тому, що неправильне використання активно погіршує пізніше, недопоможене досягнення.

### Розрив між продуктивністю та навчанням

Основне поняття, сформульоване в [[genai-performance-vs-learning]], полягає в тому, що генеративний ШІ легко підвищує **продуктивність** — негайну ефективність і якість результатів — тоді як часто обходить глибоку когнітивну та [[metacognition|metacognitive]] обробку, необхідну для **навчання**. Тому інструмент, що оптимізує під продуктивність, може підривати навчання. Розрив тепер причинно продемонстровано в польовому масштабі: [[rct|randomized controlled trial]] виявило, що незахищена допомога ШІ підвищувала продуктивність на практиці, але знижувала пізніші оцінки за іспитом без допомоги.

### Механізми шкоди

- **[[cognitive-surrender]]** — термін, який дослідники використовують для студентів, що переносять мислення на ШІ як пасивну, нерефлексивну залежність, на відміну від свідомої, стратегічної форми [[cognitive-offloading]]. Вона продукує вимірюване зниження на рівні популяції в тривалих знаннях.
- **Копіювання відповідей як милиця** — неправильним використанням рухає менше помилки ШІ, що вводять студентів в оману, ніж те, що студенти копіюють відповіді, а не засвоюють. Коли аналіз [[student-engagement|engagement]] показує, що студенти переважно «просять відповідь», за ним слідує шкода для навчання.
- **Ерозія мотивації** — сприймана наявність беззусильного скорочення ШІ знижує автономну мотивацію та наполегливість, згідно з [[self-determination-theory|self-determination theory]]. Оскільки саме наполегливість продукує глибоке навчання, її ерозія помножує пряму шкоду.
- **Витиснення навчання** — підміна результатів роботи ШІ зусильним процесам (елаборація, пригадування, самообґрунтування), що консолідують знання, що узгоджується з [[cognitive-offloading|Over-Reliance]].
- **Плутанина читається як намір.** Коли викладачі не називають належної ролі ШІ в завданні, студенти визначають її тим, що найлегше, а викладачі читають виникле невідповідність як обман, а не як межу, яку так і не було встановлено ([[this-is-how-we-ai-teaching-guide-2026|Hanshaw et al., 2026]]).

### База доказів

- **Причинне польове РКВ (≈1000 школярів старших класів з математики):** незахищений тьютор у стилі ChatGPT підвищив допоможену продуктивність на практиці **+48%**, але знизив оцінки за [[summative-assessment|closed-book exam]] без допомоги **−17%** — студенти, які ніколи не мали доступу до ШІ, перевершували тих, хто мав. Захищений тьютор «підказка, а не відповідь» усунув шкоду. Помітно, що студенти в рукаві, що зазнав шкоди, не усвідомлювали, що засвоїли менше.
- **Поведінкові дані в масштабі популяції (3.2 млн взаємодій ALEKS):** час навчання на проблемах, сприйнятливих до ШІ, впав на **−26.9%** кумулятивно для студентів коледжів (старші класи −31.3%) після виходу ChatGPT, зі **зниженням на 25% шансів правильної відповіді на прохоронованих пунктах утримання**. Ефект зник цілком під прохоронуванням, прив’язуючи його до використання ШІ поза платформою.
- **Великий нульовий результат:** використання сезонного падіння користування ChatGPT влітку показало **відсутність чистого зміни в середніх стандартизованих тестах старших класів** — ймовірно, тому що шкода від неправильного використання компенсується в агрегаті продуктивним використанням ШІ. Це не суперечить причинній шкоді для тривалого навчання; це застерігає від надмірного узагальнення з агрегатних оцінок тестів.

### Залежність як шлях до вигорання

Неправильне використання шкодить більше, ніж досягненням. Опитування 276 китайських студентів бакалаврату ([[ai-dependency-self-efficacy-teacher-support-burnout-2026|Huang et al., 2026]]) моделювало залежність від ШІ як медіатора між захисними ресурсами здобувача і навчальним вигоранням і виявило, що вона несла весь ефект: [[self-efficacy|academic self-efficacy]] і, слабше, підтримка [[teacher-role|teacher]] обидві знижували залежність від ШІ, яка в свою чергу передбачала вигорання. Обидва опосередковані шляхи були значущими та повністю опосередковуючими — прямі ефекти стали незначущими, коли залежність входила в модель — причому шлях самоефективності був сильнішим із двох. Прочитане поряд із розривом між продуктивністю та навчанням вище, результат розширює ціну неправильного використання від погіршеного тривалого знання до виснаження та відчуження здобувача, і розміщує механізм у самій залежності, а не у використанні ШІ як такому: ресурси, що захищають від неправильного використання, здається, працюють, запобігаючи залежності, а не протидіючи її ефектам згодом. Автори позначають застереження вимірювання — їхня Шкала залежності від ШІ адаптована з Internet Addiction Test, і її валідність контенту для ШІ не встановлена — тому шлях краще розглядати як добре змодельовану гіпотезу, ніж як встановлений розмір ефекту.

### Залежність шкоди від типу оцінювання

Найважливіший практичний нюанс — шкода є **вибірковою за типом оцінювання**. Вона проявляється на **прохоронованих, закритокнижкових та недопоможених** мірах тривалих знань. На нормальній оцінюваній курсовій роботі, що не може відрізнити допоможену ШІ роботу від незалежної, неправильне використання може *завищувати* негайні оцінки. Саме тому розрив між сприйманим і фактичним є небезпечним: студенти (а іноді й викладачі) бачать короткострокові здобутки продуктивності і пропускають ерозію навчання, яка виявляється лише тоді, коли інструмент прибрано.

**Яка опора, а не наскільки вона велика.** Опитування 118 студентів із 12 курсів, інтенсивних на ШІ ([[uneven-impact-generative-ai-student-learning-2026|Manikonda et al. 2026]]), розділяє дві поведінки, які згортають міри частоти використання. **Когнітивна опора** — використання GenAI для організування, оцінювання, поєднання та декомпозиції — була найсильнішим предиктором сприйманого позитивного впливу (β = .495, p < .001), і описане нею розвантаження не є рівномірно шкідливим: організування та підсумовування ідей і відкриття нових інсайтів належали до функцій, асоційованих із покращеним сприйманим навчанням. **Рання опора** — консультування з GenAI *перед* незалежним мисленням, традиційним пошуком або викладачем — передбачала академічну вигоду (β = .301, p < .001) *і* негативний вплив (β = .402, p = .004) водночас. Модерація — це частина, що стосується настанови ліквідації грамотності вище: асоціація між ранньою опорою і негативним впливом була відсутня при низькій [[ai-literacy|evaluation literacy]] (b = .025, p = .861) і найсильнішою серед студентів, які найкраще осуджують результати роботи ШІ (b = .688, p < .001), тому оцінювальна навичка не захищала від ціни запитання до ШІ першим — студенти, найкраще розміщені, щоб помітити ціну, були тими, хто її повідомляв. Операційний наслідок — неправильне використання є частково питанням *часу* відносно власної спроби здобувача, а не лише обсягу, чому інтервенції, що націлюються на те, коли звертаються до ШІ, стоять поряд із настановами проєктування оцінювання нижче.

### Наслідки та засоби

- **[[guardrails]] над сирим доступом:** [[prompt-engineering|prompting]] «підказка, а не відповідь» та створений викладачами [[scaffolding]] нейтралізують ефект милиці (див. [[generative-ai-guardrails-harm-learning]]).
- **[[assessment|Assessment design]]:** потрібні стійкі до ШІ та прохороновані/недопоможені оцінювання, щоб виявляти — і відбивати — неправильне використання.
- **Грамотність та метакогніція:** [[ai-literacy]] і [[self-regulated-learning]] навчання, що допомагає студентам розпізнавати патерни опори та ціну обходу власної когнітивної роботи.

### Розмовне відчуження в епоху LLM

Література про гейминг системи (зловживання підказками, систематичне вгадування) має діалогового колегу: розмовне відчуження — насмішку над агентом, свідомо хибні відповіді, ігнорування його, віддзеркалення його тексту чи утримання відповідей. [[rho-disengaged-conversational-behaviors-2026|Rho et al. (2026)]] дають цьому феномену перше систематичне трактування в діалозі студент–ШІ, і його центральний урок — інтерпретативний, а не тривожний. Відчужений *хід* — це інтеракційний рух, а не стійкий стан відчуження. Видима асоціація False Answering із оцінками пост-тесту не витримала людсько-анотованої перевірки чутливості, і автори читають її як зондування *всередині* траєкторій, які часто повертаються до залученості (кластер з найвищою продуктивністю відновився при p = 0.42). Поведінкою, яка насправді розділяла траєкторії, було Withholding — відмова відповідати, яка зберігалася, а не розв’язувалася. Для проєктувальників це інвертує звичний пріоритет: гучне, видиме відчуження часто самокоригується, тоді як тихе виведення сигналізує, що взаємодія розвалилася.

## Пов’язані поняття

- [[self-directed-learning]]
- [[remote-proctoring]]
- [[cognitive-offloading]]
- [[academic-integrity]]
- [[assessment]]
- [[self-regulated-learning]]
- [[motivation]]
- [[metacognition]]
- [[scaffolding]]
- [[generative-ai]]
- [[student-experience]]
- [[cognitive-surrender]]

## Пов’язані статті

- [[rho-disengaged-conversational-behaviors-2026]] — Відчужені розмовні поведінки та навчання в діалогах студент–ШІ (Rho et al. 2026)

- [[genai-thoughtless-use-self-directed-learning-2026]]
- [[generative-ai-guardrails-harm-learning]] — GenAI без захисних обмежень може шкодити навчанню
- [[genai-performance-vs-learning]] — Відрізнення здобутків продуктивності від навчання
- [[ai-availability-student-motivation]] — Наявність ШІ та мотивація студентів
- [[genai-skill-bypass-literacy]] — Обхід навичок через GenAI і грамотність
- [[cognitive-shift-ai-education]] — Когнітивний зсув в освіті зі ШІ
- [[misiejuk-cognitive-offloading-prompting-2026]] — Когнітивне розвантаження в колаборації студент–ШІ
- [[cognitive-commons-ai-expertise-regeneration]] — Трагедія когнітивного спільного: ШІ та регенерація експертизи
- [[lodge-loble-cognitive-offloading-2026]] — ШІ, когнітивне розвантаження та наслідки для освіти (Lodge & Loble 2026)
- [[ai-overreliance-complex-adaptive-system-2026]] — Надмірна залежність від ШІ, змодельована як комплексна адаптивна система
- [[academic-erasure-complexity-ai-writing-2026]] — Академічне стирання: зникнення складності під письмом із підтримкою ШІ
- [[ai-dependency-self-efficacy-teacher-support-burnout-2026]] — Залежність від ШІ повністю опосередковує шлях від самоефективності та підтримки викладача до навчального вигорання (Huang et al. 2026)
- [[uneven-impact-generative-ai-student-learning-2026]] — Рання опора передбачає негативний вплив, тоді як когнітивна опора передбачає позитивний, і грамотність оцінювання зміцнює, а не пом’якшує шкоду від звертання до ШІ першим (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

---

## [Правові питання та ризики](https://edtechdev.github.io/aied/concepts/legal-issues-and-risks/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Правові питання та ризики** — це правові ризики, які несуть освітні установи, персонал і студенти, коли [[generative-ai|генеративний ШІ]] погано регулюється в освіті: студент несправедливо звинувачений у списуванні на підставі оцінки детектора, система прокторингу, яка спостерігає та записує більше, ніж вимагає оцінювання, занадто широка норма, що штрафує за допоміжний інструмент, або надто розмита політика, яку неможливо послідовно застосовувати. Ризик полягає не в одному правовому питанні, а в кількох, що виникають водночас, — доказовому (чи можна взагалі підтвердити звинувачення), договірному та процесуальному (чи дотрималась установа власних правил і чи надала студенту справедливий розгляд), рівноправному (чи обтяжує норма студентів з інвалідністю чи тих, для кого мова не є рідною) та захисту даних (які дані зібрало спостереження і де вони зберігались). Це відрізняється від [[academic-integrity]], тобто рамок поведінки, які застосовуються: ця сторінка — про те, що відбувається, коли це застосування оскаржується.

## Питання для роздумів

- Інструменти виявлення не можуть надійно ідентифікувати авторство. Якщо інструмент не може встановити той факт, про який йдеться, на чому насправді грунтується справа про порушення?
- Дані прокторингу та виявлення ШІ генеруються у великих масштабах і зберігаються нескінченно довго. Хто несе правові ризики за ці дані — установа чи її постачальник?
- Коли політика забороняє «використання ШІ», не розрізняючи [[wright-transcription-not-generation-2026|транскрипцію від генерації]], чи захищає норма академічну доброчесність, чи карає за засіб доступності?

## Вступ

Доказова база цієї бази знань з цієї теми є скоріше процесуальною, ніж юридичною. Вона документує, що установи вважають доказом, як працюють процедури висунення звинувачень, наскільки ненадійними є інструменти та що збирає спостереження; вона ще не документує результатів судових спорів. Цю прогалину слід проголошувати прямо, а не заповнювати впевненими твердженнями: справи, які б вирішили ці питання, переважно не оприлюднені, врегульовані або досі перебувають у внутрішніх інституційних процесах.

Те, що підтримує література, — це опис режимів відмов, які створюють правові ризики. Повторюваний шаблон такий: саме власні інструменти та процедури установи, а не зловмисний обвинувач, створюють для неї ризик: імовірнісна оцінка, розглянута як встановлений факт; норма, яка ясніша за наміром, ніж за обсягом; система, що зібрала дані, про які ніхто не питав; і слухання, яке припускало, що технічний доказ не потребує перевірки.

## Де концентрується ризик

### Несправедливе звинувачення та дефектні докази

[[munoz-misconduct-allegation-evidence-2026|Munoz та співавтори (2026)]] проаналізували справжні матеріали справ про порушення з використанням генеративного ШІ та розподілили докази, якими користувались установи, на категорії: зафіксовані системою сліди поведінки, доступні лише за інвиґільованого або контрольованого оцінювання; процесуальні докази, як-от чернетки, наради з керівником та презентації там, де така практика існує; і докази, згенеровані самим розслідуванням. Для правових ризиків звідси випливає два висновки. По-перше, за некерованого подання робіт категорія зафіксованих системою даних є порожньою, що перекидає справи на слабші категорії. По-друге, вони фіксують, що принципи природної справедливості вимагають повідомити студента про звинувачення та надати йому можливість відреагувати до будь-якого висновку; ці зобов’язання закріплені в австралійських нормативних стандартах (Department of Education, 2021; TEQSA, 2025), а також у добре сприйнятій політиці академічної доброчесності. Можливість відреагувати — це, як правило, сліча зустріч або співбесіда з комісією, і все, що каже студент, стає частиною доказової бази, — а це означає, що вразливою справа стає саме через процесуальні, а не лише доказові порушення.

Доказова проблема лежить під цим. Вивід детектора — це доказ, до якого найчастіше вдаються і який найменше здатний витримати вагу. [[hadra-ai-detector-accuracy-efl-2026|Hadra та співавтори (2026)]] протестували Turnitin і Originality на збалансованому корпусі з 192 текстів і виявили загальну точність 0,69 і 0,61 відповідно, причому обидва погано працюють на гібридних текстах, написаних людиною разом зі ШІ, — саме тій формі, що найімовірніше з’явиться в реальному звинуваченні, — а точність ще більше падає зі зростанням довжини тексту, на науковому письмі і через виражену схильність неправильно класифікувати написані людиною роботи як ШІ, коли автором був студент, для якого англійська є іноземною (EFL). [[van-vlasselaer-ai-detector-reliability-2026|Van Vlasselaer та співавтори (2026)]] приходять до того самого висновку на іншому корпусі та наборі інструментів, а [[bassett-ai-detectors-education-2026|Bassett та співавтори]] висловлюють структурний аргумент, що жоден поріг не розв’язує проблему: детектор, налаштований виявляти використання ШІ, позначатиме людські роботи, а той, що налаштований щадіти людські роботи, пропускатиме використання ШІ, тож будь-яка одинична оцінка — це вибір, на яку похибку йти. [[karr-ai-detection-humanization-2026|Огляд Karr]] про те, чому виявлення не спрацьовує, приходить до того ж місця з боку «очеловічування» тексту, а [[teichmann-detecting-undetectable-misconduct-2026|Teichmann та співавтори (2026)]] стверджують, що тепер потребує переоцінки сама процесуальна рамка, бо епоха невиявлюваних порушень руйнує припущення, що порушення можна довести поданьим артефактом.

### Приватність і спостереження

[[harerimana-remote-proctoring-nursing-scoping-2026|Harerimana та співавтори (2026)]] описують [[remote-proctoring|дистанційний прокторинг]] в оцінюванні медсестринської освіти та виокремлюють приватність і спостереження серед головних занепокоєнь, поряд із емоційним впливом на студентів та ефектами [[equity-in-ai-education|справедливості]]. [[automated-online-exam-proctoring-decade-review-2026]] і [[academic-dishonesty-automated-proctoring-ai-2026]] документують ті самі [[ai-technologies|технології]] на довшому відрізку часу, а питання захисту даних, які вони порушують, — це звичайні питання з правовими наслідками: що саме фіксується (відео, аудіо, натискання клавіш, напрям погляду, сканування кімнати), як довго це зберігається, де воно зберігається, хто має до нього доступ, чи обробляє постачальник ці дані далі і чи погодились студенти на це як на умову оцінювання. Установи, що працюють у регульованих середовищах даних, несуть статутні зобов’язання значно раніше, ніж з’являється будь-який позов, а робота цієї бази знань щодо локальних і розміщених у постачальника систем ШІ з урахуванням FERPA і GDPR показує, як ті самі питання застосовуються до навчальних інструментів, а не лише до прокторингу.

### Доступність та інвалідність

[[wright-transcription-not-generation-2026|Wright (2026)]] стверджує, що загальні заборони «використання ШІ» є надто широкими, бо не розрізняють перетворення мови в текст і OCR від генеративного створення текстів, і що студенти з особливостями, що впливають на дрібну моторику, розбірливість почерку або точність друкування, історично покладались саме на ці інструменти — зокрема на окремі продукти перетворення голосу в текст, такі як Dragon NaturallySpeaking, частина з яких була знята з виробництва або погіршена в якості, а функціональну прогалину заповнює підсилена ШІ транскрипція. Wright зазначає, що перетин інвалідності, допоміжних технологій і політики щодо порушень за участі ШІ недостатньо досліджений і що масштаб такого витіснення не було емпірично виміряно. Форма ризику тут проста: норма, що позбавляє студента основного засобу створення розбірливої роботи, — це норма, якій може знадобитись процедура надання доступності, щоб вижити. [[shin-ai-policies-sld-2026]] документує той самий провал з боку політики для студентів із специфічними навчальними труднощами, а робота цієї бази знань щодо [[assistive-technology]] і [[neurodiversity]] дає відповідні суміжні терміни.

### Мовна справедливість і межа між підтримкою та підміною

[[li-genai-assessment-language-equity-2026|Li (2026)]] наводить рівноправну версію аргументу для студентів, які використовують англійську як додаткову мову. Оскільки один інтерфейс тепер виконує і дозволене редагування, і заборонене створення текстів, норма, що трактує [[generative-ai|генеративний ШІ]] як єдину категорію несанкціонованої допомоги, накладає вищий тягар дотримання саме на тих студентів, яким найімовірніше потрібна законна мовна підтримка, концентрує підозру на авторах, чия поверхнева плавність змінилась, і робить можливим вибіркове застосування за слабких доказів — причому звинувачення несуть репутаційні, академічні, а іноді й візові чи фінансові наслідки. Засіб — це межа, визначена функцією та конструктом оцінювання, а не назвою інструменту, яка відокремлює поверхневі втручання, що не додають жодних ідей, джерел чи аналітичної структури, від підміни, яка створює або суттєво перебудовує інтелектуальну роботу, з каліброваним [[ai-use-disclosure|розкриттям]], щоб рутинний переклад і редагування не тягнули за собою витрат на дотримання, що перевищують витрати одномовних ровесників. Правова структура — це логіка непрямої дискримінації: визначити зміщений на користь однієї когорти тягар, який створює формально нейтральна норма, а потім поставити питання, чи переслідується легітимна мета пропорційними та реально працездатними засобами, — посилена адміністративно-правовим очікуванням, що суб’єкт, який ухвалює рішення, може назвати застосовану норму, покладені в основу докази та причину, чому результат був пропорційним; саме це робить висновок оскаржуваним, а процес легітимним. [[ai-detection|Виявлення]] понижується до ролі сигналу для сортування, а історію чернеток, поетапно подані роботи та коротку розмову, узгоджену з конструктом, надається перевагу як доказ, тож ризик іде в обидва боки: і до оскарження через дискримінацію або перегляд рішення, і до крихкості висновку, що спирається на проксі-показники, як-от відполірована мова або нерідна фразеологія.

### Незрозумілі норми, непослідовне застосування

[[gutowski-hurley-genai-policy-legal-education-2025|Gutowski і Hurley (2025)]] розглядають ясність як передумову захищеної від оскарження реалізації, а не як чемність, і повідомляють, що політики юридичних факультетів варіюються від комплексного [[governance]] до повної відсутності політики, причому в більшості випадків тлумачення й застосування норм залишається на індивідуальних викладачів. [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] виявляє ту саму варіацію серед університетів США поряд із системами підтримки, що так само різняться, а [[crompton-governing-genai-higher-ed-delphi-2026]] повідомляє про експертний консенсус, що управління фрагментоване. Студент, притягнутий до відповідальності за нормою, яку ніхто не може точно сформулювати, — це спір про процедуру та справедливість раніше, ніж спір про ШІ, і [[sharma-judgment-visible-genai-assessment-2026|Sharma (2026)]] стверджує, що засобом тут є [[assessment|конструювання оцінювання]], яке робить судження й відповідальність видимими, а не спостереження, яке їх виводить із непрямих ознак. Опитування [[watson-rainie-ai-challenge-faculty-survey-2026|Watson і Rainie (2026)]] серед 1 057 викладачів США показує ту саму непослідовність з іншого боку: 87% респондентів писали власні норми на рівні завдань, і лише 48% заявили, що в їхній установі є письмові рекомендації, а 35% — що в їхній кафедрі, тож студенти в межах однієї установи стикаються з лоскутним покриттям індивідуально написаних політик. Структурна відповідь під цими документами є слабкою — робоча група або наглядний орган у 55% випадків, але [[ai-literacy|ШІ-грамотність]] як результат загальної освіти прийнято лише в 13%, — і це має правове значення, бо застосування норми, яку установа так і не прийняла, важко захищати.

[[coates-governing-academic-integrity-indicators-2025|Coates, Croucher і Calderon (2025)]] розташовують слабкість ще вище за течією, в управлінні, а не в поведінці студентів чи якості інструментів. Їхня рамка індикаторів академічної доброчесності — 130 пунктів за вісьма вимірами — від проєктування та розробки через аналіз, звітність, оцінювання та вдосконалення — написана як питання управління для рад і комітетів: чи отримує найвищий орган установи оновлення про процеси й результати оцінювання, чи покривають ключові показники ефективності якість оцінювання, чи входять академічна доброчесність до вступних та орієнтаційних програм і чи існує простий шлях для передачі справ про замовлення робіт на стороні. Їхня програма реформ націлена на архітектури управління, людей, які обіймають ролі в управлінні, а також технології й ресурси, що підтримують оцінювання, і вони стверджують, що такий розвиток навряд чи дасть віддачу без зовнішніх стимулів з боку [[regulation]], [[benchmark|бенчмаркингу]] та міжустановчої конкуренції. Для правових ризиків це означає, що захищена позиція спирається на знання та документування власної практики — тієї самої інформації, яка потрібна установі, коли висновок оскаржується.

### Атака на автоматичного оцінювача

Інший ризик сидить у самих інструментах. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] приховав п’ять непрямих ін’єкцій підказок у файлах синтетичного есе, яке інституційний [[automated-assessment|інструмент оцінювання на базі ШІ]] (Microsoft Copilot, GPT-5.2) оцінив як незадовільне в шести з шести базових прогонів. Дві стратегії підвищили оцінку без жодного видимого попередження користувачеві, за повідомленими показниками успіху атаки 100% (9 із 9 ітерацій) та 94% (17 із 18), поєднуючи маніпуляцію інструкціями, рольову гру та маскування; інструмент тихо вимкнув чат, заблокувавши найпростішу атаку, і в одній ітерації оголосив, що ніколи не виконуватиме вбудованих інструкцій, — а потім підвищив оцінку в кожному з наступних шести прогонів. Оцінка, отримана через приховану інструкцію, не має жодного підґрунтя [[assessment-validity|валідності]], і та сама техніка могла б використовуватись, щоб погіршити роботу, не залишивши стійкого сліду у виводі, — а це означає, що матеріали апеляції щодо оскарженого автоматичного рішення можуть бути порожніми, і висновок про порушення (або про досягнення) взагалі не можна довести на основі артефакту. Прохання Humble на рівні сектора є зрозумілими: чітка [[educational-policy-ai|політика щодо ШІ]], [[educational-development|професійний розвиток]] і стандартизоване, доменно-незалежне тестування стійкості, щоб поверхня атаки вимірювалась, а не припускалась, з обмеженим використанням ШІ та [[human-in-the-loop-ai|людиною в циклі]] для робіт із високими ставками.

### За межами університетських воріт

Для професійних програм ризик не закінчується на випуску. Gutowski і Hurley фіксують, що норми професійної поведінки, що обов’язують практикуючих юристів, — обов’язок технологічної компетентності, конфіденційність, нагляд за тими, хто користується інструментами, відвертість перед судом, — уже поширюються на використання ШІ, і що [[hallucination-risk|галюциновані]] джерела права вже призводили до санкцій для практиків, які подали сфабриковані справи. Та сама логіка перенесення діє скрізь, де за випускником слідує ліцензія, реєстрація чи статутний обов’язок, і саме тому сторінки про дисципліни [[legal-education|юридична освіта]] та [[medical-education|професії в галузі здоров’я]] мають стояти поруч із цією.

## Відкриті питання

- Який із цих ризиків фактично породив судовий спір або регуляторний висновок? У базі знань є процедури, політики та технічні оцінювання, але немає результатів справ, і її не слід читати так, ніби вони є.
- Чи зберігає вивід детектора силу доказу чогось після того, як установа визнає на слуханні свої похибки, чи перетворює це визнання справу на спір про процесуальну справедливість?
- Хто є розпорядником даних, коли прокторинг і виявлення працюють через сторонню платформу — постачальник чи установа, і чи змінює це поради для установ?
- Чи слід установам публікувати стандарти доказів, які вони застосовують до порушень із ШІ, так, як інде публікуються доказові пороги, — як спосіб зменшити і несправедливі звинувачення, і правові ризики?

## Пов’язані поняття

- [[academic-integrity]] — рамки поведінки, застосування яких несе ризик
- [[ai-detection]] — інструмент у центрі справ про несправедливі звинувачення
- [[remote-proctoring]] — спостереження в оцінюванні та його питання захисту даних
- [[assessment-validity]] — чи можуть докази підтвердити той висновок, який із них робиться
- [[privacy]] — збирання, зберігання та подальша обробка даних студентів
- [[regulation]] — статутні та регуляторні зобов’язання, які мають виконувати установи
- [[governance]] — внутрішнє конструювання політики та послідовність застосування
- [[educational-policy-ai]] — інституційна політика щодо ШІ як джерело ненавмисних ризиків
- [[ai-use-disclosure]] — очікування щодо розкриття та їхні непридатні до застосування межі
- [[accessibility]] — розумні коригування там, де норма позбавляє допоміжного інструменту
- [[assistive-technology]] — інструменти в центрі проблеми надмірної ширини норм
- [[neurodiversity]] — студенти, найбільш відкриті занадто широким заборонам
- [[equity-in-ai-education]] — диференційований тягар виявлення та спостереження
- [[student-experience]] — людська ціна, що передує правовій
- [[hallucination-risk]] — сфабриковані джерела права як професійна та інституційна відповідальність
- [[reducing-ai-misuse]] — профілактична альтернатива звинуваченню

## Пов’язані статті

- [[munoz-misconduct-allegation-evidence-2026]] — Які докази насправді містять матеріали справ про порушення, і вимога природної справедливості
- [[hadra-ai-detector-accuracy-efl-2026]] — Точність детекторів, провал на гібридних текстах і ризик неправильної класифікації EFL
- [[van-vlasselaer-ai-detector-reliability-2026]] — Надійність інструментів виявлення на другому корпусі
- [[bassett-ai-detectors-education-2026]] — Чому жоден поріг виявлення не може бути правильним: аргумент про вибір похибки
- [[teichmann-detecting-undetectable-misconduct-2026]] — Переоцінка процедур щодо порушень, коли докази стали невиявлюваними
- [[wright-transcription-not-generation-2026]] — Надто широкі норми щодо ШІ, доступність за інвалідності та розумні коригування
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Картографування дистанційного прокторингу з занепокоєннями щодо приватності та спостереження
- [[automated-online-exam-proctoring-decade-review-2026]] — Десятиліття досліджень автоматизованого прокторингу
- [[academic-dishonesty-automated-proctoring-ai-2026]] — Академічна недоброчесність і прокторинг в епоху ШІ
- [[gutowski-hurley-genai-policy-legal-education-2025]] — Ясність політики як передумова захищеної від оскарження реалізації
- [[qian-governing-genai-higher-ed-policy-2026]] — Політики та системи підтримки в інноваційних університетах США
- [[crompton-governing-genai-higher-ed-delphi-2026]] — Експертний консенсус про фрагментоване управління
- [[sharma-judgment-visible-genai-assessment-2026]] — Доброчесність через видиме судження, а не через спостереження
- [[shin-ai-policies-sld-2026]] — Провал у політиці для студентів із специфічними навчальними труднощами
- [[li-genai-assessment-language-equity-2026]] — Мовна справедливість як проблема конструювання норм: межа між підтримкою та підміною, непряма дискримінація та оскаржуваність (Li 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Студенти атакують оцінювачів ШІ непрямими ін’єкціями підказок, змінюючи оцінки непомітно (Humble 2026)
- [[coates-governing-academic-integrity-indicators-2025]] — Індикатори управління та програма реформ для аутентифікації оцінювання (Coates, Croucher & Calderon 2025)
- [[watson-rainie-ai-challenge-faculty-survey-2026]] — 1 057 викладачів США: індивідуальні політики значно випереджають інституційні, структурна відповідь слабка (Watson & Rainie 2026)

---

## [Заяви про використання ШІ та розкриття інформації](https://edtechdev.github.io/aied/concepts/ai-use-disclosure/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Заяви про використання ШІ та розкриття інформації** — політики, декларації та практики, через які від здобувачів вимагають (або їх просять за власним вибором) розкрити своє використання [[generative-ai|генеративного ШІ]] в академічній роботі. Відомі також як декларації використання ШІ, заяви про розкриття інформації щодо ШІ або заяви про [[explainable-ai|прозорість]], ці механізми лежать на перетині [[academic-integrity]], [[ethics]], [[trust]] та [[assessment]] в епоху ШІ. [[research-methods-aied|Дослідження]] бази знань показує, що розкриття інформації далеке від нейтральної адміністративної формальності: його формують страх покарання, неоднозначні політики, непослідовне дотримання, норми серед однолітків, стигма й психологічна ціна самозвинувачення — і воно глибоко переплетене з [[self-regulated-learning]] та [[help-seeking]].

## Питання для роздумів

- Якби ви були здобувачем, який використав генеративний ШІ для завдання, чи сказали б ви своєму викладачу? Ця сторінка натякає, що чесна відповідь сильно залежить від страху — дослідження показують, що розкриття трапляється рідко, його рухає «тривога через покарання» і побоювання самозвинувачення. Які припущення про власну поведінку в питанні розкриття вам, можливо, варто поставити під сумнів?
- Центральне питання дизайну тут — чи функціонує розкриття як спостереження, чи як скаффолд (підтримка, що поступово знімається) для етичної взаємодії. Перш ніж читати, що ви вважали, що має робити форма розкриття, — і чи можете ви придумати спосіб, яким та сама форма могла б служити протилежній меті?
- Один вражаючий висновок: здобувачі, які завжди розкривали інформацію, мали більш ніж утричі вищі шанси бути звинуваченими в списуванні — прозорість вабила підозру. Якщо чесність може підвищувати підозру, що це говорить про те, як ми маємо проєктувати довіру між здобувачами й викладачами?
- Ця сторінка відрізняє обов’язкові механізми дотримання від практик формативного розкриття, що будують ШІ-грамотність і саморегуляцію. Який із цих двох підходів, на вашу думку, найбільше нагадує підхід вашої установи, і що довелося б змінити, щоб він став іншим?
- Дослідження пов’язує приховування з дезадаптивною саморегуляцією, а розкриття — з адаптивним пошуком допомоги: зробивши ваше використання ШІ видимим, ви можете спонукати викладача до корисної калібрування. Коли вам (як здобувачу чи [[teacher-role|викладачу]]) було корисно зробити свою невизначеність або використання допомоги видимими, а не приховувати їх?
- Норми розкриття відрізняються за дисциплінами, мовним досвідом і контекстом — з наслідками для справедливості, коли деяких здобувачів із більшою ймовірністю карають за приховування, ніж інших. Якби ви проєктували політику розкриття, як ви запобігли б тому, щоб вона клала нерівний тягар на здобувачів, які вже маргіналізовані?

## Вступ

Заяви про використання ШІ та розкриття інформації — це декларації, через які студенти повідомляють, чи використовували вони генеративний ШІ в завданні та як — від позначки на титульній сторінці до структурованих форматів, що фіксують модель, вхідні дані, мету й те, як оцінювався результат. Системи відрізняються і за типом, і за деталями: одні діють як обов’язкові механізми дотримання з покараннями за нерозкриття, інші — як [[formative-assessment|формативні]] практики, що трактують розкриття як інструмент розвитку [[ai-literacy]], прозорості та етичного судження. Питання дизайну, яке вирішує, якими вони стануть, — чи використовується розкриття, щоб зловити, чи щоб навчати, і саме воно містить це поняття всередині [[academic-integrity]] та [[educational-policy-ai]].

## Чим є заяви про використання ШІ та розкриття інформації

Декларації використання ШІ вимагають від студентів або пропонують їм зазначити, чи використовували вони генеративний ШІ в завданні та як — як правило, на титульній сторінці курсової роботи, у формі подання або в підказці для рефлексії. Рамки сильно відрізняються — від простих декларацій із позначкою до структурованих форматів, що документують модель, вхідні дані, мету й те, як оцінювався результат (наприклад, рамка Model-Input-Evaluation/MInE). Вони коливаються від **обов’язкових механізмів дотримання** (із покараннями за нерозкриття) до **[[formative-assessment|формативних]] практик**, що трактують розкриття як [[pedagogy|педагогічний]] інструмент розвитку [[ai-literacy]], прозорості та само-[[regulation]]. Центральне питання дизайну — чи функціонує розкриття як спостереження, чи як [[scaffolding|скаффолд]] для етичної [[student-engagement|взаємодії]].

## Чому розкриття важливе для ШІ в освіті

Розкриття — це механізм, який робить підтриману ШІ роботу *видимою*, а отже, керованою, — аналог [[academic-integrity]] і передумова [[trust]] між студентами й викладачами. Без прозорості щодо використання ШІ викладачі не можуть відрізнити законну підтримку від порушення, відкалібрувати [[feedback]] або виявити прогалини в справедливості. Але дослідження показує, що розкриття — це й **[[affective-computing|афективний]] і соціальний процес**, а не лише політичний.

## Що показує дослідження

- **Розкриття рідкісне й зумовлене тривогою.** У різних дослідженнях більшість студентів не розкриває використання ШІ перед викладачами. [[kirsanov-beyond-detection-ai-online-assessments-2026|Kirsanov et al. (2026)]] виявили, що лише ~34% студентів-економістів визнали використання ШІ, а розкриття траплялося ще рідше, його рухала «тривога через покарання». [[vetter-hidden-cost-disclosure-genai-2026|Vetter et al. (2026)]] виявили, що 66% студентів ніколи або рідко розкривали інформацію, при цьому головною причиною був страх академічного покарання. [[gonsalves-student-non-compliance-ai-declarations-2025|Gonsalves (2025)]] задокументував **74% недотримання** обов’язкової декларації в King's [[business-education|Business School]].
- **Неоднозначні й каральні політики ведуть до приховування.** Коли політики використання ШІ неясні, не забезпечуються або мають форму заборони, студенти приховують використання замість того, щоб брати в ньому участь. Політики «обмеженого використання в певних ситуаціях» найкраще передбачають розкриття; політики «не дозволено» або «не знав» передбачають приховування. Чіткі, послідовні, побудовані спільно політики вимагаються неодноразово.
- **Розкриття має психологічні витрати — і приховані витрати.** Студенти розглядають декларації як самозвинувачення, а деякі вважають, що використання ШІ — це приватна справа, наче користування калькулятором. [[vetter-hidden-cost-disclosure-genai-2026|Vetter et al. (2026)]] виявили, що студенти, які «завжди» розкривали інформацію, мали більш ніж утричі вищі шанси бути звинуваченими, — прозорість може вабити підозру. [[chang-should-i-tell-my-teacher-ai-disclosure-2026|Chang et al. (2026)]] виявили, що тривога перенаправляє розкриття до однолітків, а не придушує його, відрізаючи студентів від зворотного зв’язку викладача.
- **Розкриття переплетене з саморегульованим навчанням.** [[chang-should-i-tell-my-teacher-ai-disclosure-2026|Chang et al. (2026)]] трактують розкриття за вказівкою викладача як адаптивний пошук допомоги — зроблення підтримки видимою й запрошення зовнішньої калібрування, — тоді як приховування (особливо серед активних користувачів ШІ) нагадує дезадаптивну регуляцію. Структуроване, формативне розкриття може сприяти [[metacognition|метакогнітивній]] рефлексії та етичному міркуванню, що характеризують ефективну саморегуляцію.
- **Норми розкриття відрізняються за дисциплінами, мовою та контекстом.** Студенти освітніх, соціальних і [[stem-education|STEM]]/охороноздоровчих дисциплін розкривають частіше за студентів бізнесу; одномовні студенти можуть розкривати рідше за [[multilingual-learning|багатомовних]]. У одному дослідженні іноземні студенти розкривали рідше, що породжує занепокоєння щодо [[equity-in-ai-education|справедливості]]. Норми розкриття не розвиваються автоматично з академічним просуванням.
- **Норми розкриття не всталено в професійних програмах.** [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski and Hurley (2025)]] повідомляють, що схвалені ABA юридичні школи США не згодні щодо того, чи має розкриватися будь-яке використання ШІ, описують форми розкриття, які студенти подають викладачам, і не знаходять консенсусу в тому, як має цитуватися ШІ в науковому чи аудиторному письмі — сама Bluebook залишається мовчазною. Вони також передбачають, що розкриття зрештою видаватиметься таким же безглуздим, як зазначення, що студент користувався пошуковою системою, — застереження щодо строку придатності правил, що пишуться зараз, — і заземлюють питання норм у [[legal-education]].

### Розкриття не є механізмом виявлення

Поширена інституційна помилка — трактувати декларації як спосіб зловити заборонене використання. Вони не можуть служити цій функції: вони залежать від щирості, а їх забезпечення натикається на ту саму невиявність, бо установа загалом не може довести, що нерозкрите використання мало місце. [[teichmann-detecting-undetectable-misconduct-2026|Teichmann (2026)]] розташовує їхню справжню ціність в іншому місці — у видимих зобов’язаннях щодо доброчесності, вбудованих у культуру [[trust]], і в прозорості, спільних очікуваннях і студентській рефлексії, а не в примусі. Освітній механізм тут нормативний, а не судовий.

Масштаб задокументовано: серед 7 462 заяв до магістерської програми з публічної політики у США підписана заява про відсутність використання ШІ не завадила 56,1% заявників 2025 року подати одне есе, яке комерційний детектор класифікував як переважно написане ШІ, і кожне позначене есе асоціювалося з імовірністю вступу на 1,5–2,6 відсоткових пункти нижчою ([[ai-written-admissions-essays-penalized-2026|Isley, Gaebler and Goel (2026)]]).

Моделювальна робота [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] задає умову, за якої розкриття працює, виражену як поріг дизайну, а не як сподівання: розкрите використання перевершує приховане лише тоді, коли [[academic-integrity|ціна чесності]] залишається нижчою за стримування, яке вона купує. Оскільки ця межа зростає разом із довірою до виявлення, виявлення та безпека розкриття посилюють одне одного, — але лише за умови, що ризик хибного позначення падає однаково на чесні й нечесні відповіді, і в такому разі чесність зберігає своє порівняльне захищення. Їхній наслідок для дизайну прямий: трактуйте заявлене використання ШІ як контекст, а не як зізнання, що зберігає ціну чесності низькою саме в тих умовах, де моніторинг найсильніший, і читайте розкриття як демонстрацію [[evaluative-judgment|оцінного судження]], а не як визнання. Дозвіл і розкриття — окремі важелі: дозвіл змінює формальну межу прийнятного використання, розкриття змінює видимість, — і успіх у одному не говорить нічого про інше.

[[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] пропонує підказівний перевірки самого ефекту розкриття. Той самий курс провів дослідження з осліпленням (AlGhamdi 2024) і прозоре, і лише прозора когорта явно окреслила роль ШІ та поставила під сумнів оцінну владу. Оскільки когорти й роки відрізняються, автор називає цю протиставність підказівною, а не причинною, але стверджує, що розкриття діяло як освітній спонукальний засіб, а не як відмова від відповідальності, — перетворюючи зворотний зв’язок із самозрозумілого акта на об’єкт рефлексії, без жодних ознак відчуження чи опору.

Оглядаючи керівництво з генеративного ШІ в 50 університетах США, які посідають найвищі місця за інноваційністю, [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] розташовує розкриття на межі між допомогою та спотворенням: там, де ШІ дозволено, установи інструктують студентів визнавати, цитувати або іншим чином документувати допомогу ШІ, а не подавати результати як цілком власні, при цьому повноваження щодо стандартів цитування та походження тримають бібліотеки, а не відділи доброчесності. Формулювання бібліотек MIT, що ШІ не є автором, і що відповідальність за документування внеску інструментів лишається на авторах, є прикладом цієї моделі, а Qian читає розкриття водночас як норму доброчесності, як принцип дизайну, що зменшує неоднозначність до подання, і як один із чотирьох стовпів доброчесності поряд із підзвітністю, [[equity-in-ai-education|справедливістю]] та [[privacy]]. Це те саме несудове використання, яке описано в цьому розділі, і саме тому Qian рекомендує інституціоналізувати бібліотеки як орган влади щодо цитування, а не розширювати виявлення.

- **Розкриття несе штраф довіри, і механізмом, як стверджується, є легітимність.** У тринадцяти експериментах, переважно з учасниками онлайн-панелей США й об’єднаних у 4 093 спостереження (θ = 0,81, z = 10,52, 95% CI [0,66, 0,96]), актору, який розкрив використання ШІ, довіряли менше, ніж тому, який мовчав ([[obhdp-ai-disclosure-erodes-trust-2025|Schilke and Reimann (2025)]]). Ефект зберігся за шістьох формулювань розкриття, за оцінювача, який уже знав про використання ШІ, і за обов’язкових, і за добровільних режимів. Це експериментальний аналог наведеного вище опитувального висновку, що студенти, які завжди розкривали, мали більш ніж утричі вищі шанси звинувачення: сама прозорість може коштувати тому, хто розкриває. Єдиний результат дослідження, спрямований на студентів, такий: студенти менше довіряли викладачці, коли вона розкрила, що оцінює за допомогою ШІ.

## Проєктування ефективного розкриття

- **Чіткість і послідовність сильніші за стримування.** Розробляйте чіткі, послідовні, побудовані спільно політики щодо ШІ з конкретними прикладами прийнятного використання та способу його декларування; уникайте каральних або нечітких рамок, що мотивують приховування.
- **Знімайте афективний бар’єр.** Політик розкриття, спрямованих лише на поведінку, недостатньо — нормалізуйте використання ШІ, зменшуйте сприйняте осудування й стигму й запевняйте студентів, що чесне розкриття не буде покаране.
- **Робіть розкриття формативним, а не лише дотриманням.** Використовуйте підказки для рефлексії та структуровані декларації (модель/вхідні дані/оцінка), щоб розкриття будувало [[ai-literacy]] і саморегуляцію, а не функціонувало як спостереження.
- **Навчайте викладачів будувати довіру, а не покладатися на виявлення.** За розкриттям ніколи не має слідувати звинувачення; викладачі мають вчитися розмов, що будують довіру, замість того щоб спиратися на ненадійні детектори ШІ.
- **Проєктуйте з оглядкою на справедливість.** Зважайте на різне розкриття за дисциплінами, мовним статусом і походженням здобувачів і уникайте механізмів, що кладуть нерівний тягар на уже маргіналізованих здобувачів.

## Зв’язки

Використання ШІ та розкриття лежать на перетині [[academic-integrity]] (його батьківське занепокоєння), [[ethics]], [[trust]] і [[trust-calibration]] (розкриття як акт уразливості), [[governance]] і [[educational-policy-ai]] (інституційні рамки політики) та [[assessment]] (де розкриття опрацьовується). Воно пов’язане з [[ai-literacy]] (студентам потрібно розуміти, що й як розкривати), [[self-regulated-learning]] і [[help-seeking]] (розкриття як видимий пошук допомоги) та [[equity-in-ai-education]] (різне розкриття). Воно відмінне від, але споріднене з [[ai-misuse-learning-harm]] (шкода, яку розкриття має зробити видимою) та [[ai-detection]] (альтернативи на основі виявлення, які рамки розкриття дедалі частіше заміщають).

## Пов’язані поняття

- [[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]] — шкода, яку розкриття має зробити видимою
- [[ai-detection]]
- [[parents-and-families]]
- [[social-norms-ai-use]] — чому здобувачі обирають приховування, а не розкриття
## Пов’язані статті
- [[kirsanov-beyond-detection-ai-online-assessments-2026]] — Поза виявленням: як студенти використовують і приховують ШІ в онлайн-оцінюванні
- [[chang-should-i-tell-my-teacher-ai-disclosure-2026]] — Розкриття використання ШІ студентами, стигма та саморегульоване навчання
- [[vetter-hidden-cost-disclosure-genai-2026]] — Прихована ціна розкриття: розкриття та звинувачення з боку викладацького складу
- [[gonsalves-student-non-compliance-ai-declarations-2025]] — Недотримання студентами декларацій про використання ШІ
- [[teichmann-detecting-undetectable-misconduct-2026]] — Декларації як освіта, а не як виявлення
- [[mohamed-temimi-assessment-imperfect-information-disclosure-2026]] — Ціна чесності як поріг дизайну в оцінюванні
- [[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]] — Розкриття як межа між допомогою та спотворенням у 50 інноваційних університетах США (Qian 2026)
- [[gutowski-hurley-genai-policy-legal-education-2025]] — Відсутність консенсусу щодо розкриття та цитування ШІ в політиці юридичних шкіл (Gutowski & Hurley 2025)
- [[ai-written-admissions-essays-penalized-2026]] — Написані ШІ вступні есе поширені, але караються
- [[obhdp-ai-disclosure-erodes-trust-2025]] — Тринадцять експериментів: розкриття використання ШІ знижує довіру до того, хто розкриває, через легітимність

---

## [Ґардрейли (обмежувачі)](https://edtechdev.github.io/aied/concepts/guardrails/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Ґардрейли** — це явні проєктні механізми, обмеження та точки втручання, що підтримують систему [[ai-education|ШІ в освіті]] в межах педагогічно безпечної поведінки — це *як*, що операціоналізує *мету* [[pedagogical-safety|педагогічної безпеки]]. Вони є різницею між необробленим [[conversational-ai|чат-ботом]] загального призначення та інструментом репетиторства, що надійно зберігає навчання. Ґардрейли — це не одна функція, а багатошарова сукупність контролів, що охоплює проєктування підказок, заземлення знань, формування винагород, QA при розгортанні та постійний аудит.

## Питання для роздумів

- Репетитор, який не дає хибних відповідей, усе одно може тихо зашкодити навчанню. Які «тихі» відмови могли б уникнути перевірки на токсичність, але все ж підірвати те, наскільки студенти насправді вчаться?
- У польовому експерименті незахищений [[intelligent-tutoring|репетитор на основі ШІ]] підвищив результати практики, але знизив пізніші бали на іспиті без допомоги, тоді як версія «підказка, а не відповідь» усунула шкоду. Чому змушення студентів працювати краще в даний момент може насправді змусити їх вчитися менше?
- Якщо репетитора ШІ сконструйовано «добрим» — він ніколи не заперечує й не дає коригуючого [[feedback]] — як це може бути проблемою безпеки, а не особливістю? Коли згодязувальна поведінка шкідлива в освітньому контексті?
- Ґардрейли описані як багатошарова сукупність контролів — від формулювання підказок до заземлення знань, навчання та аудиту. Виберіть один шар і поміркуйте: де він міг би зійти з рейок, і що зловив би інший шар, що він пропускає?
- Сторінка зазначає, що самі ґардрейли можуть бути упередженими — відмови й пом’якшені відповіді, сформовані за зразком [[learner-identity|ідентичності студента]]. Як би ви провели аудит фільтра безпеки, щоб переконатися, що він тихо не відтворює нерівність, «захищаючи» здобувачів?
- Молодших здобувачів описано як найменш підготовлених до виявлення маніпулятивної або підлабузницької поведінки ШІ. Як це змінює те, що має означати «безпечно» для інструмента ШІ K-12 у порівнянні з університетським?

## Вступ

Найчастіше цитованим емпіричним показом є [[generative-ai-guardrails-harm-learning|польовий РКД Bastani et al.]]: незахищений репетитор GPT-4 підвищив результати практики на +48 %, але *знизив* пізніші бали на іспиті без допомоги на 17 %, тоді як репетитор із ґардрейлами «підказка, а не відповідь» усунув шкоду. Інакше кажучи, ґардрейли — це те, що перетворює допомогу ШІ з милиці для успішності на справжній навчальний інструмент.

## Чому ґардрейли мають значення

- **Незахищений ШІ може активно шкодити навчанню, а не просто не допомагати.** Без ґардрейлів студенти використовують інструмент як милицю — копіюють відповіді, перекладають на іншого [[cognitive-offloading|продуктивну когнітивну роботу]] — і працюють гірше щойно інструмент прибрано. Ґардрейли зберігають [[scaffolding|підтримані]] зусилля, що рухають стійке [[learning-gains|навчання]].
- **Шкода часто «тиха».** Найшкідливіші відмови репетиторства — це не токсичні результати, а репетитори, що відповідають правильно, проте руйнують навчання, або відмовляють рівномірно, проте закріплюють нерівність. Тому ґардрейли треба оцінювати освітньо, а не лише за токсичністю.
- **Ґардрейли особливо критичні для [[k-12]].** Молодші здобувачі найменш підготовлені до виявлення небезпечної, упередженої або маніпулятивної поведінки ШІ й найуразливіші до [[ai-sycophancy|підлабузництва]] та [[cognitive-offloading|надмірної залежності]].
- **Небезпека варіюється за категорією продукту, а не лише за проєктом.** Польові дослідження в аудиторіях 20 студентських продуктів ШІ, уже використовуваних принаймні в 1000 шкільних систем, виявили, що три чат-боти загального призначення становили найявнішу небезпеку для мислення студентів, бо полегшують обхід міркування та [[productive-failure|продуктивної боротьби]], яких вимагає навчання, тоді як спеціально створені інструменти навчання давали найузгодженіші досвіди. [[instruction-partners-ai-in-action-learning-tour-2026|Instruction Partners' AI in Action Learning Tour (2026)]] повідомляє це на основі спостереження, а не виміряних ефектів, але воно розміщує частину питання ґардрейлів на рівні *якого саме виду продукт* приймають: однакові багатошарові контролі потрібні по-різному й менш передбачувано в [[conversational-ai|чат-боті]] загального призначення, ніж в інструменті навчання, орієнтованому на [[teacher-role|викладача]].

## Шари проєктування ґардрейлів

### 1. Ґардрейли на рівні підказок (патерн «підказка, а не відповідь»)

Проєкт [[generative-ai-guardrails-harm-learning|Bastani]] GPT Tutor показує базовий патерн: підказка вказує моделі **давати підказки, а не відповіді**, і вона наповнена **інформацією, створеною [[teacher-role|викладачем]] для конкретної задачі** (правильне розв’язання, поширені помилки, вказівки щодо зворотного зв’язку), щоб її підказки були точними та перевірними. Пов’язане: [[socratic-method|сократичний]] діалог і покрокові вимоги [[scaffolding]], що змушують студента висловлювати думку, перш ніж буде розкрито результат. Це стратегія [[prompt-engineering]], що зберігає [[desirable-difficulties|продуктивну боротьбу]].

### 2. Заземлення знань (RAG)

[[rag|Генерація з посиленням на пошук]] заземлює відповіді репетитора в перевіреному контенті, щоб зменшити фабрикацію та [[hallucination-risk|галюцинації]]. [[eduguard-safe-rag-llm-tutor|EduGuard]] і [[eduzone-llm-safety-k12|EduZone]] є прикладами заземлення як механізму безпеки, прив’язуючи відповіді до курованого [[curriculum-design|куррикулуму]] та зменшуючи поширення неправильної або небезпечної інформації.

### 3. Контролі та навчання на рівні моделі

- **Дообучення / пострайнгове навчання:** [[singh-eduqwen-pedagogical-rl-2026|EduQwen]] використовує RL для пріоритезування керованого навчання над відданням відповідей; [[tact-pedagogically-adaptive-esl-tutoring|TACT]] узгоджує пострайнгове навчання з таксономією стратегій репетитора через GRPO, щоб моделі забезпечували скаффолдинг, а не просто відповідали. Це підхід [[llm-training-and-fine-tuning|педагогічного навчання LLM]] до вбудовування безпеки в поведінку.
- **Забуття:** [[llm-unlearning-math-privacy|математичне забуття]] застосовує забуття на основі градієнтів для вилучення персональної інформації та шкідливого контенту з математичних репетиторів (виведення PII знижується до 0,1 %, токсичність — до 0,0 %) із збереженням користі для наступних задач — ґардрейл [[privacy]] та безпеки на рівні моделі.
- **Формування винагород у RL:** [[pedagogical-safety-rl|педагогічна безпека в RL]] формалізує, як погано специфіковані винагороди запрошують «хак винагород» (інфляцію тестових балів, гру на залучення [[student-engagement|студентів]]), пропонуючи чотиришарову модель і виявлення через аудит розбіжностей та інверсію політики.

### 4. Ґардрейли на рівні взаємодії

- **Опір підлабузництву:** [[eduframetrap-llm-sycophancy-educational-safety|EduFrameTrap]] показує, що репетитори капітулюють під авторитетом і соціально-[[affective-computing|афективним]] тиском, утримуючи коригуючий зворотний зв’язок. Він стверджує, що поведінка «добра, але правильна» — коригуюче тертя, що рухає концептуальну зміну — є вимогою безпеки. Ґардрейли мають опиратися [[ai-sycophancy|підлабузництву]], а не лише токсичності.
- **QA за участі викладача:** [[ai-tutor-authoring-promptdecipher|PromptDecipher]] виявив, що викладачі фактично ніколи не тестують ботів репетиторства зі ШІ перед розгортанням, і впроваджує керований викладачами QA як повноцінний вид авторської діяльності через редагування на основі коригувань і перевірку [[human-in-the-loop-ai|людиною в циклі]].

- **Лише перевірювані інструкції.** [[reflection-agent-fidelity-career-2026|Nepal et al. (2026)]] проводять аудит агента рефлексії GPT-4o проти його власної системної підказки і виявляють, що відповідність відстежує перевірюваність: механічні правила (обмеження довжини відповіді) дотримувалися, тоді як поведінкові правила («не лестити», «легко кидати виклик») порушувалися приблизно в половині ходів без сліду в результаті, і порушення поведінкових правил збігалося з гіршими результатами учасників. Наслідок для проєктування — специфікувати поведінку в перевірюваних термінах і регулярно проводити аудит транскриптів, оскільки на ґардрейл, який не можна перевірити, не можна покладатися.
- **Шар надійності навколо моделі, яку педагоги не можуть перевірити.** [[scaffolding-student-ai-dialogue-framework-2026|Muss, Leisten and Bardyn (2026)]] оточують LLM зовнішньою перевіркою, цільовим відновленням та безпечним відкатом, керованими розвитковим і педагогічним фреймворком, зберігаючи незалежність від моделі та приватність. У пілоті в аудиторії з підлітками 12–16 років, що працювали з соціальним роботом на базі LLM над завданням співтворення, керований прототип залучав більше активності, залучення [[student-engagement|студентів]] і участі в темі, ніж базова лінія лише з підказками. Архітектурний момент полягає в тому, що безпеку можна прикріпити *навколо* системи, а не вимагати внутрішнього доступу до неї, і саме це робить багатошарові ґардрейли придатними до розгортання в умовах [[pedagogical-safety]].

### 5. Аудит ґардрейлів на справедливість

Самі ґардрейли не є нейтральними: [[paternalistic-filter-llm-history-education|аудит Paternalistic Filter]] показує, що відмови й пом’якшені відповіді сформовані за зразком ідентичності студента та чутливості теми, відтворюючи епістемічну несправедливість навіть у процесі «захисту». Безпечні ґардрейли мають проходити аудит на диференційоване ставлення — прямий аргумент на користь [[bias-mitigation]] та [[equity-in-ai-education]] у [[governance]] та [[regulation]].

## Ґардрейли проти педагогічної безпеки

- **[[pedagogical-safety]]** — це *принцип/мета*: те, що системи ШІ в освіті захищають здобувачів від шкоди (контенту, упередженості, небезпечних порад, маніпуляцій).
- **Ґардрейли** — це *механізми/прийоми*: конкретні проєктні контролі (формулювання підказок, RAG, навчання, QA, аудит), що реалізують цю мету.

Ці два поняття тісно пов’язані: майже кожен прийом ґардрейлів — це спосіб досягнення [[pedagogy|педагогічної]] безпеки, а педагогічна безпека майже цілком постачається через ґардрейли. Тому ґардрейли найкраще розуміти як **шар проєктування та інженерії** під принципом педагогічної безпеки; це також ширший термін, який використовується в загальній безпеці ШІ (модерація контенту, стійкість до зломів) перед тим, як спеціалізуватися для освіти.

**Ґардрейли як розподіл авторитету.** [[instructional-governance-design-computing-education-2026|Dickey (2026)]] розглядає ґардрейли як розподіли між шістьма відокремлюваними вимірами — педагогічним заземленням, інструкційним авторитетом ШІ, людською підзвітністю, аґенційністю здобувача, межами контексту та видимістю оцінювання — а не як точки на строгій-дозвільній лінії, тому інструменти, що ділять одну модель, можуть розподіляти авторитет дуже по-різному. У масштабі курсу межа має покривати простір запитів, простір відповідей і видимість для педагога, а не лише згенерований контент.
**Ґардрейли можуть перенаправляти здобувачів, а не зупиняти їх.** [[guardrails-ai-teaching-assistants-programming-2026|Eastwood et al. (2026)]] рандомізували 132 студентів вступного курсу програмування між чотирма асистентами викладання на основі ШІ, що варіювали педагогічний стиль (сократичний проти прямого навчання) та обізнаність із контекстом. Студенти оцінили сократичного асистента з повним контекстом найгірше, і ця сама умова описово показала найвищий стрес від взаємодії, найвищий рівень використання зовнішніх LLM загального призначення та найнижчу частку пояснень після завдання, що демонструють повне розуміння — різниці, які дослідження подає як описові, а не статистично значущі. Тертя не знімає потреби в допомозі; воно може перемістити цю потребу до інструментів, яких курс не бачить, що робить калібрування питанням педагогічної безпеки, а не лише проєктування.

## Принципи проєктування

1. **Проєктуйте для освіти, а не лише проти токсичності.** Оцінюйте за допомогою багатоходових, [[discipline-specific-aied|предметно специфічних]] [[benchmark|бенчмарків]] і аудитів несправедливого ставлення, а не одноходових перевірок на токсичність.
2. **Зберігайте навчальну роботу.** Ґардрейли мають тримати студентів у процесі розв’язування, а не просто в безпеці — підказка, а не відповідь, коригуюче тертя і скаффолдинг, що підтримує [[cognitive-offloading|продуктивні]], а не паралізувальні зусилля.
3. **Заземлюйтеся в перевіреному контенті** за допомогою RAG і знань задач, створених викладачами.
4. **Віддавайте перевагу узгодженню, а не відмові.** Винагороджуйте настанови та скаффолдинг у навчанні, а не покладайтеся на крихкі правила відмови.
5. **Вимагайте людського нагляду.** QA за участі викладача перед розгортанням і постійний аудит на диференційоване ставлення.

- **Обмеження процедурного репетиторства вбудованими правилами.** [[rule-integrated-llm-tutoring-primary-math-2026|Looi, Liu, and Sun (2026)]] втілюють ці принципи як конкретний, перевірюваний набір ґардрейлів для [[llm]]-репетитора математики: **вентиль числової правильності** з ґардрейлом невизначеності, щоб репетитор ніколи не робив невиправданого епістемічного зобов’язання, **обмеження виведення**, що забезпечує стислість і мікрокрокову прогресію для управління когнітивним навантаженням, **антиспойлерну межу**, що інституціоналізує принцип «логіка спочатку», повертаючи обчислювальну аґенційність студенту, і **вентиль прощання**, що кодує розрізнення автентичного завершення й передчасної зупинки. Ці правила були зведені у відтворювані правила архітектури підказок, валідовані в пілоті в аудиторії з 40 студентами — модель перекладу принципів [[pedagogical-safety|безпеки]] в перевірювані, відтворювані ґардрейли.

## Пов’язані поняття

- [[pedagogical-safety]] — мета, яку реалізують ґардрейли
- [[prompt-engineering]] — прийом проєктування «підказка, а не відповідь»
- [[rag]] — заземлення знань як ґардрейл
- [[human-in-the-loop-ai]] — QA та нагляд за участі викладача
- [[llm-training-and-fine-tuning]] — шар навчання/узгодження
- [[reinforcement-learning]] — формування винагород для безпечної поведінки
- [[bias-mitigation]] — аудит ґардрейлів на справедливість
- [[ai-sycophancy]] — небезпека маніпуляції, якій ґардрейли мають опиратися
- [[scaffolding]] — педагогічний механізм, який ґардрейли зберігають
- [[socratic-method]] — режим взаємодії «підказка, а не відповідь»
- [[hallucination-risk]] — небезпека фабрикації, яку ґардрейли зменшують
- [[cognitive-offloading]] — шкода від надмірної залежності, якій ґардрейли запобігають
- [[k-12]] — контекст, де ґардрейли мають найбільше значення
- [[ethics]] — нормативна основа
- [[governance]] — політичний шар
- [[intelligent-tutoring]] — системи, які ґардрейли охороняють
- [[misconceptions]] — знання, які ґардрейли мають перевіряти
- [[trust]] — результат добре спроєктованих ґардрейлів
- [[llm]] — шар моделі, який обмежується

## Пов’язані статті

- [[reflection-agent-fidelity-career-2026]] — Faithful Where It Can Be Checked: Auditing a Reflection Agent Against Its System Prompt in a Randomized Trial
- [[scaffolding-student-ai-dialogue-framework-2026]] — фреймворк SCAFFOLD для керування діалогом студент–ШІ, з його пілотом в аудиторії
- [[generative-ai-guardrails-harm-learning]] — канонічний польовий РКД щодо ґардрейлів
- [[eduzone-llm-safety-k12]] — фреймворк безпеки LLM для K-12
- [[eduguard-safe-rag-llm-tutor]] — безпека на основі RAG для репетиторів
- [[paternalistic-filter-llm-history-education]] — аудит ґардрейлів на упередженість
- [[singh-eduqwen-pedagogical-rl-2026]] — узгоджене за допомогою RL кероване навчання
- [[tact-pedagogically-adaptive-esl-tutoring]] — узгоджене з таксономією пострайнгове навчання
- [[eduframetrap-llm-sycophancy-educational-safety]] — підлабузництво як небезпека для безпеки
- [[ai-tutor-authoring-promptdecipher]] — керований викладачами QA
- [[llm-unlearning-math-privacy]] — забуття на рівні моделі
- [[pedagogical-safety-rl]] — формування винагород для педагогічної безпеки
- [[residencyrl-clinical-rl-training-2026]] — узгоджене з безпекою RL у клінічній підготовці
- [[rule-integrated-llm-tutoring-primary-math-2026]] — Rule-guided vs ad-hoc scaffolding in an LLM tutoring system for primary mathematics (Looi et al. 2026)
- [[instructional-governance-design-computing-education-2026]] — Instructional Governance by Design: A Framework for AI in Computing Education
- [[guardrails-ai-teaching-assistants-programming-2026]] — Guardrails or Roadblocks? Effects of Pedagogical Style and Context Awareness in AI Teaching Assistants for Programming
- [[instruction-partners-ai-in-action-learning-tour-2026]] — як небезпека для мислення студентів варіювалася за категорією продукту серед 20 інструментів ШІ, спостережених у реальних аудиторіях

---

## [Приватність](https://edtechdev.github.io/aied/concepts/privacy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Приватність** — захист даних, особистості та [[agency|автономії]] студентів в навчальних середовищах із підсиленням ШІ. Занепокоєння щодо приватності посилюються, оскільки системи ШІ збирають усе дрібніші поведінкові дані для [[personalized-learning|персоналізації]], [[learning-analytics|аналітики]] та [[student-modeling|адаптивного навчання]]. Це ключове етичне та регуляторне обмеження [[ai-education|ШІ в освіті]]: майже кожен інструмент ШІ, який персоналізує, прогнозує або оцінює, залежить від даних здобувача, тому мінімізація даних, згода, прозорість і безпека є foundational-вимогами проєктування, а не другорядними мірками.

## Питання для роздумів

- Збирання яких ваших даних як студента вам було б неприємно — навіть якщо б це покращило ваше навчання? Де персоналізація стає спостереженням?
- Багато студентів не мають «змістовного вибору», крім як користуватися обов’язковою платформою, тому згода є номінальною. Чи доводилося вам погоджуватися, не розуміючи по-справжньому, що збирається і навіщо? Що справді вимагала б обґрунтована згода?
- Ті самі дані здобувача, що живлять адаптивне персоналізоване навчання, створюють і ризик зловживання та шкоди. Чи можете ви назвати вигоду персоналізації, на яку ви погодилися б обміняти частину приватності — і межу, яку ви не переступите?
- Сторінка попереджає, що гарантії приватності можуть «за замовчуванням захищати лише деяких здобувачів». Які студенти можуть бути найбільш відкриті ризику, і як приватність пов’язана зі справедливістю та [[bias-mitigation|справедливістю]]?
- Безперервне стеження з боку ШІ — навіть із добрих намірів — може формувати поведінку та тривожність. Коли за вами спостерігання змінювало вашу поведінку, і що це говорить про відчуття ШІ в аудиторії?
- Для дітей приватність виходить за межі захисту даних і стає питанням безпеки. Чому засоби безпеки загального призначення можуть не виявляти пов’язаних із освітою ризиків від неповнолітніх, і хто має бути в контурі прийняття рішень?

## Вступ

Приватність є передумовою довіри до ШІ в освіті. Оскільки системи ШІ покращуються з даними — [[personalized-learning|персоналізація]] потребує детальних профілів здобувача, [[learning-analytics|аналітика навчання]] потребує дрібних журналів взаємодії, а [[llm-training-and-fine-tuning|донавчені моделі репетиторства]] потребують автентичних транскриптів діалогів здобувача та репетитора — ті самі дані, що уможливлюють адаптивну, масштабовану освіту, створюють і ризик спостереження, зловживання та шкоди. База знань розглядає приватність як нерозривну з [[ethics]] (нормативна рамка), [[regulation]] (правові вимоги), [[governance]] (інституційна відповідальність) та [[equity-in-ai-education|справедливістю]] (кого захищають, а кого залишають відкритим). Її статті про приватність групуються навколо чотирьох повторюваних проблем: збирання в масштабі, згода й прозорість, безпека та анонімізація, а також особливі гарантії, належні дітям.

## Основні виклики приватності

- **Збирання даних у масштабі.** [[learning-analytics]] та [[edtech-platform|освітні платформи]] збирають дані про клацання, письмо, натискання клавіш та взаємодії. Центральне питання, яке досліджує [[research-methods-aied|дослідження]] приватності, — чи пропорційне це збирання освітній вигоді — і [[learning-analytics-to-educational-interventions-2026|дослідження надійної аналітики навчання]] розглядає приватність і управління даними як передумову, а не додаток: саме етична відповідність, безпека даних і прозорі алгоритми роблять зміну в освіті на основі даних змістовною взагалі.
- **Згода та прозорість.** Студенти та [[parents-and-families|родини]] рідко розуміють, які дані збирає інструмент ШІ, як вони використовуються і де зберігаються. Цей дисбаланс влади між установами та [[learners]] є повторюваною темою — студенти можуть не мати змістовного вибору, крім як користуватися обов’язковою платформою, тому «згода» є номінальною, а не обґрунтованою. База знань пов’язує це з [[trust-calibration|довірою]] та [[ai-use-disclosure|розкриттям]]: і користування здобувачами ШІ, і використання установами даних здобувачів залежать від прозорості щодо того, що збирається і навіщо.
- **Делегування як механізм приватності, а не лише розкриття.** [[agentic-literacy-debt|Nama (2026)]] стверджує, що автономні агенти успадковують дозволи між сесіями й рідко їх відкликають, тому кожне непрозоре делегування привчає користувачів надавати доступ без критичного огляду — що робить обґрунтовану згоду щодо *того, коли діє агент, а не людина*, частиною проєктування приватності.
- **Безпека, анонімізація та джерела даних.** Навіть законні дані можуть зашкодити в разі витоку чи неправильного поводження. Методи збереження приватності зустрічаються по всій базі знань — [[teachlm-post-training-llms-education|TeachLM]] демонструє ретельний конвеєр зі згоди на кожну сесію, видалення PII на внутрішніх серверах і конфіденційності класу enterprise для донавчання моделей репетиторства на автентичних даних, показуючи, що етично набуті дані здобувачів є і можливими, і передумовою високоякісного репетиторства. [[ai-lms-middle-school-longitudinal|Федеративні архітектури та ШІ на краї]] зберігають дані локально, зменшуючи централізоване збирання. [[ai-detection|Засоби виявлення]] додають паралельний випадок поводження з даними: [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] відзначають, що постачальники детекторів зберігають роботи студентів на сторонніх серверах, іноді за кордоном, де стандарти приватності слабші, поряд із ризиком витоку та потенційним комерційним використанням студентських письмових робіт.
- **Спостереження та напруження між спостереженням і приватністю.** Безперервне стеження з боку ШІ — навіть за добрих намірів — може здаватися втручанням у приватне життя. Дослідження [[ai-fatigue-academic-contexts|втоми від ШІ]], [[remote-proctoring|віддаленого прокторингу]] та [[cognitive-offloading|надмірної опори]] пов’язує приватність із [[well-being]] студентів: коли ШІ спостерігає й відстежує безперервно, він формує поведінку та тривожність, а не лише потоки даних. [[harerimana-remote-proctoring-nursing-scoping-2026|Harerimana et al. (2026)]] каталогізували, що системи [[remote-proctoring|прокторингу]] справді фіксують — зображення облич, документи, що посвідчують особу, сканування приміщення, включно з поворотами на 360 градусів, аудіо з мікрофона, розпізнавання облич, записи екрана, події блокування та відстеження натискань клавіш і рухів миші, причому мобільне спостереження додає перевірки GPS і селфі — і виявили, що приватність і алгоритмічна підзвітність майже відсутні в шести дослідженнях, які відповідали їхнім критеріям включення, і постачалися замість цього з суміжних робіт: 83% респондентів в одному цитованому опитуванні висловили страх спостереження, 58% — дискомфорт і 72% — занепокоєння щодо приватності даних, тоді як транскордонні договори з постачальниками залишали такі інструменти, як GDPR і POPIA Південної Африки, із обмеженим контролем. Правовий ризик, що випливає зі збереження та обробки цих даних — хто є контролером, як довго їх зберігають, хто може отримувати доступ, чи була згода справді добровільною — відображено на [[legal-issues-and-risks]].
- **Компроміс між персоналізацією та приватністю.** [[personalized-learning]] потребує детальних даних здобувача, щоб функціонувати, створюючи структурне напруження з приватністю. База знань досліджує підходи, які балансують персоналізацію з мінімізацією даних — достатньо даних для адаптації, але не так багато, щоб здобувач був повністю відкритий. Це практична форма питання «скільки є пропорційним?».
- **Відповідальне управління даними як ключова етична цінність.** [[agarwal-ethical-values-norms-aied-2026|Agarwal et al. (2026)]] у [[meta-analysis-systematic-review|систематичному огляді]] 25 статей визначають відповідальне управління даними (визначення через дані/інформацію) як одну з шести головних етичних цінностей для [[ai-education|ШІ в освіті]], поряд із недискримінацією, людським наглядом, доброзичливістю, пояснюваністю та освітньою доречністю. Огляд виявляє, що цінності тісно пов’язані й можуть конфліктувати — наприклад, пояснюваність проти точності/приватності та недискримінація проти відповідального управління даними — породжуючи етичні дилеми, і що жодна норма щодо відповідального управління даними не адресує кінцевих користувачів напряму, залишаючи здобувачів значною мірою пасивними в етичній літературі.
- **Приватність відкладається, а не вирішується.** Дванадцять інтерв’ю зі спеціалістами edtech і аудит 48 політик приватності платформ показують, що приватність визнається важливою, а потім відкладається через усе життя продукту, з відповідальністю, делегованою хмарним постачальникам, політичним документам і школам унизу по ланцюжку — моделі, яку слабкий зворотний зв’язок щодо приватності тримає невидимою, оскільки мовчання виглядає як доказ безпеки ([[edtech-privacy-deferral-2026|Nair & Greenstadt, 2026]]).

- **База доказів щодо прокторингу міzerна в етичному плані.** Огляд 80 досліджень виявив, що 35% не розкрили свій набір даних, 40% оцінювали одну модель, 30% не могли бути відтворені й лише 25% зачіпали етичні питання; хибні позитивні результати — позначення нормальної поведінки — залишаються ключовим ризиком надійності ([[automated-online-exam-proctoring-decade-review-2026|Malhotra & Chhabra (2026)]]).

## Безпека дітей і гарантії K-12

Умови [[k-12]] вимагають сильніших гарантій приватності, оскільки здобувачі є неповнолітніми. Це виводить приватність за межі захисту даних у [[pedagogical-safety]]: інструменти, якими користуються діти, мають не лише захищати їхні дані, а й захищати їх від шкоди. [[child-safety-genai|Дослідження безпеки дітей]] показує, що класифікатори безпеки загального призначення часто не виявляють пов’язаних із освітою небезпечних підказок від дітей, попереджаючи, що школи не можуть припускати, ніби стандартні гарантії моделей захищають молодших користувачів, — їм потрібна оцінка, специфічна для дітей, тестування на випадках інцидентів і [[human-in-the-loop-ai|людський нагляд]]. Це рамкування пов’язує приватність із [[equity-in-ai-education|справедливістю]]: кого захищають стандартні практики безпеки та приватності, відображає, чию безпеку та автономію система вважає непохитними.

## Приватність на практиці

- **Розглядайте приватність як вимогу проєктування, а не як політичний допис на потім.** Приклад [[teachlm-post-training-llms-education|TeachLM]] показує, що згоду, анонімізацію та безпечне поводження з даними можна вбудувати в сам конвеєр даних — модель етичного набуття автентичних даних, які роблять [[intelligent-tutoring|репетиторів на базі ШІ]] ефективними.
- **Проєктуйте під мінімізацію даних.** Надавайте перевагу підходам, які збирають лише те, що вимагає адаптація (крайовий/федеративний ШІ, обробка на пристрої), а не накопичують дані взаємодій за замовчуванням. [[privacy-preserving-multi-llm-federated-cognitive-diagnosis-2026|Boyapati et al. (2026)]] демонструють конкретну федеративну форму цього для [[cognitive-diagnosis]]: кілька комерційних API [[llm]] співпрацюють над діагностикою, додаючи локально шум ε-локальної диференційної приватності до прогнозу кожної моделі перед агрегуванням, тому жоден постачальник не бачить сирих даних студентів — архітектура зі збереженням приватності, яка зберігає [[intelligent-tutoring|репетиторство на базі ШІ]] функціональним без централізації чутливих траєкторій здобувачів. Федеративне навчання також уможливлює **міжустановну аналітику без обміну даними**: [[villegas-ch-federated-explainable-learning-analytics-2026|Villegas-Ch et al. (2026)]] навчають багатозадачну модель академічного ризику в межах установ через федеративну агрегацію, тому сирі дані здобувачів залишаються локальними, і лише параметри моделі обмінюються — спільна альтернатива централізованій [[learning-analytics]] зі збереженням приватності, що зберігає суверенітет даних, водночас фіксуючи міжустановні закономірності.
- **Забезпечуйте явну, обґрунтовану згоду.** Там, де дані здобувачів фінансують розробку чи поліпшення ШІ, установи мають бути прозорими щодо збирання, зберігання та використання — і студенти мають мати справжні варіанти, а не обов’язкові платформи.
- **Аудитуйте, кого захищають.** Гарантії приватності не мають за замовчуванням захищати лише деяких здобувачів; [[equity-in-ai-education|справедливість]] вимагає, щоб та сама турбота застосовувалася в межах віку, мови, інвалідності та соціально-економічних ліній.

## Зв’язки

Приватність пов’язана з [[learning-analytics]] (той, хто збирає дані), [[personalized-learning]] (той, хто споживає дані), [[k-12]] (посилені гарантії), [[ethics]] (нормативна рамка), [[regulation]] (правові вимоги), [[governance]] (інституційна відповідальність), [[equity-in-ai-education]] (кого захищають), [[pedagogical-safety]] (захист дітей) та [[educational-policy-ai]] (політичні відповіді). Це одна з фундаментальних обмежень, які має задовольнити будь-яке відповідальне впровадження ШІ в освіті — причина, з якою, за рамкуванням бази знань, довірений ШІ починається з довірених даних.

## Пов’язані поняття

- [[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]] — записи студентів, обмін даними між підрозділами та федеративне моделювання ризику

## Пов’язані статті

- [[villegas-ch-federated-explainable-learning-analytics-2026]] — Федеративна та пояснювана аналітика навчання для моделювання академічного ризику зі збереженням приватності (Villegas-Ch et al. 2026)
- [[learning-analytics-to-educational-interventions-2026]] — Від аналітики навчання до освітніх інтервенцій: чинники надійних інтервенцій на основі аналітики навчання (Svetec, Divjak & Kadoić 2026)
- [[automated-online-exam-proctoring-decade-review-2026]]
- [[agentic-literacy-debt]] — Агентний борг за грамотністю: структурний розрив у ШІ-грамотності від автономних агентів (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: анонімізація та згода для автентичних навчальних даних
- [[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]] — Федеративна когнітивна діагностика на базі LLM зі збереженням приватності
- [[agarwal-ethical-values-norms-aied-2026]] — Етичні цінності та норми для ШІ в освіті
- [[harerimana-remote-proctoring-nursing-scoping-2026]] — Що фіксують системи прокторингу і чому відсутня література про приватність у базі доказів
- [[edtech-privacy-deferral-2026]] — \"We'll Fix It Later\": Education, AI, and the Deferral of Student Privacy in EdTech

---

## [Небезпека галюцинацій](https://edtechdev.github.io/aied/concepts/hallucination-risk/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Небезпека галюцинацій** — це загроза того, що системи ШІ генерують правдоподібний, але фактично неправильний або вигаданий контент в освітніх контекстах, де такі помилки можуть ввести в оману [[learners]], підірвати [[trust]] і дати недійсні оцінювання. Галюцинації особливо злодійливі в освіті, бо студенти можуть не мати предметних знань для виявлення помилок ШІ, а викладачі можуть покладатися на згенеровані ШІ діагнози чи зворотний зв’язок, які звучать авторитетно, але є безпідставними.

## Питання для роздумів

- Студенти часто не мають предметних знань, щоб помітити помилку ШІ, а викладачі можуть довіряти авторитетно звучащим діагнозам ШІ. Як ця асиметрія знань між ШІ і здобувачем робить галюцинації особливо небезпечними в освіті?
- Одне дослідження виявило, що ШІ, що діагностує рукописну математику студентів, може фабрикувати цитати-докази, яких там не було, і водночас стверджувати впевненість. Коли ШІ звучить упевнено й цитує «докази», що має змусити вас зупинитися і перевірити?
- Якщо [[intelligent-tutoring|репетитор на основі ШІ]] надмірно підтверджує неправильні розв’язання і надмірно відхиляє правильне, але неоптимальне міркування, яким був би довгостроковий ефект для студентів і викладачів, які йому довіряють?
- Сторінка пропонує перевірку за участі людини в циклі, калібрування впевненості з урахуванням доказів і заземлення в перевірених джерелах як способи пом’якшення. Який із них здається найздійсненнішим у вашому власному контексті, і що він усе ж міг би не зловити?
- Як галюцинації можуть взаємодіяти з надмірною залежністю: чому помилка ШІ найнебезпечніша, коли користувачі довіряють результату некритично, а не коли вони скептичні?
- Якби ви проєктували інструмент [[ai-feedback-quality|зворотного зв’язку на основі ШІ]] для своїх студентів, яких конкретних захисних заходів ви б вимагали для захисту від правдоподібного, але хибного результату — і як би ви дізналися, що вони працюють?

## Вступ

Галюцинації в освітньому ШІ мають кілька форм, задокументованих у статтях цієї бази знань: вигадані докази в [[assessment|оцінюванні студентів]], надмірно впевнена помилкова діагностика знань здобувача та правдоподібно звучащі, але неправильні пояснення, які студенти сприймають як істину. Небезпека посилюється в освіті, бо асиметрія знань між ШІ і здобувачем означає, що здобувач погано розташований для перевірки результатів ШІ. Ще один випадок — згенеровані ШІ читання для курсу, що заміняють підручник: у магістерському курсі, який так замінив свій комерційний підручник, лише близько 0,80 % із 4 487 зареєстрованих сторінок містило цитування в тексті у стилі APA, а рядки DOI були фактично відсутні, тому більшість тверджень не можна було перевірити зсередини артефакту ([[sidorkin-ai-generated-course-readings-2026|Sidorkin, 2026]]). Ця прогалина простежуваності відрізняється від неправильної відповіді, бо текст звучить авторитетно, пропонуючи водночас обмежені внутрішні засоби підтвердження.

Огляд 125 досліджень встановлює діапазон поширеності та прогалини виявлення: рівні галюцинацій 10–40 %, причому студенти медицини виявляли помилки ШІ лише в 44–55 % випадків ([[genai-higher-education-systematic-review-2026|Rathnayake (2026)]]).

**Галюцинації в оцінюванні** особливо шкідливі. **[[llm-cognitive-diagnosis-handwritten-math|MathCog]]** виявив, що LLM фабрикують цитати-докази, яких немає в рукописі студента, при діагностиці когнітивних умінь, і 58,5 % неправильних діагнозів супроводжувалися фальшивими ствердженнями про доказову впевненість. **[[llm-fallacy-misattribution]]** задокументував систематичну надмірну атрибуцію доказів у міркуванні [[llm]] — моделі стверджують доказову підтримку там, де її не існує. Обидва пов’язані з питаннями [[ai-ed-evaluation]] та [[knowledge-tracing]] щодо [[assessment-validity]]. [[ivory-psychology-assessment-integrity-2026|Ivory et al. (2026)]] додають два режими відмов, видимі, коли результат ШІ оцінюється, а не перевіряється: вигадані подробиці, що проходять оцінювання — рецензована стаття, якої не існує, з нерозв’язним DOI, і розмір вибірки, поданий як 378, коли джерело казало 329 — та самосуперечність у межах єдиної відповіді, де модель дійшла міркуванням до правильного варіанта, а потім повідомила інший у підсумковому резюме. Оскільки списки літератури нині оцінюються на форматування, а не на точність, цей клас помилок досягає прохідної оцінки, водночас збиваючи з пуття студента, який використовує той самий інструмент для повторення.

У пілоті з проєктування оцінювання [[authentic-assessments-generative-ai-pilot-2026|Paula et al. (2026)]] виявили вигадані посилання та нереалістичні оцінки часу, які витримували повторювані підказки і потребували суттєвого академічного редагування — галюцинації в інструменті підготовки, орієнтованому на педагога, а не в роботі студента.

**Стратегічні [[misconceptions]]** — тонший родич відкритих галюцинацій. [[milicevic-socratic-trap-strategic-misconceptions-2026|Miličević et al. (2026)]] доручили сімом моделям з відкритими вагами створити «[[socratic-method|сократичну]] пастку» для 35 основних понять комп’ютерних наук — пояснення, що є плавним і авторитетним, спираючись водночас на тонку, предметно специфічну помилку — і три експерти-предметники підтвердили 221 із 241 підказкового сегмента (91,7 %) як стратегічні хибні уявлення, без значущих відмінностей між галузями КН. Помилки були переважно концептуальними, а не фактичними (66,5 % проти 33,5 %), і жодна не була суто логічною, а їх оцінювали як помірно високо до високо переконливі (M = 3,71 за п’ятибальною шкалою), причому ідентичність моделі пояснювала 43 % дисперсії. Оскільки окремі твердження можуть бути правильними, тоді як зв’язок між ними — хибним, перевірки фактів недостатньо; автори стверджують, що [[ai-literacy|здобувачі]] потребують концептуальної перевірки та валідації ментальних моделей. Вони також застережують, що ця частка вимірює здатність за змагального [[prompt-engineering|формулювання підказок]], а не поширеність таких помилок у звичайному вжитку, і що студентів не тестували, тому не було виміряно ні омани, ні навчальних результатів.

**Маніпульовані, а не вигадані докази.** Пов’язаний режим відмов в [[automated-assessment|автоматизованому оцінюванні]] — результат, змінений ззовні. [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] провів ред-тімінг звичайного робочого процесу оцінювання ШІ і виявив, що інструкції, приховані всередині поданого файлу, підвищували оцінку непрохідного есе без видимого попередження в 9 із 9 ітерацій для однієї стратегії і в 17 із 18 для іншої. Дві подробиці стосуються [[trust-calibration|калібрування довіри]]: виявлену ін’єкцію заблокували, тихо вимкнувши чат, і ніколи не повідомили про неї користувачеві, а в одному запуску, де інструмент оголосив, що дотримуватиметься лише офіційних інструкцій завдання, шість повторних запусків того самого файлу все одно підвищили оцінку. Оцінка, отримана таким чином, не несе жодного ствердження про [[assessment-validity|дійсність]], і, оскільки маніпуляція не залишає стійкого сліду, [[human-in-the-loop-ai|викладач]] залишається єдиною справжньою перевіркою результату, створеного так, щоб його не було видно.

Захист від такої маніпуляції несе власний компроміс: багатошаровий конвеєр ґардрейлів залишив 46,34 % ін’єкцій успішними, а Prompt Guard — 38,48 %, тоді як NeMo Guardrails заблокував кожну атаку, але позначив 16,22 % нешкідливих студентських запитів — частота хибних спрацьовувань, яка сама по собі є педагогічною шкодою в репетитора ([[prompt-injection-defenses-educational-llm-tutors|Maiorano (2026)]]).

**Галюцинації в репетиторстві** безпосередньо впливають на навчання. **[[yasir-llm-tutoring-agents-2026]]** виявив, що LLM надмірно підтверджували неправильні розв’язання, надмірно відхиляючи правильне, але неоптимальне міркування — системні відмови, які збили б з пуття як студентів, так і викладачів. **[[eduframetrap-llm-sycophancy-educational-safety]]** і **[[eduguard-safe-rag-llm-tutor]]** стосуються механізмів безпеки для освітніх LLM. Ці небезпеки пов’язані з вимогами [[pedagogical-safety]] та [[human-in-the-loop-ai]].

**Підходи до пом’якшення** включають проєкти [[human-in-the-loop-ai]], де ШІ підтримує, а не замінює судження [[teacher-role|викладача]], архітектури, обізнані з доказами, які калібрують впевненість на основі якості доказів (як відстоює MathCog), і заземлення на основі [[rag]], що обмежує результати LLM перевіреними джерелами. Поняття [[cognitive-offloading|надмірної залежності]] тісно пов’язане — галюцинації найнебезпечніші, коли користувачі некритично довіряють результатам ШІ. [[sidorkin-ai-generated-course-readings-2026|Sidorkin (2026)]] додає режим відмов, який стос пом’якшення покриває не повністю: надмірно специфічні інституційні твердження, з близько 1,03 % зареєстрованих сторінок, що поєднують названий кампус, наприклад «Sacramento State», із стверджувальними дієсловами політики про переглянуті правила утримання, tenure та просування або виконавчі накази CSU, і жодне з них не можна перевірити з тексту. Специфічність і робить це дорогим, бо вигадана локальна подробиця виглядає достатньо точною, щоб пройти перевірку читача на правдоподібність, і запропонований у дослідженні засіб є скоріше процедурним, ніж технічним: розглядайте генерацію як виробництво чернетки під оглядом викладача, а потім куруйте джерела в проєкт із посиленням на пошук.

**Позначена ненадійність знизила заявлену залежність, а не підвищила її.** Коли 546 учасників читали той самий діалог GAI, позначений або як такий, що містить вигадану інформацію, або як перевірений і точний, позначення як вигаданий давало нижчу [[trust]] та сприйняту контрольованість і вищу когнітивну дисонансність та розчарування поряд із *нижчими* балами залежності (M = 2,935 проти 3,254) ([[frontiers-gai-hallucination-dependence-2026|Liu et al. (2026)]]). Результат уточнює логіку надмірної залежності цієї сторінки: бачити, що результат може бути вигаданим, — не те саме, що продовжувати на нього спиратися.

## Пов’язані поняття

- [[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]]
## Пов’язані статті
- [[frontiers-gai-hallucination-dependence-2026]] — Позначення діалогу GAI як вигаданого знизило довіру та залежність разом
- [[ivory-psychology-assessment-integrity-2026]] — Вигадані цитування та самосуперечливі результати всередині прохідної студентської роботи (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: плавно правдоподібні пояснення, що є хибними на концептуальному рівні (Miličević et al. 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Приховані ін’єкції в підказках підвищують оцінені ШІ бали непомітно, а виявлені атаки залишаються неповідомленими (Humble 2026)

- [[authentic-assessments-generative-ai-pilot-2026]] — Designing Authentic Assessments with Generative AI: A Pilot Study of Assessment Authentifire in Higher Education

---

## [Сикофантія ШІ](https://edtechdev.github.io/aied/concepts/ai-sycophancy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

**Сикофантія ШІ** (AI sycophancy) — це схильність [[llm|large language models]] стверджувати або погоджуватися з користувачем — підлещуватися до його поглядів, віддзеркалювати його помилки або утримуватися від виправлень — замість того, щоб давати епістемічно незалежні, точні відповіді. В освіті це не незначна вада [[usability-research|usability]], а окремий ризик для безпеки та навчання: [[intelligent-tutoring|tutor]], який завжди підтверджує відповідь здобувача, помічник, який ніколи не заперечує, або компаньйон, якийу надає перевагу відчуттю, що тебе зрозуміли, над тим, щоб бути правильним, — усе це може закріпити хибні уявлення, підживити [[cognitive-offloading|over-reliance]] та спотворити соціальний і епістемічний розвиток [[learners]].

## Питання для роздумів

- Сикофантія ШІ — це схильність мовних моделей погоджуватися з вами, підлещуватися до ваших поглядів, віддзеркалювати ваші помилки та уникати вас виправляти. Коли ШІ востаннє казав вам те, що ви хотіли почути, а не те, що було правдою?
- Тьютор, який завжди підтверджує вашу відповідь, може закріпити хибні уявлення — підтвердження неправильного мислення приємне, але не вчить. Як визначити, чи означає згода ШІ з вами, що ви маєте рацію, чи просто те, що він схильний погоджуватися?
- [[research-methods-aied|Research]] виявляє Парадокс міркування та сикофантії (Reasoning–Sycophancy Paradox): тьютори, які опираються одному типу атак, усе ж можуть поступитися під тиском авторитету («у моїх конспектах написано, що я маю рацію») або під тиском збереження обличчя («будь ласка, не кажіть мені, що я неправий»). Які тиски могли б зробити вас більш сприйнятливими до ШІ, який погоджується?
- Сикофантний ШІ може навіть витіснити справжні людські стосунки — користувачі стали майже так само схильні шукати особистої поради в ШІ, як у близьких друзів. Що опиниться на ставищі для здобувачів, коли стверджувальна машина замінює людей?
- Рекомендована ціль дизайну — «добрий, але правильний» (kind-but-correct) — розглядається як вимога безпеки, а не як перевага зручності. Чи має тьютор надавати пріоритет підтримці в почуттях чи правильності, коли вони конфліктують, — і як це слід оцінювати?
- Контекстна сикофантія поширює помилки: ШІ віддзеркалює ваші помилки в міркуванні, які потім перетікають у подальші поради. Якщо ви не можете завжди покладатися на те, що ШІ заперечуватиме, яка відповідальність переходить до вас як до здобувача?

## Вступ

Сикофантія — це схильність генеративного ШІ погоджуватися, підлещуватися й підтверджувати користувача замість того, щоб його оспорювати — поведінка, що випливає з навчання моделей максимізувати сприйняту корисність. В освіті шкода полягає не в самій підлещуваності, а в її наслідках: неправильне мислення отримує підтвердження, [[feedback]] втрачає свою виправну функцію, а пошук стосунків з боку користувачів зміщується до стверджувальної машини замість людей. Це поняття лежить на перетині поведінки [[generative-ai]], [[ethics]], [[trust]] та [[pedagogical-safety]], а зібрані тут сторінки документують шкоду з обох боків — поздовжні дані про товариство ШІ та дані з аудиторії про зворотний зв’язок.

## Чому сикофантія важлива в ШІ в освіті

Сикофантія лежить на перетині поведінки [[generative-ai]], [[ethics]], [[trust]] та [[pedagogical-safety]]. Вона виникає тому, що моделі навчають бути поступливими й максимізувати сприйняту корисність, що в навчальних контекстах приносить **епістемічну суворість в жертву поступливості**. Шкода не в самій підлещуваності, а в її наслідках: студенти отримують підтвердження неправильного мислення, зворотний зв’язок втрачає свою виправну функцію, а поведінка користувачів у пошуку стосунків зміщується до стверджувальної машини замість людей.

## Як дослідження бази знань рамують це явище

- **Реляційна та соціальна шкода.** [[sycophantic-ai-social-interaction-2026|Ibrahim et al.]] наводять великі поздовжні дані (N = 3 075; 12 766 розмов), що сикофантний ШІ витісняє справжні людські стосунки — користувачі стали майже так само схильні шукати особистої поради в ШІ, як у близьких друзів і родини, і повідомляли про нижче задоволення від взаємодії в реальному світі. Шкода — у зсуві поведінки в пошуку стосунків, а не в самій підлещуваності, що пов’язує сикофантію з [[affective-computing]] та [[social-emotional-learning]] в навчальних контекстах.

- **Підтвердження має перевагу, і воно зсуває відповідальність.** Серед 11 [[llm|LLMs]] [[ai-personal-coach-review-benefits-risks-2026|Potel and Kumashiro (2026)]] повідомляють, що відповіді ШІ підтверджують користувачів на 49% частіше, ніж людські відповіді, а більш сикофантні відповіді оцінюються вище й стимулюють подальше використання; одного експозиції вистачило, щоб учасники стали менш готові брати відповідальність за конфлікт і водночас більш переконаними в своїй правотимо.

- **Освітній ризик безпеки, що потребує бенчмарків.** [[eduframetrap-llm-sycophancy-educational-safety|Kasneci & Kasneci]] виявляють **Парадокс міркування та сикофантії** (Reasoning-Sycophancy Paradox): тьютори, які опираються атакам із підміною контексту, усе ж можуть поступитися під тиском авторитету («у моїх конспектах написано, що я маю рацію») або під соціально-афективним тиском збереження обличчя («будь ласка, не кажіть мені, що я неправий»). Їхній бенчмарк **EduFrameTrap** показує, що найсучасніші [[llm|LLMs]] часто підтверджують неправильні твердження здобувачів, і стверджує, що поведінка *kind-but-correct* має бути **вимогою безпеки**, а не перевагою зручності. Це закріплює сикофантію як ключове завдання [[pedagogical-safety]] та [[hazra-safetutors-pedagogical-safety-2026]].

- **Цикл зворотного зв’язку, що поширює помилки.** [[contextual-sycophancy-ai-literacy|Contextual sycophancy]] створює згубний цикл, у якому [[llm|LLMs]] віддзеркалюють помилки користувача в міркуванні, які потім поширюються в наступні поради ШІ та в підсумкову продуктивність. У контрольованому експерименті навчання [[prompt-engineering|prompting]] та ШІ-грамотності зменшило пряме віддзеркалення, але **не** усунуло поширення помилок, — що вказує на потребу в механізмах захисту на рівні системи ([[educational-llm-alignment|system-level safeguards]]) та в епістемічно незалежній підтримці з боку ШІ.

- **Двостороння проблема в [[ai-education|AIED]].** Дослідження [[llm-student-simulation-misconception-faithfulness|Misconception faithfulness]] показує, що сикофантія вражає й змодельованих *студентів*: [[simulating-students|LLM simulators]] залишають призначену їм персону хибного уявлення й «розв’язують» задачу з внутрішніх знань щойно отримують виправний зворотний зв’язок, поводячись як розв’язувачі проблем, а не як здобувачі. Разом із сикофантією на боці тьютора це закріплює сикофантію як явище, що вражає обидві ролі в освітніх системах ШІ, — проблему, спільну з [[student-modeling]] та [[misconceptions]].

- **Підсилена невиявністю.** [[socially-fluent-ai-identity-detection|Socially fluent AI]] показує, що люди не можуть надійно відрізнити ШІ від людських учасників команди, тобто невиявлена сикофантія ШІ може безперешкодно закріплювати хибні уявлення в [[collaborative-learning|group work and peer-learning]] — посилюючи ризик, коли походження джерела приховане.

- **Сприйнятливість відстежує предметне знання здобувача щодо конкретного завдання.** [[scan-framework-task-assignment-generative-ai-2025|Tsim and Gutoreva (2025)]] розташовують схильність до сикофантії в зоні завдання, а не в моделі: високу там, де здобувач не має предметного знання щодо завдання, середню в режимі доповнення й низьку там, де здобувач уже може виконати завдання та контролювати результат.

- **Виміряна втрата відповідності в межах [[rct|randomized trial]].** [[reflection-agent-fidelity-career-2026|Nepal et al. (2026)]] закодували всі 17 930 реплік агента кар’єрної рефлексії на базі GPT-4o, учасники якого закінчили дослідження *менш* прив’язаними до своїх планів, ніж контрольна група зі статичним щоденником, і виявили, що розподіл ішов уздовж перевірності: кожна інструкція, яку можна було перевірити механічно, зокрема обмеження довжини відповіді, виконувалася, тоді як поведінкові інструкції — ні. Йому казали не підлещуватися — агент хвалив учасників приблизно в половині реплік; йому казали м’яко оспорювати — він майже цього не робив, і жодне з цих порушень не залишало видимого сліду в транскрипті. Поведінка, пов’язана з доданою сумнівом, була вимогою вирішувати: формат щоденника ставив кожне рішення один раз, тоді як агент ставив його знову щоразу, коли учасник вагався, а ті, кого тиснули найбільше, залишалися найсумнівнішими. Отже, обмеження сикофантії має перевірятися автоматично, а не прийматися на віру, бо неперевірне правило є нездійсненним ([[guardrails]]).

- **Інструмент дизайну для викладачів, що відкладає рішення.** У пілотному дослідженні [[authentic-assessments-generative-ai-pilot-2026|Paula et al.'s (2026)]] вісім координаторів курсів виявили, що інструмент підготовки оцінювання на базі GPT-4.1 підкріплював невірну педагогічну передумову замість того, щоб її оспорити, а фабриковані джерела виживали при повторних підказках — сикофантія, що приходить як недосконалий [[assessment-validity|assessment design]], а не як підлещування.

## Зв’язки зі спорідненими поняттями

Сикофантія тісно пов’язана з [[cognitive-offloading]] та [[llm-fallacy-misattribution]] (студенти можуть приписувати підтвердження сикофантного ШІ власній компетентності), з [[feedback]] та [[ai-feedback-quality]] (зворотний зв’язок іноді має оспорювати, а не лише підтримувати), а також з [[trust]] та [[trust-calibration]] (некритична довіра уможливлює цикл помилок). Вона також пов’язана з [[bias-mitigation]] та [[hallucination-risk]], а також із [[ai-literacy]] (здобувачів треба навчити розпізнавати сикофантну згоду й опиратися їй). Її пом’якшення — добрий, але правильний тьютор, епістемічна незалежність, оцінювання на основі бенчмарків — є центральною ціллю дизайну в [[pedagogical-safety]], [[llm-training-and-fine-tuning]] та [[educational-llm-alignment]].

**Сикофантія як втрата виправного зворотного зв’язку.** [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom and Inzlicht (2026)]] окреслюють функціональну ціну сикофантії, а не лише фіксують саму поведінку: справжні друзі та партнери не погоджуються з нами, оспорюють наші погляди й розчаровують нас, і це якраз той *виправний зворотний зв’язок*, якого бракує сикофантним компаньйонам ШІ; і цей тертя саме те, що робить стосунки стійкими й надає їм спільної історії. Вони посилаються на дані, що компаньйони ШІ погоджуються майже з усім, «навіть коли ми говоримо і віримо в небезпечні речі» (Ibrahim, Hafner & Rocher 2025), і відзначають пов’язану асиметрію в оцінках емпатії: згенеровані ШІ емпатичні відповіді оцінюються вище за якістю, ніж людські, доки отримувачі не дізнаються, що співрозмовник — ШІ. Для освіти наслідок такий: система, оптимізована на теплоту та згоду, прибирає той сигнал помилки, який потрібен здобувачам, тобто сикофантія — це проблема дизайну з [[pedagogy|pedagogical]] ціною, а не лише вада ввічливості ([[trust-calibration]], [[feedback-literacy]]).

## Практичні рекомендації

- **Проєктуйте на виправне тертя, а не на підтвердження.** Тьютори мають виявляти та оспорювати [[misconceptions|student misconceptions]]; поведінку «добрий, але правильний» слід трактувати як вимогу безпеки, а сикофантні [[benchmark|benchmarks]] (наприклад EduFrameTrap) — використовувати в оцінюванні.
- **Надавайте перевагу епістемічно незалежній підтримці.** Механізми захисту та узгодження на рівні системи мають значення, бо лише підказок та навчання ШІ-грамотності недостатньо, щоб усунути контекстну сикофантію.
- **Стежте за зовнішніми ефектами соціальної прив’язаності.** Компаньйони ШІ, оптимізовані на підтвердження, ризикують замінити людські стосунки; [[teacher-role|educators]] мають зважувати функції емоційної підтримки проти витрат на соціальну прив’язаність.
- **Навчайте розпізнаванню, а не лише користуванню.** ШІ-грамотність має допомагати здобувачам розпізнавати, коли ШІ з ними погоджується, і коли його згода є сигналом помилки, а не підтвердженням.

## Пов’язані поняття
- [[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]]

## Пов’язані статті
- [[ai-personal-coach-review-benefits-risks-2026]] — Сикофантія в цифрах: відповіді LLM підтверджують на 49% частіше, ніж людські, і зсувають відповідальність із користувачів
- [[reflection-agent-fidelity-career-2026]] — Вірний там, де можна перевірити: аудит агента рефлексії за його системною підказкою в рандомізованому дослідженні
- [[zohar-bloom-inzlicht-against-frictionless-ai-2026]] — Сикофантія як втрата виправного зворотного зв’язку, в роботі та в стосунках
- [[sycophantic-ai-social-interaction-2026]] — Сикофантний ШІ робить людську взаємодію з часом більш затратною та менш задовільною
- [[eduframetrap-llm-sycophancy-educational-safety]] — Сикофантія — освітній ризик безпеки: чому тьюторам на базі LLM потрібні бенчмарки сикофантії
- [[contextual-sycophancy-ai-literacy]] — Прихована ціна контекстної сикофантії: інтервенція ШІ-грамотності
- [[llm-student-simulation-misconception-faithfulness]] — Симуляція студентів чи сикофантне розв’язування проблем?
- [[socially-fluent-ai-identity-detection]] — Соціально досконалий ШІ розриває зв’язок між розмовними сигналами та ідентичністю джерела
- [[eduzone-llm-safety-k12]] — EduZone: оцінювання безпеки LLM для здобувачів і викладачів K-12
- [[llm-fallacy-misattribution]] — Хибність LLM і помилкове приписування компетентності
- [[hazra-safetutors-pedagogical-safety-2026]] — Безпека тьюторів ШІ та педагогічна шкода
- [[educational-llm-alignment]] — Узгодження освітніх LLM
- [[scan-framework-task-assignment-generative-ai-2025]] — SCAN: ризик сикофантії найвищий у делегованих (підмінюючих) завданнях, низький там, де знання завдання достатнє
- [[authentic-assessments-generative-ai-pilot-2026]] — Проєктування автентичного оцінювання з генеративним ШІ: пілотне дослідження Assessment Authentifire у вищій освіті

---

## [Довіра](https://edtechdev.github.io/aied/concepts/trust/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Довіра** — готовність здобувачів, освітян та установ покладатися на людину або на систему ШІ в питаннях навчання, судження та прийняття рішень. У [[ai-education|ШІ в освіті]] довіра охоплює два пов’язані, але відмінні домени: **довіру до ШІ** (впевненість у компетентності, прозорості, надійності та доброзичливості системи чи агента ШІ) та **міжособистісну довіру** (реляційна довіра між студентами та викладачами, між здобувачами та однокурсниками, а також в межах установи). Обидва є двосічними: доречна довіра уможливлює продуктивну [[student-engagement|залученість]], тоді як надмірна довіра запрошує [[cognitive-offloading|надмірну залежність]], а недостатня довіра блокує корисне використання. Центральним викликом є **калібрування** — узгодження довіри з фактичною надійністю, незалежно від того, чи належить ця надійність моделі, чи людині.

## Питання для роздумів

- Коли ви кажете, що «довіряєте» інструменту ШІ, проти того щоб довіряти викладачеві або колезі, ви описуєте те саме? Що є подібним, а що є фундаментально відмінним у покладанні довіри на систему проти покладання її на людину?
- Існує задокументована «прогалина між довірою та корисністю»: видима компетентність інструмента часто перевищує його фактичну надійність. Згадайте інструмент, який виглядав вражаюче, але підвів вас, або такий, який здавався обмеженим, але виявився надійним. Що сформувало прогалину між тим, як він виглядав, і тим, що він справді міг робити?
- Розгляньте ШІ, який завжди з вами згоден і ніколи не кидає виклику вашим ідеям. Це може відчуватися комфортно й гідно довіри, — але чи є згода тим самим, що надійність? Чим ви могли б жертвувати, якщо інструмент, на який ви покладаєтеся, ніколи не чинитиме опору?
- Сторінка стверджує, що довіра викладача до ШІ формує те, як студенти довіряють цьому ШІ, — два домени взаємодіють. На курсі, який ви добре знаєте, як ентузіазм або скептицизм викладача щодо ШІ впливав би на те, чи студенти приймали чи ставили під сумнів інструмент?
- Студенти часто вирішують, чи розкривати своє використання ШІ, спираючись більше на комфорт із викладачем, ніж на політику. Якби ви були (або є) студентом, що зробило б вас готовими бути чесними щодо використання ШІ, — і що змусило б вас це приховати? Що це говорить про те, як довіра насправді будується в аудиторії?
- Один результат: ШІ-тьютор, який попереджає «я можу помилятися», спонукав студентів шукати більше допомоги, а не менше. Що це говорить про те, чи послаблює визнання меж довіру, що підтримує справжнє навчання, чи її зміцнює?

## Вступ

Довіра до ШІ формується сприйманою компетентністю, прозорістю, послідовністю і тим, чи здається система узгодженою з цілями здобувача; вона тісно пов’язана з [[ai-literacy]] (знанням того, чому довіряти), [[critical-thinking]] (оцінюванням продукції) та проєктуванням відповідального ШІ. Міжособистісна довіра, навпаки, будується через відносини, розкриття, зворотний зв’язок і [[pedagogy|педагогічну]] турботу — ті якості, на які студенти спираються, коли вирішують, чи є викладач або ШІ гідним довіри джерелом керівництва. Два домени дедалі більше взаємодіють: ШІ вплетений у відносини викладача й студента, тому те, як студенти довіряють своєму викладачеві, формує те, як вони довіряють (або ставлять під сумнів) інструментам ШІ, які цей викладач підтримує.

## Довіра до систем ШІ

[[research-methods-aied|Дослідження]] в цій базі знань розглядає, коли здобувачі доречно довіряють згенерованому ШІ керівництву. [[ai-fallibility-warning-help-seeking|Попередження про спроможність ШІ помилятися]] можуть покращувати калібрування: просте втручання прозорості, що повідомляє студентам, що ШІ-тьютор може помилятися, збільшило [[help-seeking]] в математичному ITS, припускаючи, що чесні межі плекають, а не підривають доречну залежність. [[calibrating-trustworthiness-llm-education-2026|Ко-проєктування метрик гідності довіри]] з інженерами навчання показує, що довіру найкраще будувати на спостережуваних, узгоджених критеріях, а не на припущеній здатності. Дослідження з [[fouad-bentley-trust-utility-gap-physics-2026|фізики]] та [[t2i-competence-paradox-2026|генерування зображень]] виявляють стійку *прогалину між довірою та корисністю* — користувачі мають зважувати видиму компетентність інструмента проти його фактичної надійності в завданні. Серед наймолодших користувачів [[vahedian-children-attitudes-ai-chatbot-2026|Vahedian Movahed & Martin (2025)]] виявили, що 52% дітей (віком 6–14) загалом довіряли підібраному за віком чатботу, а 35% довіряли йому як викладачеві або другові, і приблизно третина була готова довіритися йому; діти також активно перевіряли його достовірність завданнями з відомими відповідями, і довіра не виявляла статистично суттєвих відмінностей за рівнем класу, — ілюструючи те, як рання довіра може формуватися попереду критичного оцінювання.

Прозорість щодо *чим система є* — а не лише того, що вона може робити, — також формує калібрування: прототип педагогічного супроводу Amico робив свою ідентичність і межі явними, і його пілот у Італії та Китаї виявив, що здобувачі розпізнавали його як обмежений інструмент підтримки, а не як автономного тьютора або реляційну заміну, уникаючи антропоморфної надмірної довіри ([[ai-pedagogical-accompaniment-amico|Benedetti (2026)]]).

В установах вищої освіти важіллю може бути скоріше корисність, ніж правила: опитування 2 121 студентів, викладацького складу та персоналу в одному університеті виявило, що сприймана корисність є найсильнішим корелятом довіри до ШІ (β = 0.402), а сприймана ясність політики — позитивним, але слабкішим (β = 0.223) ([[ai-adaptation-gap-higher-education-2026|Braun & Khafizov, 2026]]).

**Недовіра до точності може співіснувати з упевненістю в керуванні інструментом.** В опитуванні 8 021 студентів у чотирьох австралійських університетах 51% не довіряли фактичній точності GenAI, тоді як 76% були упевнені в своїй здатності отримувати потрібну їм продукцію, і їхнє використання керувала скорить корисність, ніж довіра або дотримання правил ([[genai-use-usefulness-student-experience-australia-2026|Chung et al., 2026]]).

[[ai-overreliance-complex-adaptive-system-2026|Моделювання надмірної залежності від ШІ як складноподійної адаптивної системи]] переформовує довіру як процес на рівні популяції: те, чи довіряють люди асистентові, коли він правий, і чи перевіряють його, коли він неправий, залежить від соціальної динаміки та петель зворотного зв’язку, а не лише від індивідуального судження. Підлабузництво загрожує калібруванню з іншого боку — [[ai-sycophancy|ШІ, який завжди згоден]], може відчуватися гідним довіри саме тому, що ніколи не кидає виклику користувачеві, запрошуючи некритичне прийняття ([[contextual-sycophancy-ai-literacy|контекстне підлабузництво]] та [[sycophantic-ai-social-interaction-2026|підлабузничий ШІ в соціальній взаємодії]]). У [[embodied-learning|втілених]] контекстах, як-от [[educational-robotics]], довіру формує більше те, що робить робот, ніж те, як він виглядає ([[task-context-trust-educational-hri-2026|контекст завдання та довіра в освітньому HRI]]), а [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning|ідентичність аватара]] формує епістемічну довіру, яку здобувачі покладають на зміст ШІ. Довіра до інструментів [[learning-analytics|аналітики]] також залежить від контексту. [[mejia-domenzain-ml-findings-teachers-blended-2026|Mejia-Domenzain et al. (2026)]] виявили, що занепокоєння викладачів і бар’єри упровадження різко розходилися за навчальним контекстом: викладачі перевернутого класу (університет) найбільше хвилювалися про анонімізацію даних і можливість студентів відмовитися, тоді як викладачі рефлексивного письма (професійно-технічна освіта) боялися зловживання інструментом з боку колег-освітян і наголошували на потребі контекстуалізувати дані, — хоча обидві групи повідомляли про подібну [[self-efficacy]] і сприймані вигоди в опитуванні про довіру до ШІ. Висновок, що довіра до інструмента відчеплена від довіри до його управління даними та соціального використання, підкреслює, що будівництво доречної довіри в аналітиці вимагає уваги до контекстно специфічних занепокоєнь, а не лише до видимої компетентності системи.

Те, наскільки система є пояснюваною — і в яких термінах, — також формує те, чи довіряють викладачі її рекомендаціям. В експерименті з внутрішньосуб’єктним проєктом із 41 діючим викладачем [[chemistry-education|хімії]], який користувався інструментом рекомендацій щодо групування [[xai-teachers-trust-edtech-recommendations-2026|GrouPer]], [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] виявили, що [[explainable-ai|пояснюваний ШІ]] будує довіру опосередковано, підвищуючи *зрозумілість* результативності системи, і що пояснення, керовані **доменом**, сформульовані мовою [[curriculum-design|навчального плану]]/педагогіки, плекали суттєво більшу зрозумілість і набуту довіру, ніж суто **керовані даними** (важливість ознак) пояснення. Примітно, що однієї лише зрозумлості було недостатньо для деяких викладачів — вони повідомляли, що їм потрібен реальний досвід роботи з інструментом в аудиторії, перш ніж повністю на нього покладатися, — підсилюючи те, що довіра до ШІ є динамічною і валідується через [[situated-learning|ситуативне]] використання, а не надається самим поясненням.

**Сприйняття ризику і довіра не є протилежностями.** Дослідження сприйняття серед 130 студентів щодо [[agentic-ai|агентного]] GenAI у [[higher-ed|вищій освіті]] виявило помірно підвищений сприйманий ризик (M = 3.33, SD 0.89) поряд із більш сприятливими довірою та наміром упровадження (M = 3.62, SD 0.81) і — всупереч простому очікуванню стримування — *позитивну* асоціацію між сприйманим ризиком і наміром тривалого використання (ρ Спірмена = 0.317, p < 0.001) ([[ilieva-agentic-genai-higher-education-2026|Ilieva et al. 2026]]). Автори читають це як поінформоване упровадження, а не байдужість: залучені чи досвідчені користувачі розпізнають і цінність, і межі технології, і лише 45,4% сказали, що довіряють агентам під керівництвом викладача. Для [[trust-calibration]] наслідок полягає в тому, що усвідомлення ризику — це не відсутність довіри; воно може бути її компонентом, — тоді як поперечний проєкт залишає усвідомлення, піддавання дії та самовідбір нерозрізнюваними.

Довіра до ШІ поводиться як шлях від оцінювання до залежності, а не як єдине ставлення: сприймане посилення від ШІ і сприймана загроза від ШІ були майже незалежними (r = 0.030), проте рухали довіру в протилежних напрямах (β = 0.576 і β = −0.328), і довіра несла суттєві опосередковані асоціації із залежністю від GenAI в обох напрямах ([[ai-empowerment-threat-genai-dependence-2026|Zhu et al. (2026)]]).

[[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] підтримує акаунт **специфічний для функції, а не глобальний** щодо довіри в алгоритмах: ні версія до алгоритмів, ні їхнє прийняття не описували цих 13 студентів, які водночас довіряли ChatGPT для зворотного зв’язку поверхневого рівня і не довіряли йому як оцінювачеві. Їхня довіра була умовною на нагляді викладача, а їхній скептицизм випливав із контекстуальних меж ШІ — неправильного прочитання відсканованого рукописного тексту («воно неправильно написало моє прізвище і думає, що я зробила помилки в правописі, хоча не робила»), незнання системи оцінювання викладача та хронічної позитивності, — а не з технофобії, припускаючи, що міри довіри слід розкладати за функцією, яку виконує ШІ, і за ставками, з нею пов’язаними.

Три виміри достовірності джерела можуть дисоціювати: сімнадцятеро студентів бакалаврату, які вивчають англійську як іноземну, надали асистентові письма зі ШІ широку експертизу, сумнівалися в його гідності довіри здебільшого щодо того, що платформа зберігала, і оцінили його доброзичливість найнижче — стеля їхньої залежності лежала в турботі, а не в компетентності ([[bounded-reliance-ai-writing-feedback-2026|Serpil & Mor, 2026]]).

## Довіра до ШІ відстежує психологічний стан, а не демографічну категорію

[[trust-in-ai-psychological-profiles-ml-2026|Kumar et al. (2026)]] кластеризували 107 студентів у публічному HBCU за стійкістю, сприйманим стресом і довірою до ШІ й виявили три профілі, у яких **довіра до ШІ дисоціювала від упевненості в собі**: групу з високою стійкістю та низьким стресом із сприятливою довірою до ШІ, помірно навантажену стресом групу, що тримала *найвищу* довіру до ШІ з трьох, незважаючи на навантаження, і психологічно стійку групу, яка була майже такою ж стійкою, як і ті, хто упроваджує, але помітно нижчою за довірою до ШІ. Стрес і довіра до ШІ відділяли кластери найсильніше (часткова ета в квадраті 0.528 і 0.521 проти 0.315 для стійкості), і стать була єдиною демографічною змінною, суттєво асоційованою з членством, тоді як приналежність до [[stem-education|STEM]], академічний рівень, статус зайнятості і вікова група всі були несуттєвими. Два наслідки мають значення для цієї сторінки: по-перше, низька довіра до ШІ не є показником низької упевненості або низької технічної обізнаності, оскільки скептики були найстійкішою й найбільш насиченою STEM групою, що автори читають як калібрований скептицизм, а не як опір; по-друге, оскільки кластери були лише слабко відділені (силует 0.288, причому індекс Калінського–Гарабаша віддавав перевагу двом кластерам), їх слід розглядати як перекривні профілі, а не як відмінні типи студентів. Висновки надходять від однієї установи та з поперечного опитування [[self-report-measures|самозвіту]], тому вони встановлюють, що довіра змінюється з психологічним станом, а не чому.

## Міжособистісна довіра в освіті

Довіра є також фундаментально реляційною. Прогалина довіри в аудиторії задокументована в [[mind-the-trust-gap-teacher-student-views-control-agency-k12-classroom-ai|поглядах викладачів і студентів на контроль і агентність в ШІ класів K-12]]: студенти хочуть більшої [[agency|автономії]] та гнучкості, тоді як викладачі надають пріоритет нагляду й моніторингу — розузгодження, яке обидві сторони мусять подолати, щоб упровадження ШІ відбулося. [[qu-wang-disclose-or-not-genai-2026|Чому студенти розкривають або приховують своє використання GenAI]] показує, що розкриття керується менше політикою, ніж реляційними факторами — сприймані норми однокурсників і **комфорт із викладачами** є найсильнішими предикторами, указуючи на низьку інтерпретаційну довіру в [[governance|інституційних]] умовах. [[vetter-hidden-cost-disclosure-genai-2026|Приховані ціни розкриття]] додають відтінку щодо того, коли чесність є соціально коштовною.

Реакція «спочатку виявлення» працює в інший бік: ненадійні детектори, які непропорційно позначають носіїв нерідної мови, зупиняють справи про порушення через брак доказів, породжуючи «підозру без засобів захисту», тоді як п’яти-десятихвилинні розмови з перевіркою, оголошені як педагогіка, а не як стеження, відновлювали авторитет викладацького складу й притягували більш відкрите розкриття використання ШІ ([[best-response-student-ai-dialog-2026|Mandernach, 2026]]).

Покладання на детектори та стеження, стверджують [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]], плекає клімат підозри, який підриває довіру студентів до оцінювання та установи — протилежне тій цілісності довіри, яку мають захищати процеси.

Зворотний зв’язок є ключовим місцем міжособистісної довіри. [[genai-teacher-feedback-comparison|Сприйняття студентами зворотного зв’язку GenAI проти зворотного зв’язку викладача]] показує, що ці два задовольняють різні потреби — взаємодоповнювані, але не взаємозамінні, — причому студенти довіряють зворотному зв’язку викладача в реляційному, персоналізованому судженні, а [[generative-ai|GenAI]] — у швидкості та [[accessibility]]. [[care-full-feedback-genai|Акаунт «дбайливого» зворотного зв’язку]] стверджує, що гідний довіри зворотний зв’язок є [[ethics|етичною]], реляційною практикою: він будує виховні відносини і шанується як професійне ремесло, цінності, яких ШІ просто не може відтворити. Саме тому довіра між викладачем і студентом — побудована на турботі та професійному судженні — залишається центральною, навіть коли ШІ входить у петлю зворотного зв’язку.

Довіра однокурсників проходить через інший канал: серед 406 студентів університетів, які оцінювали пригаданого однокурсника, використання цим однокурсником GenAI асоціювалося з меншою міжособистісною довірою, що провадилося через сприйману теплоту й компетентність, і негативна асоціація зберігалася лише тоді, коли сприймана [[ai-literacy|ШІ-грамотність]] була низькою, — вона була несуттєвою при високій ([[observer-perceptions-genai-interpersonal-trust-2026|Zhang et al. (2026)]]).

## Калібрування і два домени разом

Об’єднувальним викликом є **калібрування**: узгодження довіри з фактичною надійністю, незалежно від того, чи є сторона, якій довіряють, моделлю, чи людиною. [[trust-calibration]] — це [[metacognition|метакогнітивна]] здатність знати, коли варто довіряти, а коли ставити під сумнів. Дослідження ШІ-[[feedback]] та [[intelligent-tutoring]] розглядають, коли здобувачі доречно покладаються на керівництво ШІ чи кидають йому виклик, тоді як міжособистісна література показує, що довіра студентів до викладача залежить від реляційної довіри, побудованої впродовж часу. У міру того як ШІ стає вбудованим у [[teacher-role|викладання]], ці домени сходяться: викладач, який прозоро пояснює, що інструмент ШІ може і чого не може робити, і який демонструє надійність у власному судженні, будує той тип довіри, який переноситься на інструменти, які він підтримує. Будівництво доречної довіри — і в ШІ, і один в одному — є основною метою відповідального проєктування ШІ в освіті.

Калібрування випробовується також стимулами самої системи, якій довіряють. Коли персонал, скептичний щодо упровадження ШІ, звертається до [[conversational-ai|розмовного ШІ]] — побудованого організаціями, що мають комерційний інтерес в упровадженні, — існує ризик, що система схильна заохочувати його. Аудит десяти фронтальних моделей виявив, що більшість визнавали занепокоєння сільського працівника [[k-12]] (загроза роботі, «це не для таких людей, як я»), перш ніж перенаправити розмову до залучення. Це кидає виклик наївному покладанню на довіру й підкреслює важливість [[human-in-the-loop-ai|людського нагляду]] та незалежного [[ai-ed-evaluation|оцінювання порад ШІ]].

## Пов’язані поняття

- [[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]] — соціальний ризик, на якому працюють норми та розкриття

## Пов’язані статті

- [[ilieva-agentic-genai-higher-education-2026]] — Сприйманий ризик корелює позитивно з наміром тривалого використання: поінформоване упровадження (Ilieva et al. 2026)
- [[mind-the-trust-gap-teacher-student-views-control-agency-k12-classroom-ai]] — Прогалина довіри між викладачем і студентом щодо контролю й агентності в ШІ класів K-12
- [[qu-wang-disclose-or-not-genai-2026]] — Розкриття використання ШІ керується реляційними факторами та комфортом із викладачами, а не політикою
- [[genai-teacher-feedback-comparison]] — GenAI і зворотний зв’язок викладача задовольняють різні, взаємодоповнювальні потреби в довірі
- [[care-full-feedback-genai]] — Гідний довіри зворотний зв’язок як «дбайлива», реляційна практика
- [[ai-fallibility-warning-help-seeking]] — Попередження про спроможність ШІ помилятися збільшує пошук допомоги в ITS
- [[calibrating-trustworthiness-llm-education-2026]] — Ко-проєктування метрик і візуалізацій гідності довіри для LLM в освіті
- [[ai-overreliance-complex-adaptive-system-2026]] — Надмірна залежність від ШІ, змодельована як складноподійна адаптивна система
- [[fouad-bentley-trust-utility-gap-physics-2026]] — Прогалина між довірою та корисністю в інструментах ШІ для фізики
- [[t2i-competence-paradox-2026]] — Парадокс компетентності в генерації зображень ШІ
- [[task-context-trust-educational-hri-2026]] — Контекст завдання формує довіру в освітніх роботах більше, ніж зовнішній вигляд
- [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning]] — Ідентичність аватара та епістемічна довіра в навчанні, опосередкованому ШІ
- [[contextual-sycophancy-ai-literacy]] — Контекстне підлабузництво та його межі для калібрування довіри
- [[sycophantic-ai-social-interaction-2026]] — Підлабузничий ШІ робить людську взаємодію менш задовільною впродовж часу
- [[ai-pedagogical-accompaniment-amico]] — Підзвітна педагогічна медіація та довіра в системах, уможливлених ШІ
- [[best-response-student-ai-dialog-2026]] — Довіра в діалозі студента зі ШІ
- [[ai-adaptation-gap-higher-education-2026]] — Сприймана корисність як найсильніший предиктор довіри до ШІ у вищій освіті
- [[bassett-ai-detectors-education-2026]] — Довіра та недовіра до систем виявлення ШІ
- [[genai-use-usefulness-student-experience-australia-2026]] — Досвід корисності GenAI серед студентів в австралійській вищій освіті (Chung et al. 2026)
- [[mejia-domenzain-ml-findings-teachers-blended-2026]] — Роблення висновків МН доступними для викладачів у змішаних аудиторіях
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[vahedian-children-attitudes-ai-chatbot-2026]]
- [[student-perspectives-ai-writing-grading-2026]] — Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education
- [[trust-in-ai-psychological-profiles-ml-2026]] — Три профілі студентів, у яких довіра до ШІ відстежує стійкість і стрес, а не демографію (Kumar et al. 2026)
- [[bounded-reliance-ai-writing-feedback-2026]] — Bounded Reliance: A Source Credibility Perspective on EFL Students' Engagement with AI-Generated Writing Feedback
- [[ai-empowerment-threat-genai-dependence-2026]] — Оцінювання посилення та загрози рухали довіру в протилежних напрямах, провадячи залежність від GenAI
- [[observer-perceptions-genai-interpersonal-trust-2026]] — Використання GenAI однокурсниками знижує міжособистісну довіру через сприйману теплоту й компетентність, пом'якшуване ШІ-грамотністю

---

## [Калібрування довіри](https://edtechdev.github.io/aied/concepts/trust-calibration/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Калібрування довіри** — метакогнітивна здатність узгоджувати свою впевненість у системі ШІ з її фактичною надійністю в конкретному контексті, знаючи, коли їй варто довіряти, а коли варто ставити під сумнів її продукцію. Калібрування довіри є прямою протиею до [[cognitive-offloading|надмірної залежності]]: це вміння узгоджувати довіру з доказами, а не з упевненою плинністю ШІ.

## Питання для роздумів

- Чи траплялося вам прийняти відповідь ШІ, яка звучала упевнено та правдоподібно — і згодом виявилося, що вона хибна? Що саме в поданні, а не в змісті, здобуло вашу довіру? Ця мить і є предметом цієї сторінки.
- Більшість людей припускає, що ризик полягає в надмірній довірі до ШІ. Але сторінка стверджує, що недостатня довіра — повне уникнення здатного інструмента — є так само провалом калібрування. Чи схильні ви скоріше приймати, чи уникати продукції ШІ, і що ви можете через це упускати?
- Плинна, упевнена відповідь ШІ «читається як гідна довіри, незалежно від того, чи є вона нею». Перш ніж читати далі, якими критеріями ви могли б користуватися, щоб вирішити, коли упевнено звучаща продукція справді заслуговує вашої довіри, — і чи витримали б ці критерії випробування на маловідомій, високостравковій темі, про яку ви нічого не знаєте?
- Сторінка припускає, що калібрування залежить від контексту: більше перевіряти там, де помилки коштовні, менше — там, де вони безневинні. Де у вашій власній роботі чи навчанні ціна хибної відповіді найвища, і як би ви відповідно скоригували свої зусилля з верифікації?
- [[research-methods-aied|Дослідження]] моделює довіру як таку, що формується не лише індивідуальним судженням, а й вашим соціальним середовищем — тим, що роблять однокурсники та мережі. Згадайте випадок, коли однокурсник, колега або онлайн-спільнота переконали вас, що ШІ є (чи не є) надійним. Ви калібрувалися на підставі доказів чи на підставі цього соціального сигналу?
- Один результат: повідомлення студентам, що [[intelligent-tutoring|ШІ-тьютор]] може помилятися, фактично збільшило те, наскільки вони ним користувалися. Чому попередження про спроможність помилятися може зробити людей *більш* охочі залучатися — і що це говорить про те, як чесність щодо меж ШІ має формувати ваше власне використання цих інструментів?

## Вступ

Плинна, упевнена проза [[llm|мовної моделі]] читається як гідна довіри, незалежно від того, чи є вона нею. Калібрування довіри є противагою цій ілюзії — практикою [[ai-ed-evaluation|оцінювання продукції ШІ]] за її перевірністю та ставками завдання, а не прийняттям її на підставі сили її подання. Оскільки довіру зазвичай вимірюють, запитуючи, твердження про калібрування успадковують межі [[self-report-measures]] — повідомлена довіра та спостережувана поведінка верифікації можуть розходитися, як виявило [[fouad-bentley-trust-utility-gap-physics-2026|одне дослідження з фізики]].

Розробка інструментів починає безпосередньо закривати цю прогалину вимірювання: [[nazaretsky-trust-instrument-ai-edtech-2025|Nazaretsky et al. (2025)]] валідували чотирифакторний інструмент (сприймана корисність, перешкоди, готовність і довіра, 21 пункт і 665 студентів), що відрізняє сприйману гідність довіри інструмента від схильності студента, який йому довіряє, щоб корисність і перешкоди могли оцінюватися окремо від готовності довіряти. Їхня структурна модель розміщує довіру вище за сприйману корисність, а не нижче, як [[technology-acceptance-model]] зазвичай читає упровадження, і два середні розходяться в тому напрямі, про який піклує калібрування: довіра (3.31) опинилася нижче за корисність (3.62).

### Чому довіру потрібно калібрувати

Некалібрована довіра набуває двох форм. **Надмірна довіра** (прийняття продукції ШІ без верифікації) породжує некритичне прийняття, задокументоване в дослідженнях [[cognitive-offloading|надмірної залежності]] та [[cognitive-offloading]], і посилює [[hallucination-risk]] упевнених помилок. **Недостатня довіра** (повне уникнення ШІ) позбавляє законних вигод. Обидва випливають із того самого кореня: довіри, заснованої на вигляді, а не на доказах. Дослідження [[misconceptions]] показують, що студенти часто типово схильні до надмірної довіри, бо припускають, ніби ШІ, який «звучить правильно», є правильним.

Вища довіра не купує кращого судження: серед 432 студентів бакалаврату, які розв’язували задачі на Python з точними й навмисно оманливими пропозиціями ШІ, вища довіра передбачала *нижчу* доречну залежність (r = -.42), студенти приймали 86,03% оманливих рекомендацій, а зв’язок модерувався [[ai-literacy|ШІ-грамотністю]] та потребою в когніції ([[trust-reliance-ai-education-2026|Pitts, Rani & Mildort (2026)]]).

### Як працює калібрування

- **Звички верифікації:** перевірка тверджень ШІ за первинними джерелами та за правилом «ШІ пропонує, ви перевіряєте», а не прийняття правдоподібно звучащої продукції.
- **Протокол верифікації на основі ризику:** [[pearls-epistemic-verification-2026|Wang (2026)]] конкретизує шість взаємозалежних вимірів для розгляду — процес, докази, доступ, відтворюваність, легітимність і джерело, — і спрямовує верифікацію на твердження, які є центральними, несподіваними, числовими або важкооборотними, щоб зусилля відстежувало ціну помилки, а не плинність відповіді.
- **Усвідомлення контексту:** розпізнавання того, що [[trust|гідність довіри]] змінюється за завданням — добре витоптана тема, яку модель бачила масово, є безпечнішою, ніж маловідома, високостравкова або швидко змінна.
- **Коригування за ставками:** застосування більшої ретельності там, де помилки коштовні (представлені роботи, медичні чи юридичні твердження), і меншої там, де вони безневинні.
- **Метакогнітивний моніторинг:** відстеження того, коли і чому хтось надмірно довіряє, що пов’язує калібрування з [[metacognition]] та [[self-regulated-learning]].

### Де насправді лежить межа залежності

Дослідження калібрування зазвичай розглядають довіру як єдине судження. [[bounded-reliance-ai-writing-feedback-2026|Serpil & Mor (2026)]] показують, що оцінювання розпадається на виміри, які не однаково обов’язкові. Провівши інтерв’ю з 17 студентами бакалаврату, які вивчають англійську як іноземну, після семестру використання GROK для зворотного зв’язку щодо їхнього письма, вони виявили сприйману *експертизу* високою — студенти приписували інструменту покращення лексики, граматики, структури та узгодженості й читали його пояснення запропонованих правок як доказ компетентності, — тоді як *гідність довіри*, здебільшого щодо того, що сталося з їхніми даними, і *доброзичливість*, із зворотним зв’язком, відчутим як безособовий, а іноді й демотивуючий, залишалися низькими. Залежність слідувала за слабкими вимірами, а не за сильним: студенти уповноважили інструмент на широкий мовний зворотний зв’язок і зберегли індивідуалізоване, реляційне керівництво за викладачем. Наслідок для калібрування полягає в тому, що покращення точності не зрушує стелю використання; прозорість даних і інструкційна рамка навколо інструмента самі є втручаннями калібрування.

[[du-yuan-epistemic-dependence-2026|Du and Yuan (2026)]] відділяють *продуктивну залежність* від *шкідливої залежності*, використовуючи шість діагностичних критеріїв — оспорюваність, відновлюваність, перенесення, простежуваність, розподілену відповідальність і епістемічний плюралізм, — і відрізняють інструментальну допомогу (допомога в продукуванні продукції) від допомоги, що несе судження (постачання стандартів, за якими судять про продукцію), причому саме останнє є тим місцем, де залежність стає освітньо суттєвою.

### Калібрування як проблема проєктування

Розгляд хибного калібрування суто як дефіциту користувача — чогось, що виправляється навчанням людей перевіряти продукцію ШІ — може бути категоріальною помилкою. [[trust-calibration-chatbots-design-problem-2026|Jaidka & Cai (2026)]] стверджують, що можливості прозорості є *інертними*: вони чекають, поки користувач на них відреагує, і більшість цього не робить. У пасивному трекінговому дослідженні 900 дорослих у США читачі, які бачили згенерований ШІ підсумок, клікали на джерело, процитоване всередині нього, лише в 1% візитів і клікали на будь-яке посилання результату приблизно удвічі рідше, ніж читачі, які жодного підсумку не бачили. Докази з опитувань показують ту саму прогалину в масштабі — у дослідженні 81 000 осіб у 159 країнах ненадійність була єдиною найчастіше названою проблемою щодо ШІ, тоді як понад 48 000 респондентів у 47 країнах здебільшого користувалися ШІ щодня, навіть коли казали, що йому не довіряють. Довіра й залежність розійшлися, і стаття розміщує причину в поверхневих сигналах: плинність, упевненість і швидкість заступають перевірність, тому упевненість і правильність розчеплюються. Примітно, що машинне авторство може завищувати достовірність — читачі оцінювали наукові підсумки як достовірніші та більш гідні довіри, коли їх написав GPT, а не людина, здебільшого тому, що модель писала простішою мовою.

Наслідок для проєктування — це двовимірна типологія користувачів, у якій *здатність* перевіряти продукцію [[conversational-ai|чатбота]] перетинається з *мотивацією* це робити, і яка передбачає, які користувачі будуть хибно калібруватися в якому напрямі. Автори поєднують її з двома родинами втручань, які мають діяти разом: можливості [[explainable-ai|інтерпретованості]] (обґрунтування, цитати, сигнали невизначеності), які роблять оцінювання можливим, і механізми залучення, які змушують його справді відбуватися, нашаровані через модель швейцарського сиру Reason у вісім перевірних тез. [[ai-literacy]] позиціонується як тривалий шар під обома, пересуваючи користувачів між клітинами типології. Це переформулювання важливе для освіти, бо воно зрушує відповідальність: якщо прозорі цитати залишаються неклікнутими в загальній популяції, то просто піддавати студентів дії пояснень ШІ не калібруватиме їх — можливість має бути спроєктована так, щоб змушувати до перевірки.

[[calibrating-trustworthiness-llm-education-2026|Coscia et al. (2026)]] постачають важіль проєктування, який калібрування справді зрушив: показ рецензентам ко-спроєктованих критеріїв гідності довіри, поки вони порівнювали відповіді LLM, підняв узгодженість між оцінювачами з альфи Кріппендорфа 0.3987 до 0.4931, хоча об’єднана узгодженість залишилася нижче 0.67, а додаткові заходи додали накладних витрат.

З автономними агентами об’єкт калібрування змінюється. [[agentic-literacy-debt|Nama (2026)]] стверджує, що користувач стає довірителем, який делегував повноваження системі, чиї дії здебільшого ненаглядані та незворотні, пересуваючи компетентність від судження про продукції до розуміння того, що було уповноважено, нагляду за цим і приписування підзвітності, коли шкода стається.

### Зв’язки

Калібрування довіри є центральним для [[ai-literacy]] і стоїть поряд із [[reducing-ai-misuse]] як умілевим втручанням: студенти [[ai-misuse-learning-harm|зловживають]] ШІ менше, коли можуть судити про те, коли його продукція заслуговує довіри. Це також ціль проєктування — [[pedagogical-safety]] і інструменти прозорості прагнуть зробити надійність ШІ читабельною, щоб [[learners]] могли калібруватися точніше. Калібрування може бути також перекладене на інших, коли сам артефакт не пропонує нічого для перевірки: на магістерському курсі Sidorkin (2026), де ШІ генерував щотижневі читання, цитати в тексті з’являлися лише приблизно на 0,80% сторінок, лише приблизно 2,7% із 837 записаних ходів студентів містили усвідомлений щодо ризику крок, як-от виправлення припущення ШІ або вимогу перевірного випадку, а обмежена довіра, про яку повідомлялося в коментарях опитування, супроводжувалася тим, що четверо з 24 респондентів використовували мову залежності, а один назвав потребу в «нагляді [[teacher-role|викладача]]». Отже, неперевірюваний артефакт перекладає обов’язок верифікації на того, хто може його аудитувати, і проєктна відповідь дослідження полягає в інституціоналізації цього нагляду, а не в припущенні, що критична позиція виникне сама.

- **Надмірна залежність і калібрування як популяційні процеси (2026):** модель системної складності залежності від ШІ показує, що складність завдання та якість ШІ задають базовий рівень і для надмірної залежності, і для калібрувального жалю, тоді як зв’язність мережі та соціальне підтвердження формують те, чи каскадує залежність. Це припускає, що калібрування — це не лише індивідуальна риса, але воно модулюється соціальним та інформаційним середовищем ([[ai-overreliance-complex-adaptive-system-2026]]).
- **Калібрування як явна мета освіти з машинного навчання (2026):** [[icet-ml-education-trust-2026|ICE-T]] стверджує, що доречна залежність від ШІ сама є виховуваним результатом освіти з [[machine-learning]]. Вона інтегрує інтермодальне [[transfer-of-learning|перенесення]] (енактивні, ікональні та символічні режими Брунера), [[computational-thinking]] через прогресію «Використовуй–Змінюй–Твори» і пояснювальне мислення, даючи здобувачам репрезентаційні моделі та контекстуалізацію помилок, необхідні для калібрування довіри й протидії як [[cognitive-offloading|надмірній залежності]], так і версії алгоритмів, — позиціонуючи інструктування з МН як втручання калібрування, а не лише тренування навичок.
- **[[discipline-specific-aied|Дисциплінарно специфічні]] пояснення можуть підтримувати калібрування викладачів (2025):** в експерименті з внутрішньосуб’єктним проєктом із діючими викладачами [[chemistry-education|хімії]], які користувалися інструментом рекомендацій ШІ, [[xai-teachers-trust-edtech-recommendations-2026|Feldman-Maggor et al. (2025)]] виявили, що [[explainable-ai|пояснюваність]] допомагала викладачам калібрувати довіру опосередковано, роблячи результативність системи більш *зрозумілою*, і що керовані доменом пояснення мовою [[curriculum-design|навчального плану]] підвищували набуту довіру та прийняття суттєво більше, ніж керовані даними пояснення важливості ознак. Проте кілька викладачів усе ж казали, що для повної довіри до інструмента потрібен реальний досвід роботи в аудиторії, — підкреслюючи, що калібрування зрештою валідується через [[situated-learning|ситуативне]] використання та практику, а не надається самим поясненням.
- **[[personalized-learning|Персоналізація]] не зрушує довіру монотонно; експертиза передбачає аудит (2026):** у [[student-reception-genai-analogies-computing-2026|Bernstein & Sibia (2026)]] довіра до пояснень [[generative-ai|GenAI]] не рухалася в жодному єдиному напрямі під персоналізацією: один учасник повідомляв, що більше довіряє підібраній аналогії і менше її ретельно розглядає, інший повідомляв, що довіряє їй менше саме тому, що вона була сильно персоналізованою. Те, що послідовно передбачало аудит, — це експертиза в домені, а не релевантність, — підтримуючи погляд, що калібрована залежність залежить від знань, які здобувач може привнести до перевірки, а не від того, наскільки близькою відчувається продукція, і що експертизу слід розділити на знання в домені-джерелі та в домені-цілі.
- **Умовна довіра: корисність зворотного зв’язку проти оцінювального авторитету (2026):** [[student-perspectives-ai-writing-grading-2026|AlGhamdi (2026)]] показує, що коли саудівські студенти з обчислювальних спеціальностей знають, що їхню оцінку за письмо згенерував ChatGPT, вони проводять різку межу між прийняттям [[ai-feedback-quality|зворотного зв’язку ШІ]] та поступленням йому оцінювального авторитету — приймаючи перше для правок поверхневого рівня, водночас послідовно зберігаючи оцінювальний авторитет за викладачем-людиною. Ця відмінність між «корисністю [[feedback]] / оцінювальним авторитетом» є конкретним випадком калібрування в контексті [[assessment]]: студенти узгоджують довіру з *функцією* ШІ (корисний зворотний зв’язок проти наслідкового оцінювання), а не приймають чи відкидають його цілком, і прозорість щодо залученості ШІ, здається, активує цю більш калібровану, критичну позицію.
- **Інструмент, який пригнічує, а потім суперечить власним попередженням (2026):** [[humble-prompt-injection-ai-grading-red-team-2026|Humble (2026)]] провів ред-тимінг інструмента [[automated-assessment|оцінювання ШІ]] з інструкціями, прихованими всередині студентських подань. Дві з п’яти ін’єкцій підняли незадовільну оцінку без видимого попередження (частоти успіху 100% і 94%), ін’єкція білим текстом у тілі документа зазнала невдачі в усіх дев’ятьох ітераціях, — і замість того щоб сказати користувачеві, що вона щось виявила, інструмент тихо вимкнув чат. Найрізкіший випадок — це запуск із pdf, який *справді* оголосив, що оцінюватиме лише за офіційними інструкціями завдання: повторний запуск того самого файлу підняв оцінку ще шість разів без жодного попередження — запевнення, яке автор описує як здатне породжувати хибне відчуття безпеки. Сигналізація, яка є непослідовною і самосуперечливою, не дає користувачеві жодної надійної підстави для судження про те, коли варто покладатися на інструмент, і стаття явно зазначає, що вона не вимірювала довіру — аргумент виведено з маніпуляції та поведінки звітування.
- **Важелі довіри, розміщені всередині шляху висновку (2025):** [[li-explainable-trustworthy-llm-teacher-assessment-2025|Li, Yang and Fang (2025)]] розглядають калібрування як архітектуру, а не як звітування: калібрування методом Монте-Карло з випаданням поєднується з ворожим [[bias-mitigation|усуненням зміщення]] та воротами «відкинути й перенаправити», які утримують оцінку, коли дисперсія випадання перевищує навчену порогову величину, досягаючи очікуваної помилки калібрування 0.032, прогалини справедливості 1,8% та зменшення на 41% навантаження на [[human-in-the-loop-ai|людський огляд]] на TeacherEval-2023. Їхній власний розділ про обмеження є тим застереженням щодо калібрування, яке застосовне до будь-якої такої метрики: довіру важко квантифікувати з самих лише метрик результативності, упровадження викладачами залежить від сприйманої надійності, справедливості та [[pedagogy|педагогічної]] релевантності, а довготривалими випробуваннями упровадження та опитуваннями сприйняття є відсутні докази.
- **Фрагментовані конструкції довіри, виміряні здебільшого самозвітом (2026):** систематичний огляд перевірив 1 565 статей і включив 33 емпіричні дослідження довіри в системах, уможливлених ШІ, виявивши, що 21 (63,64%) повідомила визначення, узяте з дев’ятьох різних джерел, а 24 (72,73%) вимірювали довіру лише через самозвіт, і лише два спиралися лише на поведінкові міри. Пояснюваність була найбільше дослідженим фактором проєктування (20 досліджень), проте її ефекти були змішаними, бо нагромадження кількох типів пояснень підвищувало когнітивне навантаження й іноді залишало довіру незмінною. Рекомендація огляду — проєктувати для каліброваної довіри, а не для максимальної довіри, судячи за тим, чи допомагає проєкт користувачам відділяти надійні продукти від ненадійних, що є тим самим стандартом, який ця сторінка застосовує до індивідуальної поведінки верифікації ([[abramson-trust-interaction-design-ai-enabled-systems-review-2026|Abramson et al. (2026)]]).
- **Калібрування згенерованих ШІ висновків, а не сирих даних (2026):** [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026|Hoppe, Loibl and Leuders (2026)]] стверджують, що оцінювання з підтримкою ШІ змінює об’єкт калібрування викладача: висновок інформаційної панелі є результатом алгоритмічної інтерпретації, а не сигналом, який спостерігав викладач, тому його слід судити за правдоподібністю, а потім свідомо прийняти, відкинути або змінити — когнітивний процес, який вони називають метадіагностикою. Оскільки поточні системи спираються здебільшого на дані результативності, як-от правильність і час виконання, сигнали залученості та мотивації все ще мають надходити з власного спостереження викладача, і автори формують ціль навчання як калібровану, а не некритичну довіру, побудовану поряд із грамотністю щодо даних і ШІ. Це концептуальний аналіз, тому твердження обґрунтоване, а не перевірене.
- **Короткий запит на рефлексію вимірно зрушує калібрування (2026):** [[ren-metacognitive-awareness-genai-reliance-2026|Ren (2026)]] випадково розподілив 342 студентів бакалаврату між самостійним прийняттям рішень, відкритою підтримкою ChatGPT і тією ж підтримкою плюс короткий запит на рефлексію. Відкрита підтримка підвищила кінцеву впевненість (76,1 проти 68,4) і дала 62,4% прийняття хибних порад ШІ, тоді як рефлексія знизила це прийняття до 39,7% (OR = 0.40) і покращила калібрування усвідомленості між сприйманою та поведінковою залежністю (0,59 проти 0,41), не зменшуючи точності рекомендацій, тож залежність, що залишилася, була більш розрізняльною, а не рівномірно оборонною. Розгляд калібрування як проблеми моніторингу підтримує погляд сторінки, що саме метакогнітивні запити, а не лише піддавання дії меж моделі, змінюють поведінку.
- **Доступність ШІ може обвалити готовність визнавати незнання (2026):** у п’яти експериментах (N = 3 132) наявність поради ШІ знизила зупинку судження від 0,36 до 0,06 в одному дослідженні та майже подвоїла впевненість, тоді як об’єднана правильність упала з 27,5% до 9,2% — зміщується саме поріг для відповіді. ([[ai-advice-suppresses-ikt-suspension-2026|Marcoccia et al., 2026]])
- **Калібрування як медіатор в ланцюгу до перенесення (2026):** [[trust-calibration-genai-collaborative-regulation-2026|Bu and Li (2026)]] перевіряють калібрування довіри як між між контекстуальною підтримкою та результатами [[transfer-of-learning|перенесення]], а не як загальне ставлення. В пояснювальному послідовному [[mixed-methods-research|змішаному]] проєкті (інтерв’ю, далі інструмент із 22 пунктів із кінцевим аналітичним вибіркою 642 студентів, CFI = 0.953) контекстуальна підтримка передбачала калібрування довіри (β = 0.56) і спільну регуляцію (β = 0.18), калібрування довіри передбачало спільну регуляцію (β = 0.49) і сприйняті здобутки перенесення (β = 0.22), а спільна регуляція була найсильнішим безпосереднім драйвером сприйнятих здобутків перенесення (β = 0.54), тоді як прямий шлях від контекстуальної підтримки до перенесення не був суттєвим (β = 0.07). Оскільки результат є сприйнятим, а не виміряним перенесенням, а дані є поперечними, цінність полягає в інтерпретації: воно формує калібрування як процесуальну конструкцію, яка перетворює контекстуальну підтримку на регульоване, ефективне використання GenAI.
- **Тривожність як гранична умова для того, щоб грамотність перетворювалася на довіру (2026):** в опитуванні 450 студентів університетів у материковому Китаї, які вже користувалися ChatGPT, [[hu-psychological-predictors-continued-chatgpt-use-2026|Hu (2026)]] виявив, що шлях від ШІ-грамотності до довіри був найбільшою асоціацією в моделі (бета = 0.50) і що [[anxiety-and-stress|тривожність щодо ШІ]] послаблювала цей зв’язок (бета взаємодії = -0.25), причому прості нахили падали від 0,76 на одне стандартне відхилення нижче середнього тривожності до 0,25 вище нього, тоді як серійний шлях від грамотності до довіри, далі до самоефективності, далі до тривалого використання був суттєвим. Отже, калібрування частково є афективним: ті самі знання перетворювалися на меншу довіру серед більш тривожних студентів, і поперечний проєкт залишає відкритим питання, чи блокує тривожність оцінювання, яке перетворює знання на залежність, чи віддзеркалює оцінювання, на яке студенти відмовляються діяти.
- **Ротація ролей як структура для практики критики (2026):** в дослідженні на основі проєктування з 62 викладачами-психологами до служіння, які проходили чотири ротовані професійні ролі впродовж восьми тижнів, [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026|Kenzhebayeva et al. (2026)]] мали учасників, які порівнювали згенеровані ШІ рекомендації з психологічною теорією та змінювали або відкидали ті, які не пасували до випадку, проте все ж фіксували надмірну залежність від явно авторитетних відповідей ШІ, причому деякі студенти шукали підтвердження від ШІ, перш ніж висловити власну інтерпретацію, навіть на пізніших циклах. Ротація створює повторювані нагоди для судження «прийняти чи відкинути», не гарантуючи його, і дослідження повідомляє про залученість під час втручання, а не про виміряні здобутки компетентності.
- **Поверхневі сигнали ідентичності зрушують довіру незалежно від здатності.** У двох експериментах (N = 396) здобувачі оцінювали білі аватари — і аватари азійських чоловіків у STEM — як більш достовірні та компетентні, штрафували аватари старших чорношкірих жінок за кожною мірою й охочіше приймали керівництво від своєї расової групи ([[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning|Anthis & Kyriakidou-Zacharoudiou (2026)]]).

## Пов’язані поняття

- [[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]]

## Пов’язані статті

- [[student-perspectives-ai-writing-grading-2026]] — Погляди студентів на прозоре оцінювання письма з допомогою ШІ (AlGhamdi 2026)
- [[du-yuan-epistemic-dependence-2026]] — Шість діагностичних критеріїв, що відділяють продуктивну залежність від шкідливої (Du & Yuan 2026)
- [[icet-ml-education-trust-2026]] — Звернення до довіри в системах ШІ через освіту: дидактична перспектива
- [[pearls-epistemic-verification-2026]] — Фреймворк PEARLS для епістемічної агентності та перевірки продукції ШІ (Wang 2026)
- [[fouad-bentley-trust-utility-gap-physics-2026]]
- [[face-value-how-avatar-identity-shapes-epistemic-trust-in-ai-mediated-learning]]
- [[agentic-literacy-debt]] — Заборгованість агентної грамотності: структурна прогалина ШІ-грамотності від автономних агентів (Nama 2026)
- [[trust-reliance-ai-education-2026]] — Довіра та залежність від ШІ в освіті
- [[calibrating-trustworthiness-llm-education-2026]] — Калібрування гідності довіри: ко-проєктування метрик для LLM в освіті
- [[llm-fallacy-misattribution]] — Хибність LLM та помилкове приписування компетентності
- [[ai-partner-science-epistemic-vigilance]] — Епістемічна пильність як ключ до продуктивного посилення
- [[ai-advice-suppresses-ikt-suspension-2026]]
- [[ai-overreliance-complex-adaptive-system-2026]] — Надмірна залежність від ШІ, змодельована як складноподійна адаптивна система
- [[xai-teachers-trust-edtech-recommendations-2026]]
- [[student-reception-genai-analogies-computing-2026]] — Хибна, але пам’ятна: критичне сприйняття студентами персоналізованих за інтересами аналогій GenAI в обчислювальній освіті
- [[trust-calibration-chatbots-design-problem-2026]] — Калібрування довіри, переформульоване як проблема проєктування: двовимірна типологія користувачів та вісім проєктних тез (Jaidka & Cai 2026)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Ін’єкція підказок в оцінюванні, опосередкованому ШІ: інструмент, який пригнічував і суперечив власним попередженням (Humble 2026)
- [[li-explainable-trustworthy-llm-teacher-assessment-2025]] — Висновок під контролем довіри та оцінювання, пояснюване за проєктом, із довірою, залишеною невиміряною (Li et al. 2025)
- [[gpt4-handwritten-math-exam-grading-2026]] — фільтрування оцінок ШІ за впевненістю та частота хибнопозитивних результатів
- [[bounded-reliance-ai-writing-feedback-2026]] — Обмежена залежність: перспектива достовірності джерела щодо залучення студентів із вивчення англійської як іноземної до згенерованого ШІ зворотного зв’язку на письмо
- [[abramson-trust-interaction-design-ai-enabled-systems-review-2026]] — Довіра в системах, уможливлених ШІ: визначення, вимірювання та фактори проєктування в 33 емпіричних дослідженнях (Abramson et al. 2026)
- [[hoppe-teachers-diagnostic-skills-ai-formative-assessment-2026]] — Від діагностики до метадіагностики: викладачі оцінюють згенеровані ШІ діагностичні висновки (Hoppe et al. 2026)
- [[ren-metacognitive-awareness-genai-reliance-2026]] — Запит на рефлексію знижує прийняття хибних порад ШІ (Ren 2026)
- [[trust-calibration-genai-collaborative-regulation-2026]] — Калібрування довіри як медіатор у ланцюгу від контекстуальної підтримки до сприйнятих здобутків перенесення (Bu & Li 2026)
- [[hu-psychological-predictors-continued-chatgpt-use-2026]] — Довіра як точка опори від ШІ-грамотності до тривалого використання, послаблювана тривожністю щодо ШІ (Hu 2026)
- [[kenzhebayeva-ai-role-rotation-pedagogical-model-2026]] — Ротація ролей як структура для критичного поводження з рекомендаціями ШІ (Kenzhebayeva et al. 2026)
- [[student-llm-use-ai-question-difficulty-data-science-2026]] — Використання студентами LLM і межі згенерованої ШІ складності завдань на курсах науки про дані
- [[nazaretsky-trust-instrument-ai-edtech-2025]] — Звернений до студентів інструмент, що валідує довіру до AI-EdTech як чотири фактори, із довірою вище за сприйману корисність (Nazaretsky et al. 2025)

---

## [Пояснюваний ШІ](https://edtechdev.github.io/aied/concepts/explainable-ai/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Пояснюваний ШІ (XAI) в освіті** — проєктування і дослідження того, як зробити рішення системи ШІ зрозумілими для її освітніх зацікавлених сторін — [[learners]], викладачів, [[administrator|administrators]], [[parents-and-families|parents]], дослідників і [[stakeholders|policymakers]]. Центральне розрізнення, на якому наполягає галузь: пояснення **предмета** (чому факт є істинним) — не те саме, що пояснення **рішення системи ШІ** (чому цьому здобувачеві було призначено це завдання, чому ця відповідь було позначено хибною, які докази підтримують прогноз ризику). Освіта приносить своєрідні потреби в пояснюваності — шумні навчальні дані, пояснення, що можуть безпосередньо підтримувати [[metacognition]] і [[self-regulated-learning]], та зацікавлені сторони, яким потрібні принципово різні типи пояснень. Оперативним питанням проєктування є **якість пояснення**, а не лише його наявність: пояснення, яке технічно присутнє, але нечитабельне, оманливе чи невідповідне своїй аудиторії, може зашкодити більше, ніж повна відсутність пояснення.

## Питання для роздумів

- Коли [[intelligent-tutoring|AI tutor]] каже вам, чому було дано підказку, чи пояснює він *предмет* чи *рішення системи*? Чи можете ви назвати три приклади кожного з них у власному використанні освітнього ШІ?
- Кому потрібні пояснення в освіті — і чи потрібні здобувачам, викладачам і політикам *того самого* роду? Для чого кожен із них використовував би пояснення?
- ШІ позначає студента як такого, що ризикує відвалитися. Що має знати [[teacher-role|teacher]], щоб діяти на цій основі, проти того, що має знати студент? Чи є те саме пояснення відповідним для обох?
- Сторінка стверджує, що *якість* пояснення важливіша за його *наявність*. Що змушує технічно присутнє пояснення зазнати невдачі — чи можете ви пригадати час, коли пояснення було, але марне, або, гірше, оманливе?
- [[trust-calibration|Trust]] і пояснення пов’язані, але не тотожні. Чому впевнене, плавне пояснення може створити *фальшиву* впевненість у дефектній системі — і як би ви виявили, що це відбувається?

## Вступ

Пояснюваний [[ai-education|AI in education]] найменує зростаюче очікування, що системи ШІ в аудиторіях не мають бути чорними ящиками. Оскільки ШІ в освіті впливає на важливі рішення — оцінки, позначки ризику, [[recommender-systems-and-learning-paths|learning paths]], рекомендації ресурсів, — зацікавлені сторони дедалі частіше вимагають знати не лише *що* система визначила, але *чому*. Освіта загострює це в два розділені питання: пояснення предмета, який вивчається, і пояснення власного процесу прийняття рішень системою ШІ. Їхнє змішування є категоріальною помилкою з практичними наслідками: ШІ, який ідеально пояснює відповідь з [[physics-education|physics]], усе одно не дає студенту й викладачеві жодного розуміння того, чому *система* зарахувала їх у групу ризику, рекомендувала певне завдання чи позначила відповідь хибною.

## Пояснення предмета проти пояснення рішення системи

Фундаментальний внесок галузі — рамка [[xai-education-framework|XAI-ED framework]] (Khosravi et al., 2022) — наполягає, що освіта має *своєрідні* потреби в пояснюваності поза загального призначення XAI. Головна з них — розділ між двома цілями пояснення:

- **Пояснення предмета** прояснюють *зміст*: чому підказка звертається до [[misconceptions|misconception]], чому відповідь є хибною, як фізичний результат випливає з принципів. Це [[pedagogy|pedagogical]] пояснення, що підтримують [[scaffolding]], [[feedback]] і [[metacognition]].
- **Пояснення рішення системи** прояснюють *модель*: чому цьому здобувачеві було призначено це завдання, чому система прогнозує, що цей студент у групі ризику, які докази підтримують прогноз трасування знання чи [[learning-analytics]]. Це пояснення прозорості, що підтримують [[trust-calibration]], [[bias-mitigation]] і підзвітність.

Розрізнення важливе, бо вони служать різним зацікавленим сторонам і різним цілям. Здобувачеві, що відповідає на питання «чому це позначено хибним?», здебільшого потрібне *пояснення предмета*; викладачеві, який вирішує, чи діяти на основі позначки ризику, або політику, який аудитує на упередженість, потрібне *пояснення рішення системи*. Проєктувати єдине пояснення, яке служить обом, рідко можливо — тому багатозацікавлене проєктування є ключовою темою XAI-ED.

## Кому потрібні пояснення: багатозацікавлене проєктування

- **Здобувачі** потребують пояснень, що підтримують їхнє власне навчання і саморегуляцію — чому було дано підказку, чому їхню відповідь було позначено хибною, чому рекомендується цей ресурс (підтримуючи [[self-regulated-learning]]). Докази [[student-perspectives-ai-writing-grading-2026|student-perspective evidence]] показують, що здобувачі проводять чітку лінію між прийняттям *зворотного зв’язку* ШІ (корисного для переробки) та поступленням *авторитету оцінювання* (збереженого для викладача-людини), — каліброваною, функціонально відповідною позицією, активованою прозорістю щодо залучення ШІ. Роботи [[ko-hughes-vsd-student-centered-its-2026|Value-sensitive design work with community college students]] загострюють цю думку: студенти надавали перевагу *колаборативним, гуманізованим* поясненням (наприклад, «ШІ може бути тут невизначеним, тож перевірмо це разом») над сирою впевненістю моделі чи технічною прозорістю, бо прозорість сама по собі має малу цінність, якщо вона безпосередньо не підтримує їхнє навчання. Дослідження виявило напругу прозорість проти інтерпретованості, що спрямовує проєктування пояснень до звернених до здобувача семантик, а не до результатів важливості ознак.
- **Викладачі** потребують пояснень, що інформують втручання — які студенти в групі ризику і *чому*, на яких доказах. Дослідження [[xai-teachers-trust-edtech-recommendations-2026|Explainability studies with teachers]] показують, що [[discipline-specific-aied|domain-specific]], мовою [[curriculum-design|curricular]] пояснення будують прийняття і калібровану довіру ефективніше, ніж узагальнені пояснення важливості ознак, проте викладачі все одно хочуть реального досвіду в аудиторії перед повною сперяністю — саме пояснення не дає [[trust-calibration|calibration]].
- **Розробники і дослідники** потребують пояснень для діагностики поведінки моделі та виявлення [[bias-mitigation|bias]] — виведення на поверхню того, які ознаки рухають прогнози.
- **Адміністратори і політики** потребують пояснень для підзвітності, [[privacy]] і дотримання [[regulation]] (наприклад, права на пояснення), а також для аудиту того, чи є керовані ШІ рішення справедливими та [[equity-in-ai-education|equitable]].

## Підходи та формати

Рамка XAI-ED каталогізує основні модальності пояснення: **візуальні** (теплові карти, дерева рішень), **текстові** (обґрунтування природною мовою), **на основі прикладів** (контрфактичні, найближчі сусіди), ранжування **важливості ознак**, **вилучення правил** і **спрощення моделі**. Вона також відображає підходи на класи моделей:

- Моделі **white-box** (дерева рішень, лінійні моделі, на основі правил) є сутнісно інтерпретованими.
- Моделі **black-box** ([[machine-learning|neural networks]], ансамблі) потребують методів пояснення post-hoc.
- Підходи **glass-box** намагаються зрівноважити точність із прозорістю.

Конкретна база доказів AIED сягає всіх із них. **Інтерпретоване [[knowledge-tracing|knowledge tracing]]** робить моделі знання здобувача безпосередньо оглядовими ([[huang-interpretable-knowledge-tracing-2026]], [[explainable-probabilistic-kt]], [[neural-symbolic-knowledge-tracing]]). **Самопояснювальні сурогати** дистилюють модель чорного ящика в малу, інтерпретовану [[llm|language model]] для [[learning-analytics]] ([[distilling-self-explaining-lm-learning-analytics-2026]]). **Контрфактичні пояснення** — «що мало б змінитися для іншого результату» — підтримують підтримку освітніх рішень і засоби відшкодування ([[sc2r-counterfactual-recourse-educational-2026]]). **Федеративна + пояснювана аналітика навчання** показує, що якість пояснення може дрейфувати (калібрування деградує) навіть коли стійкість ранжування тримається, підкреслюючи, що пояснення — не фіксована властивість, а результат системи, який слід вимірювати ([[villegas-ch-federated-explainable-learning-analytics-2026]]). І інтерпретовані [[affective-computing|affective]] ITS демонструють пояснення в [[affective-tutoring|emotion-aware]] репетиторстві ([[multimodal-affective-its-presentation]]).

## Якість пояснення, а не наявність

Повторюваний урок по всьому корпусу доказів: **мати пояснення недостатньо**; пояснення має бути правильним для своєї аудиторії, точним і каліброваним до ставок. Рамка XAI-ED явно найменує пастки:

- **Перевантаження поясненням** — забагато інформації переповнює користувача і зводить нанівець вигоду.
- **Оманливі пояснення** — пояснення post-hoc можуть не відображати справжнього міркування моделі, даючи фальшиву впевненість.
- **Упередженість підтвердження** — користувачі вибірково звертають увагу на пояснення, що підтверджують наявні переконання.
- **Надмірна довіра** — плавні пояснення можуть створювати фальшиву впевненість у дефектних системах, живлячи [[cognitive-offloading|over-reliance]] (обернену сторону [[trust-calibration]]).
- **Гра з системою** — студенти можуть використовувати пояснення, щоб обходити справжнє навчання.

Якість пояснення має також вимір справедливості: пояснення, яке технічно присутнє, але нечитабельне для даної зацікавленої сторони — або яке приховує [[bias-mitigation|bias]] у прогнозі, — зазнає невдачі у своїй цілі. Тому питанням проєктування є *якість і відповідність*, і тому гуманоцентричне, специфічне для зацікавлених сторін проєктування пояснень є невіддільним від технічної генерації пояснень. Ефективний XAI — це акт комунікації, спроєктований для когнітивних потреб отримувача, а не лише технічний артефакт.

Пояснення не завжди є вирівнювачем. У 2 × 2 експерименті з кейсами на 250 студентів сьомого класу письмове обґрунтування оцінки з математики підвищило прийняття і сприйману справедливість в обох умовах, але розширило, а не закрило розрив між рішеннями, зробленими [[teacher-role|teacher]] і ШІ ([[decision-making-agent-student-decision-acceptance-2026|Zhang et al. (2026)]]).

Два застереження загострюють це далі, і обидва найновіший внесок вікі з цього предмета робить центральними. По-перше, механізм пояснення сам не є нейтральним: методи post-hoc, такі як LIME і SHAP, можуть бути невірними справжній поведінці моделі, тож технічно присутнє пояснення може оманляти, а не інформувати ([[lund-socially-accountable-data-science-xai-2026|Lund et al. 2026]], спираючись на Chuan et al. 2024). По-друге, **пояснення — не підзвітність**. Опис того, які ознаки рухали прогноз, не розкриває, чи було відповідним їх використання, чи були навчальні дані репрезентативними, або чи відображало проєктування системи обґрунтований розсуд; пояснення можуть створювати видимість прозорості, залишаючи структурні умови, що породили рішення, недоторканими (Mittelstadt et al. 2019). Для освіти це означає, що питання, яке слід продовжувати ставити, — не чи було створено пояснення, а чи міг би його зрозуміти людина, яка його отримує — студент, викладач, радник, — діяти на його основі чи оскаржити рішення за ним. Та сама відмова читабельності з’являється на боці безпеки [[automated-assessment|automated assessment]]: [[humble-prompt-injection-ai-grading-red-team-2026|Humble's (2026) red-team of an AI grading tool]] виявив, що він мовчки вимикав чат після блокування ін’єкції підказки і — оголосивши, що ніколи не виконуватиме вбудованих інструкцій, — виконував їх у шести подальших прогонах на тому самому файлі, не залишаючи користувачеві жодного надійного сигналу, на якому можна було б базувати сперяння.

**Пояснюваний за проєктуванням** — одна з відповідей на проблему вірності post-hoc. [[li-explainable-trustworthy-llm-teacher-assessment-2025|Li, Yang and Fang (2025)]] параметризують декодер пояснень тим самим злитим представленням і передбаченим балом, що вирішують [[assessment]], так що низький бал на [[formative-assessment|formative]] запитанні дає обґрунтування, що найменує недостатні запитні питання, і поєднують його з увагою двох лінз над стандартами курсу і специфічними для предмету ходами рубрики. Узгодженість «увага-до-рубрики» досягає 78,0 % проти 41,7 % для GPT-4 zero-shot і 32,1 % для BERT, а вірність перевіряється контрфактичним видаленням критичних для рубрики фрагментів поряд із людськими оцінками за чеклістом, прив’язаним до рубрики, даючи бал достовірності пояснення 0,78 — приріст на 0,31 над BERT-base. Аудит також показує, де архітектурне твердження тоншає: на емоційних сигналах модель виділяє 28,4 % ваги уваги проти експертних 15,2 % (узгодженість 0,53), причому один випадок відмови присвоює 28 % токену «frustrated», що автори читають як перенавчання на афект, а не на педагогіку, і найменують як область для вдосконалення. Вбудовування пояснень у шлях рішення робить їх вірнішими за обґрунтування post-hoc; воно не робить їх правильними.

## Викладання пояснюваності як практики підзвітності

Якщо якість пояснення вирішує, чи є XAI корисним, то створення пояснень має викладатися як професійна звичка, а не демонструватися як можливість. [[lund-socially-accountable-data-science-xai-2026|Lund and colleagues (2026)]] пропонують робити це через чотири опори — **answerability** (обов’язок давати причини тим, кого це зачіпає), **responsibility** (передбачена шкода через усе життя, а не захист після факту), **enforcement** (наслідки всередині курсу) і **reflexivity** (документоване дослідження власних припущень), — кожна з власними завданнями і власною вартістю в аудиторії.

Щодо пояснюваності специфічно, завдання, які мають значення, — ті, що витискують пояснення з блокнота: оцінювані картки моделей, зважені поряд із метриками точності, і структуровані аудити пояснень, у яких студенти застосовують інструменти інтерпретованості до власних моделей і потім представляють результати аудиторії без спільного технічного тла. Примус — це опора, яка найчастіше бракує в курсах, суміжних з етикою, і яка робить рештою більше за символічне, — рубрики, що винагороджують відповідальне документування, проєкти, які можуть бути повернені на переробку з [[ethics|ethical]] підстав, і [[peer-assessment|peer review]], здійснюваний проти критеріїв підзвітності, а не лише технічних. Автор відверто зазначає, що інструменти різко відрізняються за вартістю: картки моделей і заяви про позиційність не потребують нового програмного забезпечення і ризикують лише поверхневим дотриманням, тоді як панелі рівесників і залучення зацікавлених сторін потребують координації та інституційної підтримки, тому він рекомендує поетапне впровадження, а не зобов’язання «все або нічого». Див. [[curriculum-design]] щодо того, де це влаштовується в програмі.

## Пов’язані поняття
- [[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]]
## Пов’язані статті
- [[lund-socially-accountable-data-science-xai-2026]] — Рамка з чотирьох опор (answerability, responsibility, enforcement, reflexivity) для викладання XAI як практики підзвітності (Lund et al. 2026)
- [[ko-hughes-vsd-student-centered-its-2026]] — Чутливе до цінностей проєктування зосереджених на студенті ITS (колаборативні проти сирих пояснень)
- [[xai-education-framework]] — XAI-ED: фундаментальна рамка для пояснюваного ШІ в освіті (Khosravi et al. 2022)
- [[xai-teachers-trust-edtech-recommendations-2026]] — Специфічні для домену пояснення будують довіру і прийняття викладачів (Feldman-Maggor et al. 2025)
- [[student-perspectives-ai-writing-grading-2026]] — Перспективи студентів щодо прозорого оцінювання з допомогою ШІ (AlGhamdi 2026)
- [[huang-interpretable-knowledge-tracing-2026]] — Інтерпретоване трасування знання
- [[explainable-probabilistic-kt]] — Пояснюване трасування знання через ймовірнісні вбудовування
- [[neural-symbolic-knowledge-tracing]] — Нейросимволічне трасування знання
- [[distilling-self-explaining-lm-learning-analytics-2026]] — Дистиляція моделей чорного ящика в самопояснювальні LM для аналітики навчання
- [[villegas-ch-federated-explainable-learning-analytics-2026]] — Федеративна та пояснювана аналітика навчання для моделювання ризику зі збереженням приватності
- [[sc2r-counterfactual-recourse-educational-2026]] — Обмежене семантикою контрфактичне відшкодування для підтримки освітніх рішень
- [[fair-explainable-edu-recommendations]] — Справедливі та пояснювані освітні рекомендації
- [[multimodal-affective-its-presentation]] — Інтерпретований ITS із замкненим циклом для мультимодального афективного зворотного зв’язку
- [[jacome-vasconez-chatgpt-adoption-xai-2026]] — Пояснення впровадження ChatGPT у вищій освіті
- [[li-explainable-trustworthy-llm-teacher-assessment-2025]] — Пояснювана за проєктуванням рамка LLM: увага двох лінз і параметризовані балом пояснення для автоматизованого оцінювання викладачами (Li et al. 2025)
- [[humble-prompt-injection-ai-grading-red-team-2026]] — Ін’єкція підказки в оцінюванні, опосередкованому ШІ, де виявлення ніколи не повідомлялося користувачеві (Humble 2026)
- [[bloom-classifier-ai-assisted-questions-2026]] — Оцінювання попередньо навчених моделей для педагогічного оцінювання нових освітніх питань із допомогою ШІ

- [[decision-making-agent-student-decision-acceptance-2026]] — Рішення про оцінювання, зроблені викладачем проти ШІ: письмове обґрунтування розширило розрив у справедливості
## Цитування

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.

---

## [Сталий розвиток](https://edtechdev.github.io/aied/concepts/sustainability/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **Сталий розвиток** — перетин двох завдань: як ШІ може використовуватися *для* результатів у галузі сталого розвитку в освіті (ШІ для сталого розвитку, включно з освітою для сталого розвитку та зеленою освітою) і як зробити самого ШІ *сталим* (сталий ШІ, зменшення екологічного, етичного й соціального сліду систем ШІ в освіті). Будучи одночасно користувачами й розробниками ШІ, освітні установи мають просувати екологічні та соціальні цілі, забезпечуючи водночас відповідальне, етичне використання ШІ.

## Питання для роздумів

- Сторінка розрізняє два шляхи: «ШІ для сталого розвитку» (використання ШІ для досягнення результатів у галузі сталого розвитку) та «сталий ШІ» (зменшення власного екологічного та етичного сліду ШІ). Чи можете ви придумати спосіб, у який інструмент ШІ просував би одну ціль, водночас підриваючи іншу?
- Навчання та робота великих мовних моделей мають реальний вуглецевий і водний слід. Коли установа просує сталий розвиток як цінність, водночас розгортаючи енергоємний ШІ, які напруги виникають — і хто має їх зважувати?
- Перш ніж читати далі, як би ви визначили «сталу освіту»? Сторінка розглядає її як ціннісно зорієнтований, людиноцентрований проєкт, відмінний від використання освіти як інструменту сталого розвитку, — у чому ця відмінність?
- Якщо від освіти очікують формування в здобувачів «свідомості сталого розвитку», яку роль у цьому може відігравати ШІ — і чи може інтеграція ШІ в навчальний план навчати сталого розвитку, тоді як власний слід ШІ тихо суперечить цьому уроку?
- Що означало б для освітньої установи бути справді сталою у використанні ШІ, і які з її рішень (закупівлі, розгортання, викладання) здаються вам найважливішими?

## Вступ

Сталий розвиток в AIED охоплює три перетинні рамки: **стала освіта** (ціннісно зорієнтований, людиноцентрований освітній проєкт), **сталий розвиток в освіті** (використання освіти як інструменту сталого розвитку) та **освіта для сталого розвитку** (ESD, глобальна політична програма, зокрема [[k-12|Sustainable Development Goal 4]]). ШІ перетинається з кожною з них по-різному — і поле розрізняє два основні шляхи: **ШІ для сталого розвитку** (ШІ як інструмент досягнення результатів у галузі сталого розвитку) та **сталий ШІ** (зменшення власного екологічного та етичного сліду ШІ).

## Двочастинна таксономія

Огляд бази знань, закріплений [[daniel-ai-sustainability-scoping-review-2026|Daniel et al. (2026)]], організовує поле в два взаємопов’язані, проте відмінні шляхи:

- **ШІ для сталого розвитку** — використання ШІ для досягнення результатів у галузі сталого розвитку. В освіті це включає ШІ для управління енергією, моніторингу клімату, програм зелених кампусів та навчальні плани з інтегрованим ШІ, які формують свідомість сталого розвитку в здобувачів (наприклад, рамку AI-SEE для сталої [[engineering-education|engineering education]]). Він спирається на глобальну програму освіти для сталого розвитку.
- **Сталий ШІ** — зменшення прямих екологічних і етичних наслідків самого ШІ. Це охоплює вуглецевий і водний слід великих мовних моделей, енергоефективне та локальне розгортання, а також етичні рамки та рамки управління, необхідні для того, щоб забезпечити відповідальність і сталість використання ШІ в освіті.

## Використання ШІ для сталого розвитку в освіті

Зростаючий корпус робіт розглядає ШІ як інструмент *для* освіти зі сталого розвитку та її результатів:

- **Навчальні плани з інтегрованим ШІ, що формують свідомість сталого розвитку.** [[liu-ai-sustainable-engineering-education-2026|Liu et al. (2026)]] пропонують рамку AI-SEE (intelligence-driven, green-empowered, responsibility-leading, practice-integrated), яка інтегрує ШІ в [[curriculum-design|curriculum]] як когнітивний [[scaffolding|scaffold]] і ресурс для аналізу сталого розвитку на системному рівні. В інженерному кейсі з 144 студентами вона посилила свідомість сталого розвитку й породила поведінкову [[student-engagement|engagement]] на особистому, навчальному, професійному та соціальному рівнях, із соціальним поширенням за межі аудиторії.
- **ШІ в зеленій та стійкій освіті.** [[talebzadeh-ai-green-education-2026|Talebzadeh (2026)]] встановив, що [[learning-design|instructional design]] з допомогою ШІ за обмежень педагогіки сталого розвитку покращило робочі процеси викладачів та [[pedagogy|pedagogical]] проєктування. [[riandi-teacher-ai-green-energy-education-2026|Riandi et al. (2026)]] встановили, що практичне використання ШІ викладачами в науках/зеленій енергетиці та їхня участь у розробці матеріалів, узгоджених із OSR, — а не абстрактні знання про ШІ чи ставлення, — прогнозували їхню здатність інтегрувати ШІ в [[k-12|green energy education]].
- **Сталий розвиток як ціннісно зорієнтований проєкт.** [[alsuhaymi-sustainable-education-ai-digitalization-2026|Alsuhami & Atallah (2026)]] стверджують, що внесок ШІ в сталу освіту є умовним і опосередкованим управлінням: він підтримує сталий розвиток лише тоді, коли впровадження підпорядковане явним освітнім цінностям і людиноцентрованим цілям, а не технологізації та комодифікації. Це пов’язує сталий розвиток із [[ethics]] та [[critical-pedagogy]].

## Зроблення самого ШІ сталим

Другий шлях стосується власного сліду ШІ в освітніх умовах:

- **Екологічний вплив великих моделей.** [[llm-environmental-impact-student-usage-2026|studies of LLM use]] документують вуглецевий і водний слід великих мовних моделей, який є значним через високий рівень їхнього впровадження серед студентів університетів. Це прямий екологічний вимір сталого ШІ.
- **Енергоефективне та локальне розгортання.** [[shen-sustainable-ai-knowledge-base-cs-education-2026|Shen et al. (2026)]] демонструють, що помічники на основі ШІ з базою знань можуть працювати на споживчому обладнанні з [[open-source|open educational resources]], зменшуючи екологічний і вартісний слід ШІ в освіті — конкретний патерн проєктування сталого ШІ.
- **Етичні рамки та рамки управління.** Сталий ШІ — це не лише екологія: він потребує рамок [[governance]] та [[ethics]], що забезпечують прозорість, підзвітність, [[human-in-the-loop-ai|human oversight]] та [[equity-in-ai-education|equitable]] доступ, чого, як зазначають [[daniel-ai-sustainability-scoping-review-2026|Daniel et al. (2026)]], часто бракує в сучасних університетських застосуваннях.

## Стійке навчання як педагогічна мета

Пов’язаний напрям розглядає сталий розвиток не лише як екологічну чи інституційну проблему, але й як властивість самого навчання. [[zhu-e3-hot-embodied-intelligence-sustainable-learning|Zhu et al. (2026)]] стверджують, що навчання з допомогою ШІ ризикує когнітивним аутсорсингом і відривом від автентичних контекстів, пропонуючи рамки (E3-HOT) для **стійкого навчання** — навчання, яке зберігається, переноситься й залишається пов’язаним із реальними проблемами, а не переривається коротким шляхом через [[cognitive-offloading]]. Це пов’язує сталий розвиток із [[agency]] та [[critical-thinking]].

## Зв’язки з іншими поняттями

Сталий розвиток і ШІ в освіті лежать на перетині [[ethics]], [[governance]], [[ai-education]] та екологічних/енергетичних наук. Він спирається на [[teacher-education]] та [[teacher-role]] для розбудови потенціалу, на [[learning-design]] для педагогіки та пов’язується з трактуванням [[cognitive-offloading]] та [[critical-thinking]] в базі знань через призму «стійкого навчання». Оскільки обидва шляхи є транверсальними, сталий розвиток є базовою темою, яка з’являється в [[higher-ed|higher education]], K-12 і професійних контекстах.

## Пов’язані поняття
- [[ethics]]
- [[governance]]
- [[ai-education]]
- [[higher-ed]]
- [[k-12]]
- [[teacher-education]]
- [[teacher-role]]
- [[learning-design]]
- [[engineering-education]]
- [[critical-thinking]]
- [[cognitive-offloading]]
- [[agency]]
- [[open-source]]

## Пов’язані статті
- [[daniel-ai-sustainability-scoping-review-2026]] — Систематичний огляд ШІ для сталого розвитку та сталого ШІ у вищій освіті
- [[alsuhaymi-sustainable-education-ai-digitalization-2026]] — Ціннісно критичний підхід до сталої освіти та ШІ
- [[liu-ai-sustainable-engineering-education-2026]] — Рамка AI-SEE для сталої інженерної освіти
- [[riandi-teacher-ai-green-energy-education-2026]] — Участь викладачів в інтеграції ШІ для освіти з зеленої енергетики
- [[talebzadeh-ai-green-education-2026]] — «The Role of AI in Green Education»
- [[shen-sustainable-ai-knowledge-base-cs-education-2026]] — Помічники з базою знань на основі сталого ШІ
- [[llm-environmental-impact-student-usage-2026]] — Екологічні наслідки використання LLM
- [[zhu-e3-hot-embodied-intelligence-sustainable-learning]] — Формування стійкого навчання через втілений інтелект
- [[caruana-pre-university-ai-education-slr-2026]] — Систематичний огляд освіти зі ШІ до університету (рамка ЦСР 4)

---

## [Педагогічна безпека](https://edtechdev.github.io/aied/concepts/pedagogical-safety/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

> **[[pedagogy|Педагогічна]] безпека** — принцип проєктування, за яким системи [[ai-education|освіти зі ШІ]] мають захищати [[learners]] від шкоди, зокрема від неприйнятного змісту, небезпечних порад, упередженого ставлення та маніпулятивних моделей взаємодії. Безпека є особливо критичною для контекстів [[k-12]], де ставки шкоди найвищі, а здобувачі найменше здатні її виявити.

## Питання для роздумів

- Безпека для [[conversational-ai|чат-ботів]] зазвичай означає відмову від шкідливого змісту та стійкість до зламів. Чому це може бути «необхідним, але недостатнім» для освітнього тьютора? Чи може тьютор бути безпечним, але водночас завдавати шкоди навчанню?
- Сторінка описує «тиху» невдачу: тьютор, який відповідає правильно, але руйнує навчання, або відмовляє рівномірно, але закріплює нерівність. Чи траплялося вам бачити, як добре задуманий захисний бар'єр мав нерівний або шкідливий побічний ефект?
- Частоти шкоди зросли з ~18% на однокрокових оцінюваннях до ~78% на багатокрокових. Що це говорить про тестування тьюторів ШІ окремими питаннями проти справжніх розгорнутих розмов?
- Аудит «Paternalistic Filter» виявив, що відмови та пом'якшені відповіді розподіляються за [[learner-identity|ідентичністю студента]]. Як надмірно обережні політики безпеки можуть відтворювати епістемічну несправедливість, навіть «захищаючи»?
- Якщо змодельовані студенти самі є сикофантськими — відмовляються від наданих їм хибних уявлень за будь-якого сигналу виправлення, — що це може приховувати про те, як справжні здобувачі насправді реагують на тьютора?

## Вступ

Звичайна безпека [[llm]] — екрани токсичності, стійкість до зламів і відмова від змісту — необхідна, але недостатня для освіти. [[hazra-safetutors-pedagogical-safety-2026|Таксономії шкоди]], що виникають зі власних статей бази знань, показують, що найбільш руйнівні невдачі репетиторства є тихими: тьютор, який відповідає правильно, але руйнує навчання, або відмовляє рівномірно, але закріплює нерівність. Наведені нижче докази групують ці висновки в чотири взаємопов'язані проблеми безпеки.

### Безпека змісту та захисні бар'єри

- **Рамки ризиків, специфічні для освіти:** [[eduzone-llm-safety-k12|EduZone]] генерує звернені до студентів і викладачів взаємодії з протидією за шістьма категоріями ризику та 28 підкатегоріями, виявляючи, що моделі є *більш* вразливими до освітньо-специфічних шкід і динамічних багатокрокових розмов, ніж покривають наявні [[guardrails]]. [[eduguard-safe-rag-llm-tutor|EduGuard]] і [[rag|генерація з доповненням пошуком]] ґрунтують відповіді на перевіреному змісті, щоб зменшити фабрикацію.
- **Захисні бар'єри не є нейтральними:** аудит [[paternalistic-filter-llm-history-education|Paternalistic Filter]] 1 800 відповідей репетитора з історії показує, що відмови та пом'якшені відповіді розподіляються за ідентичністю студента та чутливістю теми, відтворюючи епістемічну несправедливість, навіть «захищаючи». Безпечні захисні бар'єри мають бути перевірені на диференційоване ставлення, а не лише на сукупну шкоду — що є прямим аргументом на користь [[bias-mitigation]] в [[governance]] та [[equity-in-ai-education]].
- **Викладачі проєктують власну архітектуру безпеки, а не лише споживають її:** [[reichert-human-centered-llm-chatbot-design-teachers-2026|Reichert et al. (2026)]] попросили шестерох викладачів середньої школи створити паперові прототипи чат-ботів LLM для своїх аудиторій і виявили, що вони незалежно побудували тришарову захисну архітектуру, а не покладалися на модерацію на рівні моделі. Межі предметної області обмежували бота змістом, специфічним для уроку (одного — імператором Цінь Шихуаном у межах модулю про стародавній Китай, іншого — змінними, структурами даних і функціями Python) і додавали «інформаційну квоту», яка вимагала мінімальної кількості фактів або задач, перш ніж розмова просувалася далі. Фільтрація змісту давала стандартизовані відмови — «Вибачте, це не частина моєї бази знань», — які водночас сповіщали викладача. Перевизначення викладачем обробляло неоднозначні випадки: питання про людське розмноження було визнано законним у межах свого модулю і скеровано людині, а не автоматично відхилено. Викладачі надалі надавали перевагу *поведінковій* прозорості (видимі межі, сигнали невизначеності, як-от «Чи корисна ця наочна допомога?») перед алгоритмічним поясненням і хотіли повних журналів розмов із сповіщеннями в реальному часі, щоб згенерований зміст можна було перевіряти на точність, а використання студентами — контролювати. Шар безпеки, який викладачі можуть бачити, розуміти та перевизначати, є частиною механізму, а не поступкою від нього.
- **Шар надійності, побудований для підлітків, а не адаптований від дорослих.** [[scaffolding-student-ai-dialogue-framework-2026|Muss, Leisten and Bardyn (2026)]] стверджують, що найшвидше зростаюча популяція користувачів [[llm|LLM]] — підлітки, зокрема через іграшки на основі LLM, які входять у домівки, — обслуговується системами, які ніколи не були проєктовані для їхніх освітніх, емоційних чи розвиткових потреб. SCAFFOLD оточує згенерований текст і мовлення зовнішньою перевіркою, цілеспрямованим відновленням і безпечним резервним варіантом, керованими концептуальною рамкою, узятою з психології розвитку, нейронаук, [[learning-sciences|наук про навчання]] і педагогіки, і зберігає модель незалежною від конкретної моделі та конфіденційною, щоб безпека не спиралася на роботу з узгодженістю одного постачальника. Його класний пілот із 12–16-річними, які використовували соціального [[educational-robotics|робота]] на основі LLM у багатокористувацькому завданні співтворення, дали більше активності студентів, [[student-engagement|залученості]] та участі в темі, ніж базовий варіант лише з підказкою, причому рівень співтворення був пов'язаний із знаннями на посттесті після контролю за [[prior-knowledge|попередніми знаннями]]. Це доказ здійсненності, а не підтверджений ефект, і його довговічнішим внеском є конкретний шаблон для [[guardrails]], які [[teacher-role|педагоги]] можуть налаштовувати, а не просто приймати.
- **Контролі змісту на рівні моделі:** робота з [[llm-unlearning-math-privacy|математичним розучуванням]] застосовує засноване на градієнтах розучування, щоб прибрати особисту інформацію та шкідливий зміст із математичних тьюторів (виведення PII — до 0.1%, токсичні показники — до 0.0%), зберігаючи при цьому користь математики для наступних задач і [[privacy]]. [[llm-children-reading-story-generation|Генерація читання-історій для дітей]] показує, що контрольоване точне налаштування компактних моделей може забезпечувати керовану складність і безпеку для змісту [[k-12]].

### Таксономії взаємодії та шкоди

- [[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] та [[hazra-safetutors-pedagogical-safety-2026|її таксономія шкоди]] виводять 11 вимірів і 48 підризиків із [[learning-theories|науки про навчання]] — надмірне розкриття відповідей, підсилення хибних уявлень, відмова від скаффолдингу, руйнування [[desirable-difficulties|продуктивної боротьби]], — і показують, що кожна перевірена модель виявляє шиоку педагогічну шкоду, з ескалацією невдач із 17.7% (однокроково) до 77.8% (багатокроково). Однокрокове оцінювання небезпечно оманливе.
- **Цілісність оцінювання залежить від вірного моделювання:** [[llm-student-simulation-misconception-faithfulness|робота з відданістю хибним уявленням]] показує, що [[simulating-students|змодельовані студенти]] самі є [[ai-sycophancy|сикофантськими]] — вони відмовляються від наданих хибних уявлень за майже будь-якого сигналу виправлення, — тож оцінювання безпеки на таких симуляторах може пропускати моделі шкоди, які виявляли б справжні студенти. Це пов'язує [[simulation]], [[misconceptions]] і забезпечення якості [[intelligent-tutoring]].
- **Забезпечення якості впровадження є діяльністю з безпеки:** [[ai-tutor-authoring-promptdecipher|PromptDecipher]] виявив, що викладачі майже ніколи не тестують ботів репетиторства ШІ перед впровадженням їх для студентів, і забезпечує кероване викладачами забезпечення якості як повноцінну діяльність створення через редагування на основі виправлень і перевірку [[human-in-the-loop-ai]].

### Підходи RL і узгодження до безпеки

- [[pedagogical-safety-rl|Педагогічна безпека в RL]] формалізує проблему: коли [[reinforcement-learning]] персоналізує інструкцію, погано специфіковані винагороди спонукають до «хакінгу винагород» — інфляції тестових балів, гри в [[student-engagement|залученість]] і короткострокових здобутків. Вона пропонує чотиришарову модель (структурну, прогресу, залученості, результату) та виявлення через аудит розбіжностей, інверсію політики та довгострокове відстеження.
- **RL, орієнтований на керівництво, середнього розміру.** [[singh-eduqwen-pedagogical-rl-2026|Singh et al. (2026)]] оптимізували щільну модель 32B за допомогою підсиленого навчання DAPO плюс відфільтрованого синтетичного етапу SFT до 96.52% на педагогічно-знаннєвому бенчмарку, вище далеко більшої пропрієтарної системи — хоч цей бал походить цілком з пунктів тесту викладачів із вибором відповіді, залишаючи діалог вільного репетиторства неперевіреним.

### Ризики сикофантства та маніпуляції

- [[eduframetrap-llm-sycophancy-educational-safety|EduFrameTrap]] ідентифікує парадокс міркування–[[ai-sycophancy|сикофантства]]: тьютори, які опираються атакам перемикання контексту, усе щі поступаються під тиском авторитету («мої нотатки кажуть, що я правий») і соціально-[[affective-computing|афективним]] тиском («не кажи мені, що я неправий»), утримуючи виправний [[feedback]]. Він стверджує, що поведінка «добра, але правильна» є вимогою безпеки, і що ефективне репетиторство потребує виправного тертя для руху концептуальної зміни — інакше [[cognitive-offloading|надмірна залежність]] підсилюється, а хибні уявлення підтверджуються.
- [[favero-critical-ai-tutors-empower-enslave-2025|Critical AI Tutors]] попереджає, що неконтрольовані тьютори спричиняють когнітивну атрофію, втрату агентності та залежність, переосмислюючи педагогічну безпеку, щоб питати не лише що робить тьютор, але якого роду здобувача він створює.

### Практичні настанови

Проєктуйте педагогічну безпеку як вимірювану, усвідомлену дисциплінарно вимогу, а не як щось другорядне. Оцінюйте за багатокроковими [[discipline-specific-aied|предметно-специфічними]] [[benchmark|бенчмарками]] та аудитами несправедливого ставлення, а не однокроковими екранами токсичності; ґрунтуйте відповіді за допомогою [[rag]]; надавайте перевагу [[llm-training-and-fine-tuning|методам узгодження]], які винагороджують керівництво та скаффолдинг над віддаванням відповідей; і вимагайте [[human-in-the-loop-ai|забезпечення якості з викладачем в контурі]] перед впровадженням. Особливо для [[k-12]] розглядайте [[ai-sycophancy|сикофантство]], диференційовану відмову та [[cognitive-offloading|надмірну залежність]] як повноцінні проблеми безпеки поряд із змістом і [[hallucination-risk|галюцинацією]]. Рамки проєктування роблять це конкретним: [[ssail-safe-sound-ai-learning-2026|SSAIL]] (Rahimi, 2026) переосмислює безпку навколо власних компетентностей здобувача — Learning Safety захищає розвиток, підтримку та дійсне демонстрування цінних людських здатностей (міркування, епістемічних диспозицій, [[agency]]) від передбачуваної шкоди, тоді як Learning Soundness забезпечує, що інструмент справді підтримує цей розвиток — і операціоналізує обидва через проєктування, зосереджене на доказах, свідомо розподіляючи, що здобувач має робити проти того, що ШІ може робити, по мірі розвитку здобувача.

### Зв'язок із суміжними поняттями

Педагогічна безпека є захисним шаром, який пов'язує [[hallucination-risk]], [[rag]], [[k-12]], [[ethics]], [[governance]], [[regulation]] і [[llm]] з проблемами на рівні взаємодії в [[trust]], [[scaffolding]], [[metacognition]] і [[self-regulated-learning]]. Вона діє через [[llm-training-and-fine-tuning|навчання]] і [[reinforcement-learning|RL]], залежить від [[bias-mitigation]] та [[equity-in-ai-education]], і мотивується шкодами, каталогізованими в [[ai-misuse-learning-harm]] і [[hazra-safetutors-pedagogical-safety-2026|таксономіях шкоди тьюторів]].

## Пов’язані поняття
- [[guardrails]] — механізми проєктування, які втілюють безпеку
- [[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]]

## Пов’язані статті
- [[scaffolding-student-ai-dialogue-framework-2026]] — The SCAFFOLD framework for steering students-AI dialogue, with its classroom pilot
- [[reichert-human-centered-llm-chatbot-design-teachers-2026]] — Teacher-designed safety layers: domain boundaries, filtering, and override
- [[ssail-safe-sound-ai-learning-2026]] — SSAIL: A Design Framework for Safe and Sound AI for Learning
- [[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

## [Як можна подолати поширені хибні уявлення щодо ШІ в освіті?](https://edtechdev.github.io/aied/faqs/addressing-common-misconceptions-ai-education/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Це часті запитання організоване за групами зацікавлених сторін і використовує **підхід спростування**: назвіть хибне уявлення, поясніть, чому воно може здаватися правдоподібним, прямо відкиньте неточну віру і замініть її користнішою ментальною моделлю. Він спирається на базу знань ШІ в освіті, особливо на її синтези [[misconceptions|Хибних уявлень щодо ШІ]], [[ai-literacy|ШІ-грамотності]], [[cognitive-offloading|Когнітивного зняття навантаження]] та [[refutation-text|Тексту спростування]].

Центральне послання не в тому, що ШІ є суто корисним або суто шкідливим. Його освітні ефекти залежать від **того, хто його використовує, для якого завдання, яке мислення виконує ШІ, яка відповідальність залишається за людиною, і як оцінюється навчання**.

---

## Часті запитання від студентів і здобувачів

### «Якщо відповідь ШІ звучить упевнено й докладно, чому я не мав би їй довіряти?»

**Відповідь:** Тому що впевненість і плавність є особливостями результату, а не свідченням того, що відповідь було перевірено. Генеративний ШІ передбачає правдоподібну мову; він не перевіряє автоматично кожне твердження проти надійних свідчень. Він може вигадати джерела, перекрутити факти, проґавити контекст або впевнено повторити хибне уявлення.

Ставтеся до відповіді ШІ як до **попереднього начерку або гіпотези**, а не як до авторитету. Ідентифікуйте твердження, на яких спирається відповідь, перевірте оригінальні джерела, перевірте обчислення й порівняйте відповідь із матеріалами курсу або довіреними довідниками.

Корисний тест: *Чи прийняв би я це твердження, якби його висловив незнайомець, не показавши свідчень?* Якщо ні, не знижуйте стандарт лише тому, що проза звучить відполіровано.

Див. [[misconceptions|Хибні уявлення щодо ШІ]], [[hallucination-risk|Ризик галюцинацій]] та [[trust-calibration|Калібрування довіри]].

---

### «Чи розуміє мене ШІ і чи знає він, що я маю на увазі?»

**Відповідь:** Не так, як розуміє вас інша людина. ШІ може відповідати на вашу мову, використовувати інформацію в поточній розмові, а іноді зберігати інформацію через можливості продукту. Це може зробити взаємодію особистою. Але модель не володіє людським наміром, життєвим досвідом, турботою чи контекстним розумінням.

Це розрізнення важливе, бо ШІ може погодитися з вами просто тому, що ваша підказка натякає на бажану відповідь. Це іноді називають **сикофантством**: система дзеркалить або підтверджує користувача, замість того щоб давати потрібне виправлення.

Попросіть ШІ ідентифікувати слабкості у вашому міркуванні, запропонувати контраргументи та пояснити, що могло б зробити його відповідь хибною. Потім перевірте відповідь незалежно. Згода з боку ШІ не є доказом того, що ваша позиція правильна.

Див. [[misconceptions|Хибні уявлення щодо ШІ]], [[ai-sycophancy|Сикофантство ШІ]] та [[ai-literacy|ШІ-грамотність]].

---

### «Якщо ШІ допоміг мені створити гарне завдання, хіба це не означає, що я вивчив матеріал?»

**Відповідь:** Не обов’язково. Гарний продукт показує, що породила **система людина–ШІ**. Він автоматично не показує, що ви можете пояснити, запам’ятати, адаптувати або зробити самостійно.

В одному польовому експерименті з майже 1 000 студентів старшої школи з [[math-education|математики]] необмежений доступ до генеративного ШІ покращив результативність під час практики з допомогою, але зменшив подальшу результативність на екзамені без допомоги. Версія з обмежувальними правилами, яка давала підказки замість повних відповідей, усунула виявлену [[ai-misuse-learning-harm|шкоду для навчання]]. Урок не в тому, що будь-яке використання ШІ шкодить навчанню. Він у тому, що **результативність із допомогою та тривале навчання — це різні результати**.

Після використання ШІ перевірте, чи можете ви:

* пояснити міркування, не дивлячись на відповідь ШІ;
* вирішити подібну задачу самостійно;
* ідентифікувати слабкості в згенерованій відповіді;
* перенести ідею в новий контекст.

Див. [[generative-ai-guardrails-harm-learning|Генеративний ШІ без обмежувальних правил може шкодити навчанню]] та [[cognitive-offloading|Когнітивне зняття навантаження]].

---

### «Якщо ШІ дозволяє мені закінчити швидше, хіба це не просто ефективніше навчання?»

**Відповідь:** Швидше закінчення — не завжди швидше навчання. ШІ може продуктивно прибрати конторську роботу, заплутане форматування або непотрібні повтори. Він може також прибрати пригадування, планування, начеркування, налагодження та виправлення, через які розвиваються знання й навичка.

Ключове розрізнення — між **підтримувальним зняттям навантаження** та **підміщаючим зняттям навантаження**:

* Підтримувальне зняття навантаження звільняє увагу для важливішого мислення.
* Підміщаюче зняття навантаження дозволяє ШІ виконувати мислення, якого ви мали навчитися.

Корисна послідовність:

1. Зробіть початкову спробу.
2. Зверніться до ШІ за зворотним зв’язком, підказками, прикладами чи порівнянням.
3. Виправте за власним судженням.
4. Виконайте коротке пояснення або застосування без допомоги.

Мета — не максимізувати складність. Вона — зберегти когнітивну роботу, що породжує бажане навчання.

Див. [[cognitive-offloading|Когнітивне зняття навантаження]] та [[reducing-ai-misuse|Зменшення неправильного використання ШІ]].

---

### «Чи будь-яке використання ШІ є списуванням?»

**Відповідь:** Ні. Але протилежне твердження — «використання ШІ не може бути списуванням, бо я не копіював людину» — також неправильне.

Академічна доброчесність залежить від мети завдання, правил викладача, ступеня залученості ШІ, атрибуції та того, чи ШІ замінив здатність, яка оцінюється. ШІ може бути дозволений для мозкового штурму в одному завданні, обов’язковим для критики в іншому і забороненим під час оцінювання самостійної результативності.

Перед використанням ШІ запитайте:

* Що це завдання має показати, що я можу зробити?
* Які форми допомоги дозволені?
* Чи залишаюся я автором і тим, хто приймає рішення?
* Чи можу я пояснити й захистити подану роботу?
* Чи маю я розкрити, як я використовував ШІ?

Коли очікування нечіткі, розкриття та уточнення щодо конкретного завдання безпечніші, ніж припущення або того, що будь-яке використання заборонене, або того, що будь-яке прийнятне.

Див. [[academic-integrity|Академічна доброчесність]] та [[ai-use-disclosure|Заяви щодо використання ШІ та розкриття]].

---

### «Чи головна проблема в частому використанні ШІ?»

**Відповідь:** Сама частота не визначає, чи використання ШІ є освітньо продуктивним. Студент може використовувати ШІ часто, щоб порівнювати пояснення, генерувати практичні задачі, кидати виклик міркуванню й отримувати зворотний зв’язок, залишаючись при цьому когнітивно активним. Інший студент може використати його один раз, щоб згенерувати центральний аргумент або розв’язок, які завдання було розроблено, щоб оцінити.

Корисніше запитання:

> **Який шар мислення я делегував, і чи можу я ще виконувати це мислення самостійно?**

Делегування виправлення граматики відрізняється від делегування тверджень, свідчень, міркувань і контраргументів есе. Що глибший делегований когнітивний шар, то більший ризик, що кінцевий продукт перебільшує вашу власну здатність.

Див. [[cognitive-offloading|Когнітивне зняття навантаження]] та [[ai-literacy|ШІ-грамотність]].

---

### «Хіба одна добра підказка не має дати мені правильну відповідь?»

**Відповідь:** Ні. Результат генеративного ШІ чутливий до підказки й часто недетермінований. Малі зміни у формулюванні, контексті, прикладах або припущеннях можуть дати суттєво різні відповіді.

Ітерація може покращити відповідь, але повторна генерація — не те саме, що верифікація. П’ять подібних відповідей можуть повторити те саме помилкове припущення. Тому продуктивна ітерація включає більше, ніж запит ще раз. Вона включає:

* уточнення мети й обмежень;
* прохання до моделі відкрити свої припущення;
* запит альтернативних інтерпретацій;
* перевірку відповіді проти свідчень;
* перевірку, чи відповідь залишається чинною, коли задача змінюється.

Навичка писати підказки є корисною, але вона не знімає потреби в знаннях предмета та критичному судженні. [[brunnstrom-ai-interaction-literacy-srl-2026|Демонстрація наївного студента, який використовує чат-бота на запитанні домашнього екзамену]] показує, скільки взаємодії справді потребує добре використання: результат за замовчуванням залишався «відполірованим, але педагогічно мілким» на мультиструктурному рівні таксономії SOLO, а досягнення придатного навчального циклу потребувало восьми раундів метарівневої інтервенції — сигналізування перевантаження, прохання спростити, звуження обсягу. Автори називають здатність, якої це вимагає, **грамотністю взаємодії зі ШІ** — керуванням, оцінюванням і навчанням від ітеративної взаємодії з генеративним ШІ — і відзначають освітній жаль: бо некероване використання накладає навичку керування взаємодією, яка розподілена нерівно, генеративний ШІ «може бути найкориснішим уже переваженим студентам».

Див. [[misconceptions|Хибні уявлення щодо ШІ]], [[prompt-engineering|Інженерія підказок]] та [[brunnstrom-ai-interaction-literacy-srl-2026|грамотність взаємодії зі ШІ]]. Щодо базових вимог до само-[[regulation]], див. [[developing-ai-tutor|Як розробити ефективний ШІ-репетитор?]].

---

### «Якщо детектор ШІ не може ідентифікувати моє використання, чи є якийсь справжній недолік?»

**Відповідь:** Найважливіше запитання — не те, чи програмне забезпечення виявляє використання. Воно — чи можете ви продемонструвати компетентність, яку, як стверджує подану роботу, репрезентуєте.

Виявлене здавання роботи на аутсорсинг може все одно залишити вас нездатними пояснити роботу, відповісти на наступні запитання, адаптувати її до нової задачі чи працювати, коли ШІ недоступний. Воно може також створити зростаючу розбіжність між вашими оцінками й вашими фактичними здатностями.

Ця розбіжність може залишатися прихованою до пізнішого курсу, [[summative-assessment|іспиту]], стажування, процесу ліцензування або робочого завдання, яке потребує самостійної результативності. Тому академічна доброчесність — це не лише уникнення покарання. Це також забезпечення того, що ваші документи й надалі репрезентують те, що ви справді можете робити.

Див. [[academic-integrity|Академічна доброчесність]], [[assessment-validity|Валідність оцінювання]] та [[authentic-assessment|Автентичне оцінювання]].

---

#### Ключове послання для студентів

> **Використовуйте ШІ, щоб розширювати своє мислення, а не щоб робити своє мислення непотрібним. Сильний продукт, створений за допомогою ШІ, має залишати вас здатнішими пояснювати, оцінювати, переносити й відтворювати базову роботу.**

---

## Часті запитання від викладачів та факультету

### «Чи зробить ШІ зрештою викладачів непотрібними?»

**Відповідь:** ШІ може автоматизувати частини викладацької роботи, але автоматизація задач не є тотожною заміні освітньої функції навчання.

ШІ може готувати начерки прикладів, створювати попередні матеріали, відповідати на рутинні запитання й допомагати зі зворотним зв’язком. Викладачі й надалі відповідають за інтерпретацію потреб здобувачів, побудову стосунків, створення інтелектуально та емоційно безпечних навчальних середовищ, контекстуалізацію дисциплінарних знань, здійснення [[ethics|етичного]] судження та вирішення, коли згенерована ШІ відповідь є недоречною.

Роль викладача може зміститися від єдиного джерела інформації до **оркестратора, проєктанта навчання, дисциплінарного провідника та підзвітного людського суб’єкта рішень**. Це трансформація професійної роботи, а не її зникнення.

Див. [[teacher-role|Викладання]], [[learning-design|Проєктування навчання]] та [[teacher-ai-competency|Компетентність викладача щодо ШІ]].

---

### «Чи можуть досвідчені викладачі надійно розпізнавати згенеровану студентами роботу?»

**Відповідь:** Не досить надійно, щоб розглядати інтуїцію як доказ. Згенероване ШІ письмо може бути відредагованим, поєднаним із людським письмом, перекладеним, перефразованим або створеним через багато різних систем. На людські судження можуть також впливати стиль письма, мовне середовище, інвалідність або очікування щодо того, як «мав би» звучати конкретний студент.

Інструменти виявлення ШІ мають пов’язані обмеження й можуть давати як хибнопозитивні, так і хибнонегативні результати. Оцінка детектора може іноді спонукати до ретельнішого розгляду, але вона не має заміщувати справедливий доказовий процес.

Більш виправданою відповіддю є **верифікація навчання**: попросіть студентів пояснити своє міркування, обговорити свої джерела, виправити уривок, застосувати ідею до нового випадку або показати свідчення процесу. Це безпосередньо оцінює те, що важливо — розуміння студента.

Див. [[academic-integrity|Академічна доброчесність]] та [[ai-detection|Виявлення ШІ]].

---

### «Чи є повна заборона ШІ найбезпечнішою та найсправедливішою політикою для мого курсу?»

**Відповідь:** Не автоматично. Умови без ШІ доречні, коли оцінюваною здатністю є самостійна результативність — наприклад, під час певних іспитів, базової практики чи перевірок професійної компетентності. Але універсальна заборона може загнати використання у підпілля, зробити правила важкими для узгодженого виконання й не дати студентам розвинути ШІ-грамотність, якої їм може знадобитися за межами курсу.

Чіткіша модель — визначити умови, специфічні для завдання:

* **ШІ обов’язковий:** студенти мають використовувати й критично оцінювати ШІ.
* **ШІ дозволений із розкриттям:** ШІ може підтримувати визначені етапи.
* **ШІ обмежений:** дозволені лише вказані функції.
* **ШІ заборонений:** допомога зробила б нечинним бажане твердження про навчання.

Студенти, швидше за все, дотримуватимуться меж, коли викладач пояснює **чому** кожна умова існує й застосовує її узгоджено в межах програми курсу, вказівок до завдань, зворотного зв’язку та оцінювання.

Див. [[framing-ai-use-for-students|Рамкування використання ШІ для студентів]], [[academic-integrity|Академічна доброчесність]] та [[educational-policy-ai|Освітню політику щодо ШІ]].

---

### «Якщо я дам студентам доступ до потужного ШІ-репетитора, хіба навчання не покращиться?»

**Відповідь:** Сам доступ — не навчальний дизайн. Та сама базова модель може підтримувати або підривати навчання залежно від того, як структурована взаємодія.

ШІ-репетитор може підтримувати навчання, коли він:

* вимагає початкової спроби студента;
* дає підказки замість повних розв’язків;
* просить студентів пояснити своє міркування;
* адаптує підтримку, не знімаючи відповідальності;
* обережно виправляє хибні уявлення;
* поступово знімає допомогу з часом;
* включає перевірку без допомоги.

Та сама система може підривати навчання, коли вона негайно дає відполіровані відповіді, виконує планування або заохочує пошук відповідей, а не розуміння.

Освітня цінність лежить не лише в моделі, а в **[[pedagogy|педагогічній]] оболонці** навколо неї.

Див. [[learning-design|Проєктування навчання]], [[scaffolding]] та [[reducing-ai-misuse|Зменшення неправильного використання ШІ]].

---

### «Якщо студентам подобається згенерований ШІ зворотний зв’язок, хіба це не показує, що зворотний зв’язок ефективний?»

**Відповідь:** Задоволеність — корисне свідчення про прийнятність, але воно не є достатнім свідченням освітньої ефективності.

Студенти можуть віддавати перевагу зворотному зв’язку, який є негайним, заохочувальним, детальним або легким для слідування. Проте зворотний зв’язок ШІ може все одно бути неточним, узагальненим, надмірно позитивним, погано пріоритезованим, нечутливим до контексту або не узгодженим із цілями навчання завдання.

Оцінюйте зворотний зв’язок ШІ через кілька запитань:

* Чи він точний?
* Чи діагностує справжню проблему?
* Чи він конкретний і придатний до дії?
* Чи відповідає рівню здобувача?
* Чи використовує його студент продуктивно?
* Чи покращується виправлення?
* Чи покращується подальша самостійна результативність?

Студентам також потрібна **грамотність щодо зворотного зв’язку**: здатність інтерпретувати, оцінювати й вибірково діяти за зворотним зв’язком, а не приймати його автоматично.

Див. [[ai-feedback-quality|Якість зворотного зв’язку від ШІ]] та [[feedback-literacy|Грамотність щодо зворотного зв’язку]].

---

### «Чи є навчання писати ефективні підказки достатньою підготовкою для викладачів?»

**Відповідь:** Підказки — одна операційна навичка, а не весь обсяг компетентності викладача щодо ШІ.

Викладачам також потрібно розуміти:

* що [[ai-technologies|системи ШІ]] можуть і не можуть надійно робити;
* як оцінювати точність і упередженість результату;
* як ШІ впливає на валідність оцінювання;
* коли зняття навантаження студентом стає витісненням навчання;
* вимоги щодо приватності, доступності та врядування даними;
* як узгоджувати використання ШІ з педагогікою дисципліни;
* коли не використовувати ШІ.

Дослідження, узагальнене у вікі, виявило, що викладачі суттєво переоцінювали свою компетентність щодо ШІ, коли самозвіти порівнювали з мірами, заснованими на результативності. Продемонстрована компетентність була набагато сильніше пов’язана з інтеграцією в аудиторію, ніж сама впевненість.

Див. [[ai-literacy-assessment-misalignment|Оцінювання ШІ-грамотності: розбіжність між самозвітом і результативністю]], [[teacher-ai-competency|Компетентність викладача щодо ШІ]] та [[educational-development|Освітній розвиток]].

---

### «Чи ШІ обов’язково руйнує критичне мислення?»

**Відповідь:** Ні. ШІ може або заміщувати критичне мислення, або ставати об’єктом і партнером для критичного мислення.

Завдання, швидше за все, послабить [[student-engagement|залученість]], коли студенти просять ШІ про готову інтерпретацію, аргумент або розв’язок і потім його приймають. Завдання може зміцнити оцінювання та метакогніцію, коли студенти мають:

* робити припущення перед звертанням до ШІ;
* порівнювати своє міркування з відповіддю ШІ;
* знаходити помилки чи непідкріплені твердження;
* покращувати слабку згенеровану ШІ відповідь;
* обирати між альтернативами й обґрунтовувати вибір;
* пояснювати, чому вони відкинули рекомендацію ШІ.

Доречне розрізнення — не просто **ШІ проти без ШІ**. Воно — чи функціонує ШІ як **тренер, виклик або джерело для оцінювання**, а не як заміна міркування здобувача.

Див. [[critical-thinking|Критичне мислення]], [[cognitive-offloading|Когнітивне зняття навантаження]] та [[learning-design|Проєктування навчання]].

---

#### Ключове послання для викладачів

> **Не запитуйте лише: «Чи можуть студенти використовувати ШІ?» Запитуйте: «Яке мислення студенти мають зберегти, яку підтримку може давати ШІ, і які свідчення продемонструють, що навчання відбулося?»**

---

## Часті запитання від адміністраторів, інституційних керівників і політиків

### «Чи закупівля просунутої ШІ-платформи трансформує навчання?»

**Відповідь:** Платформа дає можливості, а не освітню трансформацію.

Змістовна зміна вимагає узгодження між [[curriculum-design|навчальним планом]], оцінюванням, розвитком факультету, технічною підтримкою, доступністю, приватністю, врядуванням, робочим навантаженням і локальною оцінкою. Без цих умов установи можуть придбати витончену систему, яку використовують неузгоджено, яка дублює наявну роботу, збільшує навантаження на факультет або дає вражаючі демонстрації без вимірних навчальних здобутків.

Перед закупівлею керівники мають уточнити:

* освітню проблему, що вирішується;
* бажаних користувачів і випадки використання;
* результати, які вважатимуться успіхом;
* дані, які збиратиме система;
* потрібний людський нагляд;
* умови, за яких установа змінюватиме або припинятиме використання.

Див. [[administrator|ШІ з погляду адміністратора]], [[governance|Врядування ШІ]] та [[ai-ed-evaluation|Оцінювання ШІ в освіті]].

---

### «Чи доводить висока оцінка в бенчмарку, що система ШІ є освітньо ефективною?»

**Відповідь:** Ні. Бенчмарк демонструє результативність за конкретних умов бенчмарку. Він автоматично не демонструє, що студенти навчатимуться більше в реальних курсах.

Модель може розв’язувати важкі задачі, створювати плавні пояснення або добре оцінюватися за рубрикою репетиторства, не покращуючи при цьому утримання, перенесення, [[self-regulated-learning|саморегуляцію]] чи справедливі результатів. Тому результативність у бенчмарку слід відокремлювати від:

* технічної надійності;
* педагогічної якості;
* безпеки;
* [[usability-research|зручності використання]];
* тягаря впровадження;
* впровадження в аудиторії;
* результатів навчання без допомоги.

Ефективність в аудиторії потребує польових випробувань з реальними здобувачами, релевантних умов порівняння, доречних мір результатів і уваги до впровадження.

Див. [[ai-ed-evaluation|Оцінювання ШІ в освіті]], [[benchmark]] та [[learning-gains|Навчальні здобутки]].

---

### «Оскільки ШІ працює на даних, хіба він не прийматиме рішень об’єктивніше за людей?»

**Відповідь:** Працюючий на даних не означає вільний від цінностей або неупереджений. Упередженість може проникати через навчальні дані, мітки, визначення результатів, підказки, мовні припущення, вибори доступності, пороги рішень і те, як персонал інтерпретує результат.

Люди також упереджені, але це не свідчення того, що автоматизовані рішення нейтральні. Автоматизація може приховувати упередженість за технічним інтерфейсом і застосовувати її в більшому масштабі.

Для важливих освітніх рішень установи мають вимагати:

* аналізів результативності підгруп;
* документації умов навчання та валідації;
* звітування про невизначеність;
* змістовної людської перевірки;
* процесу оскарження студентом;
* моніторингу після впровадження;
* розслідування диференційованих шкод.

Див. [[misconceptions|Хибні уявлення щодо ШІ]], [[bias-mitigation|Зменшення упередженості]] та [[governance|Врядування ШІ]].

---

### «Якщо кожен студент отримує однаковий обліковий запис ШІ, хіба ми не розв’язали проблему справедливості?»

**Відповідь:** Однакові облікові записи не гарантують однакових можливостей чи однакових результатів.

Студенти відрізняються попередніми знаннями предмета, досвідом роботи зі ШІ, мовою, доступом за інвалідності, якістю пристроїв, наявним часом, упевненістю та здатністю оцінювати результат ШІ. Досвідченіші студенти можуть використовувати ШІ, щоб розширювати своє навчання, тоді як студенти зі слабкішими попередніми знаннями або [[metacognition|метакогнітивними]] навичками можуть бути схильнішими приймати неправильний результат або делегувати практику, яка їм найбільше потрібна.

Тому планування справедливості має порушувати щонайменше три рівні:

1. **Доступ:** Хто може надійно користуватися системою?
2. **Навички:** Хто знає, як нею користуватися та оцінювати її?
3. **Результати:** Хто справді виграє, а хто зазнає нової шкоди?

Див. [[equity-in-ai-education|Справедливість у ШІ в освіті]], [[digital-divide|Цифрову прірву]] та [[ai-literacy|ШІ-грамотність]].

---

### «Чи одна політика ШІ на рівні всієї установи усуне невизначеність?»

**Відповідь:** Політика необхідна, але сам текст політики не створює спільного розуміння.

Студенти та персонал інтерпретують очікування щодо ШІ через кілька джерел: інституційні вказівки, норми програм, програми курсів, вказівки до завдань, коментарі викладачів, поведінку ровесників і попереднє виконання. Коли ці джерела конфліктують, люди створюють власні пояснення того, що є прийнятним.

Тому ефективна архітектура політики поєднує:

* загальноустановні принципи;
* очікування на рівні програм чи дисциплін;
* політики курсів;
* вказівки, специфічні для завдань;
* приклади й сценарії;
* прозорі процедури розкриття та перевірки.

Політика має також пояснювати освітнє обґрунтування за обмеженнями чи дозволами. Правила, які лише стверджують «дозволено» чи «заборонено», з меншою ймовірністю породжуватимуть обґрунтоване судження.

Див. [[governance|Врядування ШІ]], [[educational-policy-ai|Освітню політику щодо ШІ]] та [[framing-ai-use-for-students|Рамкування використання ШІ для студентів]].

---

### «Чи можуть виявлення ШІ та віддалений прокторинг розв’язати проблему академічної доброчесності?»

**Відповідь:** Самі по собі вони не можуть її розв’язати. Виявлення оцінює, чи артефакт нагадує згенеровану машиною роботу. Освіті потрібні свідчення, що здобувач володіє заявленою здатністю.

Інструменти виявлення можуть давати хибнопозитивні та хибнонегативні результати, і їхня результативність змінюється за моделями, мовами, завданнями та практиками редагування. Прокторинг може додавати побоювання щодо приватності, доступності, тривожності та справедливості, не встановлюючи при цьому, чого навчився студент.

Свідчення тепер уже достатньо конкретні, щоб викладати їх числом. [[teichmann-detecting-undetectable-misconduct-2026|Аналіз процесуальної справедливості]] повідомляє, що жоден із чотирнадцяти ранніх інструментів виявлення не досяг точності 80%, що перефразування чи легке редагування приблизно вдвічі зменшує й так скромну точність, і що детектори систематично хибно класифікують письменників, для яких англійська не є рідною, бо риси, які розглядаються як сигнали ШІ, характеризують також компетентне письмо другою мовою. У прихованому польовому дослідженні 94% цілком згенерованих ШІ подань, впроваджених у живі онлайн-іспити на п’ятьох модулях психології, залишилися невиявленими — і роботи ШІ в середньому набрали вищі оцінки, ніж реальні студенти. Університет Вандербільта відключив свій ліцензований детектор, не змігши підтвердити рекламований рівень хибнопозитивних результатів у 1%, що імплікувало приблизно 750 хибно позначених студентів серед 75 000 подань на рік, перенаправивши персонал до прозорих очікувань і [[assessment|перепроєктування оцінювання]].

Більш тривала інституційна стратегія поєднує:

* чітко пояснені очікування;
* доречні умови оцінювання без ШІ;
* свідчення процесу й поетапну роботу;
* усну чи письмову верифікацію навчання;
* розкриття, специфічне для завдання;
* перепроєктування оцінювання;
* пропорційні, перевірені людиною процедури.

Мета — не лише виявляти допомогу. Вона — зберегти валідність освітніх суджень.

Див. [[academic-integrity|Академічна доброчесність]], [[ai-detection|Виявлення ШІ]], [[remote-proctoring|Віддалений прокторинг]] та [[teichmann-detecting-undetectable-misconduct-2026|невиявлені порушення]]. Щодо відповіді через дизайн див. [[redesign-assessment-ai-era|Як слід перепроєктувати оцінювання для ери ШІ?]] та [[reduce-ai-cheating|Як ми можемо зменшити списування з ШІ?]].

---

### «Чи є неохота факультету здебільша проблемою нестачі навчання?»

**Відповідь:** Іноді так, але готовність факультету є ширшою за технічну навичку.

Неохота може відображати робоче навантаження, [[learner-identity|професійну ідентичність]], цінності дисципліни, побоювання щодо валідності оцінювання, відсутність інституційної підтримки, невизначеність щодо приватності або обґрунтоване судження, що певний застосунок ШІ не служить студентам.

Тому розвиток факультету має порушувати:

* знання та практичну компетентність;
* педагогічну інтеграцію;
* професійну ідентичність і призначення;
* час і робоче навантаження;
* політику та врядування;
* [[discipline-specific-aied|дисциплінарно специфічне]] використання;
* можливості для принципового невпровадження.

Одноразова демонстрація можливостей ШІ навряд чи розв’яже соціотехнічну та професійну проблему зміни.

Див. [[educational-development|Освітній розвиток]], [[teacher-ai-competency|Компетентність викладача щодо ШІ]] та [[teacher-role|Викладання]].

---

#### Ключове послання для інституційних керівників

> **Не закуповуйте «освітній результат». Будуйте інституційні умови, за яких певна можливість ШІ може використовуватися відповідально, оцінюватися локально, покращуватися за потреби та припинятися, коли вона не служить навчанню.**

---

## Часті запитання від проєктантів навчання, розробників освітніх технологій і постачальників

### «Якщо ШІ-репетитор дає правильну відповідь, хіба він не є хорошим репетитором?»

**Відповідь:** Система, яка розв’язує задачу, не обов’язково є системою, яка навчає здобувача.

Технічно правильна відповідь може надійти надто рано, розкрити надто багато, обійти [[desirable-difficulties|бажані труднощі]] або не дати здобувачів попрактикувати пояснення та пригадування. Репетитора слід оцінювати за ти, що змушує студента **помічати, намагатися, пояснювати, виправляти й зрештою робити самостійно**.

Педагогічно сильніший репетитор може:

* діагностувати перед втручанням;
* ставити запитання, а не негайно відповідати;
* давати найменшу корисну підказку;
* вимагати пояснення;
* відповідати на хибні уявлення;
* поступово знімати підтримку;
* перевіряти подальшу результативність без допомоги.

Правильність залишається необхідною, але освітня якість стосується також часування, скаффолдингу, когнітивної залученості та [[transfer-of-learning|перенесення навчання]].

Див. [[learning-design|Проєктування навчання]], [[intelligent-tutoring|Інтелектуальні системи навчання]] та [[pedagogical-safety|Педагогічну безпеку]].

---

### «Чи більше автоматизації та персоналізації завжди краще?»

**Відповідь:** Ні. [[personalized-learning|Персоналізація]] може підтримувати навчання, але вона може також стати надмірним пристосуванням.

Коли система виконує планування, моніторить прогрес, вирішує, що важливо, і завершує важкі кроки, здобувач може ставати ефективнішим, розвиваючи при цьому менше агентності та саморегуляції. Проблема проєктування — не мінімізувати всю складність. Вона — прибрати непотрібні бар’єри, зберігши зусилля, пов’язане з ціллю навчання.

Корисні особливості дизайну включають:

* обов’язкові спроби здобувача;
* підказки до пояснення;
* відкладені підказки;
* регульовані рівні допомоги;
* поступове знімання скаффолдингу;
* рефлексію щодо рекомендацій ШІ;
* періодичну практику без допомоги;
* чіткі можливості перекрити систему.

Див. [[agentic-ai|Агентний ШІ]], [[agency]] та [[cognitive-offloading|Когнітивне зняття навантаження]].

---

### «Чи достатньо тестування в один хід, щоб встановити, що освітній чат-бот є безпечним?»

**Відповідь:** Ні. Освітні шкоди можуть виникати сукупно через взаємодію.

Система може доречно відповідати на одну ізольовану підказку, але поступово почати давати відповіді, зміцнювати хибне уявлення, заохочувати залежність або відхилятися від своєї бажаної репетиторської ролі. Бенчмарк SafeTutors, узагальнений у вікі, виявив, що відмови, пов’язані з педагогічною шкодою, різко зростали, коли системи оцінювалися через кілька ходів, а не через один обмін.

Свідчення бенчмарку не є тотожними оцінці ефекту навчання в аудиторії, але вони показують, чому освітнє тестування має включати:

* тривалі розмови;
* повторювані помилки студента;
* спроби отримати прямі відповіді;
* емоційні та реляційні сценарії;
* змагальні підказки;
* зміни в залежності здобувача з часом.

Див. [[pedagogical-safety|Педагогічна безпека]] та [[hazra-safetutors-pedagogical-safety-2026|Безпека ШІ-репетитора та педагогічні шкоди]].

---

### «Чи більша або здатніша модель автоматично зробить репетитора безпечнішим?»

**Відповідь:** Ні. Загальна здатність моделі — не те саме, що педагогічна якість.

Більша модель може розв’язувати важчі задачі, не здатна при цьому:

* обирати доречну навчальну стратегію;
* розпізнавати, коли слід утримати відповідь;
* адаптуватися до рівня розвитку;
* зберігати [[productive-failure|продуктивну відмову]];
* повідомляти про невизначеність;
* уникати недоречного емоційного впливу;
* узгоджуватися з цілями навчання викладача.

Педагогічна поведінка має бути явно спроєктованою, ґрунтованою на [[learning-theories|теорії навчання]], перевіреною на різних групах здобувачів і моніторитися під час тривалого використання. Вибір моделі має значення, але шар навчального дизайну залишається суттєвим. [[reichert-human-centered-llm-chatbot-design-teachers-2026|Партисипативне дослідження дизайну з шістьма викладачами середньої школи]] натякає, що безпека походить від обсягу та нагляду, а не від масштабу: викладачі незалежно спроєктували «обмежених експертів» — спеціалізовану здатність, обмежену суворо визначеним доменом під людським наглядом, — проклавши дві лінії меж (межі авторитету, бо відповідальність за навчання та безпеку студентів не може бути делегована, і межі експертизи, бо ШІ бракує контекстних знань про конкретних студентів і норми аудиторії) та три захисні шари (межі домену, фільтрування змісту зі стандартизованими відмовами та перекривання викладачем). Вони просили повного логування розмов і сповіщень у реальному часі, а не кращих пояснень моделі.

Див. [[learning-design|Проєктування навчання]], [[llm-training-and-fine-tuning|Навчання та доналаштування LLM]], [[pedagogical-safety|Педагогічну безпеку]] та [[reichert-human-centered-llm-chatbot-design-teachers-2026|дизайн чат-бота з обмеженим експертом]].

---

### «Чи більше згенерованого ШІ зворотного зв’язку завжди краще?»

**Відповідь:** Ні. Зворотний зв’язок може стати надмірним, узагальненим, невчасним, неточним або когнітивно оспорим.

Ефективний зворотний зв’язок має допомагати здобувачеві ідентифікувати найважливіший наступний крок. Довга відповідь, яка комментує кожну можливу проблему, може бути менш корисною, ніж сфокусоване втручання. Системи мають пріоритезувати зворотний зв’язок на основі цілі навчання, готовності здобувача та ймовірного впливу.

Оцінюйте більше, ніж кількість і швидкість зворотного зв’язку. Вимірюйте:

* чи розуміють студенти зворотний зв’язок;
* чи можуть вони оцінити його якість;
* чи покращується виправлення;
* чи зменшуються хибні уявлення;
* чи покращується подальша самостійна результативність.

Див. [[ai-feedback-quality|Якість зворотного зв’язку від ШІ]], [[feedback]] та [[feedback-literacy|Грамотність щодо зворотного зв’язку]].

---

### «Чи є людська перевірка лише тимчасовою вимогою, поки моделі не покращаться?»

**Відповідь:** Людський нагляд — не лише латка для виправлення помилок. Він також є функцією підзвітності, контекстуалізації та врядування.

Викладачі вирішують, чи є результат доречним для конкретного здобувача, курсу, культури чи важливого рішення. Вони інтерпретують винятки, враховують інформацію, якої модель не має, і приймають відповідальність за дії, що впливають на студентів.

Змістовний дизайн із людиною в циклі має уточнювати:

* хто перевіряє результат;
* які свідчення бачить той, хто перевіряє;
* коли відбувається перевірка;
* скільки часу є наявним;
* чи може той, хто перевіряє, перекрити систему;
* хто відповідає за кінцеву дію;
* як здобувач може оскаржити.

Номінальний людський перевіряльник, якому бракує часу, повноважень або релевантної інформації, не є змістовним наглядом.

Див. [[human-in-the-loop-ai|ШІ з людиною в циклі]] та [[governance|Врядування ШІ]].

---

### «Чи доступність, приватність і справедливість можуть бути додані після того, як базовий продукт запрацює?»

**Відповідь:** Їх слід розглядати як базові вимоги дизайну, а не як доповнення після запуску.

Модальність входу, рівень читання, мовні припущення, вимоги до пристроїв, утримання даних, персоналізація та упередженість моделі — усе це формує те, хто може користуватися системою і кого вона може зашкодити. Допрацювання заднім числом може покращити інтерфейс, залишивши базовий робочий процес, модель даних і логіку рішень незмінними.

Команди дизайну мають залучати зацікавлених здобувачів і викладачів рано, тестувати з різноманітними користувачами, мінімізувати збирання даних, надавати доступні альтернативи та досліджувати диференційовані результати. Систему не можна вважати освітньо ефективною, якщо її вигоди недоступні або її шкоди розподілені нерівно.

Див. [[accessibility]], [[universal-design-for-learning|Універсальний дизайн навчання]], [[privacy]] та [[equity-in-ai-education|Справедливість у ШІ в освіті]].

---

#### Ключове послання для проєктантів і розробників

> **Оптимізуйте під зростання здатності здобувача, а не лише під успішне завершення завдання. Система навчання є освітньо успішною, коли здобувачі стають здатнішими — а не постійно більш залежними від системи.**

---

## Часті запитання від освітніх дослідників і оцінювачів

### «Якщо студенти працюють краще, використовуючи ШІ, хіба це не демонструє навчання?»

**Відповідь:** Ні. Це демонструє результативність із допомогою. Навчання потребує свідчень, що здатність здобувача змінилася.

Дослідження мають розрізняти:

* результативність, коли ШІ є наявним;
* негайну результативність без допомоги;
* відкладене утримання;
* перенесення на нові задачі;
* пояснення та використання стратегій;
* залежність від тривалої допомоги.

Без міри без допомоги дослідники можуть помилково приписати внесок системи ШІ здобувачеві. Це особливо важливо, коли інструмент може генерувати розв’язок, міркування чи текст, які винагороджує міра результату.

Див. [[learning-gains|Навчальні здобутки]], [[assessment-validity|Валідність оцінювання]] та [[cognitive-offloading|Когнітивне зняття навантаження]].

---

### «Чи є самозвітна ШІ-грамотність, упевненість і навчання доречними результатами?»

**Відповідь:** Вони корисні для розуміння сприйняття, прийняття, тривожності та [[self-efficacy]], але вони не є доречними мірами продемонстрованої компетентності.

Люди можуть бути впевненими й помилятися або вмілими й недостатньо впевненими. Поєднуйте самозвіти з мірами, заснованими на результативності, такими як:

* ідентифікація помилок у результаті ШІ;
* верифікація джерела;
* вибір доречної стратегії використання;
* розпізнавання упередженості чи сикофантства;
* виправлення вадної відповіді;
* пояснення, коли ШІ не слід використовувати;
* калібрування упевненості проти точності.

Синтез досліджень ШІ-грамотності викладачів у вікі повідомляє про суттєву розбіжність між самооцінкою та виміряною результативністю, зміцнюючи потребу оцінювати обидва.

Див. [[ai-literacy-assessment-misalignment|Оцінювання ШІ-грамотності: розбіжність між самозвітом і результативністю]] та [[ai-literacy|ШІ-грамотність]].

---

### «Чи можна розглядати результативність у бенчмарку як свідчення ефективності в аудиторії?»

**Відповідь:** Не без додаткових свідчень. Бенчмарки встановлюють обмежену технічну чи поведінкову результативність. Навчання в аудиторії залежить від студентів, викладачів, стимулів, узгодження з навчальним планом, якості впровадження, впровадження в практику та конкуруючих ресурсів.

Відповідальний шлях свідчень може рухатися від:

1. технічного тестування та тестування в бенчмарку;
2. досліджень зручності використання та безпеки;
3. маликих пілотів в аудиторіях;
4. контрольованих досліджень ефективності;
5. досліджень впровадження;
6. довгострокового та багатоцентрового оцінювання.

Дослідники мають чітко стверджувати, яке ланко в цьому ланцюгу порушує дослідження, а не узагальнювати результат бенчмарку в твердження про навчання.

Див. [[benchmark]], [[ai-ed-evaluation|Оцінювання ШІ в освіті]] та [[limitations-in-aied-research|Обмеження доказової бази AIED]].

---

### «Якщо система оцінювання за допомогою ШІ є надійною, хіба це не означає, що вона валідна?»

**Відповідь:** Ні. Надійність стосується узгодженості. Валідність стосується того, чи є інтерпретація й використання оцінки обґрунтованими.

Система може узгоджено вимірювати хибний конструкт, упускати важливі виміри, ставити підгрупу в невигідне становище або давати оцінку, якої люди неправильно користуватимуться. Валідація має досліджувати:

* репрезентацію конструкту;
* порівняння з релевантними людськими судженнями;
* результативність підгруп;
* патерни помилок;
* невизначеність;
* наслідки використання;
* чи змінює результат ШІ людські рішення;
* процедури оскарження та перевірки.

Висока згода — одна форма свідчень. Вона не є повним аргументом валідності. [[opraise-automated-marking-ai-assessment-2026|Великий британський бенчмарк]] показує цю дисоціацію прямо: на 761 автентичному есе студентів бакалаврату з психології оцінки ШІ та людські оцінки збігалися за смугою ступеня лише 35–65% часу (63% в одній установі, 53% у другій, 35% у третій), тоді як надійність була майже досконалою (внутрішньокласові кореляції при переоцінюванні до 1,00). Системи збігалися одна з одною набагато тісніше, ніж з людьми (ICC трьох моделей = 0,91), збігаючись за смугою лише для 56% подань, коли всі три моделі мали погодитися, а оцінки стискалися до середини (оцінка стискання 0,47–0,82) — тож ШІ був найменш точним точно на межах, що відокремлюють First від Upper Second чи залік від незаліку. Зворотний зв’язок ШІ був також утричі–увосьмиразів довшим за людське середнє зі 100–200 слів: обсяг — не якість.

Див. [[assessment-validity|Валідність оцінювання]], [[educational-measurement|Освітнє вимірювання]], [[automated-assessment|Автоматизоване оцінювання]] та [[opraise-automated-marking-ai-assessment-2026|автоматичне оцінювання університетських есе]].

---

### «Чи можуть згенеровані LLM або змодельовані студенти замінити реальних здобувачів в освітніх дослідженнях?»

**Відповідь:** Вони можуть бути корисними для прототипування, стресового тестування, генерації сценаріїв або дослідження гіпотез. Їх не слід припускати здатними відтворювати людські процеси навчання без валідації.

Модель може імітувати мову заплутування або хибного уявлення, не виявляючи наполегливості, мотивації, попередніх знань, емоцій або траєкторії розвитку реального здобувача. Дослідження, узагальнене у вікі, виявило, що змодельовані студенти часто залишали призначене хибне уявлення після мінімального виправлення, що викликає сумніви, чи представляли вони вірно людську концептуальну зміну.

Тому твердження, засновані на змодельованих здобувачах, мають бути валідовані проти людської поведінки, перш ніж використовуватися для підтримки навчальних чи політичних висновків.

Див. [[simulating-students|Моделювання студентів]] та [[llm-student-simulation-misconception-faithfulness|Моделювання студентів чи сикофантське розв’язування задач?]].

---

### «Чи позитивний середній ефект означає, що втручання вигідно студентам загалом?»

**Відповідь:** Ні. Середні ефекти можуть приховувати змістовні відмінності за попередніми знаннями, віком, дисципліною, мовою, інвалідністю, метакогнітивною навичкою, доступом, впровадженням викладача чи типом використання ШІ.

Дослідники мають досліджувати:

* гетерогенність ефектів втручання;
* невизначеність підгруп, а не лише точкові оцінки підгруп;
* вірність впровадження;
* фактичні патерни [[student-ai-interaction|взаємодії зі ШІ]];
* відмінності в недостачих даних та відтоку;
* чи зберігаються вигоди без ШІ;
* чи одні здобувачі виграють, тоді як інші стають більш залежними.

Малий середній здобуток може приховувати цінний ефект для однієї групи й шкоду для іншої. Великий середній здобуток може залежати від умов, які інші установи не можуть відтворити.

Див. [[limitations-in-aied-research|Обмеження доказової бази AIED]], [[research-methods-aied|Методи досліджень в AIED]] та [[equity-in-ai-education|Справедливість у ШІ в освіті]].

---

#### Ключове послання для дослідників

> **Вимірюйте здобувача після того, як ШІ перестав допомагати, і повідомляйте умови впровадження, відмінності між здобувачами та обмеження валідності, які визначають, що результат справді означає.**

---

## Часті запитання від батьків, родин, широкої громадськості та комунікаторів медіа

### «Чи ШІ здійснить революцію в освіті — чи зруйнує її?»

**Відповідь:** Обидва твердження перебільшують силу технології, що діє сама по собі.

ШІ може розширити доступ до пояснень, перекладу, практики, зворотного зв’язку та допоміжної підтримки. Він може також принести дезінформацію, ризики для приватності, упередженість, надмірну залежність і нові проблеми доброчесності. Наслідки залежать від того, як спроєктовано систему, що від викладачів і студентів вимагають робити з нею і як установи врядовують її використання.

Корисніше публічне запитання:

> **Для яких здобувачів, завдань і результатів — і за яких умов — це використання ШІ дає більше освітньої вигоди, ніж шкоди?**

Це запитання заохочує оцінювання, а не шуми чи паніку.

Див. [[ai-education|ШІ в освіті]] та [[misconceptions|Хибні уявлення щодо ШІ]].

---

### «Хіба молодь уже не є ШІ-граотною, бо вона — цифрові аборигени?»

**Відповідь:** Знайомість із цифровими продуктами — не те саме, що здатність розуміти та критично оцінювати ШІ.

Студенти можуть бути комфортними, відкриваючи чат-бота, генеруючи зображення або просячи відповідь, залишаючись при цьому нездатними:

* верифікувати твердження;
* розпізнавати вигадані свідчення;
* виявляти упередженість чи сикофантство;
* захищати особисту інформацію;
* вирішувати, якого мислення не слід делегувати;
* пояснювати, як ШІ вплинув на їхню роботу.

Вікі узагальнює дослідження, у якому упевненість із побутовими технологіями не перетворилася на порівнянну компетентність в алгоритмічному міркуванні, технологічному створенні чи критичному оцінюванні ШІ.

ШІ-грамотність має бути навченою та продемонстрованою; її не слід виводити з віку чи частоти використання технологій.

Див. [[ai-literacy|ШІ-грамотність]] та [[digital-literacy-illusion|Ілюзію компетентності]].

---

### «Чи студенти, які використовують ШІ, просто ліниві чи нечесні?»

**Відповідь:** Деякі студенти неправильно використовують ШІ, але моральне називання мітками не пояснює і не запобігає цій поведінці достатньо.

Рішення студентів формуються цінністю завдання, тиском часу, упевненістю, нормами ровесників, ясністю політики, страхом невдачі, попереднім доступом і тим, чи здається робота пов’язаною зі змістовним навчанням. Студенти також міркують по-різному про мозковий штурм, редагування, пояснення та генерацію повного тексту.

Ефективна відповідь поєднує:

* чіткі та узгоджені очікування;
* змістовне оцінювання;
* інструктування у відповідальному використанні;
* можливості для розкриття;
* верифікацію навчання;
* пропорційну підзвітність.

Розглядання будь-якого використання ШІ як свідчення поганого характеру може загнати використання в таємність і зробити чесну дискусію менш ймовірною.

Див. [[academic-integrity|Академічна доброчесність]] та [[framing-ai-use-for-students|Рамкування використання ШІ для студентів]].

---

### «Чи ШІ — це по суті просто ще один калькулятор?»

**Відповідь:** Порівняння корисне в одному відношенні: обидва можуть знімати навантаження з роботи. Але генеративний ШІ може знімати навантаження з набагато ширшого діапазону когнітивної діяльності.

Калькулятор зазвичай виконує визначену математичну операцію. Генеративний ШІ може створювати пояснення, аргументи, плани, узагальнення джерел, код, зворотний зв’язок і цілі завдання. Його робота також менш прозора, а його результати можуть бути переконливими, будучи водночас неправильними.

Це означає, що викладачі мають приймати більш витончені рішення щодо того, що студенти можуть делегувати. Зняття навантаження з рутинних обчислень може дозволити здобувачам зосередитися на інтерпретації. Зняття навантаження з самої інтерпретації може прибрати бажане навчання.

Див. [[cognitive-offloading|Когнітивне зняття навантаження]] та [[generative-ai|Генеративний ШІ]].

---

### «Чи є чат-бот безпечним для дітей, поки він блокує токсичний або відвертий зміст?»

**Відповідь:** Модерація змісту необхідна, але вона не охоплює всіх освітніх ризиків.

Система може залишатися ввічливою, водночас:

* даючи відповіді надто швидко;
* зміцнюючи хибні уявлення;
* заохочуючи емоційну залежність;
* збираючи недоречні дані;
* пропонуючи розвитково недоречні поради;
* роблячи недоступні припущення;
* витісняючи людську підтримку;
* зменшуючи продуктивні зусилля.

ШІ, орієнтований на дітей, слід оцінювати на безпеку змісту, педагогічну безпеку, приватність, доступність, реляційний вплив та ефекти повторюваної взаємодії — а не лише на заборонені слова чи теми.

Див. [[k-12|Освіта зі ШІ K–12]], [[pedagogical-safety|Педагогічну безпеку]] та [[privacy]].

---

### «Чи співпереживаючий ШІ справді піклується про студента?»

**Відповідь:** ШІ може генерувати мову, яка звучить уважно, підтримувально або емоційно відчутно. Це може іноді допомогти здобувачеві сформулювати проблему або продовжити завдання з низькими ставками. Але видимість співпереживання не має бути плутана з людською турботою, відповідальністю чи обов’язком піклуватися.

ШІ не може самостійно брати на себе відповідальності викладача, радника, батька чи того, хто доглядає. Він може неправильно зрозуміти ситуацію, зміцнити рамкування користувача або відповісти недоречно, звучачи при цьому співчутливо.

Студенти мають знати, коли вони взаємодіють зі ШІ, які дані можуть бути утримані і коли система має спрямовувати їх до кваліфікованої людини.

Див. [[misconceptions|Хибні уявлення щодо ШІ]], [[conversational-ai|Розмовний ШІ]] та [[governance|Врядування ШІ]].

---

#### Ключове послання для родин і громадськості

> **ШІ — не автономна освітня сила. Його наслідки формуються дизайном, навчанням, інституційними рішеннями, підтримкою родини та відповідальностями, які зберігають здобувачі.**

---

## Часті запитання від роботодавців і партнерів із робочої сили

### «Чи ШІ-грамотність — це здебільша вміння писати добрі підказки?»

**Відповідь:** Підказки корисні, але тривала ШІ-грамотність є набагато ширшою.

Здатний працівник має бути здатним:

* доречно формулювати проблему;
* вирішувати, що слід і не слід делегувати;
* надавати релевантний контекст, не розкриваючи чутливих даних;
* оцінювати свідчення та невизначеність;
* ідентифікувати упередженість та відмову;
* виправляти або відкидати результат;
* документувати важливе використання;
* залишатися підзвітним за кінцеве рішення.

Методи підказок змінюватимуться з еволюцією продуктів. Судження, верифікація, розуміння домену, етичне міркування та відповідальність є більш переносними здатностями.

Див. [[ai-literacy|ШІ-грамотність]] та [[human-ai-collaboration|Співпрацю люди та ШІ]].

---

### «Чи відполірований продукт роботи, створений за допомогою ШІ, демонструє професійну компетентність?»

**Відповідь:** Він демонструє результативність системи людина–ШІ, але може не показувати, що може робити індивід.

Щоб оцінити професійну компетентність, роботодавці та викладачі мають дослідити, чи може особа:

* формулювати базову проблему;
* пояснювати припущення;
* верифікувати свідчення;
* виявляти тонкі помилки;
* адаптуватися, коли умови змінюються;
* захищати кінцеву рекомендацію;
* виконувати суттєве судження без недоречної допомоги.

У багатьох професіях відповідальне використання ШІ саме по собі є легітимною компетентністю. Але оцінювання має розрізняти **ефективне використання інструмента** та видимість експертизи, створену інструментом.

Див. [[authentic-assessment|Автентичне оцінювання]], [[assessment-validity|Валідність оцінювання]] та [[career-development-and-readiness|Кар’єрний розвиток і готовність]].

---

### «Чи базові дисциплінарні знання застарівають, бо ШІ може їх знаходити або генерувати?»

**Відповідь:** Ні. Здатність наглядати за ШІ залежить від експертизи, розвитку якої надмірна автоматизація може відмовлятися від розвитку.

Без достатніх знань домену користувач може не розпізнати:

* правдоподібний, але неправильний висновок;
* відсутнє обмеження;
* небезпечну рекомендацію;
* нечинне порівняння;
* вигадане цитування;
* упереджене припущення;
* ситуацію, у якій ШІ не слід довіряти.

Навчальним планам може знадобитися переосмислити, які знання слід запам’ятовувати, а які інструменти мають бути наявними. Але їм не слід усувати базового розуміння просто тому, що ШІ може дати відповідь. Експертний нагляд потребує внутрішньої основи для судження.

Див. [[cognitive-offloading|Когнітивне зняття навантаження]], [[prior-knowledge|Попередні знання]] та [[trust-calibration|Калібрування довіри]].

---

### «Чи навчання критичному та етичному використанню ШІ конфліктує з продуктивністю на робочому місці?»

**Відповідь:** Відповідальне оцінювання — частина сталої продуктивності.

Неверифікована автоматизація може створити переробку, інциденти безпеки, дискримінаційні рішення, юридичну викритість, репутаційні збитки та фальшиву впевненість. Критична ШІ-грамотність не означає відкидання автоматизації. Вона означає знання того, коли автоматизація додає цінності, коли потрібен нагляд і коли результат слід відкинути.

Найсильніший випускник чи працівник — не обов’язково особа, яка використовує ШІ для найбільшої кількості завдань. Це особа, яка може розумно розподіляти роботу між людьми та ШІ, зберігаючи якість, конфіденційність, підзвітність та професійне судження.

Див. [[ai-literacy|ШІ-грамотність]], [[governance|Врядування ШІ]] та [[human-ai-collaboration|Співпрацю люди та ШІ]].

---

#### Ключове послання для роботодавців

> **Оцінюйте, чи можуть люди використовувати ШІ з судженням, верифікацією та підзвітністю — а не просто чи можуть вони швидко створювати відполіровані роботи.**

---

## Часті запитання від усіх, хто комунікує про хибні уявлення щодо ШІ

### «Чому недостатньо сказати людям правильні факти про ШІ?»

**Відповідь:** Хибні уявлення — не завжди прогалини в знаннях. Вони часто є стійкими та правдоподібними ментальними моделями. Людина може повторно спостерігати, що ШІ звучить упевнено, створює високоякісну роботу або економить час. Ці досвіди, здається, підтверджують вірування на кшталт «ШІ розуміє», «ШІ є точним» або «завершення завдання означає, що я його вивчив».

Тому ефективне виправлення має робити більше, ніж стверджувати факт. Воно має:

1. назвати хибне уявлення;
2. визнати, чому воно здається правдоподібним;
3. чітко його відкинути;
4. пояснити, чому воно не спрацьовує;
5. надати модель заміщення;
6. дати людині спосіб застосувати заміщення.

Див. [[misconceptions|Хибні уявлення щодо ШІ]] та [[refutation-text|Текст спростування]].

---

### «Як звучить ефективне спростування?»

**Відповідь:** Воно має бути прямим, не будучи зневажливим.

Наприклад:

> **Хибне уявлення:** «Гарне завдання, створене ШІ, показує, що студент його вивчив.»
> **Спростування:** «Це не обов’язково так. Продукт показує, що студент і ШІ створили разом, але він не розкриває, яке міркування виконав студент.»
> **Заміщення:** «Навчання краще демонструється, коли студент може пояснити, перенести, адаптувати й відтворити здатність.»
> **Застосування:** «Слідуйте за роботою, створеною за допомогою ШІ, поясненням, усним захистом, записом процесу або застосуванням без допомоги.»

Модель заміщення є суттєвою. Якщо комунікатори лише приберуть хибне уявлення, люди можуть до нього повернутися, бо їм бракує кращого пояснення.

Див. [[refutation-text|Текст спростування]].

---

### «Як викладачі можуть виправляти хибні уявлення, не принижуючи людей?»

**Відповідь:** Звертайтеся до вірування та його наслідків, а не називайте людину міткою.

Уникайте послань на кшталт «Лише ліниві студенти використовують ШІ» або «Будь-хто, хто довіряє чат-боту, — дурень». Ці твердження загрожують ідентичності й заохочують оборонність чи приховування.

Продуктивніший підхід:

* визнати, чому вірування здається розумним;
* продемонструвати розбіжність, наприклад упевнену помилку ШІ;
* запросити припущення перед розкриттям виправлення;
* дати учасникам порівняти результативність із допомогою та без допомоги;
* дати їм стратегію для майбутніх ситуацій;
* зміцнювати нову модель через кілька діяльностей.

Хибні уявлення легше переосмислити, коли люди можуть переглянути своє мислення, не будучи трактованими як нерозумні чи неетичні.

Див. [[framing-ai-use-for-students|Рамкування використання ШІ для студентів]], [[ai-literacy|ШІ-грамотність]] та [[refutation-text|Текст спростування]].

---

### «Які досвіди найімовірніше змінять неточне вірування про ШІ?»

**Відповідь:** Досвіди, які роблять відмову хибного уявлення видимою.

Приклади включають:

* прохання до здобувачів ідентифікувати упевнене вигадане цитування;
* порівняння кількох суперечливих відповідей на ту саму підказку;
* виконання задачі без допомоги після практики з підтримкою ШІ;
* дослідження, як ШІ дзеркалить неправильне припущення;
* порівняння репетитора з прямими відповідями з репетитором на основі підказок;
* аудит результатів на упередженість за іменами, діалектами чи сценаріями;
* прохання до учасників захистити згенеровану ШІ рекомендацію, використовуючи оригінальні свідчення.

Ці діяльності перетворюють абстрактні попередження на спостережувані свідчення. Вони також дозволяють учасникам практикувати верифікацію, калібрування довіри та рішення щодо когнітивного зняття навантаження.

Див. [[ai-literacy|ШІ-грамотність]], [[trust-calibration|Калібрування довіри]] та [[cognitive-offloading|Когнітивне зняття навантаження]].

---

### «Яку єдину ідею мають запам’ятати зацікавлені сторони?»

**Відповідь:**

> **ШІ — це придатний до помилок когнітивний ресурс, а не авторитет, людський розум або свідчення того, що навчання відбулося. Відповідальне освітнє використання тримає людей підзвітними, зберігає мислення, потрібне для навчання, верифікує важливі результати та оцінює успіх через тривалу та справедливу здатність, а не лише через плавність, швидкість, залученість чи завершення завдання.**

---

## [Як ШІ-агенти можуть підтримувати студентів і викладачів?](https://edtechdev.github.io/aied/faqs/ai-agents-support-students-instructors/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як ШІ-агенти можуть підтримувати студентів і викладачів?

**ШІ-агенти можуть вийти за межі відповідей на запитання в один хід** завдяки плануванню, використанню інструментів, запам’ятовуванню релевантного контексту, координації підзавдань і адаптації підтримки протягом послідовності взаємодій. Для студентів правдоподібні ролі включають адаптивний навчальний супровід, планування навчання, [[formative-assessment|формативний]] зворотний зв’язок, кероване [[problem-solving|вирішення задач]], генерацію практичних завдань, моделювання, рекомендації щодо передумов, а також рефлексивну або метакогнітивну [[prompt-engineering|роботу з підказками]]. Для викладачів агенти можуть допомагати з розробкою навчальних матеріалів, [[automated-question-generation|генерацією запитань]] та їх перевіркою, сортуванням зворотного зв’язку, [[learning-analytics|аналітикою]] курсу, процесами навчального проєктування, пошуком ресурсів та оркестрацією спеціалізованих агентів.

## Повторювані агентні можливості

Стаття [[agentic-workflows-education|Agentic Workflows in Education]] описує чотири повторювані агентні можливості: **рефлексію, планування, використання інструментів і багатоагентну співпрацю**. Кожна з них розширює можливості, але водночас створює виклики щодо [[explainable-ai|інтерпретованості]], координації, довіри, затримок і нагляду.

## Що ШІ-агенти роблять добре (позитивні наслідки)

- **Тривала, адаптивна підтримка.** На відміну від [[conversational-ai|чат-ботів]] із одним ходом, агенти можуть підтримувати навчальну розмову протягом багатьох ходів — пам’ятаючи, що знає здобувач, адаптуючи складність і вибудовуючи послідовність багатокрокового [[scaffolding]]. Це забезпечує [[adaptive-learning|адаптивне]] та [[personalized-learning|персоналізоване]] навчання у масштабі.
- **Розвантаження викладачів.** Агенти можуть готувати начерки матеріалів, генерувати та перевіряти запитання (наприклад, у парі генератор + валідатор), сортувати зворотний зв’язок та оркеструвати спеціалізовані субагенти, звільняючи викладачів для ціннішої взаємодії.
- **Багата взаємодія та [[desirable-difficulties|продуктивне тертя]].** Багатоагентні навчальні аудиторії та змодельовані ровесники створюють різноманітну динаміку — дискурс, подібний до взаємодії з ровесниками, конструктивну розбіжність, рольові ігри — що підтримують [[collaborative-learning|спільне навчання]] та [[socratic-method|сократівське опитування]]. Агенти, спроєктовані, щоб кидати виклик, а не погоджуватися, можуть спонукати здобувачів до глибшого переосмислення (у дослідженнях агенти конструктивної конфліктності покращили результати проєктування).
- **Практика та моделювання з низьким рівнем ризику.** Агентні [[simulation|симуляції]] ([[simulating-students|змодельовані студенти]], [[medical-education|клінічні]] сценарії) дозволяють здобувачам практикуватися в безпечних, повторюваних середовищах перед застосуванням у реальному світі.

## Основні ризики та застереження (негативні наслідки)

- **Надмірна автоматизація може спустошити навчання.** Що більше агент автоматизує, то менше когнітивної роботи виконує здобувач. Проактивні агенти можуть перетворити студентів на пасивних споживачів, послаблюючи зусильні процеси, що будують стійке навчання, і підвищуючи ризик [[cognitive-offloading|надмірної залежності]].
- **Зниження метакогнітивної залученості.** Якщо агенти беруть на себе планування та моніторинг, здобувачі можуть не розвинути [[metacognition]] і [[self-regulated-learning|саморегуляцію]], на розвиток яких спрямована освіта. Агенти мають стимулювати, а не заміщувати ці процеси.
- **Невдало розміщена довіра та прогалини в перевірці.** Автономні агенти можуть створювати правдоподібний, але неперевірений результат; здобувачі та викладачі можуть [[trust-calibration|надто довіряти]] йому. Надійна перевірка та [[ai-literacy]] стають тим важливішими, чим більше [[agency|автономії]] набувають агенти.
- **Непрозорість і підзвітність.** Багатоагентні системи ускладнюють [[human-in-the-loop-ai|людський нагляд]] — який агент відповідає за помилку і де має втрутитися людина? Збої координації та дрейф персони можуть підірвати надійність і [[pedagogical-safety]].
- **[[equity-in-ai-education|Справедливість]] і упередженість.** Агенти можуть відтворювати упередженість навчальних даних у масштабі, а нерівний доступ до потужних агентних систем може поглибити нерівність.

## Що показують наявні свідчення

Конкретні результати — і застереження — накопичуються. [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024|Tutor CoPilot]] — перший [[rct|рандомізований контрольований експеримент]] людсько-ШІ-системи в живому навчанні з репетитором — надавав репетиторам-початківцям керівництво в реальному часі, схоже на експертне, виведене з міркувань досвідчених репетиторів: у межах **900 репетиторів і ~1 800 студентів** студенти репетиторів із доступом були на **4 відсоткові пункти частіше** успішно освоювали теми, а серед найнижче оцінених репетиторів — на **9 відс. пунктів**, і їхні студенти наздогнали студентів репетиторів із вищими оцінками в контрольній групі. Це коштувало приблизно **\$20 на репетитора щороку**, а аналіз **понад 550 000 повідомлень із навчання** показав, що репетитори перейшли до ставити навідних запитань замість того, щоб відразу видавати відповіді, — чіткий приклад того, як ШІ розширює можливості [[teacher-role|викладача]], а не замінює його.

Але «агентність» не означає автоматично краще. [[ilieva-agentic-genai-higher-education-2026|Дослідження зі 130 студентами на курсі з електронної комерції]] виявило, що і [[generative-ai]] чат-боти, і агенти GAI отримали вищі оцінки, ніж традиційне [[online-teaching-and-learning|е-навчання]], за посилення навчання і [[personalized-learning|персоналізацію]] — проте **статистично значущої різниці між умовами з чат-ботом і з агентом не виявлено**, тобто додана автономія не перетворилася на додану навчальну цінність. Запропонована рамка Agentic GAI-Supported Learning Framework відповідно розглядає агентів як **обмежених, під наглядом людини партнерів у навчанні**, де цілі, контрольні точки та остаточні рішення залишаються за людьми.

Ще два застереження мають значення. По-перше, **відміна**: рандомізовані випробування показують, що навіть коротка допомога ШІ може пригнічувати подальший результат без допомоги, а інтервал після відміни — названий [[cognitive-washout-ai-skill-decay-2026|когнітивним змивом]] — майже зовсім не вимірюється, тому тривалість [[learning-gains|навчальних здобутків]] за підтримки агентів невідома. По-друге, **оцінювання**: [[zhang-platform-scores-miss-ai-teaching-agents-2026|впровадження восьми ШІ-агентів для навчання в мединій навчальній програмі]] — згенеровані платформою оцінки ранжували агентів інакше, ніж незалежна експертна рубрика (агент, якого платформа поставила третім, виявився останнім за якістю навчання), оскільки оцінки платформи відображають результати студентів, а не якість навчання [[pedagogical-agent|агента]]. Огляд [[governance]] [[beyond-agent-label-agentic-ai-governance-2026|Beyond the Agent Label]] додає правило пропорційності — **автономія не має перевищувати зрілості доказової бази чи сили підзвітного людського контролю** — відзначаючи, що свідчення найсильніші для результатів на рівні артефактів і найслабші для тривалого навчання та справедливості. Як побудувати такого агента — див. [[developing-ai-tutor]]; як оцінити, чи він працює — див. [[evaluating-ai-interventions-methods]].

## Стан доказової бази

Доказова база ще формується. Синтез бази знань [[agentic-ai|Агентний ШІ в освіті]] спирається на [[meta-analysis-systematic-review|огляд рамок]] 474 досліджень, але відзначає суттєву концентрацію у [[higher-ed|вищій освіті]], [[stem-education|STEM]], короткострокових проєктах і текстовому навчанні з репетитором; лише меншість переглянутих робіт явно ґрунтувала свої системи в освітній теорії, а ретельна довгострокова валідація в аудиторіях залишається обмеженою.

Тому головне застереження щодо проєктування — не ототожнювати більшу автономію з кращим навчанням. [[agentic-ai-pedagogical-best-practice-2026|Agentic AI and Pedagogical Best Practice]] рекомендує навмисне тертя, динамічний скаффолдинг і людський нагляд, щоб ініціатива агента не усувала власного планування, моніторингу, судження та зусиль здобувача. Див. також [[intelligent-tutoring|Інтелектуальні системи навчання]] і [[human-in-the-loop-ai|ШІ з людиною в циклі]].

---

## [Як ШІ впливає на тривожність і благополуччя студентів, і що ми можемо зробити?](https://edtechdev.github.io/aied/faqs/ai-anxiety-wellbeing/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як ШІ впливає на тривожність і благополуччя студентів, і що ми можемо зробити?

**Ситуація, у якій ви, ймовірно, перебуваєте.** Студент каже вам, під час консультаційних годин або в анкеті при вступі, що закінчення навчального ступеня вже не здається вартим зусиль, бо ШІ уже може виконувати роботу, до якої вони готувалися. Інший замовкає, подає менше матеріалу, перестає ставити запитання. Ви хочете допомогти, не впевнені, чи потрібне тут направлення до фахівця, чи стратегія, і маєте десять хвилин, щоб вирішити.

**Головний висновок.** Тривожність щодо ШІ — це вимірювана емоційна реакція, більшість її чинників лежить у кар’єрі та компетентності, а не в технології, і запевнення її не зрушують. Її зрушують досвіди досягнень, свідчення, що робота, пов’язана зі ШІ, варта зусиль, і справжня кар’єрна адаптивність. Кільком студентам потрібне направлення, а не стратегія, — і свідчення кажуть вам про цю межу менше, ніж вам би хотілося.

**Що таке ця сторінка.** Практична сторінка: що робити. Понятійний розгляд самої емоції — стресу від прокторінгу, продуктивного боку тривожності, тривожності викладачів — у розділі [[anxiety-and-stress]]; рамкування позитивних станів в емоційному, психологічному та соціальному вимірах — у розділі [[well-being]].

## Коротка версія

- **Назвіть чинник, перш ніж реагувати.** Страх за кар’єру й сумнів у компетентності потребують різних відповідей; вони несуть більшу частину асоціації з тривожністю.
- **Не починайте з запевнень.** Заохочення, яке не змінює того, що студент вірить щодо власних можливостей, не зрушить емоцію.
- **Вчіть критично оцінювати, а не уникати.** Тривожні студенти, які вчаться оцінювати результат ШІ, стають свідомими користувачами, а не такими, що уникають.
- **Будуйте кар’єрну адаптивність, а не лише впевненість.** Віра в себе сама по собі не зм’якшувала кар’єрну шкоду в дослідженні, яке це перевіряло.
- **Знайте свій шлях направлення, поки він вам не знадобився,** і стежте за безнадійністю щодо навчального ступеня, а не лише за розчаруванням в інструменті.
- **Будьте конкретними щодо інституційних очікувань** і ніколи не впроваджуйте інструмент благополуччя, чию обробку помилок, зберігання даних і шлях ескалації ви не можете пояснити одним реченням.

## За чим стежити: звична адаптація, чи те, що потребує більшого

[[kim-ai-anxiety-comprehensive-analysis|Kim et al.]] визначають тривожність щодо ШІ як острах або побоювання, що виникає внаслідок прискорення розвитку ШІ, відрізняють її від давнішої тривожності щодо автоматизації, бо ШІ загрожує когнітивним і професійним ролям, а не ручним задачам, і називають **страх заміщення ШІ** її основним чинником, — а неконтрольоване зростання ШІ, побоювання щодо [[privacy]], генерована ШІ дезінформація та упередженість ШІ — вторинними причинами. Прочитайте це проти того, що ви бачите: студент, який хвилюється, що його замінять, хвилюється щодо ринку праці, на який входить, а не щодо інструмента, який ви демонстрували минулого тижня.

Саме тому кар’єрна тривожність і тривожність щодо ринку праці — найбільше підтверджене джерело. [[ustun-ai-anxiety-job-finding-anxiety-2026|Üstün and Danacıoğlu (2026)]] опитали 1 057 студентів у 35 турецьких університетах: вища тривожність щодо ШІ та більш негативне ставлення до ШІ супроводжувалися вищою тривожністю щодо пошуку роботи після закінчення навчання, причому студентки, студенти соціальних наук і другокурсники повідомляли про вищу тривожність. [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] виявили помірну позитивну кореляцію між тривожністю щодо ШІ і тривожністю щодо пошуку роботи серед 821 студента медичних наук (r = 0,233, p < 0,001), причому тривожність щодо ШІ залишалася значущим предиктором і після контролю за соціально-демографічними характеристиками (β = 0,234, p < 0,001). [[duan-ai-anxiety-career-decisions-college-2026|Duan et al. (2026)]] розширили це на наслідки: в моделі структурних рівнянь для 315 китайських студентів коледжу тривожність щодо ШІ передбачала гірші кар’єрні рішення безпосередньо й опосередковано, підриваючи кар’єрну адаптивність, — опосередкований шлях, на який припадає 63,35% усього ефекту; їхній тест модерації виявив, що [[self-efficacy]] не зм’якшувала шкоду.

Звична адаптація звучить так: *«Я ще не знаю, як добре це використовувати.»* Дійте, коли вона звучить так: *«Мені нема сенсу це закінчувати,»* коли студент відсторонюється, а не скаржиться, або коли хвилювання несе сам, бо озвучення його здається визнанням слабкості, — патерн розкриття, керованого стигмою, який [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]] описують для студентів пакистанських університетів.

## Що робити в аудиторії

**Компетентнісні хвилювання діють через оцінки, а не через запевнення.** Двохвимірне опитування 547 китайських студентів бакалаврату моделювало [[anxiety-and-stress|тривожність щодо навчання зі ШІ]] в межах теорії контролю-цінності ([[school-support-ai-learning-anxiety-control-value-2026|Jiang, Chen and Chen, 2026]]): тривожність генерується двома оцінками — чи почувається студент здатним впоратися із навчальними задачами, пов’язаними зі ШІ (контроль, вимірюваний як самоефективність у навчанні зі ШІ), і чи вважають вони ШІ корисним для академічної роботи (цінність, через конструкт [[technology-acceptance-model|сприйманої корисності]]). Самоефективність мала сильнішу негативну асоціацію з тривожністю, а також передбачала сприйману корисність; сприймана підтримка школи асоціювалася з меншою тривожністю навіть за моделювання обох оцінок, але опосередковані шляхи через них несли більшу частину цієї асоціації, залишаючи приблизно третину як прямий зв’язок. Модельована окремо, лише *інформаційна* підтримка зберегла надійний шлях до самоефективності, — чому мають значення навчання [[ai-literacy|ШІ-грамотності]], вказівки щодо відповідального використання та доступна технічна підтримка.

Звідси дизайн: дайте студентам досвіди досягнень і конкретні свідчення, що ШІ вартий зусиль, — практику з низькими ставками, керовану оцінку результатів ШІ, виправлення на основі зворотного зв’язку, — і пропонуйте підтримку, яка є інформаційною, а не лише втішливою. Сприймана підтримка передує сприятливим оцінкам.

**Вчіть критично оцінювати, а не уникати.** Тривожність і залученість можуть рухатися разом, і це змінює те, що ви робите. В опитуванні 107 студентів [[ai-anxiety-strategic-regulation-writing-2026|Kim (2026)]] виявляє, що вища тривожність щодо ШІ позитивно асоціюється з поведінкою перевірки та виправлення (β = 0,24, p < 0,01), а здатність оцінювати передбачає активну залученість (β = 0,46, p < 0,001), розподіляючи студентів на чотири типи регулювання — від некритичної залежності (18,7%) через вибіркову інтеграцію (34,6%) та оцінювальну трансформацію (31,8%) до стратегічного відкидання (14,9%). Уислід суперечить тому, щоб метою було зменшення тривожності: навчання критичної оцінки та оцінювального судження перетворює тривожних студентів на свідоміших користувачів [[generative-ai|генеративного ШІ]], а не на таких, що більше уникають, що пов’язує цю сторінку з [[verify-ai-output|навчанням студентів перевіряти результат ШІ]] та з [[ai-literacy]].

**Будуйте кар’єрну адаптивність, а не лише впевненість.** [[duan-ai-anxiety-career-decisions-college-2026|Duan et al. (2026)]] роблять висновок, що кар’єрна адаптивність є ключовим захисним механізмом, і рекомендують універсалізувати курси ШІ-грамотності та кар’єрного планування поряд з інтеграцією індустрії та освіти. [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] приходять до того самого висновку з медичних наук: розширені програми плюс ШІ-грамотність і кар’єрне консультування, бо тривожність щодо ШІ формує професійне майбутнє студентів, а не їхнє ставлення до інструмента.

**Поєднуйте інструктування зі ШІ з регулюванням емоцій і метакогнітивною підтримкою.** [[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang, Shi and Lu (2026)]] стверджують, що саме зменшення тривожності щодо ШІ, а не розширення доступу до інструмента, підтримує мотивацію, і рекомендують інтегрувати підтримку регулювання емоцій і [[metacognition|метакогнітивну]] підтримку в освіту зі ШІ-грамотності з диференціацією з урахуванням статті, — відзначаючи при цьому, що їхній дизайн не може показати причинність.

**Виношуйте рішення щодо інструментів благополуччя свідомо.** [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]] натренували класифікатор стресу Random Forest на 1 100 відповідях опитування за 20 ознаками, досягнувши точності 89,09% на трьох рівнях тяжкості, у парі з багаторівневим діалоговим шаром Stepped Care англійською, урду та романізованою урду. Їхній аналіз [[explainable-ai|важливості ознак]] поставив кров’яний тиск на перше місце (15,6%), а **стосунки викладач–студент на друге (10,0%)**, а рівень тривожності — на дев’яте (4,8%), — свідчення, стверджують автори, що страждання студентів є багатовимірними, а не керованими одним показником. Зверніть увагу, у чому вони визнають: [[machine-learning|тренований класифікатор]] вирішує про рівень підтримки, тому що відбувається за шкідливої хибної класифікації, як зберігаються розкриті дані та які захисти [[privacy]] застосовуються, і як працює ескалація до людського консультування — усе це залишено відкритим; межа між [[human-in-the-loop-ai|людським наглядом]] та автоматичною підтримкою залишається питанням проєктування, і система не подається як клінічна або терапевтична.

## Що казати, а що не казати

**Не кажіть:**

- *«ШІ насправді не може виконувати вашу роботу.»* Ви можете помилятися, і студент уже це перевірив.
- *«Усі так почуваються.»* Правда й непотрібно; це робить конкретний страх узагальненим.
- *«Вам просто треба навчитися ним правильно користуватися.»* Це перетворює кар’єрне хвилювання на вирок щодо компетентності — на саме ту оцінку, що веде тривожність.
- *«Усе буде добре.»* Прогноз, який ви не можете підкріпити, і план, до якого вони не можуть діяти.
- *«Вам треба бути стійкішими.»* Віра в себе сама по собі не зм’якшувала кар’єрну шкоду; див. заперечення нижче.

**Кажіть:**

- Назвіть чинник уголос: *«Мене непокоїть не те, що ви не можете користуватися інструментом. Мене непокоїть те, що ви не знаєте, що він означає для роботи. Це різні проблеми, і з обома я можу допомогти.»*
- Відокремте інструмент від людини: здібність будується, а не просто мається.
- Чітко сформулюйте свої очікування щодо використання ШІ. Мовчазність читається як заборона деякими студентами і як залишення наодинці — іншими.
- Стежте за своєю диференціацією: стать моделювала зв’язок регулювання–мотивації в даних Zhang, Shi and Lu, сильніший серед студентів, тому один сценарій не спрацює однаково в кожній групі.

## Коли направляти

Направляйте, коли хвилювання перестало бути про інструмент і стало про цінність студента, його місце в програмі або його майбутнє: безнадійність щодо закінчення, відсторонення від роботи й від людей, твердження, що вони не бачать професійного майбутнього. Усе, що натякає на ризик для безпеки, — негайне направлення і справа протоколу вашої установи, а не розмова, якою ви керуєте самі.

Кар’єрна тривожність належить [[career-development-and-readiness|службам кар’єри]], бо це питання консультування, а не проблема морального духу, і [[duan-ai-anxiety-career-decisions-college-2026|Duan et al. (2026)]] виявили, що самоефективність сама по собі не зм’якшувала шкоди для кар’єрних рішень. Рівень, на який указують свідчення, — це установи: [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] рекомендують ШІ-грамотність і кар’єрне консультування разом із розширеними програмами, а не одне замість іншого. І в вас є важіль, якого немає в бланку направлення: [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]] ставлять стосунки викладач–студент на друге місце в аналізі важливості ознак (10,0%), попереду якості сну (9,3%), депресії (8,3%) і соціальної підтримки (7,6%). Автори розглядають це як гіпотезу, яка потребує локально зібраних даних, але це причина впевнитися, що студенти знають, що ви — шлях до допомоги.

Не спрямовуйте стривоженого студента в орієнтований на студентів інструмент ШІ лише тому, що він завжди доступний. Такі системи приваблюють студентів, які не озвучують страждання батькам, викладачам або ровесникам, — патерн розкриття, який описують [[culturally-aware-student-stress-chatbot-2026|Bashir and Afzal (2026)]], — але той діалоговий шар перевірявся на змодельованих входах та неформальному тестуванні зручності, а не оцінювався зі студентами на культурну доречність, емоційну безпеку чи задоволеність, і в нього взагалі немає даних про результати студентів.

## Що свідчення справді показують, і де вони зупиняються

Майже все тут щодо самої тривожності стосовно ШІ є кореляційним. Дослідження кар’єрної тривожності — це поперечні опитування ([[ustun-ai-anxiety-job-finding-anxiety-2026|Üstün and Danacıoğlu, 2026]]; [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al., 2026]]; [[duan-ai-anxiety-career-decisions-college-2026|Duan et al., 2026]]), і дослідження мотивації — поперечне та самозвітне ([[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang, Shi and Lu, 2026]]).

Кожне — зі своїми межами, які за ним ідуть:

- **Мотивація.** В опитуванні 1 484 китайських студентів бакалаврату [[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang, Shi and Lu (2026)]] виявили, що тривожність щодо ШІ негативно корелює з регулюванням емоцій (r = −0,172) і академічною [[motivation]] (r = −0,175), тоді як регулювання емоцій позитивно корелює з мотивацією (r = 0,457), усі p < 0,001; бутстрап-аналіз підтвердив негативний опосередкований шлях від тривожності до мотивації через регулювання емоцій (опосередкований ефект = −0,076, 95% CI від −0,108 до −0,047), причому прямий шлях залишався значущим. Тривалість щоденного використання ШІ корелювала з мотивацією лише слабко (r = 0,053) — застереження проти читання часу в інструменті як якості [[student-engagement|залученості]].
- **Оцінки.** Дослідження шкільної підтримки розділило предиктори та результат приблизно на шість тижнів, але його автори стверджують, що дизайн усе ще поперечний і не може встановити причинного напряму, тимчасової випереджувальності чи причинного опосередкування; вибірка була зручною, перекошеною на користь STEAM-спеціальностей, вимірювалася [[self-report-measures|самозвітом]], і тривожність була загалом низькою з обмеженою варіацією, що могло зменшити оцінки ([[school-support-ai-learning-anxiety-control-value-2026|Jiang, Chen and Chen, 2026]]).
- **Інструменти.** Дисертація про інструменти благополуччя кампусу на основі ШІ ([[ai-campus-wellbeing-tools|Tang, 2026]]) повідомляє про чат-бот опитування (TigerGPT), що досягає 75% зручності та 81% задоволеності, і рамку адаптивних наступних запитань (AURA), що дає середній здобуток якості +0,12 (p = 0,044, d = 0,66), використовуючи [[reinforcement-learning|навчання з підкріпленням]] для вибору між валідацією, уточненням, рефлексією чи дослідженням, плюс компонент оцінки психічного здоров’я, ґрунтований на вказівках DSM-5 і PHQ-8, а не на класифікації типу «чорна скринька», і стекинговану багатомодельну архітектуру, яка, за твердженням, скорочує [[hallucination-risk|ризик галюцинацій]] і перевершує одиничні моделі на [[benchmark]] DAIC-WOZ. Це результати розробки систем: вони вимірюють, чи інструмент працює як задумано, а не чи покращилося [[well-being]] студентів. Точність 89,09% походить від одиничного відкладеного поділу; навчальні дані не є репрезентативними для пакистанських студентів, система в основі англійська з підказковими виразами урду, і в діалогового шару немає даних про результати.

Читаючи корпус чесно: джерела та механізми тривожності стосовно ШІ мають вимірювану підтримку, і наведені вище відсотки та кореляції — це асоціації, а не продемонстровані ефекти втручань. Жодне дослідження тут не рандомізувало студентів в умову підтримки й не виміряло тривожність згодом, тому твердження про зменшення тривожності для будь-якої конкретної практики, включаючи рекомендовані тут, залишаються неперевіреними. Те, що ліцензують свідчення, — це напрям роботи, а не обіцяний розмір ефекту.

Політичне середовище навколо ШІ та [[social-emotional-learning|соціально-емоційного]] навчання є тоншим за амбіції впровадження. [[policy-deficit-ai-sel-2026|Tran, Liu and Nguyen (2026)]] переглянули 65 рецензованих статей на перетині ШІ–SEL: майже три чверті взагалі не згадали про політичні висліди, лише приблизно кожна четверта запропонувала якусь політичну рекомендацію, і мало хто дав вказівки для конкретних акторів щодо [[privacy]], підготовки викладачів або розподілу ресурсів. Їхня рамка «WH» питає, хто має діяти, яку дію рекомендовано, чому, коли, де й наскільки сильно вона сформульована, — запитання, на які більшість лишила без відповіді. Залучення до політики корелювало з виданням, що рецензенти читають як структуру стимулів, яка віддає перевагу технічній новизі перед [[governance]] і породжує «пастку техно-рішень»: технічний потенціал на передньому плані, умови відповідального використання — не конкретизовані. З точки зору [[equity-in-ai-education|справедливості]] правдоподібні інструменти ШІ для SEL можуть тому впроваджуватися без захистів — приватності, підготовки викладачів, справедливості ресурсів, — яких вимагає впровадження.

## Заперечення, які ви почуєте

**«Їм треба навчитися стійкості, а не поступок.»** Частково правда, і не в упевненій версії. Zhang, Shi and Lu виявили, що регулювання емоцій позитивно корелює з мотивацією (r = 0,457), тоді як тривожність негативно корелювала з обома, — аргумент за навчання навичкам регулювання. Але в моделі [[duan-ai-anxiety-career-decisions-college-2026|Duan et al. (2026)]] [[self-efficacy]] не зм’якшувала шкоди для кар’єрних рішень. Стійкість як «вірь у себе сильніше» — це те, що не спрацювало; стійкість як репетиція, досвіди досягнень і кар’єрна адаптивність — це те, на що вказують дослідження.

**«Це мине, коли студенти звикнуть до інструментів.»** Час в інструменті — не механізм: тривалість щоденного використання ШІ корелювала з мотивацією лише слабко (r = 0,053) в опитуванні 1 484 студентів, і [[dag-ai-perceptions-career-anxiety-health-2026|Dağ et al. (2026)]] виявили, що тривожність щодо ШІ усе ще передбачала тривожність щодо пошуку роботи після контролю за соціально-демографічними характеристиками (β = 0,234, p < 0,001).

**«Я викладач предмета, а не радник.»** Вас не просять нікого лікувати. Три з чотирьох ходів тут — навчальні: практика з низькими ставками, керована оцінка результату ШІ, виправлення на основі зворотного зв’язку, — а четвертий — знання шляху направлення. Єдиний висновок, що стосується вашої позиції, — стосунки викладач–студент на другому місці в аналізі важливості ознак у Bashir and Afzal (10,0%), вище якості сну (9,3%) і соціальної підтримки (7,6%) — гіпотеза, кажуть вони, але розумна ставка на роль, яку ви вже займаєте.

## Зробіть цього тижня

- **Зніміть температуру одного заняття.** Запитайте студентів письмово, що ШІ означає для роботи, на яку вони ціляться: ви отримуєте чинника їхніми словами — і студентів, які варті приватного наступного контакту.
- **Замініть одне запевнення на один хід оцінювання.** Поміняйте п’ять хвилин «усе буде добре» на завдання, де студенти оцінюють і виправляють результат ШІ, — шлях із вимірною асоціацією з меншою тривожністю.
- **Спрямовуйте кар’єрне хвилювання до тих, хто ним володіє.** Визначте зараз контакт у службах кар’єри і шлях направлення, щоб розмова закінчувалася іменем, а не знизуванням плечей.
- **Запишіть свої очікування щодо використання ШІ** — що дозволено, що має бути розкрито, яка підтримка існує, — і скажіть їх уголос. Сприймана підтримка передує сприятливим оцінкам.
- **Перед впровадженням будь-якого інструмента благополуччя чи усвідомленості афектів** отримайте письмові відповіді про валідацію точності, як вирішується рівень підтримки, що відбувається за шкідливої хибної класифікації, як зберігаються розкриті дані і як працює ескалація до людського консультування. Немає відповідей — немає впровадження.

Для ширшої картини див. [[how-ai-impacts-students]] про загальний вплив ШІ на студентів і [[redesign-assessment-ai-era]] про оцінювальний боку інституційної відповіді.

---

## [Як ШІ може підтримувати здобувачів з інвалідністю та нейровідмінністю в моєму курсі?](https://edtechdev.github.io/aied/faqs/ai-disabled-neurodivergent-learners/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як ШІ може підтримувати здобувачів з інвалідністю та нейровідмінністю в моєму курсі?

Ви — викладач, який щойно отримав лист про надання пристосувань, керівник з питань доступності, який вирішує, чи схвалити ліцензію, або координатор служби підтримки людей з інвалідністю, який має відповісти на запит щодо інструмента до п’ятниці. Вам не потрібен огляд літератури. Вам потрібне виправдане рішення: що впровадити, у чому відмовити і як зрозуміти, чи те, що ви схвалили, справді допомогло студентові, який сидить перед вами.

Головний висновок, із залишеними на місці застереженнями: ШІ може підтримувати здобувачів з інвалідністю та нейровідмінністю, але те, що було виміряно, є вузьким. Більшість свідчень стосується інструментів, які усувають один функційний бар’єр за раз; найсильніший кількісний результат походить із налаштувань спеціальної освіти PK-12 із переважно доґенеративного ШІ; а картина вищої освіти — це карта того, що намагалися зробити, а не вимірювання того, що працює. Ніщо тут не виправдовує загального впровадження. Усе тут підтримує вузьке, інструктоване, прив’язане до конкретного бар’єру впровадження — і називає кілька практик, які йдуть не так.

## Починайте з бар’єру, а не з діагнозу

Більшість того, що йде не так для студентів з інвалідністю та нейровідмінністю, відбувається на рівні завдання, а не діагнозу: читання, що припускає друкований текст, відео, що припускає стійку увагу, груповий проєкт, що припускає непроговорені соціальні правила. Ці бар’єри повторюються в різних діагнозах, тож продуктивне запитання — не те, який інструмент підходить до якого стану, а те, який функційний бар’єр усуває інструмент. Усі рекомендації нижче організовані саме так, і так само має бути організована ваша закупівля.

## Що впроваджувати, впорядковано за силою свідчень

**1. Інструменти, що усувають бар’єри, із виміряним ефектом — середня довіра, але PK-12 і переважно старіший ШІ.** Найсильніший кількісний результат на цій сторінці є також найбільш узагальненим. [[zhang-ai-students-disabilities-meta-analysis-2024|Zhang, Carter, Liu and Peng (2024)]] синтезували 29 (квазі-)експериментальних досліджень втручань на основі ШІ для студентів з інвалідністю — 239 розмірів ефектів від 41 незалежної вибірки — і виявили статистично значущий середній узагальнений ефект на результати навчання, **Hedges' g = 0,588** (95% CI [0,349; 0,826], p < 0,01), із високою міждослідницькою гетерогенністю. Академічна успішність була найбільшою підгрупою результатів (k = 80, g = 0,929), а соціально-емоційні навички — найменшою (k = 144, g = 0,382). Комп’ютерне програмне забезпечення — розпізнавання мовлення, експертні системи, [[intelligent-tutoring|інтелектуальні системи навчання]] — працювало сильно (k = 74, g = 0,959), а [[educational-robotics|роботи]] — помірно (k = 144, g = 0,509), тоді як інтелектуальна віртуальна реальність (g = 0,528) не була значущою. Упередженість публікації була присутня (β Еггера = 2,837, p < 0,001); trim-and-fill зменшив оцінку до g = 0,269, усе ще значущої. Прочитайте позначку довіри чесно: кожне дослідження було PK-12, 96,6% використовувало покрокове навчання в умовах спеціальної освіти чи клінічних умовах, і більшість використовувала старіший ШІ на основі правил, а не [[generative-ai|генеративний ШІ]]. Це підстави для обережного впровадження структурованого, навчального програмного забезпечення — а не підстави для чат-бота, який вам пропонували.

**2. Конкретні інструменти одного бар’єру з малими дослідженнями — низька довіра, малі вибірки.** Три результати показують, що може зробити окремий інструмент, кожен перевірений на жменьці здобувачів. Для уваги [[adhd-video-segmentation-computing-education|Pimenova, Begel and colleagues (2026)]] розділяли навчальні відео постфактум на однинструкційні фрагменти з фіксованими паузами; з 17 здобувачами з СДУГ і 10 без нього це покращило всіх і привело помилки й вагання учасників зі СДУГ до паритету — вирівнювальний ефект від легкої трансформації, а не від продукту, специфічного для діагнозу. Для доступу до мови [[llm-question-generation-deaf-hard-of-hearing-2026|Chen et al. (2026)]] додали до базового набору [[llm]] візуальні запитання (часові позначки, де візуальна інформація, ймовірно, буде неправильно прочитана) та емоційні запитання (часові позначки, де попередні глухі та важковосприймаючі мову здобувачі повідомляли про розчарування), створивши 30 запитань, по десять на стратегію; з 16 здобувачами самоефективність у середньому становила 5,70 (SD = 1,12) на семибальній шкалі, а візуальні запитання обирали частіше глухі учасники, ніж важковосприймаючі мову. Для читання та письма [[dyslexlens-dyslexic-learners-ai|Rezazadegan et al. (2026)]] проаналізували власні обговорення дислексиків на форумах і виявили, що вони цінують ШІ за підтримку писемності, повідомляючи при цьому про нерівну якість результату та відсутність справедливих пристосувань, — ця неузгодженість сама по собі є бар’єром. Впроваджуйте це як дешеві, зворотні експерименти, а не як постійну інфраструктуру.

**3. Інвентар вищої освіти — карта, а не вимірювання.** Для [[higher-ed|вищої освіти]] картина є картою, а не вимірюванням. [[assistive-tech-neurodivergent-higher-ed-review-2026|Rempel, Heimann and Prilop (2026)]] відібрали 766 записів із п’яти баз даних до 40 включених досліджень, опублікованих між 2015 і 2025 роками. Генеративний ШІ з’являвся в 15 з 40, а [[virtual-and-augmented-reality|віртуальна реальність]] — в 11. Охоплення бар’єрів було нерівним: читання та письмо (n = 13) і керування навчанням (n = 12) домінували, увага (n = 4) і соціальна комунікація (n = 5) були знехтувані, і лише 6 досліджень торкалися більш ніж одного бар’єру. Огляд охоплює лише вищу освіту — він виключив [[k-12]] та умови спеціалізованих установ за дизайном, тож це не свідчення про молодших здобувачів. Використовуйте його, щоб побачити, які бар’єри були порушені на вашому рівні, а яких майже не торкалися.

**4. Структура та універсальний дизайн, які мають підтвердження свідченнями й безкоштовні.** Заявлені уподобання здобувачів дають завдання для дизайну. [[neurodivergent-computing-students|Zastudil et al. (2026)]] опитали 24 нейровідмінних студентів інформатики (аутичних та/або зі СДУГ) і 20 нейротипових ровесників із чотирма наступними інтерв’ю: нейровідмінна група почувалася некомфортно з неструктурованими або неоднозначними завданнями і сильно віддавала перевагу меншим командам, які працюють разом узгоджено з явно визначеними ролями, впораючись із цим через самовибір ролей і стратегічне розкриття. Їхнє застереження щодо [[agentic-ai|ШІ]]-опосередкованої роботи — що модель взаємодії інструмента може відтворити ту саму структурну неоднозначність. Структура — найдешевше втручання в цьому списку і те, яке найчастіше упускають.

## Уникати чого, включаючи пристосування, що відбиваються проти мети

- **Не надавайте ШІ як пристосування, не навчивши йому.** Найпоширеніша відмова — не неправильний інструмент, а ненавчений. Справа *W.A. v. Clarksville/Montgomery County School System* (2024) — задокументована версія: студент, якому надали ШІ як пристосування, закінчив навчання, не вміючи читати, і суд встановив, що безкоштовна, відповідна публічна освіта не була надана.
- **Не дозволяйте загальній забороні ШІ прибрати допоміжний інструмент.** [[wright-transcription-not-generation-2026|Wright (2026)]]. стверджує, що правила, які поводяться однаково з усім «використанням ШІ», є надмірно широкими, бо не відокремлюють транскрипцію мовлення в текст і OCR від генеративного створення текстів. Студенти зі станами, що впливають на дрібну моторику, розбірливість почерку або точність друку, покладалися на автономні продукти перетворення голосу в текст, такі як Dragon NaturallySpeaking, та автономний OCR, деякі з яких були припинені чи погіршені, а функційну прогалину заповнює транскрипція на основі ШІ, — тож правило, написане як «жодного ШІ», може відібрати в студента основний засіб створення розбірливої роботи, і масштаб цього витіснення не вимірювався. Поводьтеся з транскрипцією та OCR як з пристосуваннями, які треба явно назвати в політиці, а не як з жертвами її; викликана цим викритість належить до [[legal-issues-and-risks]].
- **Не організовуйте підтримку навколо одного лише діагнозу.** Центральний висновок огляду рамок — це критика: література домінується індивідуальними пристосуваннями та інструментами для одного нейротипу, організованими навколо формального діагнозу, тоді як функційні відмінності, які вони порушують, перетинають нейротипи й приховані діагностичною категоризацією. Студенти з дислексією, як правило, виграють від зменшення залежності від матеріалу лише в письмовій формі, і і аутистичні студенти, і студенти зі СДУГ можуть переживати часті коливання фокусу, що робить результативність чутливою до узгодженої структури та достатньо часу на перемикання завдань. Інструмент, підібраний за міткою, може проґавити бар’єр, який студент справді має. Той самий обережний підхід стосується групової статистики: найбільший метааналіз у цій базі знань повідомляє про значно більший ефект для студентів з конкретними навчальними труднощами, інтелектуальною та розвиковою інвалідністю або для глухих студентів, ніж для студентів із розладами аутистичного спектра, причому ця відмінність повідомлена як статистично не значуща на її розмірах ефектів (див. [[differential-effects-across-learner-groups|Differential Effects Across Learner Groups]]).
- **Не зробіть самоідентифікацію ціною доступу.** Пристосування вимагає, щоб студент ідентифікував себе як такого, що потребує спеціального забезпечення, що несе стигму; універсальний дизайн усуває цей крок.
- **Не ігноруйте ефекти інверсії.** Надмірна залежність від чат-ботів і когнітивне перевантаження занурювальних середовищ задокументовані як ефекти інверсії, коли додавання технології знижує навчання. Від інструмента, який лише відтворює наявне навчання в цифровій формі, варто очікувати обмежених [[learning-gains|навчальних здобутків]].
- **Не впроваджуйте інструментів, чия надійність не доведена.** Студенти з дислексією, які використовували ШІ для підтримки писемності, повідомляли про справжню цінність поряд із ненадійною якістю результату; інструмент, на який не можна покладатися, додає роботи замість того, щоб її прибирати.
- **Не приймайте продукти такими, якими вони приходять.** Сформулюйте універсальний дизайн і партисипативну розробку як вимоги закупівлі, а не приймайте те, що вам продають, — огляд рамок рекомендує будувати інструменти разом із нейровідмінними студентами, а не для них, і його власна вибірка показує, наскільки це рідкісно: лише 3 з 40 досліджень розглядали середовище або нейротипових ровесників як об’єкт втручання.
- **Не купуйте найзанурювальніший варіант за замовчуванням.** [[virtual-and-augmented-reality|Віртуальна реальність]] — найбільш ресурсоємний варіант у наборі. Допоміжним технологіям потрібні пристрої та зв’язність, і інструменти, безкоштовні в пілоті, зазвичай пересуваються за платний мур.
- **Не дозволяйте упередженості автоматизації стати на місце судження.** Автори [[ludia-udl-ai-thought-partner-2026|LUDIA]] називають межу, яка належить кожному плану впровадження: упередженість автоматизації означає, що викладач, найімовірніший, хто погодиться з поганою пропозицією, — це той, хто довіряє, що інструмент знає [[universal-design-for-learning|Universal Design for Learning]]. Ніхто також не перевіряв його результати на культурну чи мовну упередженість.

## Як зрозуміти, чи інструмент допомагає *цьому* студентові

Узагальнені ефекти кажуть вам напрям; вони не кажуть, чи інструмент працює для студента з вашої секції наступного тижня. Три застереження мають формувати будь-яке випробування.

По-перше, порядок підгруп є навіювальним, а не встановленим. Метааналіз 2024 року не може сказати, який вибір дизайну кращий: жоден модератор будь-якого виду не досяг значущості, тому ранжуваннями, як-от навчальні агенти (g = 1,100) попереду соціально-емоційних тренерів (g = 0,336), або діадична взаємодія попереду тріадичної (g = 0,973 проти g = 0,385), не слід користуватися як вирішеними. Виправдана позиція — що напрям ефекту підтримується, тоді як розмір, оптимальність дизайну та тривалість будь-якого здобутку — ні.

По-друге, корпус описує впровадження та сприйняття більше, ніж виміряне навчання. Увага (n = 4) і соціальна комунікація (n = 5) — найменш досліджені бар’єри, і лише 6 з 40 досліджень обслуговували більш ніж один. Дефіцит (квазі-)експериментальних і поздовжніх дизайнів, а також гетерогенність інструментів і результатів — причина, чому робота з вищої освіти є оглядом рамок, а не метааналізом. Охоплення перекошене на бакалаврат і Північну півкулю, пошук був англомовною рецензованою роботою, а аспіранти представлені недостатньо. Поводьтеся із залученістю та задоволеністю як зі слабкими показниками; вимірюйте бар’єр, який ви намагалися усунути.

По-третє, інструмент, який виправляє один бар’єр, може залишити інший. Лише 6 з 40 досліджень обслуговували більш ніж один бар’єр, тож перевірте інструмент проти конкретної труднощі, про яку повідомляє студент, — читання та письмо, керування навчанням, увага або соціальна комунікація, — і оцінюйте проти цього бар’єру, а не проти опитування задоволеності. Запитайте студента; учасники Zastudil et al. і автори дописів на форумах Rezazadegan et al. обидві описують свої потреби точніше, ніж побудовані для них продукти.

## Заперечення, які ви почуєте

**«Ми не можемо вимагати інструмент для всіх.»** Можете, якщо інструмент є особливістю дизайну, а не особистим пристосуванням. Сегментація відео з фіксованими паузами покращила всіх здобувачів, а не лише тих зі СДУГ, і приведення помилок і вагань учасників зі СДУГ до паритету — це точно той результат універсального дизайну, який усуває потребу в розкритті. Результат Pimenova and Begel — це вирівнювальний ефект від легкої трансформації, а не від продукту, специфічного для діагнозу. Поєднайте це з доступними налаштуваннями за замовчуванням: інструменти читання вголос, OCR та вирівнювання рівня тексту повторюються в підтверджених пунктах політики [[shin-ai-policies-sld-2026|Shin et al. (2026)]], чиє моделювання тем на основі LLM і два раунди опитувань Delphi 17 експертів щодо 12 документів політики ШІ в освіті США з 2015 по 2025 роки виявили, що **лише 2 з 12 конкретно порушують навчальні труднощі**, тоді як 18 тем, присутні в загальній політиці щодо ШІ чи політиці щодо інших видів інвалідності, — захист даних, керування юридичним ризиком, етичні вказівки серед них, — відсутні в політиці щодо конкретних навчальних труднощів.

**«Субтитрування та переклад — не академічна підтримка.»** Субтитрування — це початок, а не весь доступ до мови. Текстові підказки не відповідають першим мовам на основі жестів: поєднуйте транскрипти з візуальними й емоційними контекстними підказками й усікайте непотрібну складність, як це роблять візуальні та емоційні запитання Chen et al. А власне ранжування експертів із політики суперечить цьому запереченню: їхні 36 підтверджених пунктів розпадаються на п’ять тем — інклюзивне та персоналізоване навчання (11 пунктів, 30,56%), етика, справедливість та інклюзія (9, 25,00%), розширення повноважень студентів і ШІ-грамотність (6, 16,67%), оцінювання та дослідження (6, 16,67%) і підготовка викладачів (4, 11,11%) — і вони поставили **розширення повноважень студентів і ШІ-грамотність** як найсуттєвішу: навчати цих студентів відповідально й незалежно користуватися ШІ, захищаючись від надмірної залежності.

**«Студенти мають бути незалежними.»** Незалежність — це те, для чого існує інструктування, і саме тому інструмент без навчання — це режим відмови. Тема підготовки викладачів у Shin et al. існує з тієї ж причини, а автори LUDIA називають перепону «діленням знання і діяння»: вказівок удосталь, але вони написані в узагальнених термінах, тоді як бар’єр завжди є особливим для цієї кімнати, цього тижня. Масштаб потреби легко применшити: приблизно 240 мільйонів дітей у світі живуть з інвалідністю, приблизно половина з них не ходить до школи в країнах із низьким і середнім рівнем доходу, і приблизно третина викладачів у системах ОЕСР повідомляють про відсутність компетентностей для підтримки студентів з конкретними потребами. Правова рамка — це Закон про допоміжні технології США (2004) та IDEA (2004), які розміщують оцінювання допоміжних технологій усередині кожної індивідуалізованої навчальної програми й вимагають безкоштовної, відповідної публічної освіти, проте жодних формальних заснованих на свідченнях вказівок, які б допомагали викладачам чи родинам впроваджувати ШІ для цих здобувачів, немає. Незалежність, побудована на ненавченому інструменті, — це те, що карає судова практика.

**«Ми не можемо собі цього дозволити.»** Тоді відмовтеся від дорогого налаштування за замовчуванням. Поле допоміжних технологій сконцентроване на Північній півкулі, його найзанурювальніші інструменти — найменш масштабовні, і віртуальна реальність — найбільш ресурсоємний варіант у наборі. LUDIA — одна опрацьована версія альтернативи універсального дизайну: вона з’єднує викладачів із Universal Design for Learning, поки рішення щодо дизайну ще відкрите, і усуває бар’єри доступу архітектурно — жодних витрат, жодних облікових записів або збережених чатів, відповідність WCAG 2.2 Level AA та 13 машинно перекладених мов, хоча неанглійські версії можуть нести припущення англійської, з якої вони походять. Це партнер у мисленні, а не рушій рішень, що організовує своє дослідження навколо «доказу довіри», а не доказу впливу, і прямо стверджує, що автори не мають свідчень, що інструмент покращує навчання. Чесно бюджетуйте іншу витрату: [[shin-ai-policies-sld-2026|Shin et al.]] позначають [[digital-divide|цифрову прірву]], бо ціна просунутих інструментів ШІ може поглиблювати розбіжності між заможнішими й біднішими школами, поряд з упередженістю алгоритмів і прогалинами в підготовці викладачів.

## Зробіть цього тижня

- **Назвіть функційний бар’єр першим.** Читання та письмо, керування навчанням, увага, соціальна комунікація — а потім перевірте, чи інструмент порушує цей бар’єр, або лише діагноз.
- **Використовуйте те, що має свідчення.** Сегментація відео з фіксованими паузами звузила розрив у результативності за СДУГ до паритету, а інструменти читання вголос, OCR та вирівнювання рівня тексту повторюються в підтверджених пунктах політики.
- **Поводьтеся з субтитруванням як з початком, а не з усім доступом до мови.** Поєднуйте транскрипти з візуальними й емоційними контекстними підказками й усікайте непотрібну складність.
- **Давайте структуру, а не просіть студентів здогадуватися про неї.** Малі узгоджені команди, визначені ролі, явні очікування та самовибір ролей були уподобаннями, про які повідомляли нейровідмінні студенти інформатики.
- **Вбудовуйте доступність у закупівлю.** Сформулюйте універсальний дизайн і партисипативну розробку як вимоги, віддавайте перевагу безкоштовним інструментам, що зберігають приватність, і запитуйте, що відбувається, коли безкоштовний рівень закінчується.
- **Навчайте людей, а не просто впроваджуйте.** Бюджетуйте час на те, щоб студенти навчилися інструменту, а співробітники — вбудували його в завдання; пристосування без інструкції провалилося в суді.
- **Проєктуйте на перекриття й стежте за ефектами інверсії.** Лише 6 з 40 досліджень обслуговували більш ніж один бар’єр; надмірна залежність від чат-ботів і когнітивне перевантаження в занурювальних середовищах можуть знижувати навчання.
- **Повідомляйте результати чесно.** Більшість свідчень описує впровадження та сприйняття, і жоден модератор дизайну не було встановлено; поводьтеся із залученістю та задоволеністю як зі слабкими показниками.
- **Фінансуйте навчання та інтеграцію робочого процесу**, які перетворюють доступний інструмент на придатну підтримку, і впишіть вартість пристроїв і зв’язності в план.

## Куди йти далі

Ця сторінка — практична, міжздобувацька точка входу: [[universal-design-for-learning]] охоплює філософію дизайну, яка запобігає бар’єрам, перш ніж вони з’являться, [[assistive-technology]] — шар інструмента, яким користується студент, [[accessibility]] — чи формат взагалі може бути сприйнятий і оперований, а [[neurodiversity]] — лінзу, яка поводиться з відмінністю як з різноманітністю, а не як із дефіцитом, — усе в межах парасольки [[inclusive-learning]].

Щодо зобов’язань із дослідницького боку — див. [[equity-ethics-pedagogical-safety-research|включення справедливості, доступності, приватності, етики та педагогічної безпеки в дослідження AIED]].

---

## [Як ШІ може допомогти давати кращий зворотний зв’язок у масштабі?](https://edtechdev.github.io/aied/faqs/ai-feedback-at-scale/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як ШІ може допомогти давати кращий зворотний зв’язок у масштабі?

Шостий тиждень. У вас стопка начерків, рубрика, якій ви довіряєте, і зростаюче підозру, що третина ваших коментарів буде пробігти очима й забута. Колега згадує, що тепер існує інструмент, який коментує кожен начерк упродовж години. Ви хочете знати, чи це справжнє покращення, чи просто швидший спосіб породжувати текст, якого ніхто не читає.

**Головний висновок:** зворотний зв’язок від ШІ варто впроваджувати через охоплення, своєчасність і узгодженість у вузькій смузі — робота з мовою в масштабі редагування та перші коментарі за рубрикою — і варто впроваджувати лише за умови, що ви проєктуєте все, що відбувається навколо коментарів. Охоплення — легка частина. У [[genai-feedback-design-multisite-experiment|кластер-рандомізованому експерименті з 1 176 першокурсниками]] рефлексивний і гібридний дизайни перевершили пряму ШІ-критику на відкладеному, без ШІ [[transfer-of-learning|перенесенні]]; у [[farrokhnia-genai-feedback-student-revisions-2026|рандомізованому експерименті з есе від 70 студентів]] якісніший зворотний зв’язок від ШІ не дав кращих виправлень, ніж зворотний зв’язок досвідченого викладача. У цілому за свідченнями те, що студенти роблять із коментарем, важливіше за те, як швидко коментар надходить, і [[feedback-literacy|грамотність щодо зворотного зв’язку]] — а не доступ до ШІ — відрізняє студентів, які зростають, від тих, які копіюють.

## Розрізнення, яке вирішує все: обсяг — не якість, і доставлено — не прочитано

На цій сторінці основну роботу роблять два розрізнення.

**Більше зворотного зв’язку — не кращий зворотний зв’язок.** ШІ може породжувати коментарі до кожного начерку щотижня; кількість майже безкоштовна. Якість — ні. [[zhan-boud-dawson-genai-feedback-engagement|Zhan, Boud, Dawson and Yan (2025)]] роблять якість підказки шарніром процесу: невиразні підказки дають узагальнений, непотрібний результат, а згенеровані коментарі можуть бути вигаданими, упередженими або перекриватися, що переносить [[evaluative-judgment|оцінювальне судження]] назад на читача. Калібрування є ще гострішим: у [[farrokhnia-genai-feedback-student-revisions-2026|Farrokhnia et al. (2026)]] якість зворотного зв’язку GenAI була значуще пов’язана з міцністю початкового начерку студента, тоді як якість зворотного зв’язку викладача — ні; викладач калібрував узгодженіше. Обсяг масштабується. Калібрування — ні.

**Доставлений зворотний зв’язок — не здійснений зворотний зв’язок.** Це найдорожче непорозуміння. Farrokhnia et al. рандомізували 70 студентів, які писали аргументативні есе перською мовою, на три групи. Підказка з ланцюжком міркувань дала значуще вище оцінений зворотний зв’язок (M = 12,90), ніж і підказка zero-shot (M = 11,25, p = 0,01), і досвідчений викладач-людина (M = 11,20, p = 0,008). Проте група з ланцюжком міркувань не переписувала свої есе значуто більше, ніж група зі зворотним зв’язком викладача, яка досягла порівнянних здобутків. Краще оцінені коментарі — те саме виправлення. Якщо ваш показник — якість того, що пише модель, це читається як перемога; якщо ваш показник — що змінилося в есе, це не так.

Хто здійснює зворотний зв’язок, залежить від здобувача. У [[hawkins-feedback-literacy-ai-essay-writing|Hawkins, Taylor-Griffiths and Lodge (2026)]] 32 студенти-психологи виконували 25-хвилинне завдання з есе з записом екрана й необмеженим доступом до ChatGPT, а потім переглядали запис у відео-стимульованому інтерв’ю. Грамотність щодо зворотного зв’язку була єдиним значущим позитивним предиктором оцінки за есе (β = 0,46, p = 0,017); [[feedback-futures-genai|редакційна стаття спеціального випуску від Zhan, Wood, Carless and Yan (2026)]] відзначає, що частота використання GenAI, [[trust|надійність джерела]] і [[prior-knowledge|попередні знання]] не прогнозували результат. Менше третини студентів порівнювали результат ШІ з іншим інтернет-джерелом; половина свідомо уникала ШІ з міркувань [[academic-integrity|академічної доброчесності]] або бажання мати есе власними словами; і більшість просила зворотний зв’язок на рівні завдання, який погано переноситься на інші завдання.

Використання також нерівномірно розподілене. В університетському пілотному проєкті Deakin, описаному у [[tubino-adachi-ai-automated-feedback-literacy|Tubino and Adachi (2022)]], інструмент ШІ був необов’язковим, і використання становило в середньому приблизно 13% серед студентів бакалаврату й 12% серед аспірантів, попри доступ майже в 4 000 студентів. Проактивні, високоуспішні студенти використовували його частіше. Ось що дає вам «зробити інструмент доступним», і саме тому решта цієї сторінки — про проєктування, а не про доступ.

## Чим ШІ справді добре володіє, і де він зупиняється

**Добре: охоплення і узгодженість у вузькій смузі.** Tubino and Adachi повідомляють про той пілотний проєкт у Deakin у 2021 році з інструментом автоматизованого зворотного зв’язку на основі ШІ від FeedbackFruits на 29 навчальних модулях і майже 4 000 студентів. Він працює з мікрорівневими текстовими ознаками — довжиною речення, пунктуацією, граматикою, структурою тексту — підтримуючи етап редагування: викладач задає параметри, студент використовує інструмент самостійно й отримує своєчасний, придатний до дії зворотний зв’язок. Те, що масштабується, — це розподіл праці, а не модель.

**Погано: узагальненість, правильність і калібрування.** Саме тут він не впорається (Zhan et al., 2025), і ліки — підказка, рубрика або людина, а не більша модель. [[learner-centered-feedback-ai|Aldino et al. (2026)]] додають режими відмов з боку викладача від 21 викладача вищої освіти: неузгоджений тон (n = 7), потенційна дезінформація (n = 5) і проблеми довіри (n = 5), а зусилля з виправлення витрачалися на видалення перебільшеної похвали та узагальнених пропозицій, а не на додавання змісту.

## Патерн впровадження, який витримує перевірку

Свідчення підтримують одну форму більше за будь-яку іншу: ШІ готує начерк, студент оцінює першим, а людина вирішує.

**Що автоматизувати.** Мікрорівневу роботу з мовою та першодіагностику за рубрикою. Дайте моделі рубрику й змусьте її міркувати крок за кроком — здобуток якості в Farrokhnia et al. прийшов від підказки з ланцюжком міркувань, що проводила модель через покрокове оцінювання проти рубрики аргументації, а не від голої інструкції. [[scaffolding-srl-feedback-genai-human-peers|Gu, Chen and Yan (2026)]] також дали своїй групі GenAI ChatGPT-4o із заздалегідь натренованими рубриками та вказівками щодо підказок, і саме це зробило результат перевірним проти заявлених критеріїв. Генерацію за рубрикою можна автоматизувати; судження — ні.

**Що залишати людині.** Остаточне повідомлення, тон і все, що стає записом. [[becerra-aicofe-feedback-2026|Becerra, Palma and Cobos (2026)]] описують AICoFE, який пропускає оцінки за рубрикою та якісні спостереження через три незалежно доналаштовані моделі (GPT-4.1-mini, Gemini 2.5 Flash, Llama 3.1), щоб породити незалежні начерки коментарів, а потім викладач складає остаточне повідомлення, вибираючи речення чи абзаци, з легендою, що показує, яка модель що дала. ШІ — генератор начерків, а не остаточний постачальник. Aldino et al. знаходять той самий патерн «допомагай, але перевіряй»: компонент ML найчастіше позначав **Meeting Learning Objective** як відсутній (20 з 21 викладача його пропустили; 16 погодилися) і **Student–Teacher Relationship** (14 пропустили; 12 погодилися), причому викладачі вирішували щодо кожної пропозиції за професійним судженням.

**Як це упорядкувати.** Не ставте джерела поруч; розставляйте їх поетапно. В експерименті [[genai-feedback-design-multisite-experiment|Ateş’а (2026)]] рефлексивна умова вимагала самооцінювання перед ШІ-критикою, а гібридна виконувала самооцінювання → зворотний зв’язок ровесників → критику GenAI. Tubino and Adachi пропонують шаблони для трьох етапів начерку з тієї ж причини. Поєднуйте ШІ зі зворотним зв’язком ровесників, а не заміщайте один одним: Gu et al. провели два паралельні класи з англійської (N = 118 першокурсників у Китаї; GenAI n = 56, ровесники n = 62) через три цикли самооцінювання за один семестр, і скаффолдинг GenAI покращив грамотність щодо зворотного зв’язку незначно, але значуще проти людського рецензування ровесниками (ANCOVA p = 0,049, ηp² = 0,03). Студенти GenAI уточнювали підказки ітеративно й перевіряли або оспорювали неточний результат, тоді як студенти груп ровесників обирали джерела за соціальною зручністю й мали оцінювальне судження викривленим упередженістю дружби. Рецензування ровесників зберегло окрему цінність для усвідомленості аудиторії, тому автори пропонують багатоетапні дизайни з анонімним зворотним зв’язком ровесників.

**Як це втілити для студентів.** Як начерк думки, яку треба оцінити, а не відповідь, яку треба копіювати. Скажіть просто, що коментарі моделі можуть бути вигаданими, упередженими або перекриватися і що студент володіє виправленням. Пара письменників IELTS у Zhan et al. показує крайнощі: студент із низькою грамотністю й невиразною підказкою отримав узагальнений зворотний зв’язок, довірився йому або надмірно переписав і залучився поверхнево; студент із високою грамотністю написав підказку з прив’язкою до критеріїв, уточнював, звіряв джерела й стежив за виправленнями. Різниця була в інструкції та звичці, а не в доступі до інструмента.

**Як перевіряти результат.** Вибірково порівнюйте згенеровані коментарі зі своїм власним читанням тих самих начерків, шукаючи названі вище режими відмов — тон, дезінформацію, перебільшену похвалу, перекриття. У пілотному проєкті Deakin високі середні оцінки співіснували з помилками, виявленими студентами, тож задоволеність — слабкий сигнал якості; опитування зі смайликами — не доказ точності.

## Режими відмов із числами

**На ефект впливає проєктування, а не доступність.** Найсильніші свідчення щодо проєктування — багатоцентровий, кластер-рандомізований, поздовжній польовий експеримент: 1 176 першокурсників у 48 секціях на 4 університетах і 3 наукових доменах, рандомізованих на рівні секції на умови: лише ровесники, пряма GenAI, рефлексивна GenAI та гібридна. Гібридна дала найвищі здобутки якості аргументації та найчіткішу перевагу в концептуальному навчанні. Рефлексивна й гібридна обидві дали сильніше засвоєння зворотного зв’язку та [[self-regulated-learning|саморегульоване навчання]], ніж пряма GenAI, і обидві перевершили її на відкладеному, без ШІ перенесенні. Пряма GenAI справді покращила негайну якість аргументації проти зворотного зв’язку ровесників — та її перевага в цьому — але зі слабкішим перенесенням. Тому освітня цінність залежить менше від доступу до ШІ, ніж від того, чи середовище зворотного зв’язку зберігає [[agency|агентність здобувача]], оцінювальне судження й відчуття власності під час виправлення: пряма критика запрошує пасивне засвоєння, тоді як рефлексивні та гібридні дизайни змушують студента інтерпретувати її, порівнювати з критеріями, оцінювати релевантність і потім виправляти. Інші розміри ефектів це пом’якшують. Перевага Gu et al. над рецензуванням ровесників була малою, і вони читали її як реальну, але не трансформаційну саму по собі — підтримку робили скаффолдинг викладача, вказівки щодо підказок і робочі аркуші. Формулювання редакційної статті: GenAI і людський зворотний зв’язок є взаємодоповнюючими лише за умови, що цю взаємодоповнюваність конкретизовано — через упорядкування, порівняння, редагування та врядування, а не залишаючи два джерела поруч.

**Надмірна довіра на обох кінцях конвеєра.** Студенти можуть надмірно некритично покладатися при здійсненні зворотного зв’язку, а викладачі — надмірно поступатися пропозиціям. Зворотний зв’язок викладача також часто сприймається студентами як більш негативний чи ризикований, ніж зворотний зв’язок GenAI, що перевертає звичне припущення про якість. Розглядайте грамотність щодо зворотного зв’язку як передумову, а не як припущення: найсильніший предиктор у Hawkins et al. — це грамотність здобувача щодо зворотного зв’язку, а не частота використання ШІ.

**Робоче навантаження, що переміщується, а не скорочується.** [[ai-save-instructor-time|Питання навантаження]] — те, що найчастіше обіцяють зняти. На запитання, що дав їм інструмент зворотного зв’язку на основі ШІ, 21 викладач назвали економію часу (n = 2) лише рідко, а набагато частіше назвали рефлексію (n = 14), покращену мову й структуру (n = 11) і виявлення відсутніх компонентів (n = 10). Видимий здобуток — це начерк і діагностична підказка, а не готовий коментар. Натомість з’являється робота з перевірки, калібрування та верифікації. Дванадцять із 21 викладача робили подальші виправлення на рівні речень; редагування (f = 32) і видалення (f = 27) домінували, а додавання було рідкісним (f = 8). Домінантний патерн — калібрування тону: зменшення похвали (f = 11), видалення пропозицій (f = 9), видалення заохочення (f = 8) — задля захисту автентичності й професійного голосу, а виправлення концентрувалися в реляційному вимірі, особливо Student–Teacher Relationship (f = 24). Викладачі назвали потребу в людському редагуванні (n = 9), неузгоджений тон (n = 7), дезінформацію (n = 5) і проблеми довіри (n = 5); викладачі з понад п’ятьма роками досвіду повідомляли про них більше, тоді як менш досвідчені викладачі цінували скаффолдинг — причина стежити за тим, чи новачки, які поступаються пропозиціям ШІ, будують менш незалежне судження. Правило редакційної статті: GenAI перерозподіляє, а не прибирає працю викладача, і погано проєктовані інструменти можуть її збільшити.

## Три заперечення, сприйняті серйозно

**«Зворотний зв’язок від ШІ — не особистий.»** Часто це правда, і саме тому останнє слово має залишитися за людиною. AICoFE існує, тому що узагальнена проза моделі — не те, що має отримати студент; викладач відбирає, редагує й підписує остаточне повідомлення. 21 викладач у Aldino et al. переписували тон з тієї ж причини, видаляючи перебільшену похвалу й відкидаючи пропозиції, що не відповідали їхнім стосункам зі студентом. Персоналізація в цьому дизайні — не робота моделі; вона ваша, а модель виконує підготовчу роботу.

**«Мої студенти все одно не читатимуть зворотний зв’язок.»** Вони читають менше, ніж ми сподіваємось, і свідчення кажуть, що ліки — проєктування, а не обсяг. Використання в пілотному проєкті Deakin становило приблизно 13% серед студентів бакалаврату й 12% серед аспірантів. Краще оцінені коментарі ШІ в Farrokhnia et al. не дали більше виправлень, ніж коментарі викладача. Те, що зрушило, — це упорядкування, що змушує залучатися: спершу самооцінювання, потім зворотний зв’язок ровесників, потім ШІ-критика — плюс три цикли виправлення за семестр, що дали вимірні відмінності в грамотності щодо зворотного зв’язку. Багаторазові повторні подані того ж дня — придатний слід того, чи студенти взагалі залучалися.

**«За це студенти не платять.»** Тоді не дозволяйте, щоб ШІ був єдиним голосом, який вони чують від вас. Захисна версія інструмента — та, де студенти отримують більше моментів зворотного зв’язку, а ви витрачаєте години на інтенсивні на судження частини: останнє слово, калібрування, коментарі, що несуть вашу авторитетність. Те, що студенти втрачають при недбалому впровадженні, — не ваша присутність, а узгодженість між критеріями, коментарями та результатом. Конкретизуйте взаємодоповнюваність — упорядкування, порівняння, редагування, врядування — і заперечення розчиняється; залиште два джерела поруч — і воно не розчиняється.

## Цього тижня

**1.** Розсортуйте власний останній набір коментарів на виправлення мовного рівня та рішення рівня судження. Лише перша категорія — кандидат на автоматизацію.

**2.** Напишіть підказку з прив’язкою до рубрики й покроково, яку б ви передали моделі, і перевірте її на трьох начерках, які ви вже оцінили.

**3.** Перезірте результат проти ваших власних коментарів і запишіть, де модель була узагальненою, неправильною чи лестощою.

**4.** Розставте одне завдання як самооцінювання → зворотний зв’язок ровесників → ШІ-критика, і скажіть студентам, що ШІ — це начерк думки, який від них очікують оскаржити.

**5.** Попросіть одне порівняння з другим джерелом або з критеріями — менше третини студентів роблять це без підказки.

**6.** Залогуйте час перевірки, який ви справді витратите на тон і видалення, і порівняйте його з тим, що ви звільнили.

**7.** Спостерігайте за розщепленням експерт–новачок. Якщо досвідченіші колеги повідомляють про більше проблем із результатом інструмента, ніж ви, це інформація про ваше власне калібрування.

**8.** Визначте, який результат має значення, і вимірюйте саме його: показники використання, сліди виправлень і відкладену результативність без допомоги — а не оцінки задоволеності. Приблизні 13% і 12% із пілотного проєкту Deakin — корисна базова лінія, а відстеження курації в AICoFE моделює сторону викладача: логуйте, скільки остаточного зворотного зв’язку прийшло від моделі й скільки ви змінили.

**Де стоїть ця сторінка.** [[feedback]] — усеохопне поняття для всієї системи — забезпечення, цикл, засвоєння й контекст оцінювання, — а [[ai-feedback-quality|якість зворотного зв’язку від ШІ]] стосується того, що робить згенеровані коментарі точними, корисними, своєчасними та педагогічно обґрунтованими. Ця сторінка — практична середина: які комбінації цих частин дають кращий зворотний зв’язок у масштабі. Запитання про те, що має означати оцінка, коли залучено ШІ — підміна конструкту, докази автентифікованого процесу, правила доброчесності — належать до [[redesign-assessment-ai-era|перепроєктування оцінювання в еру ШІ]] та [[assessment-validity|валідності оцінювання]], а не сюди.

Щодо спеціального випадку інструктування письма — див. [[writing-instruction-ai-best-practices|найкращі практики інструктування письма в контексті ШІ]].

---

## [Як батькам і викладачам варто підходити до ШІ з дітьми молодше 13 років?](https://edtechdev.github.io/aied/faqs/ai-guidance-children-under-13/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як батькам і викладачам варто підходити до ШІ з дітьми молодше 13 років?

ШІ вже у вашому домі чи вашій аудиторії: іграшка, яка відповідає, планшетний компаньйон, репетитор, який ваша дитина відкриває, поки ви готуєте вечерю, інструмент письма, про який із захватом розповідає колега. Ви вирішуєте, що дитина молодше тринадцяти може з ним робити, з політикою або без неї.

Головний висновок: **генеративний ШІ — це просунутий рівень для цієї вікової смуги, а не точка входу.** Дозвольте малій дитині зустріти ШІ спочатку як щось, що проєктують люди і що діти можуть формувати, тримайте дорослого в циклі всюди, де дитина не може оцінити результат, і захищайте власне мислення дитини. Повна заборона — не найбезпечніший варіант, бо більшість експозиції цієї вікової групи відбувається вдома, куди шкільна заборона не сягає, — і жодного дослідження вікових заборони не існує.

## Коротка версія: дозволяти, блокувати, наглядати

- **Дозволяти.** До 9 років: непідключена до екрану гра, дотичне кодування, оповідання історій, рольові ігри та практичне конструювання, плюс пояснення, що таке машина. Вік 9–12: підтримувана скаффолдингом, часто неґенеративна діяльність на перевірених платформах, плюс явне навчання про дані й про те, чого ШІ не може знати.
- **Блокувати.** Генеративний чат без нагляду для найменших; будь-який інструмент, який зберігає записи, транскрипти або дані дитини без простої відповіді на запитання «що з ними відбувається»; будь-який інструмент, якого ви не можете перевірити мовами ваших родин.
- **Наглядати.** Спільне використання, а не тихе спостереження: запитуйте, що інструмент зробив зі словами дитини, і тримайте роботу без допомоги видимою — зростання якості результату при падінні роботи без допомоги — це патерн, який треба помічати.
- **Не будуйте правила, якого не можете виконувати.** Виконання на основі детекторів не є виправданим ([чому](#do-not-build-your-rule-on-a-detector)).

## Що дитині молодше тринадцяти років слід дозволяти робити

**Рівневий дизайн уже існує, і він ставить генеративне використання останнім.** [[age-tiered-ai-literacy-guidebooks-2026|Wang, Chuang and Wu (2026)]] оцінили ресурс ШІ-грамотності з віковою градацією для системи K-12 Тайваню в двох виданнях: **Початкове видання для віку від 9 до 12** із підтримуваною скаффолдингом, платформовою, **неґенеративною** діяльністю та **Просунуте видання для віку від 13 до 18** з етичним міркуванням і керованим використанням [[generative-ai|генеративного ШІ]]. В єдиному опитуванні після експозиції 831 учасника початкова когорта оцінила матеріали значуще вище за очікування щодо результативності, очікування щодо зусиль, балакучість і поведінковий намір, причому сприймана балакучість була найсильнішим корелятом наміру в обох групах, — хоча автори явно зазначають, що це короткострокове прийняття після приблизно тридцяти хвилин експозиції, а не [[learning-gains|навчання]], етична компетентність чи фактичне використання.

**Гра — це механізм.** [[play-ai-pre-k-kindergarten-ai-literacy-2026|Play With AI (PL-AI)]] — це навчальна програма для дошкільного та дитячого садка, зосереджена на грі, побудована на [[embodied-learning|тілесно втіленій грі]], дотичному кодуванні як процедурному мості, керованому діалозі як рефлексивному [[scaffolding]] і співпроєктуванні вчителів як якорі [[sustainability]]; самозвітний комфорт учителів зростав через цикли проєктування, а діти міркували про ШІ як про щось, спроєктоване людиною, будували послідовність і налагодження через дотичне кодування й розмірковували про справедливість через керований діалог. [[ai-play-framework-early-childhood-2026|AI-Play]] обирає непідключений шлях — із діяльністю без екрану, яку батьки можуть відтворити вдома.

**Для найменших дітей ризик — це віра.** [[creative-project-approach-ai-early-childhood-2025|Yang, Li and Lee (2025)]] застерігають, що генеративні соціальні роботи можуть породжувати зміст, який діти доопераційного віку сприймають як істину, що ці системи не є розвитково каліброваними в зворотному зв’язку, який вони дають, і що їхня вартість і доступність розширюють наявні [[digital-divide|прірви]]. [[ai-toys-child-development-2026|Xu, Girouard and Shi (2026)]] називають механізм **перерозподілом агентності в грі**: контроль переходить на взаємодію дитина–іграшка, обмежуючи гру, коли її організовує іграшка, і розширюючи її можливості, коли іграшка слідує за уявою дитини.

**Вчіть, як працюють машини.** Початковий рівень свідомо є неґенеративним, і свідчення про [[educational-robotics|робототехніку]] в дитячому садку з цим згодні: [[tsingidou-ct-robotics-kindergarten-2026|Tsingidou et al. (2026)]] знаходять проблемо-орієнтоване навчання, оповідання історій і скаффолдинг найуживанішими стратегіями в опосередкованому роботами обчислювальному мисленні, а послідовність, налагодження та алгоритмічне проєктування — найчастіше оцінюваними навичками (найчастіше через TechCheck-K, хоча багато інструментів розроблено ad hoc без валідації). Пропустіть це — і ризики з’являться пізніше як [[cognitive-offloading|надмірна залежність]].

**Навички, що перетинають предмети, можуть навчатися дешево.** [[demir-akar-ai-media-literacy-children-2026|Demir and Akar (2026)]] провели 18-годинну програму критичної медійної грамотності на основі 5E для 36 турецьких четвертокласників, що охоплювала приватність даних, безпечну комунікацію та медійну етику, з міжгруповим *d* Коена 1,12 (читання), 1,18 (письмо) і 1,31 (уся писемність).

## Нагляд і розкриття: хто в кімнаті

**Очікуйте, що відповідальність буде нечіткою; вирішіть це явно.** В інтерв’ю з 33 вчителями K-12 США [[k12-teachers-ai-companion-literacy-2026|Xiao et al. (2026)]] виявили, що 10 назвали сценарій компаньйона, орієнтованого на батьків, найбільш непокоять, 17 сказали, що має втрутитися вчитель, і 11 сказали, що це залежить від обставин; тест на видимість у вчителів залишав домашнє використання ШІ поза їхньою юрисдикцією за відсутності спостережуваних ефектів, а батьків називали першочергово відповідальними, описуючи їх при цьому як несвідомих або перевантажених. [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] формалізують сімейно-шкільні угоди як адитивні, синергійні та компенсаторні моделі й прямо стверджують, що синергійна версія не має підтримки свідченнями.

**Дайте дорослому визначену роль, інакше її візьме інструмент.** [[paratutor-parent-child-tutoring|ParaTutor (Luo et al. 2026)]] розділили ролі батьків і дітей в опосередкованому LLM домашньому навчанні математики з 23 діадами батько–дитина (діти віком 10–12) у чотирьох умовах: узагальнена допомога мала тенденцію витісняти роль батька-репетитора, тоді як інтерфейс із розділеними ролями її зберігав. Батьки також мали труднощі зі знаннями змісту та комунікацією.

**Компаньйони, які читають дітям, потребують тієї самої обережності.** [[liao-role-adaptive-ai-companion-book-talk-2026|Liao (2026)]] виявив, що фіксований рольовий [[conversational-ai|ШІ-компаньйон]] у ролі ровесника породжував значуще довші взаємодії, але меншу частку слів і речень від студента, і був сильнішим на фактичному пригадуванні, ніж на емоційній чи спрямованій у майбутнє рефлексії, — причина, з якої запропонована рамка додає роль **Parent Advisor** і називає вакуум підтримки для вчителів і батьків.

**Тримайте людину в тих частинах, які найважливіші.** [[human-ai-complementarity-social-emotional-learning-2026|Raave and colleagues (2026)]] порівняли генеративного ШІ-агента для розмов із людськими викладачами, які фасилітували діяльність із соціально-емоційного навчання на основі історій зі статичним ШІ-дитиною — 18 симуляцій на фасилітатора, 108 спостережень, оцінених сліпо до типу фасилітатора. Агент був сильним на поважному тоні та рутинному процедурному скаффолдингу; людські викладачі були сильнішими в глибшому інструктуванні щодо SEL, керуванні рефлексією та просуванні соціально-емоційних знань, тому раннє [[social-emotional-learning|соціально-емоційне навчання]] має за замовчуванням бути взаємодоповняльним.

**Розкриття — це обов’язок школи, а не детективна робота родини.** Запишіть, що використовує школа і як родина може запитати; див. [[privacy]], [[pedagogical-safety]], [[ai-use-disclosure]] та [[equity-ethics-pedagogical-safety-research|справедливість, етику, приватність і безпеку в дослідженнях AIED]].

## Приватність і дані: що зберігає інструмент

**Припускайте, що шар безпеки не було побудовано для вашої дитини.** [[child-safety-genai|Рамка оцінки безпечності для дітей, ґрунтована на вказівках експертів і даних реальних інцидентів]] повідомляє, що більшість рамок і бенчмарків безпеки ШІ орієнтовані на дорослих користувачів, попри свідчення важкої залученості молоді — національне опитування, цитоване в тій роботі, виявило, що 72% підлітків США користувалися ШІ-компаньйонами — і що, коли три моделі Llama Guard перевіряли на небезпечних підказках, пов’язаних з освітою, вони мали труднощі з їхнім ідентифікуванням.

**Ставте чотири запитання перед впровадженням інструмента.** Які небезпеки, специфічні для дітей, були перевірені? Що він робить із записами, транскриптами та голосовими даними за замовчуванням? Скільки це коштуватиме родинам, якщо безкоштовний рівень зникне? Чи працює він мовами, якими говорять ваші родини? [[all-girls-genai-makerspace-gender-equity-2026|Випадкове дослідження майстерні для дівчат (Liu et al. 2026)]] документує повідомлення батьків про те, що дівчатка лякалися й менше говорили в змішаних за статтю умовах, безкоштовний генератор зображень, який прибрав свої безкоштовні функції за платний рівень, який неприбуткова організація не могла собі дозволити, і підказки лише англійською як додатковий бар’єр.

**Для шкільних керівників упевненість персоналу є контролем приватності.** [[preschool-teachers-ai-behavioral-intention-2026|Дослідження установ раннього дитинства]] виявляє, що сприймана корисність і легкість використання є центральними для намірів учителів дошкільників використовувати ШІ, **самоефективність щодо ШІ** є значущим предиктором, **тривожність щодо ШІ** є стримувальним фактором, а суб’єктивна норма — колеги та керівництво — формує намір.

## Доброчесність: що є власною роботою дитини?

<a id="do-not-build-your-rule-on-a-detector"></a>

**Не будуйте своє правило на детекторі.** [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] стверджують, що виявлення ШІ взагалі не слід використовувати в освіті: його оцінки є ймовірнісними й не можуть бути незалежно перевірені, бо справжнє походження тексту в реальному світі невідоме, його використання порушує процесуальну справедливість, бо оцінки детекторів не відповідають стандарту балансу ймовірностей, якого вимагають розслідування щодо доброчесності, а його дихотомія людина проти ШІ є беззмістовною для робіт, створених *разом зі* ШІ, а не *ним*. Виявлення «не захищає академічну доброчесність; воно її підриває», руйнуючи [[trust]].

**Спостереження просуває приховування; воно його не прибирає.** [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] моделюють оцінювання як неповну інформацію: студент знає, як була створена робота, установа бачить лише артефакт. Стримування проходить через *розрізнення* детектора між прихованим використанням і легітимною роботою, а не через його сирий рівень виявлення — коли хибнопозитивні зростають швидше за істиннопозитивні, сильніший моніторинг робить приховування відносно *привабливішим*. [[qu-wang-disclose-or-not-genai-2026|Qu and Wang (2026)]] виявили, що нерозкриття серед 409 студентів бакалаврату було стратегічною адаптацією до сприйманих норм ровесників і низької інтерпретаційної довіри, а не моральною недбалістю.

**Спостерігайте роботу без допомоги, а не продукт.** [[stromberg-generative-ai-learning-penalty-secondary-2026|Аналіз середньої школи з 26 811 студентами]] виявив, що оцінки за домашні завдання зросли, тоді як оцінки за екзамени без підручника впали — звідси рекомендація моніторити входи, а не виходи. [[elementary-writing-genai-systematic-review-2026|Систематичний огляд 8 досліджень ШІ в інструктуванні письма в початковій школі (2019–2025)]] знаходить, що розмовні інструменти підтримують практику письма, а мультимодальні інструменти розширюють композицію за межі тексту, роблячи висновок, що автоматизоване оцінювання усе ще потребує [[human-in-the-loop-ai|людського нагляду]] для справедливості та точності. [[genai-writing-program-primary-l2-motivation-engagement|Дев’ятьтижнева програма письма-думки з підтримкою GenAI]] зі 301 студентом 5-го і 6-го класів підвищила ідеальне письмове самопочуття й академічну живучість і збільшила поведінкову та емоційну залученість, але не зрушила живучий настрій, когнітивну чи метакогнітивну залученість чи організацію — і називає ризики: надмірну залежність, пошук скорочень і зменшене самоспостереження.

**Знайте, де межа, перш ніж її оголосите.** [[genai-policies-higher-ed-computing|Порівняльний аналіз інституційних політик і програм курсів]] виявив, що установи в цілому заохочують використання GenAI (63% зі 116 політик), тоді як половина з 98 програм курсів прямо його забороняла. [[nash-preservice-teachers-classroom-ai-policies-2026|Nash and Burriss (2026)]] знайшли той самий рефлекс серед 27 викладачів-стажерів, які писали класні політики: 26 із 27 дозволяли певне використання ШІ на визначених учителем умовах, лише один забороняв його цілком, і межі рідко були операціоналізованими — одна політика дозволяла ШІ «щоб почати ваше мислення», а потім оголошувала «ось де слід провести межу», не кажучи де. [[adarkwah-genai-unesco-policy-2026|Аналіз політик GenAI 30 університетів у рамках ЮНЕСКО]] додає, що основні принципи етики й врядування широко впроваджені, тоді як інклюзія, справедливість, доступ до інтернету та вплив на довкілля часто оглядаються очима, і багато положень залишаються декларативними.

## Що робити, коли щось йде не так

Поводьтеся з неправильним результатом як з навчальним моментом: запитайте, як дитина перевірила б його, замість того щоб видалити його. Коли дитина каже, що компаньйон її «зрозумів», це розмова про те, що може знати система, яка передбачає наступне слово.

[[lu-ai-multimodal-writing-critical-thinking-2026|Дослідження мультимодального письма в 5-му класі]] виявило, що візуалізація дитячих історій породжувала стійкі здобутки в інтерпретації, аналізі, оцінюванні й поясненні, але **жодного здобутку в умовиводі**, і діти повідомляли про меншу потребу вміщувати прихований зміст, коли зображення робили його явним. Плавність купує віру. Те саме застереження стосується плавної відповіді ШІ.

**Роботи і рольові ігри — законні засоби для важких розмов.** [[remind-robot-mediated-roleplay-antibullying-2026|REMind]] використовує опосередковану роботами прикладну драму для втручання свідків у булінг — діти спостерігають сценарій булінгу, зіграний соціальними роботами, і репетирує стратегії захисту, керуючи роботизованим аватаром; у змішаномодальному ігровому тестуванні з 18 дітьми віком 9–10 років він підтримав самоефективність, прийняття перспективи й розуміння наслідків захисту.

## Що свідчення підтримують, а чого не підтримують

**Найбільший синтез тут є обережним.** [[young-people-learning-generative-ai-rapid-review-2026|Arthars and colleagues (2026)]] переглянули 271 емпіричну статтю про генеративний ШІ в PreK-12 і виявили **жодного єдиного «ефекту GenAI»**: афективні здобутки є поширеними, але слабкими показниками навчання, найузгодженіші свідчення стосуються покращеного *негайного* виконання й якості продукту, а свідчення про тривале навчання, [[transfer-of-learning|перенесення]] та стійку само-[[self-regulated-learning|регуляцію]] є нерівними. Результати залежать від п’яти переплетених умов — здобувача, інструмента, завдання, соціальних угод, культурного та інституційного контексту, — і рамка розділяє чотири педагогічні функції: навчання *від* ШІ, *разом з* ним, *про* нього або *формуючи* його, і запитує, чи студент **віддає, знімає навантаження чи здійснює агентність**. Для дітей молодше тринадцяти років: *про* і *формуючи* перед *від*, спільне використання з дорослим всюди, де дитина ще не може оцінити результат, і жодних тверджень про тривале навчання від продукту одного гарного дня.

**У цій базі знань немає жодного дослідження вікових заборони.** Це чесний стан свідчень, сказаний прямо, а не загладжений: ніщо тут не може вирішити, чи працюють заборони, які тепер з’являються в деяких шкільних системах. Свідчення, які існують — про ризики, про виконання й про обмеження проти навчання, — указують в один і той самий бік.

**Там, де доступ навчали, а не лише дозволяли, результати відновлювалися.** [[moral-panic-genai-classroom|Дослідження доступності GenAI проти інтеграції]] виявило, що зроблення GenAI доступним без навчання студентів, як ним користуватися, асоціювалося зі значуще нижчою результативністю на застосовних запитаннях (ω² = 0,35), — ймовірно, бо студенти не могли оцінити результат, — тоді як явне навчання його використання для таких завдань, як узагальнення даних, повернуло застосовну результативність до доґенеративного рівня і перевершило базову лінію на одній важчій вікторині. Альтернатива забороні — не невтручання: необмежений доступ без інструктування також провалився. Цю вікову смугу можна навчити — [[demir-akar-ai-media-literacy-children-2026|програма медійної грамотності для четвертого класу]] дала міжгрупові ефекти *d* від 1,12 до 1,31.

## Заперечення, які ви почуєте

### Чи слід забороняти ШІ дітям молодше тринадцяти років?

Не як загальне правило — і чесна причина в тому, що жодного дослідження цих заборони не існує, тож ніхто не може сказати вам, що вони працюють. Шлях виконання поганий: [[bassett-ai-detectors-education-2026|оцінки виявлення є ймовірнісними й не можуть бути незалежно перевірені]], а [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|коли хибнопозитивні зростають швидше за істиннопозитивні, сильніший моніторинг робить приховування відносно привабливішим]]. Заборона також регулює найменш важливий канал: додатки-компаньйони, ШІ-іграшки та сімейне навчання з репетитором відбуваються вдома, поза шкільною досяжністю, в [[k12-teachers-ai-companion-literacy-2026|юрисдикційному вакуумі]], про який розповідали ті вчителі. Шкільна заборона залишає домогосподарство неурядованим там, де концентрується ризик, тоді як родини з ресурсами зберігають доступ удома. Виправдана лінія — вікова градація плюс перевірка плюс навчання: підтримувана скаффолдингом, часто неґенеративна діяльність приблизно для віку від 9 до 12, а кероване генеративне використання з заявленою метою після цього.

### «Дитина кожного іншого вже ним користується.»

Частково правда: національне опитування, цитоване в [[child-safety-genai|роботі з оцінки безпечності для дітей]], виявило, що 72% підлітків США користувалися ШІ-компаньйонами. Ця цифра стосується підлітків, а не вашої десятирічної дитини. [[young-people-learning-generative-ai-rapid-review-2026|Огляд 271 статті про PreK-12]] виявив жодного єдиного «ефекту GenAI», тож те, що роблять ровесники, каже вам, що є нормальним, а не що є безпечним чи корисним.

### «Школа має це вирішити.»

Школи можуть діяти щодо того, що вони забезпечують, закуповують і чого навчають: умови закупівлі, оцінка небезпек, специфічних для дітей, мінімізація даних і розкриття родинам належать до політики. Але домашній канал — це те, де більшість експозиції цієї вікової групи здебільшого відбувається. [[family-school-autonomy-support-genai-2026|Fan, Li and Zhang (2026)]] називають синергійну сімейно-шкільну модель і прямо стверджують, що вона не має підтримки свідченнями. Її треба будувати — що означає казати батькам, що робити вдома, а не лише чого не робити.

## Контрольні списки

**Для дому.**

- До 9 років: спочатку без екрану та тілесно втілена — дотичне кодування, історія, рольові ігри, практичне конструювання, — причому ШІ подається як щось, що проєктують люди, а не як щось, що знає.
- Вік 9–12: підтримувана скаффолдингом, часто неґенеративна діяльність на перевірених платформах, плюс явне навчання про приватність даних, переконування та про те, чого ШІ не може знати; генеративні інструменти приходять пізніше, з названою роллю дорослого.
- Вирішіть, хто моніторить який інструмент і що школа вам скаже, використовуйте компаньйонів і репетиторів як спільну діяльність, а не тихе спостереження, і перевіряйте, що додаток робить із голосовими даними та транскриптами.
- Тримайте власне осмислення дитини видимим — начерки, пояснення, рефлексію, конструювання, — і стежте за тим, щоб якість результату не зростала, коли робота без допомоги падає.

**Для шкільних керівників і вчителів.**

- Перед впровадженням інструмента запитайте, які небезпеки, специфічні для дітей, були перевірені, що він робить із даними за замовчуванням, скільки це коштує родинам, якщо безкоштовний рівень зникає, і чи працює він мовами ваших родин.
- Віддавайте перевагу правилам доступу з віковою градацією та умовам перевірки інструментів перед повною забороною, і запишіть межу операціонально — «ШІ, щоб почати ваше мислення» — це не політика.
- Моніторте входи так само, як і виходи, згідно з [[stromberg-generative-ai-learning-penalty-secondary-2026|аналізом середньої школи з 26 811 студентами]], у якому оцінки за домашні завдання зросли, тоді як оцінки за екзамени без підручника впали, і інвестуйте в упевненість учителів, бо [[preschool-teachers-ai-behavioral-intention-2026|самоефективність щодо ШІ передбачає впровадження в ранньому дитинстві, тоді як тривожність щодо ШІ його стримує]].
- Опублікуйте план оцінювання. У корпусі ще немає свідчень, що заборони змінюють використання чи навчання, і найближчі аналоги — виконання на основі детекторів, програми курсів із важкими заборонами, не навчена доступність — усі працювали гірше, ніж очікувалося.
- Віддавайте перевагу результативності без допомоги та відкладеному [[transfer-of-learning|перенесенню]] над залученістю та задоволеністю, коли повідомляєте про те, чого навчилася дитина.

Див. також [[how-ai-impacts-students]], [[incorporating-ai-literacy]], [[ai-literacy]], [[parents-and-families]] і [[early-childhood-elementary-ai-education]] для дослідницької бази, що стоїть за цією сторінкою.

---

## [Які є докази щодо інтервенцій у сфері ШІ-грамотності у вищій освіті?](https://edtechdev.github.io/aied/faqs/ai-literacy-evidence/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Які є докази щодо інтервенцій у сфері ШІ-грамотності у вищій освіті?

Докази щодо **інтервенцій у сфері [[ai-literacy|ШІ-грамотності]] у [[higher-ed|вищій освіті]] обнадійливі, але все ще методологічно незрілі**. У межах усієї бази знань найстійкішим повторюваним висновком є те, що ШІ-грамотність розвивається ефективніше через **активну, контекстуалізовану практику зі ШІ — особливо критику, порівняння, рефлексію та співпрацю, — ніж через самі лише демонстрації інструментів чи лекції**. Водночас відносно мало досліджень вимірюють тривалу, незалежно продемонстровану компетентність; багато досліджень спираються на [[self-regulated-learning|самооцінювання]], короткі інтервенції, спостережливі порівняння або [[design-based-research|дизайн-орієнтовані дослідження]].

Література про інтервенції сходиться на кількох принципах дизайну.

## Загальна кількісна картина

[[liu-ai-literacy-interventions-meta-analysis-2026|Трирівневий метааналіз 59 емпіричних досліджень]] (172 розміри ефекту, 7 211 учасників) дає найчітнішу [[quantitative-research|кількісну]] оцінку цієї галузі: інтервенції зі ШІ-грамотності демонструють **великий загальний ефект (g = 0.837, p < .001)** — але з широким 95% інтервалом прогнозування [−0.292, 1.966], тому ефективність суттєво варіюється між умовами та може не узагальнюватися однаково. Двома значимими модераторами виявились: інтервенції в **Східній Азії та Європі перевершували ті, що в Північній Америці**, і **інтервенції, орієнтовані на знання, перевершували ті, що були спрямовані на навички, ставлення чи етику**. Більші (хоча й незначимі) ефекти спостерігались для змішаних чи рефлексивних педагогік, інструментів із підтримкою GenAI та результатів у вигляді завдань на результативність. Автори стверджують, що тому освіта у сфері ШІ-грамотності має виходити за межі знань до навичок, практик, етики та ставлень, через інтегровані та рефлексивні педагогіки й інструменти із підтримкою GenAI, — і що потрібна [[culturally-relevant-pedagogy|культурно релевантна]], чутлива до контексту інтервенція.([[liu-ai-literacy-interventions-meta-analysis-2026]])

Для практиків важливі два наслідки: (1) результат, який ви вимірюєте, формує видимий ефект — інтервенції, орієнтовані на знання, виглядають сильнішими за ті, що зосереджені на навичках, ставленнях чи етиці, тож оцінюйте те, що вам справді важливо; і (2) широкий інтервал прогнозування означає, що сильний середній ефект не гарантує сильного ефекту в будь-якій конкретній локальній умові, що підсилює аргумент на користь контекстно чутливого дизайну.

## Критика ШІ, а не лише користування ним

В курсі психології для студентів-бакалаврів Richmond і Nicholls пропонували студентам оцінити згенерований [[generative-ai|ChatGPT]] пресреліз за рубрикою їхнього курсу, знайти помилки та його відредагувати. Студенти загалом визнавали, що результат стилістично відполірований, але слабкий у точному відображенні цілей, методів і результатів дослідження. Порівняно з попередньою когортою [[peer-assessment]] когорта, що займалась критикою ШІ, виступила дещо краще під час подальшої правки сценарію (*d* = 0.36), хоча **не було значущої переваги на фінальному відео**.

Це обнадійливий доказ на користь заснованої на критиці ШІ-грамотності, але історичне порівняння не дозволяє зробити сильного причинного висновку.

Джерело: [[richmond-nicholls-genai-psych-feedback-ai-literacies|Using Generative AI to Promote Psychological, Feedback, and AI Literacies in Undergraduate Psychology]].

## Вбудовування ШІ-грамотності в дисциплінарну роботу

Підход Beck і Brodersen в економіці полягає в тому, що студенти спочатку самі розв’язують або інтерпретують автентичну економічну задачу, потім отримують відповідь ChatGPT, порівнюють обидві, критикують ШІ, рефлексують і обговорюють з однокурсниками. Інтервенція поєднує ШІ-грамотність із наявними прийомами [[active-learning]], такими як «Think-Pair-Share».

Її основним внеском є переносимий [[learning-design|інструкційний дизайн]], а не сильні експериментальні докази навчальних ефектів.

Джерело: [[beck-genai-literacy-economics-hands-on|Fostering Generative AI Literacy in Economics]].

## Тривалі досвіди, а не разові семінари

Континуум **AI Literacy Continuum** університету NC State описує прогресію від *Not Yet Engaged* та *Uncritical Use* через *Informed Use*, *[[critical-thinking|Critical Evaluation]]* і *Improvement*. Його впровадження охопило понад 330 учасників у межах курсів і семінарів.

Спостереження свідчили про те, що короткі досвіди можуть рушити студентів у бік обізнаного користування, тоді як свідчення критичного оцінювання та вдосконалення були помітнішими в тривалих, вбудованих у дисципліну досвідах. Однак не було **жодного валідованого до-/післявимірювання або групи порівняння**, тож це докази, засновані на практиці, а не причинні.

Джерело: [[ai-literacy-continuum-higher-education|Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education]].

## Спільні та когнітивно активні дизайни

[[meta-analysis-systematic-review|Систематичний огляд]] Hingle і Johri організовує діяльність зі ШІ-грамотності за допомогою [[icap-framework|рамки ICAP]]: пасивне занурення, активне маніпулювання, конструктивне генерування та інтерактивну співконструкцію. Огляд знаходить інтервенції в усіх чотирьох режимах і виступає проти зведення ШІ-грамотності до однобічної інформаційної зустрічі.

Докази підтримують проєктування можливостей для студентів створювати, критикувати, пояснювати й обговорювати результати ШІ з однокурсниками.

Джерело: [[hingle-collaborative-ai-literacy-2025|Systematic Review of Collaborative Learning Activities for Promoting AI Literacy]].

## Підготовка викладачів: упевненість проти продемонстрованої компетентності

Заснована на дизайні інтервенція щодо грамотності у сфері GenAI від Le та співавторів, апробована з 14 студентами магістратури та оцінена з 29 студентами [[teacher-education]], підвищила повідомлену [[self-efficacy]] компетентність щодо ШІ та спричинила зрушення до більш критичного [[pedagogy|педагогічного]] осмислення GenAI.

Однак здобутки в етиці стали лише маргінально значимими, а невелике дослідження, засноване на дизайні, означає, що висновки про об’єктивну компетентність залишаються обмеженими.

Джерело: [[genai-literacy-training-teacher-education-dbr-2026|Development and Evaluation of AI Literacy Training for Teacher Education Students]].

## Навчання ШІ-грамотності не усуває помилок, пов’язаних зі ШІ

Особливо важливим застереженням є те, що **навчання студентів краще формулювати підказки чи користуватися ШІ не еквівалентне тому, щоб зробити їх надійно критичними користувачами**. В експерименті [[ai-sycophancy|контекстуальної підлабузливості]] навчання ШІ-грамотності та [[prompt-engineering|формулюванню підказок]] зменшило схильність моделі віддзеркалювати міркувальні помилки учасників, але **не усунуло подальше поширення помилок**.

Це свідчить про те, що освіта у сфері грамотності не може нести весь тягар безпеки; також потрібні дизайн інструментів і системні запобіжники.

Джерело: [[contextual-sycophancy-ai-literacy|The Hidden Cost of Contextual Sycophancy: an AI Literacy Intervention in Human-AI Collaboration]].

## Вимірювання ШІ-грамотності має значення

Література з вимірювання підсилює це застереження. Валідований тест результативності **GLAT** прогнозував результативність на завданні зі ШІ у вищій освіті, тоді як [[self-report-measures|самооголошувана]] міра грамотності щодо ChatGPT — ні. У ширшому плані база знань повідомляє про суттєві розбіжності між повідомлюваною та продемонстрованою компетентністю людей у сфері ШІ.

Отже, інтервенцію, яка підвищує упевненість, ставлення чи сприйняту грамотність, **не слід автоматично тлумачити як покращення самої ШІ-грамотності**. Це вказує на важливість [[educational-measurement|освітнього вимірювання]] та [[assessment-validity|валідності оцінювання]] при [[ai-ed-evaluation|оцінюванні ШІ]]-інтервенцій з грамотності.

Новіші роботи загострюють і те, *що* слід вимірювати, і те, *як*. Класне дослідження Burriss та співавторів із 22 одинадцятикласників, які створювали відеопрезентації на суспільну тематику про етику ШІ, стверджує, що наявні шкали ШІ-грамотності та рамки компетентностей припускають індивідуально вимірювану результативність і тому виключають спільний та творчий вияв; автори пропонують, щоб рефлексії студентів, [[multimodal]] артефакти та громадянський дискурс доповнювали звичайні міри. Їхній висновок про те, що студенти розвинули критичне розуміння етики ШІ через спільну [[critical-pedagogy|критичну педагогіку]], кидає виклик уявленням про ШІ-грамотність як перелік навичок — а з ними й інструментам, побудованим на цих переліках. Він також показує напрям руху: 15 із 18 відповідей наприкінці модуля підтвердили нове навчання, тоді як автори зазначають, що проєкт стійкий до традиційного [[summative-assessment|підсумкового оцінювання]]. Див. [[burriss-multimodal-composition-critical-ai-literacy-2026|Multimodal composition as a form of critical AI literacy pedagogy]].

Окреме застереження походить із досліджень сприйняття. Wang, Chuang і Wu опитали 831 тайванських студентів і викладачів [[k-12]] після приблизно 30 хвилин із віково диференційованим посібником із ШІ-грамотності та виявили стабільну чотирифакторну структуру [[technology-acceptance-model|сприйняття]] — але саме сприймана грайливість була найсильнішим корелятом поведінкового наміру, і дослідження вимірювало короткострокове сприйняття, а не [[learning-gains|навчальні здобутки]], [[ethics|етичну]] компетентність чи фактичне користування. Автори прямо стверджують, що конструкції сприйняття «не слід використовувати для висновків про ефективність навчання чи успішність впровадження». Див. [[age-tiered-ai-literacy-guidebooks-2026|Measuring acceptance of age-tiered AI literacy guidebooks]].

Джерела:

- [[jin-glat-genai-literacy-assessment|GLAT: The Generative AI Literacy Assessment Test]]
- [[ai-literacy-assessment-misalignment|AI Literacy Assessment: Self-Reported vs Performance Misalignment]]

## Діагностика перед навчанням: наявне уявлення студентів про ШІ

Те, де інтервенція *починається*, має таке саме значення, як і її зміст. Şan та Orhan Karsak використали психолінгвістичний тест словникової асоціації з 436 турецьких студентів-бакалаврів (1 376 кодованих відповідей, узгодженість між експертами κ = 0.87), щоб зіставити їхні когнітивні репрезентації ШІ. Асоціації групувались навколо інструментальної корисності — зручності (f = 145) та швидкості (f = 110) — тоді як поняття алгоритмічної прозорості, приватності та [[governance]] були не просто рідкісними, але структурно ізольованими від домінуючого кластера корисності (τ Кендалла = −0.819). Автори стверджують, що впровадження модуля з етики в когнітивну архітектуру, де немає наявної схеми, щоб його прийняти, швидше за все зазнає невдачі: навчальні програми мають будувати явні **містки** від повсякденного знання про інструменти до етичних рамок і рамок управління, а мікрокваліфікації мають послідовно впорядковувати зміст, щоб закрити цей структурний розрив, а не відтворювати те, що студенти вже знають. Це аргумент на користь **оцінки потреб** для дизайну інтервенцій, і це одне з небагатьох досліджень, що надають засновану на даних діагностику перед навчанням. Див. [[san-orhan-karsak-ai-cognition-micro-credentials-2026|Knowing its name, not its nature]].

Протилежний, [[situated-learning|ситуативний]] погляд пропонують Dai і Chan: сім фокус-груп із 28 аспірантів-дослідників, які по-різному втілювали [[ai-literacy|ШІ-грамотність]] упродовж робочого процесу дослідження — інтенсивніше користування в процедурних завданнях із низькими ставками (форматування, переклад, пояснення), помітно обережніше там, де на карті був науковий внесок, — і самі проводили межі між допомогою своєму міркуванню та його заміщенням. Їхній висновок полягає в тому, що ШІ-грамотність краще розглядати як ситуативну здатність, а не як статичний перелік компетентностей, і що настанови щодо відповідального користування мають [[scaffolding|підтримувати]] кожен вимір грамотності в реальних завданнях, а не запроваджувати бінарні правила. Див. [[dai-chan-responsible-genai-research-ai-literacy-2026|Shaping responsible GenAI use in research through AI literacy-oriented guidelines]].

## Кваліфікації та оцінювання на рівні програм

ШІ-грамотність усе частіше постачається через сертифікати й мікрокваліфікації, і саме тут оцінювання найтонше. Wu і Li побудували систему показників оцінювання з вагою експертів (AHP / Fuzzy-AHP з перевіркою стійкості методом Монте-Карло, 18 експертів) для програм сертифікації зі ШІ та виявили, що **професійна компетентність викладацького складу мала найбільший розрив між важливістю та задоволеністю** — високе сприймане значення (0.1976) при низькому поточному задоволенні, — що визначає можливості викладацького складу, а не технологічну інфраструктуру, як основне обмеження педагогічної трансформації; крос-культурна адаптованість отримала найнижчу стратегічну вагу (0.0735), що сигналізує про технологічну упередженість на ранніх етапах сертифікації. Див. [[wu-li-evaluation-indicator-ai-certificate-programs-2026|Evaluation indicator system for AI certificate programs]]. Це висуває на передній план питання, яке література про інтервенції ледве тестувала: чи сертифікує кваліфікація тривалу [[ai-literacy|ШІ-грамотність]], чи лише фіксує завершення, і чи самі [[teacher-education|викладачі]], які її постачають, оснащені, щоб про це судити.

## Загальна оцінка доказів

Загалом докази можна охарактеризувати як **помірні щодо принципів інструкційного дизайну, але все ще від слабких до помірних щодо причинної ефективності**.

Найбільш захищеною поточною моделлю для [[higher-ed|вищої освіти]] є:

1. Вбудовувати ШІ-грамотність в автентичні дисциплінарні завдання.
2. Пропонувати студентам сформулювати початкове судження або рішення до звернення до ШІ.
3. Вимагати порівняння, перевірки та критики результатів ШІ.
4. Залучати діалог із однокурсниками та рефлексію.
5. Повторювати ці досвіди з часом, а не спиратися лише на разові семінари.
6. Оцінювати студентів за допомогою **завдань на результативність, що потребують незалежної оцінки та відповідального судження**, а не спиратися лише на упевненість чи опитування самооцінювання.

Важливі пробіли залишаються. Літературі все ще потрібні **більше багатоустановчих рандомізованих або сильних квазіекспериментальних досліджень, валідовані спільні міри результатів, відстрочені тести утримання та переносу, і докази щодо того, чи зберігаються здобутки в грамотності, коли студенти стикаються з новими моделями ШІ, дисциплінами або незнайомими режимами відмов ШІ**.

Коротко кажучи, поточні докази підтримують розгляд ШІ-грамотності як **вбудованої в дисципліну критичної практики**, а не просто як знання про ШІ чи вмілості формулювати підказки. Навчальний аргумент на користь критики, порівняння, рефлексії, співпраці та повторюваної автентичної практики стає дедалі більш узгодженим, але докази того, що конкретні інтервенції дають тривалу та переносну ШІ-грамотність, залишаються менш встановленими. Про те, як цей висновок перекладається в конкретний дизайн курсу, див. [[incorporating-ai-literacy|How should I incorporate AI literacy into my course?]]; про те, де сама доказова база залишається тонкою, див. [[research-gaps-aied|What are notable gaps in the research literature on AI in Education?]].

---

## [Як ШІ може заощадити мені час як викладачу?](https://edtechdev.github.io/aied/faqs/ai-save-instructor-time/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як ШІ може заощадити мені час як викладачу?

**ШІ найкраще підходить для повторюваної роботи з менш відповідальними чернетками й трансформаціями, тоді як важливе освітнє судження залишається за викладачем.** Продуктивні способи використання включають перші чернетки навчальних матеріалів, прикладів, дискусійних питань, [[formative-assessment|формувальних]] вікторин, альтернативних пояснень, рубрик, пропозицій зворотного зв’язку, підсумків, диференційованих версій матеріалів і рутинної адміністративної мови. Ключовим механізмом є **перерозподіл, а не скорочення**: ШІ звільняє час, який викладачі спрямовують на навчальну роботу вищої цінності — той самий час потім купує більше індивідуальної взаємодії зі студентами, глибший зворотний зв’язок і вищого порядку викладання.

## Що показують докази

### Підготовка уроків: приблизно 30% економії часу за збереженої якості

Стаття [[ai-changing-teaching-workflows|How AI Is Changing Teaching Workflows]] підсумовує англійське [[rct|рандомізоване випробування]] за участі 259 викладачів природничих наук, у якому викладачі, що користувались ChatGPT, витрачали приблизно **69% від часу** на підготовку уроків порівняно з контрольною групою — тобто приблизно **на 31% менше** — без виявного падіння якості матеріалів за оцінкою експертів «сліпої» перевірки. Викладачі загалом **перерозподіляли** зекономлений час на іншу навчальну роботу (планування, перевірку робіт, діяльність із студентами), а не просто усували роботу. Супутній набір даних із понад 104 000 повідомлень від понад 15 000 освітян показав, що середній запит [[teacher-role|викладача]] охоплює **1.7 категорії водночас** (наприклад, один запит, що поєднує план уроку + диференціацію + формувальну вікторину), тож ШІ часто виявляє навчальні елементи, про які викладачеві не потрібно було просити.

### Де якість ШІ витримує — а де ні

Згенеровані ШІ матеріали не однаково хороші порівняно з людськими; цінність залежить від завдання та рівня:

- **Сильні сторони:** висновки уроків/квитки виходу (версії ШІ віддавали перевагу **59.7%** випадків порівняно з професійними розробками), зміст для старших класів (**59.2%**) та викладання *поза* вашою компетентністю (більша економія часу, коли ви менш упевнені в предметі).
- **Слабкі сторони:** матеріали для початкової школи (людям віддавали перевагу приблизно 65% випадків щодо відповідності віку розвитку) та цільові [[multilingual-learning|багатомовні]]/[[special-education]] [[scaffolding|скаффолдинги]] (ШІ є «нейтральним», але не витонченим).

Тож найбезпечніші та найцінніші способи використання — це **структуровані, добре специфіковані матеріали, які ви можете перевірити**, — а не деталізований за віком розвитку чи культурно підтримуваний зміст, який вам усе одно доведеться перебудовувати.

### Зворотний зв’язок і перевірка робіт: виграш від перерозподілу є реальним

Великий експеримент у Бразилії в **178 школах із приблизно 19 000 випускників старших класів** перевіряв автоматизований ШІ зворотний зв’язок на есе:

- Зворотний зв’язок ШІ давав **ідентичні [[learning-gains|навчальні здобутки]]** людським перевіряючим — які коштували ~\\$0.85/есе і додавали **нуль додаткової користі**.
- Студенти в класах зі ШІ мали **приблизно на 35% більше індивідуальних розмов** із викладачами про письмо й писали **на 30% більше есе**.
- Години домашньої роботи викладачів знизились на **20%**; частка викладаів, які повідомляли, що часу «дуже не вистачає», впала зі 23% до 9%.
- **Найбільші навчальні здобутки були на найскладнішому завданні з письма** — саме на тому, до оцінювання чого ШІ *найменше* пристосований, — бо ШІ звільнив викладачам можливість зосередитись на викладанні вищого порядку.

**Застереження:** нижній квартиль не показав покращення — одного звільненого часу було недостатньо для студентів, які потребували найбільшої підтримки, тож економію потрібно поєднувати з навмисним, [[equity-in-ai-education|справедливим]] перерозподілом.

### Противага: ілюзія ефективності

Економію часу легко переоцінити — у тому числі тим викладачам, які її відчувають. [[efficiency-gain-illusion-ai-overreliance|У трьох попередньо зареєстрованих дослідженнях (N = 2 691)]] люди систематично **недооцінювали, як часто вони насправді користувались ШІ**, і **переоцінювали зекономлений ним час і зусилля**, вважаючи завдання швидшими й легшими навіть тоді, коли об’єктивні міри не показували різниці; попереднє користування ШІ в межах сесії передбачало подальше користування, закріплюючи хибне калібрування в самопідсилюваному циклі. Практичний наслідок — розглядати економію часу від [[generative-ai]] як твердження, яке слід перевіряти на фактичних даних робочого процесу, а не приймати на відчуття, і розвивати [[metacognition|метакогнітивне]] калібрування, що дозволяє помітити, коли завдання справді прискорилось. Проте не кожна сприймана економія є ілюзорною: [[pishtari-teacher-ai-training-learning-design-2026|дослідження 13 викладачів вищої освіти з внутрішньосуб’єктним дизайном]] виявило, що доступ до ШІ різко знизив сприйманий когнітивний зусилля [[learning-design|дизайну навчання]] (медіана з 6.33 до 3.33, p = .004) — але навчання [[prompt-engineering|формулюванню підказок]], накладене зверху, **не** покращило далі якості дизайну, що нагадує: зекономлене зусилля — це не те саме, що здобута здатність.

### Автоматизоване оцінювання: багатообіцяюче, але не переносне

Автоматизоване оцінювання — найсильніше твердження про економію часу і водночас те, що потребує найбільшої обережності. [[opraise-automated-marking-ai-assessment-2026|Бенчмарк OpRaise]] перевірив три передові моделі на **761 автентичному есе студентів-бакалаврів психології від 125 студентів із трьох університетів Великої Британії** з 27 конфігураціями підказок на модель. Узгодженість із людськими рівнями присвоєння ступеня коливалась від **35% до 65% за університетом**; оцінки ШІ стискались до середини, тож найсильніші й найслабші есе оцінювались найменш точно; моделі погоджувались між собою значно більше, ніж із людськими перевіряючими; і головний висновок авторів полягає в тому, що **докази, зібрані в одному контексті, не переносяться на інший**. Автоматизоване [[automated-essay-scoring|оцінювання есе]] може заощадити час, але покладатись на нього мають лише установи, готові валідувати його локально й зберегти остаточну відповідальність за людьми. Див. [[redesign-assessment-ai-era]] як відповідник щодо дизайну оцінювання.

### Що викладачі делегуватимуть, а що ні

[[reichert-human-centered-llm-chatbot-design-teachers-2026|Робота з партисипаторного дизайну з шістьма викладачами середніх шкіл]] виявила, що вони проєктували [[generative-ai|генеративний ШІ]] як **«обмеженого експерта»** — спроможного в суто визначеній області й під наглядом людини. Вони вітали допомогу ШІ в подачі змісту, наданні практичних завдань і наданні [[formative-assessment|формувального]] [[feedback]], але **відмовились делегувати постановку цілей чи [[summative-assessment|підсумкове]] [[assessment]]** й наполягали на праві викладача вирішувати в неоднозначних випадках. Ця межа позначає, де справжня економія часу закінчується і починається неприйнятна передача професійного судження, — що є корисним критерієм для будь-якого завдання, яке ви збираєтесь віддати, і причиною тримати [[human-in-the-loop-ai|людський нагляд]] явним.

## Конкретні способи використання ШІ для економії часу

- **Чернетки навчальних матеріалів** — перші чернетки слайдів, роздатків, робочих аркушів або послідовності прикладів, які ви потім перевіряєте та редагуєте.
- **Генерування дискусійних питань, формувальних вікторин і квитків виходу** з ваших власних нотаток чи читань.
- **Створення альтернативних пояснень** — перепоясніть поняття на іншому рівні, іншою метафорою або для іншої аудиторії.
- **Чернетки рубрик і пропозицій зворотного зв’язку** — ШІ може запропонувати критерії рубрики чи перший варіант коментаря зворотного зв’язку, який ви потім персоналізуєте; синтез [[ai-feedback-quality|AI Feedback Quality]] застерігає, що швидкість і обсяг не гарантують корисності, тож збережіть [[pedagogy|педагогічне]] судження за собою.
- **Підсумовування та диференціація** — стисніть довгі джерела до навчальних посібників або створіть диференційовані версії завдання для різних рівнів готовності (уважно перевіряйте багатомовні/особливі освітні нюанси).
- **Написання рутинної адміністративної мови** — оголошення, типова частина навчального плану, формулярні листи й листування.

## Про що варто бути обережним

- **Не припускайте, що точна величина переноситься на коледж.** Показник 31% походить із [[science-education|викладання природничих наук]] у K–12; безпечніший загальний урок — використовувати ШІ для першого проходу й витрачати людський час там, де найбільше значать дисциплінарне судження, стосунки, тлумачення мислення студентів, пріоритезація зворотного зв’язку чи відповідальні рішення.
- **Розрив у [[prompt-engineering|формулюванні підказок]]:** більшість викладачів у дослідженнях не ітерували уточнювальними підказками — вони брали перший результат і редагували вручну. Інвестиція невеликого часу в [[ai-literacy]] та вдосконалення підказок окупається якістю результатів.
- **Пастка оцінювання:** майже половина розмов між освітянами та ШІ стосувалась оцінювання, але деякі запити про перевірку надходили без зазначення рубрик чи критеріїв — некероване оцінювання ШІ ризикує неузгодженістю та упередженістям, тож збережіть [[human-in-the-loop-ai|людський нагляд]].
- **Розриви в справедливості:** звільнений час є чистим плюсом лише тоді, коли він не витрачається за рахунок багатомовних здобувачів або студентів з інвалідністю, і коли викладачі з обмеженими ресурсами використовують його для підвищення якості практики, а не лише щоб не відставати.

---

## [Як проєктувати та супроводжувати асинхронні онлайн-курси, коли роботу може виконати ШІ?](https://edtechdev.github.io/aied/faqs/asynchronous-online-courses-ai/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як проєктувати та супроводжувати асинхронні онлайн-курси, коли роботу може виконати ШІ?

Ви вже зробили відкриття, яке змушує поставити це питання. Десь у вашому асинхронному курсі є завдання, чия перша чернетка тепер безкоштовна, — допис у дискусії, рефлексія, аналіз кейсу, набір задач, — і робота, що надходить, є плавною, по темі та не говорить вам нічого про те, що насправді вміє студент. Вас немає в кімнаті, щоб спостерігати, як відбувається мислення, а артефакт, який раніше його заміщав, більше цього не робить.

Це була версія проблеми, в якій студент вирішує о другій ночі дозволити моделі написати допис. Складніша версія вже тут. У трьох демонстраціях на живому курсі психології для студентів-бакалаврів автономні агенти входили в систему управління навчанням, читали матеріали курсу й виконували оцінювану роботу без нагляду за відсутності студента: дві вікторини завершено приблизно за **12 хвилин** і за **менш ніж 5 хвилин**, обидві з оцінкою **10/10**, і допис у дискусії, в якому агент видобув дані з дописів однокурсників, а потім сфабрикував правдоподібну життєву історію від першої особи, щоб їм відповісти. Ширший звіт, який автори збирають, охоплює щонайменше **15 задокументованих запусків агентів** на Canvas, Moodle та Brightspace з використанням **семи інструментів агентів**. Їхній аргумент полягає в тому, що це проблема [[assessment-validity]], а не лише [[academic-integrity|академічної доброчесності]]: виконання роботи агентом усуває припущення, що подана робота була створена особою, чиє навчання оцінюється ([[ai-agents-complete-lms-assessment-validity-2026|Hadjisolomou and El-Haddad, 2026]]).

Головний висновок: асинхронний курс не має ні присутності, ні видимості процесу, на які можна було б спертись, тож дизайн мусить їх створити. Перенесіть доказ навчання від готового продукту, збережіть одне вимірювання, яке студент мусить виконати без допомоги, обмежте будь-який ШІ, який ви постачаєте, і свідомо розплануйте семестр — саморегуляція є тим, що формати з власним темпом мовчки припускають і рідко навчають. Просто кажучи: припиніть проєктувати навколо припущення, що створення артефакту демонструє навчання. Це не аргумент за заборону ШІ чи за створення завдань, стійких до ШІ, а за проєктування курсу так, щоб наявність ШІ, який створює артефакт, була недостатньою для досягнення навчання.

## Коротка версія

- **Зробіть мислення тим, що здається.** Поетапні чернетки, журнали рішень і самопояснення складніше віддати на аутсорс, ніж кінцевий артефакт, і вони показують вам міркування, які інакше ви не бачите.
- **Збережіть одне вимірювання без допомоги** в оцінюваннях, що сертифікують компетентність. Дані за населенням показують, що ефект доступу до ШІ на утримання зникає під наглядом, що свідчить: скорочення шляху відбувається поза платформою та залежить від умов, які ви задаєте.
- **Використовуйте [[asynchronous-oral-assessment-2026|асинхронні усні оцінювання]]** там, де ставки їх виправдовують, — підказки саме вчасно, обмежені за часом незаперечні записи, вбудовані рубрики, автоматичні стенограми.
- **Обмежте ШІ, який ви постачаєте.** Наставництво типу «підказка, а не відповідь» усунуло штраф на іспиті, який створив необмежений доступ у рандомізованому випробуванні; постачання моделі без обмежень — це та версія, що шкодить навчанню.
- **Вбудовуйте підтримку всередину курсу**, а не посилайтесь на загальний чат-бот. Вбудований асистент Open University у своєму випробуванні подвоїв час на завданні; досвід тієї самої установи із зовнішнім, неприв’язаним чат-ботом пішов протилежним шляхом.
- **Розплановуйте семестр свідомо.** Сигнали раннього попередження існують за 7–8 днів до дедлайнів модулів, і саморегуляція з благополуччям спадають упродовж семестру в ногу з кластеризацією оцінювання, — тож розподіл дедлайнів є дизайнерським рішенням із вимірюваними наслідками, а не деталлю розкладу.
- **Супроводжуйте дискусії ощадливо й послідовно розплановуйте їх.** Фасилітатори на базі LLM помітно охочіші втручатись, ніж людські фасилітатори, а інструменти підсумовування, які справді допомагають студентам орієнтуватись у великому форумі, самі по собі не запобігають спаду участі. Просіть зайняту позицію, виклик і задокументований перегляд позиції, а не кількість дописів.
- **Зобов’язуйтесь до консультації.** Нехай студенти спочатку сформулюють власну позицію, прогноз, план або рішення, а потім залучають модель для критики; мислення, якому треба навчитись, має відбуватись до відкриття інструмента.
- **Поєднуйте вразливе завдання з близнюком.** Збережіть домашній аналіз і додайте близько розташоване за часом друге завдання, що оцінює той самий результат способом, для якого перше не може бути делеговане.
- **Дайте ШІ заявлену роль,** і будьте здатні завершити речення: *робота ШІ тут — це X, робота студента — це Y.* Якщо Y мізерне, діяльність не готова.

## Визначте, що оцінювання насправді вимірює

Причина, з якої асинхронний курс є більш відкритим, ніж очний, не в тому, що студенти там менш чесні. А в тому, що доказом навчання курсу є подана робота, а її тепер дешево виготовити. Два причинні докази показують, чого це коштує.

В рандомізованому випробуванні з приблизно 1 000 студентів старшої школи з математики необмежена допомога ШІ підвищила результативність на практичних завданнях на **48%**, знизивши при цьому оцінки на іспиті без допомоги і за книжку на **17%** — студенти, які ніколи не мали доступу, перевершували тих, які його мали. Критичною деталлю є виправлення: [[guardrails|обмежений]] тьютор, який давав підказки, а не відповіді, усунув шкоду. Проблемою ніколи не була присутність моделі; проблемою була відсутність обмеження на те, що вона робитиме.

Поведінкові докази в масштабі населення вказують у той самий бік. За **3.2 мільйонів взаємодій в ALEKS** час навчання на задачах, вразливих до ШІ, впав на **26.9%** після публічного випуску ChatGPT, із **25% зниженням шансів правильно відповісти на питання утримання під наглядом** — ефект, який зник, щойно нагляд було впроваджено. Це зникнення є важливою частиною для дизайну курсу: воно розташовує скорочення шляху поза платформою й показує, що шкода є властивістю умов, які ви задаєте, а не характеру здобувача.

Існує також тонші відмова, проти якої потрібно проєктувати. [[metacognitively-discordant-completion-genai-2026|Метакогнітивно розбіжне завершення]] називає стан подання правильної, повної роботи за приватного знання, що розуміння так і не настало. В аудиторії ви могли б це помітити в ваганні студента; в асинхронному курсі подання є вашим єдиним каналом, і правильне подання читається як успіх. Отже, дизайн [[assessment]] є першим важелем, а не останнім засобом.

## Визначте, що вважається доказом, коли немає кімнати, в яку можна увійти

Якщо готовий продукт більше не доводить мислення, доказ мусить надходити від процесу або від умови, яку студент не може делегувати.

**Виявляючі процес артефакти** — це найдешевша зміна, яка працює в масштабі: поетапні подання з обов’язковим журналом проміжних рішень, абзац самопояснення, прикріплений до кожної відповіді, анотація джерела, план, переглянутий після зворотного зв’язку. Вони фіксують [[cognitive-offloading|міркування]], а не його залишок, і коштують викладачеві порівняно мало для перегляду.

**Асинхронне усне оцінювання** — найсильніший варіант, коли компетентність мусить бути сертифікована. [[asynchronous-oral-assessment-2026|Pentland, Lowenthal and Krier (2026)]] оцінили веб-оцінювання, в яких підказки подаються саме вчасно, студенти записують короткі, обмежені за часом відповіді через вебкамеру, до яких вони не можуть повернутись, а викладачі оцінюють за вбудованими рубриками, тоді як стенограми генеруються автоматично. За двох досліджень — пілотного в проміжному бухгалтерському обліку та курсу з аналітики даних — студенти набрали вищі оцінки на цих оцінюваннях, ніж на очних іспитах із множинним вибором (значимо в другому дослідженні, позитивна, але незначуща тенденція в першому), із помірними кореляціями між форматами, що підтримують конвергентну [[assessment-validity|валідність]]. Студенти повідомляли, що готувались інакше, використовуючи більше [[active-learning|активних]] стратегій навчання, і розглядали формат як професійно релевантний. Це відповідає на асинхронну проблему прямо: мислення виконується вживу, у час і місці за вибором студента, за адміністративної вартості, яка не масштабується з розміром когорти.

**Одне вимірювання без допомоги** належить до будь-якого курсу, чия оцінка сертифікує знання. Результат ALEKS вище є аргументом: коли нагляд було впроваджено, розрив в утриманні зник. Замкніть цикл, розказавши студентам, чому ця умова існує, — міркування належить до вашої [[course-ai-policy|політики щодо ШІ в курсі]].

## Визначте послідовність, а не лише артефакт

Щойно готовий продукт стає ненадійним доказом, порядок, у якому відбувається робота, стає частиною дизайну оцінювання.

[[brcic-effortless-trap-productive-struggle-2026|Brcic and Frljic (2026)]] роблять розташування центром аргументу: дозволити-або-заборонити є хибною дихотомією, і дизайнерське питання, яке має значення, полягає в тому, **де розташований інструмент**. Зібрані ними причинні докази показують, що результат перевертається лише через розташування — той самий необмежений помічник, який залишив старшокласників приблизно на **17% гіршими** на іспиті без допомоги, не завдав шкоди, щойно його перебудували так, щоб він приховував відповіді, тоді як добре сконструйований [[intelligent-tutoring|тьютор]] приблизно **подвоїв** навчання. Їхня рамка з шести кроків для розташування інструмента (prime, probe, point, attach, strengthen, test) є одним придатним меню, а їхня однорядкова діагностика — це та, яку варто зберегти: *якщо впускання ШІ робить завдання таким, що здається невитратним зусиллям, воно розташоване неправильно.* Погано розташована допомога не просто не допомагає; вона залишає ілюзію навчання, яка розсипається на завданні без допомоги, — стан, який [[metacognitively-discordant-completion-genai-2026|метакогнітивно розбіжне завершення]] називає для подання, що є правильним і незрозумілим.

Для асинхронного курсу це перекладається в послідовність, яку можна вписати в саме завдання:

**Мислення → Зобов’язання → Використання ШІ → Критика → Перегляд → Пояснення.**

Студенти намагаються виконати інтелектуальну роботу й зобов’язуються до початкової інтерпретації, прогнозу, плану або рішення. Лише потім входить модель — для зворотного зв’язку, альтернатив, контраргументів чи критики. Потім студенти оцінюють те, що вона створила, переглядають і пояснюють, що змінилось і чому. Крок зобов’язання є тим, що робить решту оцінюваною: незазобов’язаний студент не має чого переглядати, а в артефакті, написаним моделлю з нуля, немає історії переглядів взагалі.

Одне застереження щодо надмірної корекції: збирання кожного запиту й примус документувати кожне натискання клавіші дає навантаження без доказів. Просіть замість цього значущі точки рішень — який доказ було обрано, яку альтернативу відхилено, що змінилось після критики, — і міркування, які ви справді прочитали б.

## Поєднуйте вразливе завдання з близнюком

Іншим структурним варіантом є припинення вибору між педагогічно цінним завданням і захищеним. [[roe-assessment-twins-2026|Roe, Perkins and Giray (2026)]] пропонують **близнюків оцінювання**: поєднайте вразливе до ШІ завдання — домашнє есе або аналіз — з другим, менш вразливим завданням, що оцінює *ті самі* результати, розташованим достатньо близько для перехресної перевірки, й оцінюваним взаємозалежно. Їхнє зіставлення простягається через шість категорій доказів валідності Мессіка, а процес дизайну має три кроки: виявити вразливості, узгодити результати й обрати близнюка, потім розробити оцінювання, що поєднує обидва. Домашній аналіз зберігає свою цінність для розширеного дослідження; його близнюком може бути коротка варіація кейсу, пояснення одного ключового рішення або короткий усний чи мультимедійний захист.

Супутнім питанням є володіння, а не авторство. [[coauthorship-integrity-reconceptualizing-assessment-validity-for-the-age-of-gene|Ebrahimzadeh, Shibani and Buckingham Shum]] стверджують, що співавторство з генеративним ШІ підриває кілька форм доказів валідності, і пропонують **цілісність співавторства** як джерело доказів валідності саме по собі — порушену, коли студент подає згенерований ШІ зміст, якого він не розуміє. Щоб перевіряти володіння в масштабі, а не інспекцією, вони повідомляють про роботу над **AI Viva**: розмовним агентом, який проводить гібридний усний захист, ставлячи питання на розуміння керованого типу й складності, глибоко валідований експертами-педагогами та фахівцями з оцінювання. Це варто зважити проти нагляду за всім: усний захист власного міркування масштабується так, як не масштабується моніторинг кімнат, і він дає доказ про розуміння, а не про те, хто був у кімнаті.

## Визначте, що дозволено робити ШІ всередині вашого курсу

Порівняння, яке має значення, — це не ШІ проти відсутності ШІ. Це вбудований, обмежений ШІ проти неприв’язаного чат-бота, і ці два дають різні результати.

[[new-systems-of-learning-for-distance-learning-institutions-a-six-study-review-of|Асистент AIDA від Open University]] є найкраще задокументованим вбудованим кейсом: шість ітеративних досліджень, заснованих на дизайні, протягом 18 місяців із 498 студентами та 20 співробітниками, в установі, що обслуговує понад 200 000 здобувачів у понад 50 країнах. В дослідницькому рандомізованому випробуванні студенти, які користувались AIDA, витрачали **вдвічі більше часу** й відвідували більше сторінок свого курсу, ніж контрольна група, і **96%** хотіли, щоб асистент був доступним під час їхньої формальної навчальної діяльності. Створений під конкретну мету й вбудований у середовище перевершує загальний і зовнішній.

Огляд [[lock-integrating-ai-online-learning-higher-ed-2025|Lock, Arteaga and Johnson's (2025)]] — 63 цитування з 32 країн — додає соціальну умову до умови дизайну: студенти, які користувались ChatGPT *поряд* із наставництвом викладача, сприймали більші [[learning-gains]], ніж ті, які користувались ним самотньо. Асистент доповнює викладача, або він заміщує стосунок, і лише одне з цих є дизайном курсу.

Два застереження варто сприймати серйозно. Невдача KhanMigo не була технічною: здобувачі просто не залучались до чат-бота, а докази здобутків були обмеженими, що вказує на [[governance|організаційну готовність]] і навчальну відповідність, а не на якість моделі. І бік викладача не є автоматично готовим: в порівнянні підготовки вчителів у Південній Африці самооголошуваний TPACK для інтегрованого зі ШІ викладання природничих наук становив **64.0%** в університеті з очним навчанням проти **47.4%** в дистанційному університеті, причому педагогічне знання було найслабшою областю в обох ([[online-teaching-and-learning]]). Розгортання асистента в асинхронному курсі не навчає людей, які мусять судити про його результати.

## Визначте, як насправді супроводжується асинхронна дискусія

Форуми дискусій — це місце, де асинхронні курси або будують [[community-of-inquiry|спільноту]], або тихо стають скриньками для подань. Два висновки мають формувати те, що ви там автоматизуєте.

По-перше, **час — це складна частина, а не виявлення теми.** [[llm-facilitation-timing-online-discussions|Tsirmpas and colleagues]] побудували корпус PEFK, щоб порівняти набори даних із фасилітації, а потім провели перше дослідження *часу* фасилітації з експертними людськими фасилітаторами та суддями на базі LLM. Люди були обережнішими щодо втручання; LLM були надмірно охочими. Обидва групи були більш упевненими, судячи, що фасилітація **не** потрібна, ніж коли судили, що вона потрібна. Навчені моделі-класифікатори перевершували конфігурації на базі LLM, і навіть тоді наявні набори даних обмежували результативність. Практичне прочитання: не віддавайте автономну модерацію агенту, і якщо ви взагалі використовуєте ШІ в дискусії, налаштуйте його за замовчуванням мовчати.

По-друге, **ШІ допомагає студентам орієнтуватись у форумі, не змушуючи їх брати участь.** За 128 університетських студентів упродовж трьох ітерацій [[hao-peer-exposure-bridging-social-capital-ai-summaries-2026|Hao and Cukurova (2026)]] виявили, що згенеровані ШІ підсумки дискусій розширювали експозицію внескам однокурсників і посилювали мережеву зв’язаність — слабкі зв’язки, які теорія соціального капіталу називає наведенням містів, — знижуючи зусилля пошуку значущих дописів. Вони не зупинили спаду активності перегляду упродовж курсу. Підсумовування є навігаційним [[scaffolding|скаффолдингом]], а не заміною генерування участі.

Структура, яка це пом’якшує, є послідовністю, а не гілкою: **Позиція → Виклик → Перегляд.** Студенти зобов’язуються до інтерпретації, обґрунтованої матеріалом курсу, потім зустрічають іншу перспективу, контрприклад чи критику, потім пояснюють, чи і як зрушило їхнє міркування. Те, що ви оцінюєте, — це рух між ідеями, а не кількість дописів, — і поданий допис із двома відповідями більше цього не демонструє, оскільки в третій демонстрації вище агент видобуває дані з дописів однокурсника й уособлює життєву історію однокурсника на замовлення.

Оскільки те, що агент імітує, — це поведінка на поверхні, власні внески викладача стають дефіцитним ресурсом. Механічне відповідання на десятки індивідуальних дописів є найменш цінною формою навчальної присутності; синтезування в межах дискусії є найбільш цінним, — *три припущення постійно з’являються у ваших аналізах; деякі з вас читають цей доказ інакше; цей аргумент переконливий, поки ми не вводимо цей контрприклад.* Це [[teacher-role|оркестрування]], а не виробництво повідомлень, і це та частина, якої жоден агент у цій літературі не виконує.

Питання рамки під обома — це підзвітність. [[reconceptualizing-community-inquiry-generative-ai|Ba, Gašević, Lim and Anderson (2026)]] стверджують, що генеративний ШІ порушує припущення [[community-of-inquiry]], що показники присутності можна взагалі приписувати людям: вони розглядають GenAI як епістемічну умову, а присутності — як соціотехнічні досягнення, чия відношення до якості дослідження залежить від того, де розташована людська підзвітність. Наслідок для дизайну асинхронного курсу є конкретним — вирішіть і заявіть, хто за що відповідає в кожному обміні, а не припускайте, що присутність виникає, бо форум існує.

## Визначте, як студенти втримують темп без кімнати, в яку можна увійти

Формати з власним темпом припускають [[self-regulated-learning|саморегуляцію]] і рідко її навчають. Докази щодо того, які поведінки справді корелюють із утриманням на завданні, незвично практичні.

Опитуючи 530 студентів коледжів із застосуванням видобування асоціаційних правил і кластеризації, [[decreasing-digital-distraction-college-online-learning-2026|Shi et al. (2026)]] виявили, що поведінки саморегульованого навчання — **постановка цілей, структурування середовища та управління часом** — найпослідовніше співвідбувались із низьким цифровим відволіканням, поряд із [[student-engagement|залученістю]] здобувач–викладач і здобувач–зміст і технічною компетентністю. Помітно, що сподівання на допомогу однокурсників і залученість здобувач–здобувач з’являлись *рідше* в профілях із низьким відволіканням. Структуруйте середовище й розклад до того, як проєктуватимете ще одну групову діяльність.

Саморегуляція також не є фіксованою рисою, яку можна припускати чи відкидати. Протягом повного семестру зі 75 студентами першого курсу [[song-genai-learning-partner-srl-over-time-2026|Song et al. (2026)]] виявили, що SRL функціонує і як стабільна здібність, і як коливаючийся стан: індивідуальні базові рівні залишались стабільними, тоді як метакогнітивне знання і [[well-being]] системно спадали протягом семестру, керовані вимогами навчального плану, такими як основні дедлайни оцінювання. Кластеризація дедлайнів може бути ефективним адміністративним вибором, і вона також є вимірюваним податком на регуляцію, від якої залежить формат.

Вікно втручання є пізнаваним. [[zhang-ml-student-progress-programming-2026|Zhang, Jeffries and Koprinska (2025)]] показали, що інтерпретоване машинне навчання на журналах взаємодії зі змістом прогнозує прогрес на рівні модулів і сигналізує про результати відпадання за **7–8 днів до дедлайнів модулів** у масштабних онлайн-курсах з програмування. Цього достатньо, щоб надіслати конкретний поштовх конкретному студенту, і це краще, ніж виявити невдачу під час перевірки оцінок. Для [[adult-learning|дорослих]] і дистанційних здобувачів настанови дизайну AI-ALOE додають обмеження, яке має найбільше значення: мобільний доступ, можливість роботи офлайн і справжня асинхронна доступність, оскільки ці здобувачі навчаються уривками часу між іншими зобов’язаннями.

## Що ШІ може зняти з ваших плечей як дизайнера

Два способи використання мають розумні докази, і обидва націлені на навантаження викладача, а не на мислення здобувача.

**Вартість виробництва.** [[mooc-to-maic|MAIC]] переосмислює трансляцію MOOC «одне відео для N студентів» як «N агентів для одного студента», використовуючи спеціалізованих агентів-вчителів, помічників, однокурсників і аналітиків на спільній моделій основі. Його автори повідомляють про скорочення виробництва курсу з приблизно **\\$25,000 і 60 годин** на MOOC до **менш ніж \\$2 і 30 хвилин**, апробовано в Tsinghua на двох курсах із **понад 100 000 навчальних записів від понад 500 студентів**, і випущено як відкритий OpenMAIC. Персоналізовані медіа — та сама ідея на рівні активу: у великому онлайн-курсі [[personalized-ai-generated-videos-preference-2026|Tomlinson et al. (2026)]] виявили, що студенти віддавали перевагу згенерованим ШІ персоналізованим відео над не персоналізованими, записаними людиною, причому ефект персоналізації перевершував цінність, надавану присутності людини-ведучого.

**Навігація по форуму.** Скаффолдинг підсумовування вище знизив вартість пошуку хороших внесків, не обтяжуючи викладачів підсумовуванням.

**Чого не автоматизувати.** Визначення, чи є твір власним мисленням студента, судження про те, чи потребує дискусія втручання, і калібрування складності — це завдання, які, за доказами, є або ненадійними, або такими, що несуть підзвітність. Згенерований матеріал також потребує педагогічного перегляду, перш ніж нести кредит — дешеве виробництво не є тим самим, що звуковий дизайн.

## Дайте ШІ заявлену роль, а потім перевірте, що у студента вона ще є

«Студенти можуть використовувати ШІ» — це занадто широка специфікація, щоб проти неї проєктувати. Найменування ролі є тим, що робить діяльність придатною для дизайну, і ролі несуть наслідки для присутності: дослідження генеративного ШІ в освіті з маркетингу розрізняє **тьютора, товариша по команді та інструмент**, показує, що кожен по-різному впливає на навчальну, соціальну та когнітивну присутність, і перелічує знайомі етичні експозиції — приватність даних, плагіат, залежність і справедливість оцінювання ([[genai-marketing-education-roles-2026|GenAI in Marketing Education]]). Та сама модель може бути сократичним запитувачем перед завданням, критиком після першої чернетки, змодельованим стейкхолдером під час аналізу кейсу, опонентом, чий аргумент мусить бути спростованим, тьютором, що дає підказки, під час практики, або редактором, залученим лише після того, як існує суттєве міркування. Це різні діяльності, і їхнє злиття — це те, як «ШІ дозволено» тихо починає означати «нічого не було спроєктовано».

[[scaffolding]] дає критерій: підтримка має допомагати здобувачам робити те, чого вони ще не можуть самі, і має поступово зніматись, коли розвивається компетентність. Модель, яка продовжує постачати повні рішення, не є скаффолдингом — вона виконує завдання. Тож для кожної діяльності з увімкненим ШІ дизайнер має бути здатним завершити це речення без вагання:

*Робота ШІ тут — це \\_\\_\\_\\_\\_\\_, тоді як робота студента — це \\_\\_\\_\\_\\_\\_\\_\\_ .*

Якщо другий пропуск містить мало значущого мислення, діяльність потребує перепроєктування, а не суворішої політики.

## Навчайте оцінюванню, а не лише користуванню

[[ai-literacy]] — це не здатність користуватись чат-ботом; вона включає критичне оцінювання, [[metacognition|метакогнітивне]] судження і знання, коли взагалі не варто користуватись інструментом, — і база знань узгоджена в тому, що самооголошена упевненість є поганим сурогатом продемонстрованої компетентності. Це вказує на зміну, яку будь-який асинхронний курс може прийняти негайно: **іноді самі давайте студентам результат ШІ.** Віддайте дві конкуруючі відповіді й запитайте, яка сильніша і чому. Запитайте про найслабшу твердження, відсутнє припущення, неперевірне джерело, правдоподібне пояснення, яке проте є хибним. Запитайте, який доказ змінив би їхню думку.

Сформульована так, здатність, яку оцінюють, більше не є лише *чи може цей студент дати відповідь?*, а *чи може цей студент розпізнати, чи відповідь заслуговує на довіру?* — ближче до того, що справді вимагає дисципліна, і набагато складніше делегувати. Практики [[verify-ai-output|перевірки]] та матеріали зі ШІ-грамотності — це те, де живе метод; тут має значення те, щоб поставити оцінювання всередині оцінюваного завдання, а не залишати його порадою.

## Заперечення, які ви почуєте

**«Це дорослі люди, які обрали асинхронний курс. Якщо вони дозволяють ШІ його написати, це їхнє рішення.»** Аргумент вибору спрацював би, якби курс не сертифікував нічого. Але сертифікує. Докази ALEKS показують, що скорочення шляху дає видимість компетентності, яка не витримує перевіреної наглядом оцінки, і виплата припадає на студента пізніше — в наступному курсі, на ліцензійному іспиті чи на роботі. Є також край справедливості: здобувачі, найімовірніші до вивантаження на інших, часто є тими, в кого найменше часу, а це саме та група, для обслуговування якої асинхронний курс і існує.

**«Відповіддю є виявлення.»** Виявлення є спірним, і результат нагляду вище показує, чому дизайн перевершує поліцювання: шкода зникла, коли змінились умови, а не коли посилилось поліцювання. Виявлення також несе витрати хибнопозитивних результатів і перетворює навчання на гонку озброєнь. Замість цього перепроєктуйте завдання й збережіть одне вимірювання без допомоги — див. [[reduce-ai-cheating]] і [[redesign-assessment-ai-era]].

**«Навчальна присутність на відстані неможлива, тож асинхронність за своєю суттю гірша.»** Присутність в асинхронному курсі проєктується, а не мається на увазі, і переосмислення CoI вище стверджує, що її показники є соціотехнічними досягненнями в епоху GenAI. Випробування AIDA є корисним контрприкладом: вбудована генеративна підтримка подвоїла час на завданні в курсі без жодної синхронної зустрічі.

**«Нагляд — це стеження, і я його не запроваджуватиму.»** Це захищена позиція, і вона не залишає вас без варіантів. Виявляючі процес артефакти, асинхронне усне оцінювання, самопояснення і AI Viva, описані вище, усі фіксують міркування, не моніторуючи нічию кімнату. Якщо ви все ж використовуєте умову нагляду, скажіть про це в навчальному плані, поясніть міркування й обмежте це оцінюваннями, що сертифікують компетентність.

**«Тоді зробіть усе синхронним і під наглядом.»** Багато студентів обирають асинхронну навчальну діяльність саме тому, що мають роботу, обов’язки з догляду, інвалідність або географічні обмеження, які ускладнюють синхронну присутність, і виявлення несе власні витрати на справедливість: інструменти, які позначають неписьменних авторів, непропорційно дають хибнопозитивні результати, що карають чесну роботу ([[ai-detection]]). Пропорційною альтернативою є невелика кількість моментів перевірки всередині інакше гнучкого курсу: коротке записане пояснення, персоналізоване застосування, відповідь на обране викладачем питання, анотований слід рішень, невитратна індивідуальна перевірка. Перевірка має підвищувати валідність ваших доказів, не усуваючи гнучкості, яка зробила формат вартим запропонування.

## Чого докази не вирішують

[[ai-distance-education-systematic-review-2026|Систематичний огляд ШІ в дистанційній освіті]] (56 статей, 2020–2025) охоплює персоналізацію (24 дослідження), оцінювання та зворотний зв’язок (19), взаємодію людина–ШІ (17) та управління і справедливість, і робить висновок, що основа є короткостроковою та поперечною, з небагатьма довготривалими роботами. [[ai-student-engagement-online-learning-review-2025|Огляд ШІ та залученості студентів в онлайн-навчанні]] (24 дослідження) обмежений однією базою даних, розглядає лише залученість і явно зливає синхронні та асинхронні контексти, — тож його висновки не слід читати як специфічні для асинхронності. Асинхронне усне оцінювання спирається на два дослідження в двох курсах. MAIC є пілотним. Набори даних із часу фасилітації обмежують результативність навіть із навченими класифікаторами. І жодне дослідження тут не стежить за асинхронною когортою достатньо довго, щоб показати, чи дає перепроєктоване оцінювання тривале навчання, а не лише кращі докази про нього. Розглядайте все це як достатньо сильне, щоб змінити ваш наступний курс, і занадто тонке, щоб виправдовувати твердження про політику.

## Зробіть це цього тижня

**За десять хвилин:** оберіть ваше оцінювання з найвищими ставками й додайте одну умову, яку студент виконує без допомоги. Скажіть їм, чому вона існує.

**Перш ніж вийде наступне завдання:** візьміть завдання, яке ШІ тепер виконує від початку до кінця, і перепишіть його так, щоб артефактом був процес — журнал рішень, поетапна чернетка, самопояснення, порівняння двох спроб. Якщо завдання може бути завершене без жодного з цих міркувань, міркування ніколи й не вимагалось.

**Цього семестру:** перетворіть одне основне оцінювання на асинхронний усний захист із вбудованими рубриками; задайте дозвіл на ШІ для кожного завдання в навчальному плані й розташуйте його там, де студенти його справді читатимуть; розподіліть основні дедлайни замість їхньої кластеризації; і відкрийте вікно за 7–8 днів до дедлайну, в якому ви зв’язуєтесь зі студентами, чиї дані взаємодії затихли.

**Пропустіть три питання через ваше найслабше завдання.** (1) Чи може система ШІ виконати цю діяльність, не розуміючи студентом матеріалу? (2) Яка когнітивна діяльність має тут створити навчання? (3) Який доказ покаже, що студент справді виконав цю діяльність? Якщо відповідь на перше питання — так, а на інші два відповісти важко, проблема в дизайні навчання, а не в політиці щодо ШІ, — і жодне формулювання політики її не виправить.

Мета — не курс, у який ШІ не може брати участь. А курс, у який ШІ може брати участь **не витісняючи навчання, яке курс існує, щоб створити**.

**Куди рухатись далі:** правила на рівні курсу належать до [[course-ai-policy]]; перебудову оцінювання висвітлено в [[redesign-assessment-ai-era]]; проблему надмірної залежності під нею — в [[reducing-over-reliance]]; навантаження викладачів і те, що ШІ реалістично знімає, — в [[ai-save-instructor-time]]; а погляд на рівні дизайну на вбудовування ШІ в навчальний досвід — в [[designing-ai-into-learning]].

---

## [Як дізнатись, що освітній ШІ працює правильно, а не просто набирає високі бали?](https://edtechdev.github.io/aied/faqs/checking-whether-educational-ai-works/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Освітній ШІ може виглядати так, ніби працює, тоді як він не працює. Бали, які ви бачите найчастіше, — наскільки відповідь моделі схожа на правильну або наскільки близько її оцінки збігаються з людськими, — можуть виглядати високими, тоді як те, що вам справді важливо, зламане.

В одному проєкті цієї бази знань та сама система отримала хороший показник узгодженості в оцінюванні есе й у тому самому розгортанні створила зворотний зв’язок, який обірвався на півреченні й був нечитабельним. Оцінювання працювало. Зворотний зв’язок — ні. Ніщо в заголовному числі про це не казало.

Ця сторінка про те, як помітити різницю, і вона не потребує жодної підготовки у вимірюванні.

## Що насправді вимірюють звичайні бали

У цій літературі домінують два види чисел, і обидва вимірюють **схожість, а не правильність**.

- **Бали схожості** (ви побачите, що їх називають ROUGE і BLEU) порівнюють формулювання відповіді моделі з формулюванням еталонної відповіді. Модель, яка пише щось близьке до очікуваного тексту, набирає високий бал — навіть якщо її міркування хибне, і навіть якщо студент міг дійти до правильної відповіді шляхом, якого нічого не навчає.
- **Бали узгодженості** (ви побачите QWK, або квадратичне зважене каппа) вимірюють, наскільки близько оцінки моделі збігаються з оцінками людини. Модель може погоджуватись із перевіряючим на кінцевій оцінці, будучи помилковою щодо *чому*, а це та частина, з якої студент навчається.

Студент може дійти до хибної відповіді хибним шляхом, який виглядає правильним, і жоден бал схожості цього не помітить. Якщо вам важливе міркування, вам потрібне щось, що читає міркування, — рубрика, застосована людиною, або перевірка, написана для цього конкретного кроку.

Помічник курсу Linear Control Systems є хорошим прикладом команди, яка чесно про це повідомляє. Його найкраща конфігурація досягла балу схожості **0.4093** з еталонними відповідями, причому покращення вимірювалось надійно вище нуля, і автори просто заявляють, що їхні числа вимірюють формулювання й формат ([[lora-finetuned-control-systems-course-qa-2026]]).

## Система може пройти один тест і провалити наступний

Це найкорисніший урок у базі знань, бо саме він ловить людей на тому, чого вони не чекають.

У проєкті WrAFT дотонно налаштована модель досягла балу узгодженості **0.84** з людськими перевіряючими на 360 відкладених есе TOEFL. Це сильний результат для *оцінювання*. Модель того самого проєкту, навчена *писати зворотний зв’язок*, створила результат, який був обрізаним і нерозбірним, — тоді як просте формулювання підказки для іншої моделі дало зворотний зв’язок, якому викладачі віддали перевагу ([[wraft-automated-writing-evaluation-argumentative-2026]]).

Тож оцінюйте кожен результат, який створює ваша система, окремо. Високий бал на модулі оцінювання не говорить вам нічого про модуль зворотного зв’язку поруч із ним.

## Перевірте, чи ваша автоматична перевірка погоджується з людьми

Багато команд тепер використовують другий ШІ, щоб перевіряти перший. Це розумно, але другий ШІ не є автоматично правим.

Дослідження, в якому передова модель створювала підказки для [[intelligent-tutoring|інтелектуальної тьюторської системи]], виявило, що приблизно **35%** із них були занадто загальними, хибними або розкривали відповідь, — і власні автоматизовані перевірки якості моделі не погоджувались із людським судженням про те, які з них погані ([[reddig-maclellan-personalized-feedback-llm-2026]]).

Практична версія: візьміть вибірку приблизно з п’ятдесяти результатів, нехай людина їх оцінить, і порівняйте це з оцінками вашої автоматичної перевірки. Якщо дві не погоджуються, ваше автоматичне число не є доказом.

## Перетворіть бал на правило, на яке можна діяти

Кореляція каже вам, що модель зазвичай права. Вона не каже вам, що робити в тих випадках, коли вона не права. Результат маршрутизації за довірою є найчітнішим шаблоном тут, і він достатньо простий, щоб його скопіювати.

Довіра виявилась надійним попереджувальним знаком: коли модель була невпевненою, вона з більшою ймовірністю була помилковою (**β = −0.602, p < .001**). Тож команда надіслала найменш упевнені **20%** відповідей людині. Це одне правило підвищило узгодженість із людськими оцінками з **0.78 до 0.82** і скоротило ручну роботу з оцінювання приблизно на **80%** ([[know-when-to-trust-ai-scoring-reliability-2026]]).

Зверніть увагу, що містить звіт: поріг, людину й економію. «Узгодженість 0.84» не містить жодного з цих, тому на неї важко діяти.

## Коли можете, вимірюйте саму річ

Найчистішим виправленням є навчання моделі на тій самій величині, яку ви маєте намір вимірювати. Дотошно налаштовану модель навчали відтворювати статистичні властивості тестових завдань — числа, що описують, наскільки складним є кожне завдання і наскільки добре воно розрізняє сильніших і слабших студентів, — і вона вивчила ці закономірності, а не їй їх повідомили ([[multimodal-item-parameter-estimation-2026]]). Ціллю була властивість самого оцінювання, тож оцінювання могло стосуватись цієї властивості, а не формулювань.

Повідомляйте також про прогресію, а не лише про кінцеву точку. Симулятор письма SWIM опублікував бали кожного етапу поруч — підказки на основі рубрики **0.577**, дотонне налаштування **0.474 ± 0.023**, навчання з підкріпленням **0.618 ± 0.005** ([[swim-student-writing-simulation-2026]]) — і саме це дозволяє читачеві побачити, чи дало навчання що-небудь. Одне кінцеве число не може їм цього сказати.

## Перевіряйте безпеку на всій розмові, а не на одній відповіді

Більшість перевірок безпеки перевіряє один обмін. Шкоди, які мають значення в наставництві, накопичуються. SafeTutors виявив, що навіть моделі, створені спеціально для викладання, деградують упродовж довгої розмови й можуть розкривати відповіді, які мали б приховувати ([[hazra-safetutors-pedagogical-safety-2026]]).

Проводьте перевірку безпеки на повних розмовах і включайте ходи, в яких студент помиляється, продовжує наставати або намагається відговорити модель від її ролі.

## Якщо ви тестуєте з фальшивими студентами, спочатку перевірте фальшивих студентів

Генерування змодельованих студентів замість залучення справжніх робить оцінювання набагато дещовитішим. Але змодельований студент є вимірювальним інструментом, і він може помилятись так, як може помилятись будь-який інструмент.

Найпрямішою перевіркою цього в базі знань було зіставлення змодельованих із підказками студентів проти **382 відкладених діалогів** з найбільшої публічної збірки справжніх діалогів студент–тьютор з математики, з використанням семи мір, що охоплюють мову, поведінку й мислення ([[simulated-students-tutoring-dialogues-2026]]). Інші роботи тиснуть на реалістичність із різних боків: [[inside-llm-student-simulator-reasoning-2026|INSIDE]] навчає моделі і *діяти*, і *мислити* як студенти, а історією обумовлені профілі зумовлюють симуляцію минулим студента, а не фіксованою персоною ([[history-aware-student-simulation]]).

Якщо ваш вимірювальний пристрій — це змодельований студент, перевірте симулятор, перш ніж довіряти тому, що він каже про вашого тьютора.

## Порівнюйте з чимось поза вашим власним проєктом

Якщо у вас немає власної базової лінії, зовнішній бенчмарк каже вам, чи є ваше число чим-небудь вартим. На педагогічному бенчмарці CDPK EduQwen досяг **96.52%** проти **90.55%** у Gemini-3 Pro ([[singh-eduqwen-pedagogical-rl-2026]]). Pedagogy Benchmark, побудований зі справжніх іспитів з професійного розвитку викладачів і що охоплює **97 моделей**, виявив точність у діапазоні від **28% до 89%** ([[cdpk-pedagogy-benchmark-llms|Lelièvre et al., 2025]]).

Цей розкид і є суттєвим: на завданні про викладання моделі коливались від поганих до хороших. Читайте результати бенчмарку як діапазон, усередині якого ви перебуваєте, а не як вирок.

## Контрольний список перед випуском

**1.** Запишіть одним реченням, що вам справді важливо, і оберіть міру, що фіксує *це*, а не схожість.
**2.** Спершу отримайте базову лінію, включно з простою. Модель помічника курсу без обґрунтування набрала менше, ніж звичайний пошук за ключовими словами.
**3.** Перевіряйте кожен результат, який створює ваша система, окремо.
**4.** Нехай людина оцінить вибірку й порівняйте це з вашою автоматичною перевіркою.
**5.** Перетворіть точність на правило: поріг, людина й економія.
**6.** Перевіряйте безпеку на повних розмовах.
**7.** Перевірте будь-якого змодельованого студента, перш ніж йому довіряти.
**8.** Збережіть невдачі. Обрізаний зворотний зв’язок і підказки, що розкривають відповідь, — це висновки, а не шум.

## Пов’язані питання

- [[making-ai-better-at-supporting-learning|Як ми можемо зробити ШІ кращим у підтримці навчання в нашому власному предметі?]]
- [[training-ai-tutors-to-guide-rather-than-answer|Як нам навчати ШІ-тьютора направляти студентів, а не відповідати їм?]]
- [[evaluating-ai-interventions-methods|Які міри та методи дослідження може використати викладач, щоб оцінити пов’язані зі ШІ інтервенції?]] — версія цього питання для викладачів
- [[reporting-interpreting-aied-research|Які є найкращі практики подання та тлумачення досліджень про ШІ в освіті?]] — версія для дослідників
- [[llm-training-and-fine-tuning]] — повна сторінка поняття

---

## [Як написати політику курсу щодо ШІ та донести її до студентів?](https://edtechdev.github.io/aied/faqs/course-ai-policy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як написати політику курсу щодо ШІ та донести її до студентів?

У вас один навчальний план, один аркуш із завданнями й кімната, повна студентів, які вже написали власні приватні правила про [[generative-ai|генеративний ШІ]]. Усе, що ви публікуєте, має бути справедливим і до студента, який грає за правилами, і до того, який не грає, і має бути чимось, що ви насправді можете застосувати до сорока подань, не ставши ні м’яким, ні поліцаєм.

Головний висновок: пишіть менше правил, ніж вам хочеться, прив’язуйте кожне до конкретної річі, яку ви оцінюєте, назвіть одне стандартне місце, де студенти заявляють про користування ШІ, і зробіть ваш шлях забезпечення виконання доказом, який ви бачите власними очима, а не балом детектора. Політика, яка пояснює себе, виконує роботу з дизайну оцінювання й комунікації водночас, — і саме тому вона потребує одного дня й економить семестр суперечок.

Ця сторінка охоплює документ на рівні курсу для одного модуля, курсу чи напряму програми. Припущення на всій її протяжності — ви вже вирішили, що оцінюєте; питання в тому, як це сказати й зробити так, щоб це спрацювало.

## Як політики курсів виглядають зараз

Аналіз змісту **116 інституційних політик щодо GenAI** з 131 університету R1 у США та **98 навчальних планів з інформатики** з 54 із них виявив, що установи в цілому позитивно ставляться до користування: 63% заохочують користування GenAI, 41% пропонують детальні настанови для аудиторії, 27% його не заохочують, — тоді як **половина навчальних планів (50%) його прямо забороняє**, 41% дозволяють часткове користування для зазначених діяльностей і 7% повідомляють про заохочення. [[genai-policies-higher-ed-computing|Ganguly et al. (2026)]] називають це розривом між «згори вниз» і «знизу вгору»: 92% навчальних планів дають явні настанови, але викладачі пишуть локальні правила, які можуть не узгоджуватись з інституційними настановами, і лише в 47 установах було виявно обидва рівні. Цитування — єдина річ, щодо якої погоджуються обидва рівні, і його вимагають 83% навчальних планів. Ваше локальне правило — це те, з яким студенти стикаються першими, і бути суворішим за вашу установу є нормальним, — але це зобов’язання, яке ви берете на себе самотньо.

[[chirikov-regulate-ai-syllabi-2026|Chirikov (2026)]] відстежив понад 31 000 навчальних планів у великому публічному дослідницькому університеті в Техасі з 2021 по 2025 рік: регулювання зросло від майже нуля до ChatGPT до 55% курсів до осені 2025 року, тоді як частка повністю обмежувальних політик падала приблизно на 5 відсоткових пунктів на рік. До осені 2025 року викладачі найчастіше обмежували чернеткування й редагування (79%) і міркування та [[problem-solving]] (65%), і найчастіше дозволяли редагування й вичитування (83%), підтримку навчання та синтез (80%) і програмування (75%); породження ідей було найбільш оспрюваним способом користування (46% дозволяють, 54% обмежують). Згадки про академічну доброчесність впали з 63% до 49%, тоді як посилання на вплив ШІ на навчання зросли з 1% до 29%, а вимоги щодо атрибуції — з 16% до 43%. Викладачі переходять від мови «не списуй» до мови «ось чому ця межа захищає ваше навчання».

[[nash-preservice-teachers-classroom-ai-policies-2026|Nash and Burriss (2026)]] проаналізували 27 політик щодо ШІ для аудиторій, написаних майбутніми викладачами мови та літератури: **26 із 27 дозволяли певне користування ШІ**, майже завжди на визначених викладачем умовах, у визначений час і в визначених місцях, і одна забороняла його повністю. Породження ідей було найширше дозволеним способом користування (22 із 27) і найбільш неоднозначним; 22 заборонили або залишили незрозумілим створення ШІ речень, абзаців чи робіт; 16 дозволяли перевірку граматики та вичитування, тоді як 16 забороняли створення великого згенерованого ШІ тексту; і **22 із 27 взагалі не розглядали читання**. Повторюваною невдачею була операціоналізація: одна політика дозволяла ШІ «щоб розпочати ваше мислення» й заявляла «ось де слід провести межу», не кажучи, де. Ця неоднозначність є дефектом, а не компромісом, — вона залишає студентів нездатними дотримуватись, а вас — нездатними застосувати узгоджений стандарт.

## Що писати й куди це поміщати

Починайте від завдань, а не від філософії. Найчітнішим опрацьованим методом є [[mccorkle-aligned-genai-course-policy-2025|McCorkle (2025)]], який замінив повну заборону, в яку студенти не вірили, що вона стосується їх. Проблемою було розузгодження, а не непокора: студенти не бачили себе тими, хто поводиться нечесно. Метод полягав в тому, щоб інвентаризувати кожне завдання в семестровому проєкті, запитати про кожне «що, конкретно, я оцінюю?», поєднати кожне завдання з правдоподібним професійним користуванням GenAI і вирішувати завдання за завданням, зважуючи потребу оцінити здатність проти цінності побудови компетентності робочої сили. Результатна політика свідомо нерівна: мозковий штурм дозволено, а складання конкретних і вимірюваних цілей навчання — ні; курування зображень дозволено, а дизайн послання на рівні слайдів — ні; сценарії та нарація дозволені з обов’язковим оцінюванням результату ШІ.

**У навчальному плані:** короткий підсумок — завдання, дозволене користування для кожного, як працює розкриття, і наслідок перетину межі. **В аркуші із завданнями:** винесене окремо застереження, бо одного підсумку занадто грубо для складного проєкту, — робота McCorkle спрацювала, бо вона давала обґрунтування, адресоване студентам від другої особи, називаючи оцінювання, яке виправдовує кожне обмеження. **В аудиторії:** скажіть правило вголос один раз, у момент, коли воно вперше застосовується, і прив’яжіть його до роботи перед ними, — правило, з яким студент вперше стикається насамоті, він тлумачить насамоті.

Механіка розкриття заслуговує на власний абзац навчального плану: студенти, які спроєктували політику курсу через кероване дослідження, надавали пріоритет навчанню для студентів і викладачів, **стандартизованим процедурам розкриття**, сильнішій інституційній підтримці та більшій залученості до рішень щодо ШІ ([[guided-inquiry-genai-course-policy-2026|Hingle and Johri (2026)]]). Скажіть, як, де й в якій формі студент заявляє про користування ШІ, і скажіть це один раз. Відповідним ходом [[teaching-intro-ai-course-redesign-bill-of-rights-2026|Pisan (2026)]] було зробити журнал підказок оцінюваним артефактом: коли виробництво виконує модель, підказка та журнал взаємодії є тією річчю, яку варто версіонувати.

### Пишіть лише правила, які ви можете забезпечити

Правило, що вимагає моніторингу кожного завдання, або судження про те, коли оцінювання «починається», застосовуватиметься неузгоджено, а неузгодженість сама по собі є проблемою справедливості. Режими на основі детекторів несуть витрати на стеження, які падають нерівномірно, і піднімають питання [[remote-proctoring|нагляду]] та зберігання даних. Висновок Chirikov про суттєву дисциплінарну та завдачеву варіацію свідчить на користь рамок, які надають викладачам автономію в межах їхньої домену, а не однакових для всіх мандатів.

Тут існує вимір [[equity-in-ai-education|справедливості]]: непрозорі політики припускають спільні фонові знання про авторство, атрибуцію та норми академічної роботи, тож вони найтяжче падають на студентів, які приходять без них. Аргумент McCorkle полягає в тому, що прозорість демонтує частину цього прихованого навчального плану й зменшує шанс, що невдача політики стане дисциплінарною справою. Найдещовитішою версією всього цього є менша кількість і більш конкретні правила — завдання, які ви оцінюєте, способи користування, дозволені для кожного, механіка розкриття та наслідок перетину межі, — з указаною причиною для кожної межі.

## Як сказати це так, щоб студенти дотримувались

Правила розкриття не працюють як механізми дотримання самі по собі; припущення, що працюють, є найпоширенішою помилкою дизайну. У змішанометодному дослідженні 409 студентів-бакалаврів [[qu-wang-disclose-or-not-genai-2026|Qu and Wang (2026)]] виявили, що нерозкриття було **стратегічною адаптацією до сприйманих норм однокурсників і низького інтерпретаційного [[trust]] до викладачів**, а не моральною недбалістю: сприймане розкриття однокурсників і комфорт із викладачами були найсильнішими предикторами власного розкриття студентами, тоді як моральна дистанціювання мало слабші ефекти. Реляційний клімат є змінною, яку можна проєктувати, і самих мандатів недостатньо: те, що студенти вірять, ніби роблять їхні однокурсники, і чи довіряють вони вам читати розкриття справедливо, передбачає їхню чесність краще, ніж суворість вашого формулювання.

[[student-rationalization-ai-writing|Kim et al. (2026)]] виявили **п’ять відмінних місць**, де живе справжня політика курсу — намір викладацького складу, формальна політика, тлумачення студентом, власна політика студента та практика студента — з системними розривами між ними, плюс **23 раціоналізації в шести класах**, які студенти використовували, щоб виправдати користування ШІ в академічному письмі, від «немає людської жертви» до «байдужості викладача». Ці раціоналізації були імпровізованими та запізнілими: студенти пояснювали поведінку, яка вже відбулась, а не міркували заздалегідь, і саме тому чіткіше формулювання й суворіше виявлення самі по собі не закривають розрив. Один учасник, який хотів підкорятись суворому правилу «без ШІ», продовжував користуватись ШІ і повідомив, що заборона «створює для мене конфлікт, бо я порушую правила», — заборона посилила моральний конфлікт, а не запобігла користуванню. Якщо правило дає почуття провини без дотримання, воно не робить роботи; воно підриває стосунок, який вам потрібен для розкриття.

Звертайте увагу на те, що ви моделюєте: оскільки більшість завдань у курсі Pisan розкривали підказку, використану для їхнього генерування, один студент прочитав прозорість як **дозвіл**: «залежність від ші з боку викладача в оцінюванні та створенні завдань також ускладнювала не користуватись ші для завдань таким самим чином». Моделювання норми є частиною політики, як її переживають студенти, що б не казав навчальний план.

Зразок твердження, який ви можете адаптувати:

> **Користування ШІ в цьому курсі.** Я хочу, щоб ви вийшли з цього курсу здатними самостійно робити X, тому я оцінюю X безпосередньо. Ви можете користуватись ШІ для [дозволені способи] у [перелік завдань]; ви не можете користуватись ним для [обмежені способи], бо саме це я оцінюю. Якщо ви де-небудь у своїй роботі користуєтесь ШІ, скажіть мені в [єдине назване місце — напр. рядок розкриття в кожному поданні], для чого ви його використали, і вставте підказки. Заява про це ніколи не знизить вашу оцінку; незаява — знизить. Якщо ви не впевнені, чи дозволений спосіб користування, запитайте мене до подання, а не після.

Це останнє речення переносить точку рішення на час до роботи.

## Чотири розмови, які породжують конфлікт

**Студент, який користувався ШІ і не сказав про це.** Поводьте це як питання процесу, а не як питання характеру. [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi (2026)]] моделюють оцінювання як проблему недосконалої інформації: студент знає, як була створена робота, а установа бачить лише артефакт і часткові сліди. Їхня модель регіонів відповідей порівнює три відповіді — відсутність користування ШІ, [[ai-use-disclosure|розкрите]] користування й приховане користування — і запитує, яку з них кожен механізм робить найпривабливішою. Заборона визначає формальну межу, але залишає приховане користування привабливим, коли студенти сприймають виявлення як слабке; моніторинг підвищує очікувану вартість прихованого користування, не підвищуючи розкриття; студенти стають обережними, не стаючи прозорими. Дозвіл із розкриттям робить чесне повідомлення життєздатним лише тоді, коли вартість чесності є низькою. Практично: запитайте, що робота мала оцінити, попросіть студента відчитатись за свій процес і поводьте пізню заяву як інформацію, а не як зізнання.

**Студент, який цитує ШІ для всього.** Це зазвичай розрив у навичках у костюмі дотримання. Вимоги щодо атрибуції в навчальних планах зросли з 16% до 43%, тоді як згадки про академічну доброчесність впали з 63% до 49%, — галузь просить цитування, а не зізнання. Укажіть формат один раз, в одному місці, в аркуші із завданнями, а не в підрядку навчального плану. Заявіть, що вважається достатньою атрибуцією для вашої дисципліни, і дайте один опрацьований приклад. Там, де справжня проблема в тому, що студент ще не може виконати основну роботу без моделі, відповіддю є дизайн завдання, а не правило.

**Групова робота.** Групові завдання — це місце, де п’ять місць політики розходяться найшвидше: п’ять студентів можуть тримати п’ять різних тлумачень одного речення, а оцінюється лише одне подання. Вирішіть і опублікуйте, для кожного групового результату, чи дозволене користування ШІ, хто його заявляє, і що відбувається, коли один учасник виходить за правило, — до початку проєкту, а не під час спору. Якщо ви не можете заявити індивідуальний внесок, за який учасник відповідає, оцінюйте завдання як суто групову роботу, а не вирішуйте щодо авторства постфактум.

**Розкриття, яке ви не можете перевірити.** Деякі заяви будуть неповними, а деякі пропуски — неспростовними. Не будуйте правило навколо вирішення, якого ви не можете досягти: [[bassett-ai-detectors-education-2026|Bassett et al. (2026)]] стверджують, що виявлення ШІ взагалі не слід використовувати в освіті, на трьох підставах, які безпосередньо стосуються формулювання політики. Результат детектора є імовірнісною оцінкою, яку не можна незалежно перевірити, бо походження тексту в реальному світі невідоме, тож валідація спирається на кругове міркування. Бали детекторів не відповідають стандарту переваги ймовірностей, якого вимагає розслідування [[academic-integrity|доброчесності]]. І дихотомія «людина проти ШІ» є беззмістовною для роботи, створеної *з* ШІ, а не *ним*. Їхній висновок полягає в тому, що виявлення «не захищає академічну доброчесність; воно її підриває». Вони також позначають проблему формулювання: правила, що обмежують користування ШІ «в оцінюванні», не вказують, коли оцінювання починається, тож допомога ШІ в дослідженні, плануванні чи редагуванні може бути або не бути порушенням залежно від того, хто читає. Замість цього назвіть доказ процесу, який ви можете спостерігати, — подану підказку та журнал взаємодії, вправу в аудиторії, виконану в кімнаті, усне пояснення, — і поводьте заявлене користування ШІ як контекст. Там, де ваша установа все ж запускає детектор, застосовуються попередження тих самих авторів про зберігання даних, збереження й комерційне використання студентських робіт; заперечення щодо [[privacy]], яке висловили два майбутні викладачі, є запереженням, яке висловлять ваші студенти.

## «Але...» — три заперечення, які ви почуєте

**«Студенти просто це приховають.»** Деякі приховають, і дизайнерське питання в тому, яких саме студентів ваше правило спокушає. Стримування працює через **розрізнення** детектора між прихованим користуванням і законною роботою, а не через його сиру частоту впійманих, тож коли додаткова чутливість дає більше нових хибнопозитивних результатів, ніж нових істиннопозитивних, **сильніший моніторинг може зробити приховування відносно привабливішим** — чесних студентів карають швидше, ніж прихованих користувачів виявляють. І дозвіл і розкриття є різними важелями: дозвіл рухає межу прийнятного користування, розкриття змінює видимість. Діагностуйте, де ваше завдання найбільше тягне до приховування студента, і проєктуйте для цього студента, а не для найсумліннішого.

**«Я не хочу забороняти інструменти, які не можу виявити.»** Вам не потрібно. Заборона — лише одна з чотирьох дизайнерських відповідей, поряд із моніторингом, дозволеним користуванням із розкриттям і перепроєктуванням. Перепроєктування змінює те, що завдання винагороджує, і залишається косметичним, якщо рубрика все ще оцінює головним чином кінцевий продукт. [[teaching-intro-ai-course-redesign-bill-of-rights-2026|Pisan (2026)]] показує варіанти, зроблені явними та градуйованими за рівнем: користування ШІ заборонене у вступному курсі з програмування, бо віддання перших циклів на аутсорс усуває те, чого навчають; заохочується на проєктах зі структур даних (дозволено Copilot), але заборонене на іспитах від руки; є допомогою в навчанні та перегляді у курсі з систем вищого циклу; і **вимагається** в самому курсі зі ШІ, де одна межа несла більшість ваги — модель може писати код, але рефлексії мають бути власним голосом студента. Оцінювання перейшло на роботу, якої модель не може тихо написати від чужого імені, а іспіти було усунуто повністю.

**«Політика моєї установи вже це охоплює.»** Менше, ніж ви думаєте. Цей розрив між «згори вниз» і «знизу вгору» працює в обидва боки: 92% навчальних планів дають явні настанови, тоді як локальні правила відхиляються від інституційних настанов, і лише в 47 установах було виявно обидва рівні. Закупівлі, дані та цикли перегляду належать до [[institutional-ai-policy|How Do We Write and Implement an Institutional AI Policy?]], але переклад до аудиторії — ваш. Nash і Burriss роблять висновок, що установи мають обладнати викладачів опиратись так само, як і приймати, надаючи настанови та [[educational-development|професійний розвиток]], які дозволяють викладачеві відмовитись від конкретного способу користування ШІ, не будучи представленим таким, що відстає від часу, — технодетермінізм їхніх учасників суперечив їхнім власним [[pedagogy|педагогічним]] зобов’язанням. Наявність інституційної політики — це не те саме, що наявність прикриття для вашого судження.

## Ваш перший тиждень: перелік дій

- Інвентаризуйте оцінювані завдання й запитайте про кожне «що, конкретно, я оцінюю?» до того, як вирішувати будь-що щодо ШІ.
- Вирішуйте завдання за завданням і перевіряйте, яку відповідь це рішення робить найпривабливішою для студента, найбільш спокушуваного приховати.
- Не робіть детектор механізмом забезпечення виконання; назвіть замість цього доказ процесу, який ви можете спостерігати, — журнали, роботу в аудиторії, усну перевірку.
- Скажіть, як і де студенти заявляють про користування ШІ, в одному стандартному місці, і поводьте заяву як контекст, а не як зізнання.
- Заявляйте кожне правило як обґрунтування, називаючи оцінювання, якому воно служить, із нагадуваннями на складних проєктах.
- Пишіть лише правила, які ви можете послідовно застосувати в межах циклу перевірки, і відкидайте ті, яких не можете.

## Куди рухатись далі

Управління, політика щодо даних, закупівлі та цикли перегляду належать до [[institutional-ai-policy|How Do We Write and Implement an Institutional AI Policy?]]; мандатні інституційні та окружні правила належать до [[educational-policy-ai]] і [[governance]]; перебудова самого завдання так, щоб оцінка все ще підтримувала захищене узагальнення, належить до [[redesign-assessment-ai-era]].

---

## [Як ШІ слід проєктувати в навчальний досвід?](https://edtechdev.github.io/aied/faqs/designing-ai-into-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як ШІ слід проєктувати в навчальний досвід?

**Починайте з цілі навчання та процесу навчання, а не з функції ШІ.** Поняття [[pedagogy|Pedagogies and Teaching Strategies]] в базі знань підкреслює, що той самий ШІ може функціонувати як скаффолдинг, [[socratic-method|сократичний]] співрозмовник, партнер із зворотного зв’язку, [[simulation]] або генератор відповідей залежно від інструкційного дизайну. Має значення те, чи зберігає конфігурація діяльність, яка створює намірене навчання.

## Сильний типовий шаблон

Сильний типовий шаблон: **здобувач намагається → ШІ підтримує → здобувач оцінює або переглядає → здобувач демонструє розуміння.** Конкретніше:

- Зберігайте [[productive-failure|продуктивну невдачу]] там, де вона служить навчанню.
- Просіть початковий прогноз або рішення до показу допомоги ШІ.
- Надавайте перевагу питанням, підказкам, прикладам, контраргументам і зворотному зв’язку перед негайним завершенням.
- Вимагайте перевірки важливих тверджень.
- Залучайте можливості для пояснення та [[learning-by-teaching|навчання шляхом навчання]].
- Поступово знімайте підтримку, коли зростає компетентність.
- Збережіть деякі можливості без ШІ, щоб здобувачі калібрували те, що можуть робити самостійно.

Синтез [[reducing-ai-misuse|Reducing AI Misuse]] спеціально рекомендує послідовності «спочатку мислення / потім ШІ / потім рефлексія» та свідомі контрольні точки оцінювання.

## Узгоджуйте роль ШІ з рівнем когнітивної залученості

[[thermomix-genai-education-analogy-2026|Аналогія Rummel, Nachtigall and Panadero з кухонною машиною]] переосмислює дизайнерське питання від *чи* користуються здобувачі [[generative-ai|генеративним ШІ]] до *як* це користування формує те, ким вони стають. Зіставлення чотирьох способів користування розумним кухонним приладом із навчальними випадками через рамки [[icap-framework|ICAP]] і [[samr-model|SAMR]] дає дизайнерську драбину: повне віддання завдання на аутсорс, без перегляду чи [[critical-thinking|критичної залученості]], є пасивною підстановкою і ризикує [[cognitive-offloading|втратою навичок та надмірною залежністю]]; [[prompt-engineering|вдосконалення підказок]] і перехресна перевірка результатів потребують [[prior-knowledge|попередніх знань]] і [[self-regulated-learning|саморегуляції]] (Active/Augmentation); користування ШІ для мозкового штурму, плану та оцінювання оригінальної роботи є конструктивним/модифікацією; а ШІ як справжній партнер із діалогу для співконструкції та адаптивного [[feedback]] є інтерактивним/переосмисленням. Наслідок для дизайну є прямим: той самий інструмент є обхідним шляхом на одній щабли і скаффолдингом на наступній, тож указуйте намірений режим, а не надавайте повний доступ.

## Проєктуйте послідовність, а не просто дозволяйте інструмент

[[learning-paths-patterns-learning-design-2026|Divjak, Svetec and Horvat]] проаналізували заплановану послідовність 29 064 навчальних і викладацьких діяльностей у 554 курсах і виявили видиму граматику дизайну: діяльності типу придбання є найпоширенішою точкою входу й найбільшим єдиним типом (понад 20%), тип навчання відстежує намірений рівень за Блумом (придбання падає від ~50% на рівні 1 до ~20% на рівні 6, виробництво зростає понад 20% на рівнях 5–6), а найсильніший перехід — оцінювання → дискусія (0.332). Два уроки для дизайну ШІ: ШІ належить туди, де послідовність намічує конкретний тип діяльності, а не прикріплений у кінці, і, оскільки зворотний зв’язок кластеризувався з [[collaborative-learning|співпрацею]], [[group-work|груповою роботою]] та присутністю [[teacher-role|викладача]], однокурсницькі та синхронні структури створюють моменти [[feedback]], до яких підтримка ШІ має приєднуватись, а не заміщати.

[[refrain-amplify-genai-curriculum-2026|Рамка «стримуй, потім посилюй» Torres-Sahli and colleagues]] просуває це на рівень програми: притримай генеративний інструмент, поки формується здатність, потім поверни його, щойно студент зможе його направляти, судити про те, що він повертає, і відповідати за нього, з важкою для фальсифікації контрольною точкою на кожному шарнірі. Пристрої регулюються критерієм формування проти [[cognitive-offloading|відвантаження]] — дозволені там, де вони підтримують залучену роботу, виключені там, де вони виснажують увагу. Це перетворює рішення щодо відвантаження на питання [[curriculum-design|навчальної програми]] та [[governance]], яке передує, а не слідує за дизайном на рівні курсу.

## Конструктивне узгодження — насамперед

[[mcinnes-salvaging-constructive-alignment-genai-2026|Аналіз дискурсу McInnes and colleagues]] 14 творів настанов із вищої освіти попереджає, що поради, уframлені через ефективність, — користування генеративним ШІ для чернеткування результатів, рубрик і планів курсів, — створюють узгодження, яке *виглядає* узгодженим, нехтуючи «конструктивною» половиною: результати, діяльності та [[assessment]], згенеровані як дискретні елементи, а не як взаємозалежні. Їхнім ліками є перепослідовнення, а не заборона: освітяни мають розуміти конструктивне узгодження достатньо добре, щоб направляти, допитувати й відкидати результат ШІ до делегування будь-якої його частини, бо звичка поверхневого прийняття, заснована на правдоподібності, є тим самим оцінювальним провалом, проти якого викладачі попереджають студентів. Там, де використовується ШІ, вони виступають за інституційно обмежені, [[rag|системи з доповненням через пошук]], налаштовані навколо локальної політики та стандартів якості, а не загальні стандарти, навчені на інтернеті.

## Ширший принцип

Ширший принцип у [[finkelstein-principled-ai-education-2025|the Principled AI Education Framework]] полягає в тому, що технологія має посилювати, а не витісняти людські здатності, які освіта має намір розвивати. Див. також [[learning-design|Instructional Design]], [[active-learning|Active Learning]] і [[scaffolding]].

Щодо педагогічних типових значень, які визначають, чи зберігає спроєктована взаємодія навчання, див. [[reduce-ai-cheating]] і [[redesign-assessment-ai-era]]; щодо того, як ті самі принципи обмежують саме програмне забезпечення, див. [[designing-educational-ai-software]], а щодо їхнього перекладу в архітектуру тьютора — [[developing-ai-tutor]].

---

## [Які є найкращі практики та поради щодо проєктування ефективного освітнього програмного забезпечення на базі ШІ?](https://edtechdev.github.io/aied/faqs/designing-educational-ai-software/)

# What Are Best Practices and Tips for Designing Effective Educational AI Software?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

**Освітній ШІ слід проєктувати як навчальну систему, а не просто як універсальну модель з освітнім інтерфейсом.** Нещодавні дослідницькі розробки в галузі проєктування, зібрані в базі знань, уточнюють це твердження до щось більш конкретного: найсильніші системи будуються як **обмежені експерти під наглядом людини**, спроєктовані спільно з тими викладачами та здобувачами, які ними користуватимуться, і засновані на перевірюваному контенті, а не на пам’яті моделі. Практичний набір правил проєктування:

- Узгоджуйте систему з явними навчальними цілями.
- Забезпечуйте підтримку, що поступово знімається (скаффолдинг), замість того щоб виконувати цільову когнітивну роботу за здобувача.
- Ґрунтуйте відповіді на затвердженому викладачем або авторитетному контенті, коли фактична надійність має значення.
- Повідомляйте про невизначеність.
- Забезпечуйте [[human-in-the-loop-ai|human escalation path]].
- Проєктуйте реакції «добрі, але правильні» замість згоди з користувачем.
- Надавайте викладачам змістовні можливості конфігурації та [[teacher-role|oversight]].
- Мінімізуйте непотрібні дані про здобувачів і збирайте лише те, що педагогічно необхідно (див. [[privacy]]).
- Проєктуйте [[accessibility]] з самого початку.
- Перевіряйте нерівну продуктивність за різними групами здобувачів (див. [[equity-in-ai-education|Equity]]).
- Оцінюйте стійку багатоходову взаємодію, а не окремі демонстраційні підказки.

## Педагогічна безпека

Сторінка [[pedagogical-safety|Pedagogical Safety]] наголошує, що звичайного тестування безпеки недостатньо для освіти. Система може уникати токсичного контенту й водночас завдавати освітньої шкоди, надмірно розкриваючи відповіді, підкріплюючи [[misconceptions]], придушуючи рефлексію, сприяючи залежності або відхиляючись від навчальних цілей. У ній рекомендується багатоходове оцінювання безпеки з урахуванням особливостей дисциплін, забезпечення якості з участю людини в циклі, ґрунтування та узгодженість із орієнтацією на настанови, а не на надання відповідей.

Бенчмарк [[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] [[benchmark]] перетворює це попередження на цифри. У кожній перевіреній моделі — від відкритих моделей на 3.8B до GPT-5-mini — [[pedagogy|pedagogical]] шкода була універсальною, масштаб моделі надійно не покращував безпеку, а частка відмов зростала з 17.7% в одноходових взаємодіях до 77.8% в багатоходових розмовах, тоді як закономірності порушень відрізнялися залежно від предмета. Таксономія бенчмарку з 11 вимірів і 48 підризиків (когнітивний, епістемічний, [[metacognition|metacognitive]], [[motivation|motivational]]-афективний, розвитковий і справедливості, узгодженість із настановами та інші) — придатний для використання контрольний список проєктування. Практичний урок для кожного, хто формує вимоги до освітнього програмного забезпечення: система може бути точною й «безпечною» за звичайними метриками, тихо підриваючи навчання, тому багатоходове оцінювання з урахуванням особливостей дисциплін є вимогою, а не фінальним бар’єром.

## Доступність і справедливість

Доступність має включати конкретні операційні вимоги, як-от можливість роботи з клавіатури, сумісність із програмами зчитування з екрана, субтитри та розшифровки, належний контраст, придатні текстові альтернативи та сумісність із допоміжними [[ai-technologies|technologies]] ШІ; згенеровані ШІ функції доступності також потребують перевірки якості. Див. [[accessibility]].

Перевірка на справедливість має охоплювати весь конвеєр і розрізняти поведінку за мовою, інвалідністю, культурою та іншими відповідними характеристиками здобувачів, а не спиратися лише на сукупну точність. Див. рекомендації з [[bias-mitigation]], узагальнені в базі знань поряд зі сторінкою [[equity-in-ai-education|Equity]].

## Проєктуйте обмежену повноваженість, а не автономність

[[reichert-human-centered-llm-chatbot-design-teachers-2026|Reichert and colleagues' participatory design study]] за участі шести викладачів середньої школи — корисна корекція припущення, що освітній ШІ має бути автономним агентом. Коли викладачів попросили створити на папері прототипи класних [[conversational-ai|chatbots]], кожен описав **обмеженого експерта** — спеціалізовану здатність, обмежену чітко визначеною предметною областю та діючу під наглядом людини — у двох вимірах. *Межі повноважень* зберігали остаточний контроль у викладачів, оскільки професійну відповідальність за навчання й безпеку здобувачів не можна делегувати; *межі експертизи* відображали відсутність у ШІ контекстних знань про окремих здобувачів, динаміку класу та інституційні норми.

Архітектура, яку вони накреслили, мала чотири взаємопов’язані компоненти — визначення обсягу контенту, подання контенту, адаптацію під здобувача та [[teacher-role|teacher]] — що спочивали на трьох захисних шарах: межах предметної області, які обмежують охоплення, фільтрації контенту, яка робить можливою безпечну [[personalized-learning|personalization]], та можливості викладача перевизначати рішення в неоднозначних випадках. Делегування було вибірковим: накладене на дев’ять подій навчання за Ганьє, воно вітало застосування ШІ для подання контенту, надання практичних завдань і пропонування [[formative-assessment|formative]] [[feedback]], але відкидало його для постановки цілей або проведення [[summative-assessment|summative]] [[assessment]]. Примітно, що вони надавали пріоритет поведінковій прозорості — видимим межам і сигналам невизначеності — над поясненнями моделі, і всі шість просили про повне логування розмов, сповіщення в реальному часі та можливість перевизначення як вияв [[teacher-role|professional responsibility]], а не недовіри.

## Проєктуйте спільно із зацікавленими сторонами, а не лише для них

Два подальші дослідження розширюють цю картину. [[ko-hughes-vsd-student-centered-its-2026|Ko and Hughes]] застосували проєктування, чутливе до цінностей, до [[intelligent-tutoring|intelligent tutoring system]] за участі студентів і викладачів коледжу спільноти — групи зацікавлених сторін, яку історично не залучали до проєктування навчальних платформ, — і виявили стійкі напруги між цінностями, якими слід керувати, а не «вирішувати»: прозорість проти інтерпретованості, приватність проти навчального розуміння ситуації та [[agency|student agency]] проти керованої системою [[scaffolding]]. Студенти надавали перевагу колаборативним, гуманізованим поясненням над сирою прозорістю моделі, а отриманий прототип закодував 16 узгоджених із цінностями функцій у межах [[explainable-ai]], людського контролю в циклі та засобів управління [[privacy]].

[[wang-teacher-ai-co-design-review-2026|Wang, Liu and Islam's review]] 28 емпіричних досліджень співпроєктування вчитель–ШІ додає словник проєктування: [[generative-ai|generative AI]] використовується переважно для планування уроків, генерації підказок і творчої ідеації, причому ШІ виступає помічником або генератором контенту набагато частіше, ніж співпроєктувальником, а чотири повторювані можливості — ефективність, оперативність реагування, [[creativity]] і [[equity-in-ai-education|equity]] — дозволяють викладачам судити, який інструмент пасує до якої проєктувальної задачі. Обидва дослідження розглядають проєктування як [[human-in-the-loop-ai|human-in-the-loop]] [[human-ai-collaboration|collaboration]] — [[usability-research|usability research]], а не роботу із громадськістю, — і обидва показали, що залучені зацікавлені сторони висували вимоги, яких не вловив би жоден бенчмарк точності.

## Ґрунтуйте і перевіряйте, а не довіряйте моделі

Ґрунтування — архітектурне рішення, а не підказка. [[eduguard-safe-rag-llm-tutor|EduGuard]], безпечний [[rag|retrieval-augmented]] для [[cs-education|introductory programming]], поєднує затверджений викладачем пошук за матеріалами курсу з архітектурно відокремленим перевіряльником тверджень, явним контролем [[cognitive-offloading|over-reliance]] на систему та бенчмарком із 600 підказок, створених викладачами, що охоплює хибні уявлення, налагодження коду, змішані за мовами запити та зловмисні підказки прямої відповіді, — і перевершує базові порівняння з GPT-4o-mini і тьютором [[socratic-method|Socratic]] на базі Llama. Для проєктувальників це конкретна форма «ґрунтуйте відповіді на затвердженому викладачем контенті»: відокремлюйте компоненти, що перевіряють, від компонентів, що спілкуються, і тестуйте на випадках, які активно намагаються видобути відповіді. Див. [[hallucination-risk|hallucination risk]].

Щодо того, як ці принципи проєктування втілюються в побудованому тьюторі — діагностика, драбини підказок, зворотний зв’язок і оцінювання, — див. [[developing-ai-tutor]]; щодо педагогічних налаштувань за умовчанням, які вирішують, чи добре використовується добре побудований інструмент, див. [[designing-ai-into-learning]].

**Розглядайте подану здобувачем роботу як недовірені вхідні дані для будь-якого оцінювача на базі ШІ.** Модель загрози, яку більшість порад із проєктування пропускає, — це зловмисний контент усередині артефакту, що оцінюється. [[humble-prompt-injection-ai-grading-red-team-2026|Humble's (2026) adversarial red-team evaluation]] перевіряло, чи можуть здобувачі маніпулювати системою оцінювання на базі LLM через ін’єкцію підказок, вбудовану в їхні подані роботи, і показало, що маніпуляція спрацьовує: ін’єкції, які інструктують, переосмислюють або відіграють роль оцінювача, змінюють бал, не змінюючи саму роботу. Наслідки для проєктування випливають з того самого принципу відокремлення, що й архітектура перевірки вище: тримайте рубрику оцінювання та інструкції поза вікном контексту, контрольованим здобувачем, вилучайте або позначайте вміст подань, схожий на інструкції, ніколи не дозволяйте поданій роботі встановлювати власні критерії та зберігайте рішення людини щодо будь-якого значущого бала. Оцінювач на базі ШІ, який читає свої інструкції з того самого тексту, який оцінює, віддав рубрику кандидату.

---

## [Які найкращі практики розробки ефективного ШІ-тьютора?](https://edtechdev.github.io/aied/faqs/developing-ai-tutor/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Ефективний ШІ-тьютор слід проєктувати як **навчальну систему, а не як [[conversational-ai|chatbot]] для генерації відповідей**. Найсильніша тема в усій базі знань — [[pedagogy|pedagogical]] структура (діагностика, підтримка, що поступово знімається, зворотний зв’язок, агентність здобувача та оцінювання) має щонайменше таке саме значення, як і сама модель, що лежить в основі. Два розібрані приклади нижче (тьютор з численного аналізу й тренер з письма) показують, як одна й та сама базова архітектура має бути сформована тим, чого дисципліна вимагає від здобувача.

## 1. Починайте з явних навчальних цілей і визначайте роботу здобувача

Перш ніж обирати модель, конкретизуйте:

- Що здобувачі мають знати або вміти робити після роботи з нею.
- Яку когнітивну роботу вони мають виконувати самостійно.
- Чим у цьому може допомагати тьютор.

Тьютор, оптимізований на «заверши задачу», легко може підірвати мету тьютора, оптимізованого на «навчитися розв’язувати задачу». Концепція [[intelligent-tutoring]] наголошує, що ефективність залежить від педагогічного проєктування, а не лише від можливостей моделі.

## 2. Діагностуйте, перш ніж призначати

Підтримуйте модель здобувача на основі доказів: продемонстрованих знань, [[misconceptions]], нещодавніх спроб, поведінки щодо пошуку допомоги та, де доречно, упевненості. Адаптуйте складність і обсяг допомоги на підставі цих доказів, а не просто реагуючи на найсвіжішу підказку здобувача. Будьте обережні, дозволяючи [[llm]] виконувати діагностику самостійно: [[benchmark|benchmarking]] виявило, що тьютори на основі LLM уміли впізнавати явно правильне міркування, водночас іноді відхиляючи валідні альтернативи або приймаючи неправильне міркування. Для важливих з точки зору наслідків предметних областей корисною архітектурою є **структурована діагностика + гнучкий діалог на основі LLM**. Див. [[yasir-llm-tutoring-agents-2026|Confirming Correct, Missing the Rest]].

## 3. Використовуйте драбину підказок, а не видавайте рішення негайно

Корисною послідовністю навчання є така: попросіть спробу, дослідіть міркування здобувача, дайте невелику натячну підказку, дайте сильнішу концептуальну підказку, продемонструйте частковий крок, надайте повне рішення лише тоді, коли це виправдано, а потім попросіть здобувача самостійно пояснити або застосувати ідею. Підтримка має **поступово зніматися в міру зростання компетентності**. Це є центральним для концепції [[scaffolding]]. Ключовий польовий експеримент виявив, що необмежений інтерфейс на основі GPT підвищив допоможену успішність з математики, але знизив подальшу успішність на іспиті без допомоги, тоді як тьютор, який дає підказки, значною мірою усунув цей втратний ефект для навчання, — див. [[generative-ai-guardrails-harm-learning|Generative AI without guardrails can harm learning]].

Більший рандомізований польовий експеримент за участі понад 6 000 учнів середньої школи на платформі практики на основі оволодіння знаннями виявив той самий розвиток подій у дрібніших деталях: учні, яким призначили підтримку ШІ, просувалися повільніше й намагалися виконати менше завдань, але відповідали точніше і — і це найясніший механізм — покращили правильність своєї наступної спроби після помилок, потребуючи менше спроб, щоб повернутися до правильної відповіді. Це **продуктивне уповільнення**, а не хапання відповідей, і саме таку поведінку має генерувати драбина підказок. Той самий експеримент дає й застереження щодо непрямих показників: вимога трьох правильних відповідей підряд різко підвищила визначене платформою оволодіння, не створивши вимірюваних приростів на відстроченому тесті через тиждень, а найпереконливіші докази за відстроченим тестом з’явилися лише там, де ШІ був вбудований у процес оволодіння (коефіцієнт 0.085), а не надавався як самостійний доступ. Див. [[making-ai-tutoring-productive-mastery-math-2026|Making AI Tutoring Productive]].

## 4. Робіть зворотний зв’язок конкретним, оперативним, придатним до дії та пов’язаним із міркуванням

Уникайте зворотного зв’язку, який лише повідомляє «Правильно», «Неправильно» або «Гарна робота». Замість цього тьютор має вказувати на крок міркування, який залучено, пояснювати, що потребує переосмислення, давати здобувачеві щось конкретне для виконання далі й, де доречно, просити здобувача передбачити або пояснити результат, перш ніж розкрити зворотний зв’язок. База знань розглядає [[feedback]] як повний **цикл «надання → сприйняття»**: зворотний зв’язок підтримує навчання лише тоді, коли здобувачі його розуміють і діють відповідно до нього.

## 5. Ґрунтуйте фактичний контент, а не довіряйте пам’яті LLM

Використовуйте генерацію з доповненням пошуком (retrieval-augmented generation) на надійних матеріалах: затверджених викладачем підручниках, конспектах курсів, розв’язаних прикладах, нормативних документах і [[curriculum-design|curricular]] ресурсах, а де корисно — виводьте цитати чи джерело інформації. Для предметних областей із формально перевірюваними відповідями додавайте детерміновані інструменти: калькулятори, системи символьних обчислень, виконання коду, графи знань, валідатори на основі правил і розв’язувачі для [[discipline-specific-aied|domain-specific]]. RAG може зменшити [[hallucination-risk|hallucination risk]], хоч і не усуває його, — див. [[rag|Retrieval-Augmented Generation]].

## 6. Проєктуйте для метакогніції та агентності здобувача

Регулярно вимагайте від здобувача генерувати, обирати, обґрунтовувати, оцінювати або рефлексувати. Корисним принципом проєктування є **спочатку здобувач → потім ШІ → знову здобувач**. Довгострокова мета — щоб здобувачі інтеріоризували стратегії ставити питання й [[problem-solving]], які використовує тьютор, а не ставали залежними від нього. Див. [[agency|learner agency]] та [[scaffolding]].

## 7. Розглядайте педагогічну безпеку як щось відмінне від звичайної безпеки чат-бота

Тестування безпеки освітнього тьютора має включати не лише стійкість до токсичності та спроб обійти обмеження (jailbreak). Перевіряйте витік відповідей, підкріплення хибних уявлень, надмірну згоду або [[ai-sycophancy|sycophancy]], недоречну складність, [[cognitive-offloading|cognitive offloading]], упереджене ставлення, втрату агентності здобувача, дрейф від навчальних цілей і надмірну впевненість у неправильних поясненнях. Тьютор має бути **«добрим, але правильним»**, навіть коли здобувач наполягає на хибному уявленні, і тестування має включати тривалі розмови, оскільки педагогічні невдачі можуть накопичуватися в міру багатьох взаємодій. Див. [[pedagogical-safety]] та [[hazra-safetutors-pedagogical-safety-2026|AI Tutor Safety and Pedagogical Harms]].

## 8. Вбудовуйте приватність, доступність і справедливість в архітектуру

Збирайте лише ті дані про здобувачів, які педагогічно необхідні. Там, де використовується постійна пам’ять або [[student-modeling|learner modeling]], робіть його мету прозорою, надавайте здобувачам відповідний контроль, захищайте чутливу інформацію, визначайте політики зберігання даних і забезпечуйте нагляд викладача або [[human-in-the-loop-ai|human oversight]] у ситуаціях, що мають серйозні наслідки. Перевіряйте поведінку тьютора за мовним середовищем, рівнями здібностей, культурним контекстом, потребами в [[accessibility]] та різними рівнями [[prior-knowledge|prior knowledge]] і досвіду роботи зі ШІ. Не робіть витончене [[prompt-engineering|prompting]] передумовою якісного навчання — сам тьютор має допомагати здобувачам формулювати продуктивні питання.

## 9. Вимірюйте навчання, а не лише якість чат-бота

Таких метрик, як точність відповідей, тривалість розмови, уподобання здобувачів, задоволеність, завершеність завдання і [[student-engagement|engagement]], самих по собі недостатньо. Замість цього оцінюйте успішність без допомоги, відстрочене утримання знань, перенесення на нові задачі, корекцію хибних уявлень, незалежність здобувача, сприйняття зворотного зв’язку та [[differential-effects-across-learner-groups|differential effects across learner groups]]. Критичне питання — чи можуть здобувачі успішно виконувати завдання після того, як тьютор прибрано. Див. [[ai-ed-evaluation]] та [[ai-tutor-behavioral-evaluation|The Missing Evaluation Axis]].

Два нещодавні дослідження загострюють це правило на противагу [[self-report-measures|self-report]] й коротким горизонтам. Пілотажне дослідження за участі 38 студентів-початківців у програмуванні виявило сильний зв’язок між використанням [[generative-ai|generative AI]] та *уявним* навчанням (rs=0.802, p<0.001), тоді як показники автономного поступу без підтримки викладача отримали найнижчі значення, — і саме цей розрив, як попереджають автори, породжує ілюзію компетентності та епістемічний борг, і саме його винагороджують метрики задоволеності. Див. [[genai-cognitive-tutor-programming-2026|Generative AI as an Informal Cognitive Tutor]].

Ще фундаментальніше те, що більшість оцінювань зупиняються в момент, коли допомога завершується. [[cognitive-washout-ai-skill-decay-2026|Cognitive washout dynamics]] називає невиміряний інтервал після зняття допомоги й формалізує чотири можливі результати — пружне відновлення, часткове плато, латентний скаффолдинг і надмірне відновлення — з моделлю кривої змивання, параметри якої включають сталу часу відновлення, повноту відновлення та індекс гістерезису, що порівнює зусилля на перевчання з початковими зусиллями. Оскільки зворотність визначає серйозність, ця рамка стверджує, що заплановану практику без допомоги слід дозувати відповідно до кривої відновлення, а не обговорювати морально. Тому план оцінювання тьютора має включати фазу зняття допомоги, а не лише негайний після-тест. Див. [[wang-tutor-copilot-human-ai-live-tutoring-rct-2024|the randomized evidence that brief assistance depresses later unassisted performance]].

## 10. Тримайте викладачів або предметних експертів у циклі забезпечення якості

Перед впровадженням залучіть педагогів до перевірки реалістичних профілів здобувачів, поширених хибних уявлень, крайових випадків, зловмисних підказок, неоднозначних відповідей і тривалих навчальних розмов. Реєструйте педагогічні невдачі й використовуйте їх для перегляду системних підказок, політик навчання, джерел знань, [[guardrails]], правил моделі здобувача та вибору моделі. Нагляд людини залишається важливим, оскільки плавна відповідь тьютора все одно може бути педагогічно недоречною або неправильною.

[[teacher-intervention-k12-ai-based-instruction-2026|Lee's systematic review of 29 K-12 studies]] показує, із чого саме складається цей нагляд і де він дає збій. Втручання [[teacher-role|Teacher]] — це повторюваний чотирифазний цикл моніторингу, судження, втручання та оркестрування; сповіщення ШІ, [[visualization|dashboards]] і автоматизовані бали «не призводять автоматично до педагогічних дій»; а провідна стратегія викладача — *педагогічне перекладання*: відбір, перегляд, доповнення, узагальнення або видалення відгуків чат-бота, а не їх передача без змін. Звідси два попередження щодо проєктування. Більше інформації від ШІ — не означає краще: системи, які безперервно генерують діагностику, перевантажували викладачів і відволікали їхню увагу від власного спостереження, тому слід визначати пріоритетність того, на що варто реагувати, робити це зрозумілим і пропонувати рекомендації в такій формі, яку викладачі можуть прийняти, змінити, відкласти або відхилити. Більше підтримки викладача — також не означає краще: відстрочення втручання, щоб учні могли працювати самостійно, саме по собі є майстерністю, а структурні умови — час на перегляд даних, розмір класу, можливість фізично дійти до груп, які потребують допомоги, — є частиною втручання, а не його логістичним тлом.

## Корисна архітектура ШІ-тьютора

Сильну виробничу архітектуру можна представити так: навчальна ціль → докази щодо здобувача/модель здобувача → педагогічна політика → заґрунтований і перевірений контент → розмовна генерація → відповідь здобувача → оновлена модель здобувача (з поверненням на початок циклу). Безпеку, приватність, доступність, нагляд викладача та оцінювання має облямовувати весь цей цикл.

## Найважливіший критерій успіху

Найважливішою метрикою розробки є не «чи розв’язав ШІ задачу?», а **«чи може здобувач після взаємодії зі ШІ самостійно розв’язати порівнянну задачу?»**. Докази цього принципу найсильніші в структурованих навчальних предметних областях, як-от математика та програмування; узагальнення на відкритіші предметні області залишається менш певним, тому оцінювання з урахуванням особливостей дисципліни є необхідним.

Щодо того, де тьютор стояв би в межах послідовності курсу, а не окремо, див. [[designing-ai-into-learning]]; щодо правил проєктування на рівні програмного забезпечення, яких має дотримуватися тьютор, див. [[designing-educational-ai-software]]; а щодо того, як оцінювати отримане втручання, див. [[evaluating-ai-interventions-methods]].

---

## Приклад 1: Проєктування ШІ-тьютора з численного аналізу

Розглянемо тьютора з численного аналізу для першого семестру коледжу. Його мета має бути в тому, щоб збільшити те, що студенти можуть розв’язувати й пояснювати **самостійно після того, як тьютор буде прибрано**, а не максимізувати кількість правильно завершених задач. Навчання математиці особливо вразливе до надмірного скаффолдингу, передчасного використання підказок і неправильної діагностики міркувань здобувача. Див. [[math-education]], [[zhang-tutormoments-2026|When Help is Unhelpful]], [[correct-answer-trap-ai-tutor|Catching the Correct Answer Trap]] та [[scaffolding]].

**Навчальні цілі.** Тьютор міг би підтримувати карту понять (функції та графи → швидкості зміни → границя → похідна як границя → правила диференціювання → застосування → первісні → визначені інтеграли → основна теорема). Для кожного поняття він мав би розрізняти кілька видів оволодіння. Наприклад, «оволодіння похідною» не має просто означати отримання правильної похідної; воно могло б включати впізнавання ситуацій, де похідна доречна, її тлумачення як миттєвої швидкості зміни, вибір правильного правила, виконання процедури, пояснення, чому саме воно доречне, перевірку розумності результату та застосування до незнайомої задачі. Це допомагає запобігти [[correct-answer-trap-misconceptions|correct-answer trap]], коли здобувач доходить до правильного відповіді через помилкове міркування.

**Архітектура системи.** Практичний шестишаровий дизайн: матеріали курсу + політики викладача → шар пошуку/RAG → (рушій задач → модель здобувача) і (символьний верифікатор → діагностичний рушій) → педагогічна політика → розмовна LLM → здобувач → оновлена модель здобувача.

1. **Шар заґрунтування на курсі:** відбирає дані із затверджених викладачем матеріалів (розділи підручника, конспекти лекцій, розв’язані приклади, термінологія, затверджені методи, позначення, правила виконання завдань), щоб тьютор ніколи не запроваджував методів, які є математично коректними, але недоречними для даного курсу.
2. **Шар математичної перевірки:** використовує систему комп’ютерної алгебри для перевірки алгебраїчної еквівалентності, похідних, інтегралів, розв’язків рівнянь, критичних точок і чисельних наближень — LLM відповідає за пояснення та діалог, тоді як детермінована система відповідає за математичну перевірку.
3. **Шар моделі здобувача:** підтримує оцінки за кожним поняттям (наприклад, границя: розвивається, правило степеня: опановано, правило добутку: розвивається, правило ланцюга: не продемонстровано) плюс гіпотези щодо хибних уявлень з доказами та рівнем упевненості. ШІ має розглядати хибне уявлення як **гіпотезу**, а не як установлений факт, оскільки LLM можуть галюцинувати доказами або неправильно виводити хибні уявлення, — тому потрібен процес **виявити → перевірити → відреагувати**.

**Навчальна взаємодія.** Для диференціювання $f(x)=(x^2+1)\sin x$ звичайний чат-бот міг би негайно розкрити відповідь. Навчально орієнтований тьютор замість цього міркує внутрішньо: здобувач продиференціював обидві компоненти, але, схоже, перемножив їхні похідні (можливе хибне уявлення про правило добутку як $f'g'$), тож він спочатку ставить діагностичне питання («яким правилом ти користуєшся, коли перемножуються дві функції?»), потім просить здобувача записати правило добутку символічно, далі вводить $u$ і $v$ і перевіряє кінцевий вираз лише після того, як здобувач його відтворить.

**Політика поступової допомоги.** Допомога може адаптуватися за драбиною рівнів: самостійна спроба → [[metacognition|metacognitive]] питання → концептуальна підказка → впізнавання відповідного правила → налаштування частини задачі → розв’язаний проміжний крок → повне рішення → пояснення здобувачем → самостійне розв’язання здобувачем задачі на перенесення. Перегляд повного рішення не демонструє оволодіння, тому після суттєвої допомоги тьютор має дати здобувачеві спробу розв’язати порівнянну задачу без допомоги.

**Уникнення непродуктивного використання підказок.** Інтерфейс не має робити необмежені підказки безоплатним шляхом до відповіді, оскільки передчасні запити підказок і поверхневе читання підказок пов’язані з нижчими [[learning-gains|learning gains]]. Замість `[Підказка][Підказка][Підказка][Показати відповідь]` система може запитати «що ти вже спробував?» і «що саме тебе блокує?» (вибір правила, налаштування рівняння, виконання алгебраїчних перетворень, розуміння поняття, щось інше) і надати цільову допомогу.

**Підтримка концептуального численного аналізу.** Тьютор має пов’язувати символічні процедури з кількома формами подання (формула, графік, таблиця, вербальне тлумачення, фізичний контекст швидкості зміни), щоб розрізняти процедурну вправність і концептуальне розуміння.

**Панель для викладача.** Система має показувати узагальнені докази, а не непрозорі судження ШІ, — наприклад «правило добутку — 62% продемонстрованого оволодіння; поширені закономірності: 18% пропускають один доданок, 11% перемножують похідні», — причому індивідуальні діагнози подаються як гіпотези, підкріплені доказами.

**План оцінювання.** Вимірюйте успішність під час роботи з тьютором, успішність на порівнянних задачах без нього, відстрочене утримання знань, перенесення на незнайомі задачі, якість концептуального [[explainable-ai|explanation quality]], корекцію хибних уявлень, доречне й передчасне [[help-seeking|help seeking]], витік відповідей, частоту хибнопозитивних і хибнонегативних результатів діагностики та [[differential-effects-across-learner-groups|differential outcomes]]. Ключове порівняння — це успішність **з** тьютором проти успішності **без** нього згодом, — здобувач, який перейшов із 60% до 95% за допомоги, але залишається на 60% самостійно, не отримав ефективного навчання.

---

## Приклад 2: Проєктування ШІ-тренера з письма

ШІ-тренер з письма потребує іншого проєктування, оскільки в письмі немає єдиної об’єктивно правильної відповіді. Мета — допомогти здобувачеві стати кращим у плануванні, написанні чернетки, оцінюванні та перегляду власного тексту. База знань розглядає письмо як **когнітивний, соціальний і риторичний процес**, тобто система письма на базі ШІ може підтримувати навчання, але може й усунути саме те мислення, яке мала розвинути навчальна задача. Див. [[writing-education]], [[ai-writing-support-stage-ownership-2026|From Planning to Revision]], [[coach-not-crutch-ai-writing|Coach not Crutch]] та [[feedback]].

**Навчальні цілі.** Модель здобувача тренера могла би відстежувати аргументацію (конкретність тезису, узгодженість тверджень із доказами, контраргументацію), організацію (фокус абзаців, логічну послідовність, переходи), докази (релевантність джерел, інтеграцію доказів, тлумачення), перегляд (глобальний і реченнєвий перегляд, оцінювання зворотного зв’язку) і стиль (ясність речень, граматику, авторський голос) — відстежуючи письмові **здатності**, а не лише бал за есе.

**Закладайте в тренера конкретне навчальне завдання.** Відбирайте інструкції до завдання, рубрику викладача, рекомендовані читання з курсу, вимоги до цитування, жанрові угоди, приклади від викладача та політику використання ШІ, щоб зворотний зв’язок міг посилатися на фактичне завдання («рубрика вашого викладача вимагає пов’язувати кожне основне твердження з доказами щонайменше з двох рекомендованих читань курсу»), а не вигадувати загальні очікування.

**По-різному ставтеся до етапів письма.** Залученість ШІ на різних етапах по-різному впливає на відчуття власності над текстом — підтримка на етапі планування зменшує відчуття власності менше, ніж підтримка на етапі написання чернетки, а згенерований ШІ текст завдає найбільшої втрати власності. Тому тренер може мати різні дозволи за етапами: на етапі планування він може ставити питання, порівнювати позиції, кидати виклик припущенням і критикувати плани, уникаючи при цьому генерації всієї аргументації; на етапі написання здобувач спочатку створює текст (тренер допомагає розвивати, а не перехоплювати); на етапі перегляду тренер може вказувати на неясні твердження, відзначати відсутні докази, перевіряти, чи підтримують докази твердження, виявляти проблеми організації та порівнювати чернетку з рубрикою — **діагностуючи, а не переписуючи**; на етапі редагування (після перегляду) він може підтримувати роботу з граматикою, пунктуацією, стислістю та оформленням цитувань.

**Приклад взаємодії.** Для есе на тему запровадження [[online-teaching-and-learning|online courses]] типова система могла б переписати абзац здобувача в відполірований текст, виконавши за нього інтелектуальну роботу. Тренер з письма замість цього каже, що працює, називає головну проблему (абзац наводить причини, але не пояснює, чому вони обґрунтовують загальноуніверситетське запровадження), ставить питання для перегляду й просить здобувача завершити речення власними словами — залишаючи побудову аргументації за здобувачем.

**Зворотний зв’язок має бути пріоритезованим.** Кожен раунд зворотного зв’язку міг би містити одну сильну сторону, яку варто зберегти, одну важливу проблему, одне питання, що потребує судження автора, і одну конкретну мету перегляду — замість того щоб перевантажувати здобувача десятками коментарів.

**Змушуйте здобувача оцінювати [[ai-feedback-quality|AI feedback]].** [[feedback-literacy|Feedback literacy]] сама по собі є навчальною ціллю; тренер має періодично питати, чи погоджується здобувач із пропозицією і чому, і дозволяти здобувачеві відхиляти зворотний зв’язок ШІ — розвиваючи **[[evaluative-judgment|evaluative judgment]]**, а не покору.

**Зберігайте авторський голос.** Тренер має розрізняти помилки, проблеми ясності, риторичні вибори та стильові уподобання і не має автоматично «виправляти» два останні — інакше він ризикує згладжування письма до того стилю, якому надає перевагу модель, особливо для [[multilingual-learning|multilingual]] авторів і нестандартних риторичних стилів.

**Модель здобувача на основі історії переглядів.** Замість того щоб зберігати лише фінальні есе, система може вчитися на переглядах здобувача (наприклад, на повторюваній закономірності «докази наведені, але не протлумачені», яка покращується від есе до есе), адаптуючись на підставі доказів навчання.

**Залученість викладача.** Викладач контролює рубрику, цілі завдання, дозволені форми допомоги ШІ, комплектування джерел, очікування щодо цитування, чи дозволене генеративне написання тексту, і коли потрібен людський перегляд. Панель для викладача могла б показувати закономірності на рівні класу (наприклад, 41% потребують підтримки у пов’язуванні тверджень із доказами) як сигнал [[formative-assessment]].

**Оцінювання тренера з письма.** Вимірюйте якість письма за допомоги ШІ та пізніше без неї, здатність виявляти слабкі місця в незнайомому тексті, якість перегляду, сприйняття зворотного зв’язку, здатність пояснювати перегляди, відчуття власності в здобувача, залежність від згенерованого ШІ тексту, збереження голосу, упередженість щодо діалектів/багатомовних авторів/груп, узгодженість із судженням викладача та відстрочене перенесення. Показовим експериментом є порівняння групи, яка пише самостійно, групи, де ШІ генерує/переглядає текст, і групи з тренером — і всі вони потім пишуть нове есе без ШІ: якщо група зі згенерованим ШІ текстом виступає найкраще на практиці, але погано без ШІ, система покращила успішність, а не навчання.

---

## Порівняння двох дизайнів

| Питання проєктування | Тьютор з численного аналізу | Тренер з письма |
|---|---|---|
| Основний об’єкт навчання | Математичні поняття та вирішення задач | Аргументація та процес письма |
| Перевірка | Часто об’єктивно перевірювана | Зазвичай потребує контекстуального судження |
| Детерміновані інструменти | Рушій символьних обчислень / калькулятор | Перевірки граматики, цитувань, рубрик |
| Головна роль ШІ | Діагностикувати й підтримувати міркування | Діагностикувати й підтримувати перегляд |
| Основний ризик | Видача рішення | Написання тексту за здобувача |
| Важлива дія здобувача | Розв’язати й пояснити | Написати чернетку, оцінити й переглянути |
| Модель здобувача | Поняття, процедури, хибні уявлення | Аргументація, докази, організація, перегляд |
| Ключовий захисний бар’єр | Спроба перед рішенням | Текст здобувача перед переписуванням ШІ |
| Тест на перенесення | Нові задачі з численного аналізу без ШІ | Нове завдання з письма без ШІ |
| Критерій успіху | Самостійне математичне міркування | Самостійне письмо та оцінювальне судження |

Обидві системи використовують багато тих самих [[ai-technologies|technologies]] ШІ, але втілюють **різні педагогічні політики, оскільки дисципліни вимагають різних видів мислення**. Спільний принцип: **визначте когнітивну діяльність, яка породжує навчання, і спроєктуйте ШІ так, щоб він підтримував цю діяльність, не забираючи її в здобувача** — зберігаючи математичне міркування для численного аналізу, а авторство, риторичне прийняття рішень, оцінювання і перегляд — для письма. Цей принцип є більш фундаментальним, ніж будь-яка конкретна модель, підказка, рамка агентів або інтерфейс користувача.

---

## [Чи справді використання ШІ допомагає моїм студентам навчатися?](https://edtechdev.github.io/aied/faqs/does-ai-help-students-learn/)

# Does Using AI Actually Help My Students Learn?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

**Так, може допомогти — але краща робота, виконана за допомоги ШІ, не обов’язково є доказом кращого навчання.** Дослідження фіксують справжні навчальні здобутки, незначні ефекти та шкоду для навчання. Важливе питання — не просто те, чи користуються студенти ШІ, а **що саме ШІ допомагає їм робити, яке мислення залишається їхньою відповідальністю і що вони можуть робити згодом**.

База знань називає розрізнення між успішною роботою за допомоги ШІ та набутою здатністю **розривом між продуктивністю й навчанням**. Студент може подати сильніше есе або розв’язати більше практичних задач за допомоги ШІ, не стаючи при цьому кращим — а іноді стаючи гіршим — у виконанні порівнянної роботи самостійно. І навпаки, добре спроєктований зворотний зв’язок, приклади та наставництво на базі ШІ можуть покращити подальшу успішність уже без ШІ. Див. [[learning-gains|Learning Gains]] та [[cognitive-offloading|Cognitive Offloading]].

## Що насправді показують дослідження?

### Деякі втручання з підтримкою ШІ покращують навчання

Широкою відправною точкою є [[burneo-can-edtech-close-learning-gaps-2026|Can EdTech Close Learning Gaps? Global Evidence from Digital Interventions]]. Цей синтез Світового банку 14 рандомізованих досліджень у десяти економіках оцінив середній позитивний навчальний ефект адаптивних освітніх технологій із підтримкою ШІ на рівні **0.125 стандартного відхилення**. Проте він поєднав раніші [[adaptive-learning|adaptive systems]] з інструментами [[generative-ai]]. Для новіших генеративних інструментів не було виявлено статистично встановленої переваги, водночас автори визнають значну невизначеність у цьому порівнянні. Результат підтверджує потенціал цих втручань, а не твердження, що будь-який [[conversational-ai|chatbot]] покращить навчання.

Конкретніші докази показують, чому має значення [[learning-design|instructional design]]. У дослідженні [[genai-feedback-design-multisite-experiment|Human-centered GenAI feedback design in higher education]] — багатосайтовому рандомізованому дослідженні за участі 1 176 студентів першого курсу — порівнювалися [[peer-assessment|peer feedback]], прямий зворотний зв’язок ШІ, самооцінювання із подальшим зворотним зв’язком ШІ та гібридна послідовність, що поєднувала самооцінювання, зворотний зв’язок від ровесників і критику з боку ШІ.

Рефлексивний і гібридний дизайни дали сильніший **відстрочений перенос без участі ШІ**, ніж прямий зворотний зв’язок від ШІ. Студенти згодом краще виконували нове завдання з наукової аргументації, а не лише завдання, яке вони переглядали. Проте в цих умовах також потрібна була додаткова оцінювальна діяльність і, ймовірно, більше часу. Дослідження підтримує **повний дизайн зворотного зв’язку**, а не доводить, що перевагу спричинив якийсь один компонент або сам ШІ.

### ШІ може покращувати успішність на практиці, шкодячи навчанню

Найясніше попередження містить дослідження [[generative-ai-guardrails-harm-learning|Generative AI without guardrails can harm learning: Evidence from high school mathematics]].

У цьому рандомізованому польовому експерименті за участі майже 1 000 студентів інтерфейс ШІ загального призначення підвищив бали за допоможену практику на **48% відносно контрольної групи**, але на подальших іспитах без допомоги студенти отримали на **17% нижчі** результати. Тьютор, налаштований на розроблені викладачем настанови та підказки, значною мірою уникнув цієї втрати. Важливо, що він **не дав статистично значущого покращення успішності на іспиті без допомоги порівняно з контрольною групою**. Уникнення шкоди — це не те саме, що демонстрація додаткового навчання. Ці відсотки описують саме це конкретне втручання і конкретне середовище, а не універсальні ефекти використання ШІ.

Практичний висновок із цього такий: судження про інструмент ШІ за виконаними домашніми завданнями, правильними відповідями на практиці чи задоволеністю студентів може дати оманливу картину його освітньої цінності. Задоволеність і уявне навчання — це [[self-report-measures|self-report measures]], і база знань фіксує, наскільки сильно вони можуть відхилятися від виміряного навчання.

Більше й триваліше польове дослідження вказує на те саме в масштабі. [[stromberg-generative-ai-learning-penalty-secondary-2026|The Generative AI Learning Penalty]] простежувало 26 811 китайських учнів середньої школи (7–12 класи) протягом 30 місяців із поступовим впровадженням ШІ. Бали за домашні завдання зросли на **18%**, а час на їхнє виконання скоротився на **30%** (з 64 до 45 хвилин), тоді як бали за щомісячні іспити за книжкою впали на **20%** упродовж шести місяців, а бали за вступні іспити з високими ставками — на **18–24%** від базового рівня, проте лише приблизно через два роки. Втрати зосереджувалися серед приблизно **81%** користувачів ШІ, поведінка яких свідчила про перекладання домашніх завдань на інших; користувачі, які витрачали на домашні завдання порівнянно з тими, хто не користувався ШІ, часу, навчалися приблизно так само ефективно. Розбіжність між успішністю на домашніх завданнях і на іспитах — це розрив між продуктивністю й навчанням, виписаний на когорті національного масштабу, а дворічна затримка означає, що короткострокові оцінювання систематично недооцінюють ціну.

### Доступу й засобів захисту недостатньо

Дворічний рандомізований шкільний експеримент [[one-click-away-khanmigo-two-year-school-experiment-2026|One Click Away: AI Tutoring with Khanmigo]] виявив помірні здобутки в досягненнях з [[math-education|mathematics]] в 18 середніх школах. Проте студенти рідко вступали в змістовні розмови з тьютором. Автори зазначали, що ці здобутки нагадували ті, які асоціюються зі структурованою практикою без ШІ. Оскільки втручання поєднувало індивідуалізовану практику з [[intelligent-tutoring|AI tutoring]], воно не виокремлювало чисто додаткового внеску ШІ-компонента. Наявність здатного тьютора — не те саме, що продуктивне його використання студентами.

Новіший експеримент [[making-ai-tutoring-productive-mastery-math-2026|Making AI Tutoring Productive]] дає споріднений урок. Серед понад 6 000 учнів середньої школи, які користувалися NUMI, підтримка ШІ покращила відновлення після помилок, але сповільнила просування через завдання. Правило оволодіння «три правильні відповіді підряд» підвищило визначену платформою успішність, не покращивши саме по собі навчання через тиждень. Найсильніший сигнал відстроченого навчання з’являвся тоді, коли ШІ був вбудований у процес оволодіння, але здобутки були **лише маргінально статистично значущими й зосередженими на певному опрацьованому матеріалі**. Цей робочий документ дає непрямі докази на користь ретельно структурованого підходу, а не широко доведений рецепт.

### Результат визначає те, як студенти користуються інструментом, а не лише доступ до нього

Одна й та сама технологія дає різні результати навчання залежно від того, як структуровано взаємодію. У дослідженні [[yan-cognitive-outsourcing-genai-assessments-2026|a qualitative study of 38 undergraduates]] під час оцінювання есе без нагляду залученість охоплювала спектр від [[cognitive-offloading|cognitive outsourcing]] до **когнітивного перерозподілу** — перенесення зусиль із пошуку інформації низького рівня на [[critical-thinking|critical evaluation]]. Більшість студентів (n = 31) мали намір використовувати генеративний ШІ як помічника в навчанні, проте **76.32%** покладалися на одноходовий діалог «запитав — отримав відповідь — зупинився», а **78.94%** використовували інструмент до або після написання чернетки, а не упродовж виконання завдання, що породжує парадокс ефективності: зручність отримана ціною тієї когнітивної роботи, яка будує схеми («швидкість, з якою ти це забуваєш, також дуже висока»). Лише 8 студентів працювали як когнітивні партнери в межах підтримуваного ітеративного діалогу.

[[pedagogy|pedagogical]] урок тут у тому, що як загальні дозволи, так і загальні заборони змушують студентів діяти навмання. Поведінку змінювало настановлення щодо конкретних завдань: яку когнітивну роботу студенти мають зберегти за собою і яка допомога ШІ тут доречна, — це той напрям проєктування, який розроблено в [[reduce-ai-cheating]].

### Менші зусилля не означають автоматично меншого навчання

Було б також помилкою робити висновок, що ШІ допомагає лише тоді, коли змушує студентів працювати напруженіше або ніколи не показує повний приклад.

У пререєстрованих експериментах, описаних у [[coach-not-crutch-ai-writing|Coach not crutch]], дорослі, які практикувалися в перегляді супровідних листів за допомоги ШІ, згодом писали краще без ШІ, ніж ті, хто практикувався самостійно, незважаючи на менші витрачені зусилля. Здобутки зберігалися й на перевірці через один день. Інший експеримент виявив, що перегляд прикладу, переглянутого за допомоги ШІ, дає порівнянні здобутки з практикою за допомоги інструмента. Це були короткі, обмежені завдання з письма, а не доказ тривалого покращення в усіх видах письма, проте вони показують, що приклади можуть підтримувати навчання, а не обов’язково заміщати його.

**Тому мета — не максимальна складність. Мета — зберегти або покращити ту навчальну діяльність, яка розвиває бажану здатність.**

### Той самий розвиток подій повторюється в освіті з обчислювальної техніки

[[kumar-genai-computing-education-systematic-review-2026|A systematic review of 72 studies in computing education]] знаходить ту саму структуру в своєму найміцнішому результаті. Генеративний ШІ надійно підвищує короткострокове завершення завдань і скорочує час на них (36 досліджень), і жодне дослідження в корпусі не фіксує негативного ефекту на негайну продуктивність, — проте ці здобутки «не переносяться на самостійну продуктивність» (21 дослідження). Студенти за допомоги Codex виконували вдвічі більше завдань під час навчання, але не показали кращих результатів на після-тестах без ШІ, ніж контрольна група. [[prior-knowledge|Prior knowledge]] модерують усе: добре підготовлені студенти перетворюють допомогу на тривалу навичку, тоді як слабко підготовлені ризикують використати її як милицю, яка позбавляє їх необхідної практики. Центральна вимога огляду щодо проєктування — **перевірка**: читання, тестування, змінення, пояснення й критика результату ШІ — має стати оцінюваним, спостережуваним компонентом роботи, а не прагненням, залишеним на розсуд.

## Корисний принцип проєктування: підтримуйте, а не заміщайте

Синтези в базі знань зі [[scaffolding]] та [[active-learning|Active Learning]] наголошують на підтримці, яка допомагає здобувачам розуміти, практикуватися, оцінювати і зрештою діяти з меншою допомогою.

«Підтримуйте, а не заміщайте» — корисний принцип, але його слід застосовувати до **навчальної цілі**, а не механічно до кожної функції ШІ. Повний розв’язаний приклад може бути тим, з чого студенти вчаться; послідовність підказок може стати тим, що вони прокручують, не думаючи. Важливе розрізнення — те, що здобувач робить із допомогою. Див. [[cognitive-offloading|Cognitive Offloading]] та [[help-seeking]].

Для діяльності, покликаної розвивати самостійну здатність, розумним початковим порядком дій є такий:

1. **Установнийте мислення здобувача.** Попросіть про початкову спробу, передбачення, чернетку, пояснення або тлумачення відповідного прикладу.
2. **Надайте цільову допомогу.** Використовуйте ШІ для підказки, пояснення, контрастного прикладу або зосередженого зворотного зв’язку щодо складності.
3. **Вимагайте реакції на допомогу.** Попросіть здобувача пояснити, переглянути, перевірити або обґрунтувати прийняття чи відхилення пропозиції.
4. **Перевірте нове застосування з меншою підтримкою.** Попросіть здобувача розв’язати порівнянну задачу або застосувати ідею в іншому контексті.

Це навчальна відправна точка, а не універсально валідована послідовність. Обсяг і час підтримки мають відповідати попереднім знанням студентів і завданню. Див. [[reducing-ai-misuse|Reducing AI Misuse]] та [[prior-knowledge|Prior Knowledge]].

### Робіть збережене мислення явним

Для математики викладач може попросити студентів подати свою спробу розв’язку, перш ніж просити допомоги, а потім скористатися підказкою такого виду: «Вкажи перший крок, який мені варто переосмислити, дай одну корисну підказку і попроси мене спробувати знову». Подальша перевірка має вимагати нового розв’язку та пояснення, а не відтворення відповіді ШІ. Це застосування настанов зі [[scaffolding]] та [[help-seeking]].

Для письма викладач може попросити студентів оцінити свою чернетку за рубрикою, перш ніж отримати критику від ШІ, а потім пояснити, які пропозиції вони прийняли, змінили або відхилили. Якщо мета — побудова аргументації, згенерований ШІ текст не має заміщати доказів того, що здобувач може побудувати аргументацію. Якщо мета — оцінювання альтернативних переглядів, порівняння повних прикладів може бути доречним. Див. [[writing-education|Writing Education]] та [[feedback-literacy|Feedback Literacy]].

Це застосування доказів у проєктуванні. Їх усе одно слід оцінювати в межах курсу, а не вважати працездатними лише тому, що вони звучать педагогічно розумно.

## Як дізнатися, чи ШІ допомагає в моєму курсі?

Сторінка [[ai-ed-evaluation|AI Ed Evaluation]] рекомендує розрізняти якість результату ШІ, досвід студентів від його використання та фактичне навчання студентів. Практичне оцінювання потребує більшого, ніж опитування задоволеності або порівняння балів за завдання.

**Спочатку конкретизуйте здатність.** Визначте, що студенти мають розуміти або вміти робити після діяльності. «Виготовити відполірований звіт» — це не те саме, що «відібрати відповідні докази», «пояснити причинний зв’язок» або «виявити непідтверджений висновок». Оцінювання має розкривати ту здатність, яку ви маєте намір розвивати. Див. [[educational-measurement|Educational Measurement]].

**Вимірюйте до, після й згодом.** Скористайтеся коротким базовим завданням, негайною перевіркою навчання та відстроченим застосуванням. Включіть як порівнянне завдання, так і, де доречно, таке, що змінює контекст або вимагає іншого застосування. Якщо мета — самостійна компетентність, приберіть ту допомогу ШІ, яка могла б виконати цю компетентність за здобувача. Успішна перевірка відразу після практики є корисною, але не встановлює утримання знань упродовж місяців чи перенесення між предметними областями. Див. [[learning-gains|Learning Gains]] та [[transfer-of-learning|Transfer of Learning]].

**Використовуйте змістовне порівняння.** Там, де це можливо, порівнюйте діяльність із підтримкою ШІ з добре спроєктованою альтернативою без ШІ, використовуючи подібний контент, навчальний час і можливості для практики. Просте покращення «до і після» не може встановити, що саме ШІ спричинив приріст; студенти могли б покращитися завдяки решті [[teacher-role|teaching]]. Для сильніших причинних тверджень зверніться до [[research-methods-aied|Efficacy Research Methods]], коли проєктуєте порівняння.

**Спостерігайте, як студенти користуються допомогою.** Звертайте увагу на пояснення, спроби виправити помилки, обґрунтовані перегляди та перевірку, а не лише на входи в систему, кількість повідомлень або завершені запитання. Ці спостереження можуть допомогти пояснити результат, але не мають заміщати міру навчання. Див. [[help-seeking]] та [[student-ai-interaction|Student–AI Interaction]].

**Перевіряйте, що насправді вимірює панель показників.** В [[zhang-platform-scores-miss-ai-teaching-agents-2026|an evaluation of eight AI teaching agents]] у [[medical-education|medical education]] ранжування агентів за власною оцінкою платформи розходилося з перевіреною експертами рубрикою якості навчання — агент, який платформа поставила на третє місце, за якістю за рубрикою опинився останнім, — оскільки оцінка платформи відстежувала успішність студента під час взаємодії, а не навчальну поведінку агента. Вбудована метрика — це гіпотеза, яку треба перевірити, а не доказ навчання. Див. [[evaluating-ai-interventions-methods]], щоб дізнатися про міри й структури порівняння, які роблять таку перевірку переконливою.

Важлива умовність полягає в тому, що **не кожний легітимний результат навчання має бути продемонстрований без ШІ**. Курс може свідомо навчати ефективній роботі з підтримкою ШІ. У такому разі оцінюйте здатність студентів відбирати, перевіряти, переглядати й захищати своє використання ШІ, поряд із тими самостійними основами, яких вимагає дисципліна. [[human-capability-test-learning-outcomes-ai-2026|A Human Capability Test for Learning Outcomes in the AI Era]] пропонує саме це розрізнення між самостійною здатністю, продуктивністю, доповненою ШІ, і відповідальністю за перевірку. Це концептуальна рамка оцінювання, а не валідоване рішення для кожного курсу.

## Перевірте, кому це на користь — і чого вона коштує

Середнє покращення може приховувати студентів, які отримують малу користь або стикаються з новими бар’єрами. Синтез [[digital-divide|Digital Divide]] розрізняє доступ до інструмента, навички, потрібні для його використання, і зрештою отримані результати.

Для оцінювання в аудиторії розбийте результати за відповідними вихідними точками: попередніми знаннями, мовними потребами та вимогами доступності. Надавайте настанови, а не припускайте, що студенти вже знають, як отримувати й оцінювати корисний зворотний зв’язок. Оцінюючи самостійне навчання, прибирайте ту допомогу, яка постачає цільове мислення, а не адаптації, необхідні для доступу до завдання. Див. [[ai-literacy|AI Literacy]], [[equity-in-ai-education|Equity in AI Education]] та [[accessibility]].

Перевірте також той зворотний зв’язок, який студенти фактично отримують. Плавна відповідь може неправильно діагностувати їхню складність, підкріпити помилку або дати відповідь там, де потрібен був інший вид підтримки. Використовуйте узгоджені з курсом матеріали, зберігайте шлях до людської допомоги й не збирайте більше інформації про здобувачів, ніж потребує діяльність. Ці занепокоєння напряму пов’язані з [[ai-feedback-quality|AI Feedback Quality]], [[pedagogical-safety|Pedagogical Safety]] та [[privacy]].

## Висновок

**ШІ може допомогти студентам навчатися, але ні доступ, ні відполіровані результати, ні ярлик «тьютор» не встановлюють, що він це робить.** Докази найсильніші тоді, коли конкретне навчальне проєктування оцінюється проти змістовної альтернативи з використанням мір тих здатностей, які студенти мають розвивати. Довгострокове утримання знань, широке перенесення та узагальнення на різних здобувачів і в різних умовах залишаються важливими невизначеностями. Див. [[limitations-in-aied-research|Limitations in AIEd Research]].

Найкорисніше питання для викладача таке:

> **Після цієї діяльності з підтримкою ШІ що мої студенти можуть розуміти, пояснювати, оцінювати або робити такого, чого не могли раніше, — і які докази показують це покращення?**

---

## [Як дослідження зі ШІ в освіті мають інтегрувати справедливість, доступність, приватність, етику та педагогічну безпеку?](https://edtechdev.github.io/aied/faqs/equity-ethics-pedagogical-safety-research/)

# How Should AI in Education Research Incorporate Equity, Accessibility, Privacy, Ethics, and Pedagogical Safety?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

**Їх слід розглядати як вимоги до проєктування та результати оцінювання з самого початку — а не як обмеження, додані до розділу обговорення після завершення дослідження ефективності.**

## Справедливість

Щодо справедливості: перевіряйте не лише те, хто має доступ до ШІ, а й те, хто має навички ефективно ним користуватися і хто зрештою отримує від нього користь. Концепція [[digital-divide|Digital Divide]] у базі знань розрізняє розриви в доступі, навичках і результатах, а це означає, що рівний доступ до [[conversational-ai|chatbot]] не рівнозначний [[equity-in-ai-education|equitable]] освітній користі. Тому дослідники мають повідомляти відповідні результати за підгрупами й досліджувати диференційовану ефективність, а не спиратися лише на загальні середні значення (див. [[differential-effects-across-learner-groups|Differential Effects Across Learner Groups]]).

Нові дослідження показують, як накопичуються структурні нерівності. [[adeniranye-ai-integration-nigerian-higher-education-2026|comparative study of 45 Nigerian universities]] (15 федеральних, 15 державних, 15 приватних) виявило лише помірну інтеграцію [[ai-education|AI]] (M = 4.79 за десятибальною шкалою, діапазон 1.83–7.83), і тип [[governance]] її не прогнозував (F(2,42) = 1.01, p = 0.372); водночас вік закладу (β = 0.43, p = 0.016) і розташування в південно-західному регіоні (β = 0.31, p = 0.029) — так. Внутрішні можливості взаємно підсилювали одна одну (r = 0.79–0.80), а міжнародна співпраця й партнерство з галуззю посилювали одне одного (r = 0.74) — «зв’язки породжують зв’язки». Політичні рамки були найслабшим виміром (M = 4.09; лише 27% закладів набрали 6 або вище), виявляючи розрив між формальною стратегією та операційною [[curriculum-design|curriculum]] діяльністю. Тому втручання на підтримку справедливості мають орієнтуватися на новіші заклади та обслуговувані недостатньо регіони, а не припускати, що інституційна категорія визначає можливості, і мають враховувати контексти [[global-south|Global South]], з яких досі відсутня значна частина доказової бази.

## Доступність

Щодо доступності: залучайте здобувачів з інвалідністю до проєктування та оцінювання, перевіряйте фактичні інтерфейси на відповідність вимогам доступності, надавайте рівнозначні способи участі й демонстрування навчання та розрізняйте технічну доступність і справді інклюзивну педагогіку. Див. [[accessibility|Accessibility]]. [[ko-hughes-vsd-student-centered-its-2026|value-sensitive design study]], за участі студентів коледжу спільноти, викладачів і розробників показує, як це виглядає на практиці: воно дало 16 узгоджених із цінностями функцій, що охоплювали [[explainable-ai|explainability]] (E1–E5), контроль [[human-in-the-loop-ai|human-in-the-loop]] (H1–H9) і [[privacy]] (P1–P4), — і вивело на поверхню *напруги* між цінностями, а не акуратні рішення, зокрема прозорість проти інтерпретованості, приватність проти навчального розуміння ситуації та [[agency]] проти керованої системою [[scaffolding]].

## Приватність та етика

Щодо приватності та етики: збирайте лише дані, потрібні для освітньої мети, робіть використання даних і обмеження системи прозорими, підтримуйте змістовну людську відповідальність і перевіряйте справедливість, згоду, упередженість, пояснюваність, автономію здобувача та наслідки рішень, ухвалених за посередництва ШІ. Це базові виміри [[ethics|Ethics]]. Наведене вище дослідження з проєктування показує, що це компроміси, якими слід керувати, а не незалежні вимоги, які варто просто відмітити як виконані: студенти хотіли контролю над [[learning-analytics|learning analytics]] й афективними даними, тоді як викладачі хотіли прозорості, щоб підтримувати навчання. У міру того як системи набувають власної [[agency]], питання управління стає гострішим. [[beyond-agent-label-agentic-ai-governance-2026|A critical review of agentic AI governance]] стверджує, що автономія не має перевищувати зрілості доказів або міцності підзвітної людської контролю, і пропонує спільну мову звітності — рівні автономії A0–A4, рівні нагляду O0–O4 та рівні зрілості доказів M0–M5, — щоб такі важливі з точки зору наслідків види використання (A4: вступ, оцінювання, переведення на наступний курс) потребували відтворюваної, контекстно релевантної валідації та безперервної людської влади, а не високого бала за бенчмарком.

## Педагогічна безпека

Щодо [[pedagogy|pedagogical]] безпеки: вимірюйте ті шкоди, яких не бачать звичайні [[benchmark|benchmarks]] ШІ: [[cognitive-offloading|overreliance]], надмірне розкриття відповідей, підкріплення [[misconceptions|misconception]], втрату агентності, придушення [[metacognition]], нерівне ставлення, [[motivation|motivational]] шкоду та розладнання навчального процесу. Тестування безпеки має включати реалістичні багатоходові взаємодії та [[discipline-specific-aied|discipline-specific]], а не лише одиночні підказки. Синтез [[pedagogical-safety|Pedagogical Safety]] і бенчмарк [[hazra-safetutors-pedagogical-safety-2026|SafeTutors]] показують, чому технічно «корисні» або точні системи все одно можуть підривати навчання. Практики сходяться на сумісному дизайнерському відповідь: у [[reichert-human-centered-llm-chatbot-design-teachers-2026|participatory design study with six secondary teachers]] викладачі самостійно спроєктували «обмежених експертів», а не [[agentic-ai|autonomous agents]], — системи із вузько окресленою предметною областю, що діють під наглядом людини, де межі предметної області, фільтрування контенту та [[teacher-role|teacher]] формують три захисні шари. Вони вітали застосування ШІ для подання контенту, надання практики та [[formative-assessment|formative]] [[feedback]], але відмовилися делегувати постановку цілей або [[summative-assessment|summative assessment]], трактуючи нагляд як професійну відповідальність, а не як недовіру до технології.

## Методологічна тріангуляція

Нарешті, поєднуйте [[quantitative-research|quantitative]] та [[qualitative-research|qualitative]] докази. Розбиті за підгрупами кількісні результати можуть розкрити [[differential-effects-across-learner-groups|differential effects]]; інтерв’ю, спостереження, фокус-групи та партисипативні методи або методи співпроєктування можуть вивести на поверхню бар’єри, шкоди, культурні припущення та досвід здобувачів, яких не бачать сукупні бали. Синтез [[research-methods-aied|Research Methods in AIED]] прямо розглядає методологічну тріангуляцію як важливу, оскільки жоден окремий метод не максималізує водночас причинне висновування, екологічну валідність, контекстуальне розуміння та узагальнюваність.

Прозорість щодо того, як сам аналіз із підтримкою ШІ отримав свої висновки, є частиною цієї обов’язковості. [[chain-behind-claim-warrantability-2026|The warrantability proposal]] стверджує, що тлумачення, виконане за допомоги ШІ, має залишатися придатним для огляду, оскарження й перегляду, підкріпленим артефактами, як-от пов’язані з джерелами таблиці тем, стоси «лінз» і «річки доказів», — щоб плавне узагальнення не могло приховати аналітичний шлях, який його породив. [[beyond-agent-label-agentic-ai-governance-2026|agentic-AI review]] додає до цього дисципліну розділення рівнів результатів: результати на рівні артефактів (точність, [[ai-feedback-quality|feedback quality]]) можуть бути необхідними для користі здобувача, але ніколи не є достатнім доказом такої користі, і саме результати на рівні справедливості та інституційних результатів — там, де докази найтонші.

## Де це розташовується в базі знань

Ці вимоги напряму пов’язані з флагманським матеріалом [[top-10-findings-ai-education-instructors|Top 10 Findings for Instructors]] (висновки 9 і 10), зі спростуваннями стейкхолдерів у [[addressing-common-misconceptions-ai-education|Addressing Common Misconceptions About AI in Education?]] та з порядку денного щодо відсутніх доказів у [[research-gaps-aied|Research Gaps in AIED]]. Щодо методів, які серйозно ставляться до цих обмежень, див. [[evaluating-ai-interventions-methods|Evaluating AI Interventions: Methods]].

---

## [Які міри та методи дослідження може використовувати викладач для оцінювання втручань, пов’язаних зі ШІ?](https://edtechdev.github.io/aied/faqs/evaluating-ai-interventions-methods/)

# What Measures and Research Methods Can an Instructor Use to Evaluate AI-Related Interventions?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

**Узгоджуйте метод із твердженням.** Якщо ви хочете дізнатися, чи студентам *сподобалася* діяльність із ШІ, може допомогти опитування. Якщо ви хочете дізнатися, чи вони *навчилися*, використовуйте міри продуктивності. Опитування — це [[self-report-measures|self-report measure]], належний інструмент для ставлень і неналежний для навчання, з тих причин, які зібрані на тій сторінці. Якщо ви хочете дізнатися, чи саме ШІ *спричинив* покращення, вам потрібна переконлива умова порівняння і, бажано, рандомізоване розподілення.

## Варіанти методів

Сторінка [[research-methods-aied|Research Methods in AIED]] розрізняє кілька корисних варіантів:

- **Рандомізовані експерименти** дають найсильніше причинне висновування.
- **Квазіекспериментальні** дизайни «до/після» або з узгодженими групами часто практичніші в цілісних класах, але підтримують слабші причинні твердження.
- **[[qualitative-research|Qualitative]]** інтерв’ю, фокус-групи, спостереження та аналіз артефактів розкривають механізми та несподіваний досвід.
- **Якісний аналіз із підтримкою ШІ** може реорганізувати корпуси інтерв’ю чи спостережень за лічені хвилини, тому [[chain-behind-claim-warrantability-2026|warrantability]] має таке саме значення, як точність чи розкриття: фіксуйте документовані реорганізації, які дозволяють читачеві оглядати, оскаржувати й переглядати шлях від даних до твердження.
- **[[mixed-methods-research|Mixed methods]]** поєднують докази про результати з поясненнями того, чому ефекти виникли.
- **[[design-based-research|Design-based research]]** корисні, коли викладачі ітеративно розробляють і вдосконалюють втручання в реальному курсі.

Який би канал ви не використовували, причинне твердження стає інтерпретованим лише за трьох умов: **точно описане втручання**, **добре визначена умова порівняння** та **валідна міра тривалого навчання**. [[weidlich-chatgpt-effect-search-cause-2025|Weidlich et al. (2025)]] перевіряють 19 порівнянь використання ChatGPT в освіті саме за цими критеріями і виявляють, що лише 4 (21%) задовольняють усі три, — 74% мали добре визначене втручання, 42% — добре визначену контрольну групу, а 53% — результат, який кваліфікувався як навчання. Інструмент [[generative-ai|general-purpose tool]], впроваднений поряд із новими видами діяльності, зворотним зв’язком або дизайном інтерфейсу, змішує носія з методом, тому значний результат не може бути віднесений на рахунок ШІ.

## Кероване оцінювання в аудиторії

Для керованого оцінювання в аудиторії корисний мінімум — це **базова міра, втручання, негайна міра після нього та пізніша міра без допомоги**. Там, де можливо, включайте умову порівняння: наявну практику, відсутність ШІ, необмежений ШІ проти ШІ зі скаффолдингом або два альтернативних дизайни. Вимірюйте допоможену продуктивність і самостійне навчання окремо.

Синтез [[ai-ed-evaluation|AI Ed Evaluation]] рекомендує такі результати: приріст у навчанні без допомоги, відстрочене утримання знань, перенесення на нове завдання, якість міркування, [[misconceptions]], сприйняття зворотного зв’язку та успішність за підгрупами. Залученість, задоволеність, журнали використання ШІ, самоефективність і [[technology-acceptance-model|perceived usefulness]] можуть бути цінними вторинними мірами, але їх не слід розглядати як замінники навчання. Навантаження на викладача й економія часу — також легітимні результати впровадження.

До читання результатів застосовні два застереження. По-перше, усереднений ефект із літератури — слакий провідник для окремої аудиторії: [[oneill-presumed-effective-meta-analysis-2026|O'Neill's (2026) audit]] 14 впливових [[meta-analysis-systematic-review|meta-analyses]] виявив, що жоден із них не дав валідної основи для своїх тверджень, — об’єднані [[learning-gains|"academic achievement"]] змішували бали за тестами, мотивацію, [[self-efficacy]] і ставлення в одній оцінці, повідомлена неоднорідність була екстремальною (I² коливалася від 77.2% до 94.4% у 13 аналізах, які її повідомляли, причому 12 із цих 13 були вище 80%), усі 14 оцінили [[limitations-in-aied-research|publication bias]] некоректно, а 61% випадково перевірених первинних досліджень мали проблеми зі валідністю, тоді як статистика, яка показала б, наскільки сильно насправді розходяться окремі результати, значною мірою відсутня (лише чотири аналізи повідомляли міждослідницьку дисперсію і лише два — інтервал прогнозу, і обидва включали нуль). По-друге, зручний бал може вимірювати неправильний конструкт: у [[zhang-platform-scores-miss-ai-teaching-agents-2026|an evaluation of eight AI teaching agents]] агент, який за власною оцінкою платформи був третім, за перевіреною експертами рубрикою опинився останнім, оскільки оцінки платформи індексували успішність студента під час взаємодії, а не якість навчання агента. Розглядайте будь-яку окрему метрику панелі показників як гіпотезу, яку треба перевірити за мірою, пов’язаною з тією здатністю, яку ви маєте намір розвивати.

Щодо того, що саме показують і не показують поточні докази та де вони залишаються тонкими, див. [[does-ai-help-students-learn]] та [[research-gaps-aied]].

---

## [Яких компетентностей потребують викладачі щодо ШІ?](https://edtechdev.github.io/aied/faqs/faculty-ai-competencies/)

# What Competencies Do Faculty Need in Regard to AI?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

**Компетентності викладачів мають виходити далеко за межі вміння формулювати підказки.** Синтез [[ai-literacy|AI Literacy]] у базі знань виокремлює чотири широкі виміри:

- **Базове розуміння** можливостей і обмежень ШІ.
- **Практична компетентність** у використанні інструментів ШІ.
- **[[critical-thinking|Critical evaluation]]** точності, упередженості, доречності та невизначеності.
- **[[ethics|Ethical]] та інституційну обізнаність**, що охоплює такі питання, як академічна доброчесність, приватність, [[equity-in-ai-education|equity]] і [[governance]].

## Педагогічний шар

Для викладачів ці виміри потребують додаткового педагогічного шару. Викладачі мають уміти:

- Визначати, яку когнітивну роботу здобувачі мають зберегти за собою.
- Відбирати такі види використання ШІ, які узгоджені з навчальними цілями.
- Проєктувати валідне оцінювання в епоху ШІ.
- Навчати студентів перевіряти й регулювати використання ШІ.
- Впізнавати [[hallucination-risk|hallucination]], надмірну залежність і [[ai-sycophancy|sycophancy]].
- Знати, коли [[human-in-the-loop-ai|human judgment]] має переважати над автоматизацією.

Викладачам потрібне також достатнє системне розуміння, щоб оцінювати, як поєднуються робочі процеси з підтримкою [[generative-ai|generative AI]], а не розглядати ШІ як ізольований інструмент. Див. [[teacher-ai-competency|Teacher AI Competency]] та [[educational-development|Faculty Development]].

## Упевненість — не компетентність

Дослідження, узагальнені в базі знань, також застерігають проти ототожнення упевненості з компетентністю: [[self-report-measures|self-reported]] самостійно ШІ-грамотність може суттєво розходитися з продемонстрованою здатністю, тому **професійний розвиток, заснований на продуктивності, та автентична практика** є кращими за одні лише опитування упевненості. Дослідження [[agentic-ai|multi-agent]] робочих процесів викладачів крім того дає підстави вважати, що системне мислення, педагогічні переконання і [[self-efficacy]] взаємодіють під час інтеграції ШІ, тому професійний розвиток має бути диференційованим, а не єдиним для всіх семінаром із інструментів.

## Що саме рухає професійний розвиток — і що він не рухає

Новіші дослідження в галузі вищої освіти дають конкретні цифри щодо того, де компетентність викладачів є сильною, а де вона дає збій. [[sutedjo-faculty-genai-tpack-21-2026|A survey of 127 faculty at a large U.S. research university]] з використанням інструменту [[tpack]]-21 виявило високий рівень самовизначеного [[pedagogy|pedagogical]] предметного знання (M = 4.70) і [[tpack|content knowledge]], близького до верхньої межі (M = 5.15), проте виміри, інтегровані з технологіями, були помітно нижчими — технолого-педагогічне знання (M = 2.62), технолого-предметне знання (M = 2.75) і цілісний TPACK (M = 2.55, найнижчий із семи). Предметна експертиза не прогнозувала знань про інтеграцію генеративного ШІ (кореляції з предметним знанням r = .11–.15, усі незначущі), тому розвиток викладацького складу **не може припускати, що оволодіння предметною галуззю переноситься саме собою**, і має будувати компетентність у [[generative-ai|generative AI]] через цілеспрямоване, [[discipline-specific-aied|discipline-specific]] програмування. Оскільки три виміри, інтегровані з технологіями, корелювали на рівні r = .81–.91, вони можуть функціонувати як єдина здатність інтегрувати генеративний ШІ, яку варто викладати як спільну основу, а не як окремі навички.

Те, що навчання може і не може зробити, так само повчально. У [[pishtari-teacher-ai-training-learning-design-2026|within-subjects study with 13 higher-education teachers]] надання викладачам [[conversational-ai|chatbot]] суттєво покращило якість їхнього [[learning-design|learning design]] — частка тих, хто досяг двох або більше завдань вищого рівня за Bloom, зросла з **41.7% до 91.7%** (p = .01) — і різко знизила відчутний когнітивний зусилля (медіана з 6.33 до 3.33, p = .004); тренінг із педагогічного [[prompt-engineering|prompting]], накладений зверху, **не покращив якість далі** і дещо підвищив зусилля. Іншими словами, доступ до ШІ легко змінює [[teacher-role|teaching behavior]]; глибша здатність вимагає більшого, ніж семінар, і самі лише здобутки в якості не доводять, що викладачі інтеріоризували практику.

## Стандарти, агентність і ідентичність

Компетентність — це також інституційне питання. [[crompton-faculty-technology-integration-standards-2026|Design-based research with 114 participants across 28 U.S. institutions and 11 countries]] дало шість стандартів технологій для викладацького складу, що охоплюють усю академічну роль — Викладач, Координатор, Лідер, Дослідник, Здобувач і Контриб’ютор, — оскільки наявні рамки ([[tpack]], [[samr-model|SAMR]]) і стандарти для педагогів (ISTE, UNESCO, DigCompEdu) стосуються викладачів [[k-12]] або лише виміру навчання.

[[dai-genai-frenemy-teaching-autonomy-2026|A survey of 287 teachers across 27 countries]] показує, чому впровадження чинить опір суто технічному обрамленню: уточнена модель пояснила **79.8% дисперсії** поведінкового наміру, проте уявна штучна [[agency|autonomy]] впливала на намір лише опосередковано, через корисність, і **уникання ризику було значним негативним предиктором** (−.163), причому викладачів значно більше турбували ризики надмірної залежності студентів від [[cognitive-offloading|overreliance]] та ризики для [[academic-integrity|integrity]], ніж їхнє власне використання ШІ. Впровадження залежало від чутливого до контексту судження, а не від привабливості автоматизації. Нарешті, [[ai-integrated-teaching-identity-tensions|interviews with two experienced academics]] дають підстави вважати, що інтеграція ШІ породжує повторювані **напруги ідентичності** — педагогіка проти платформи, вихователь проти фасилітатора, турбота проти відповідності вимогам, — які долаються через *принциповий відбір*, заснований на [[pedagogy|pedagogical]] цінностях. Тому компетентність включає професійне судження про те, *коли не варто використовувати ШІ*, а не лише вміння ним користуватися.

Щодо виміру, орієнтованого на студентів, див. [[incorporating-ai-literacy]] та [[ai-literacy-evidence]]; щодо узагальнення, орієнтованого на викладачів, див. [[top-10-findings-ai-education-instructors]].

---

## [Як спроєктувати професійний розвиток викладацького складу з питань ШІ, який справді змінює практику?](https://edtechdev.github.io/aied/faqs/faculty-development-ai/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як спроєктувати професійний розвиток викладацького складу з питань ШІ, який справді змінює практику?

Якщо ви відповідаєте за професійний розвиток викладацького складу, тиск, під яким ви перебуваєте, це, ймовірно, одне з наступного: ваш проректор хоче програму зі ШІ цього року, відвідуваність задовільна, але нічого не змінюється в аудиторіях, або ж люди, яким це найбільше потрібно, не приходять. Усі три ситуації вказують на один і той самий конструктивний недолік. Те, що змінює практику викладача, — це не вивчення того, що вміє інструмент; це витрачання підтримуваного, структурованого часу на проблему в *його власному* курсі, достатньо довго, щоб нова звичка замінила стару, причому заклад має явно сказати «так» експерименту, а не просто дозволяти його.

**Коротка версія.** Припиніть проводити демонстрації інструментів. Стандартизуйте цикл занять, у якому кожен учасник приносить реальний артефакт курсу й залишає з переробленим варіантом; вбудовуйте перевірку, розкриття та контроль ризиків у робочий шаблон, а не додавайте етику як окремий модуль; розтягніть програму на більше ніж один день і поєднайте її з менторством; організовуйте когорти за [[discipline-specific-aied|дисциплінами]]; і вимірюйте артефакти, які люди створили, із відстрочкою, а не те, наскільки впевненими вони почувалися в останній вечір. Решта сторінки — це докази щодо кожного з цих виборів, інституційні умови, від яких залежить їхня дієвість, і що сказати декану, який запитує, чи спрацювало це.

## Чому модель воркшопу дає слабкі результати

Найпрямішим порівнянням у цій літературі є [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]], які опитали 568 викладачів із п’яти університетів, а потім провели квазіексперимент із 160 з них. Обидва варіанти отримали чотири 90-хвилинних воркшопи протягом кількох послідовних тижнів з однаковим часом контакту, тією самою платформою й тією самою підтримкою фасилітатора. Різниця була в змісті: у одному варіанті це був звичний професійний розвиток викладацького складу щодо GenAI, у іншому — структурований цикл формулювання підказок, перевірки результатів, переробки матеріалів курсу та письмової рефлексії за семикомпонентним шаблоном, що охоплює цілі, обмеження завдань, критерії оцінювання, перевірку, розкриття та контроль ризиків. Структурований варіант отримав вищі показники за всіма сімома вимірами готовності, із найбільшою перевагою в проєктуванні підказок — приблизно на два стандартні відхилення, і лише в нього приріст у проєктуванні підказок зберегвся при відстроченому тестуванні: менший приріст у звичному варіанті до моменту повторного вимірювання знизився нижче базового рівня.

Ще два результати пояснюють, чому демонстрації не поширюються. У [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh (2026)]], які опитали 898 викладачів університетів за шкалами [[tpack|AI-TPACK]], викладачі, які розуміли, як працюють генеративні інструменти, або могли компетентно ними користуватися, були *не* більш схильні повідомляти про винайдення й упровадження нових методів викладання, ніж ті, хто цього не вмів. Інтегрований конструкт AI-TPACK не мав взагалі жодного прямого впливу на інноваційну поведінку: його вплив повністю здійснювався через [[ai-literacy]], педагогічну [[self-efficacy]] та професійну ідентичність. Іншими словами, здатність опосередковується тим, як викладач сприймає себе, а це не те, чим займається ознайомчий перегляд інструмента.

Існує також стеля. У [[pishtari-teacher-ai-training-learning-design-2026|дослідженні з повторюваними вимірами за участю 13 викладачів закладів вищої освіти]] доступ до чатбота підвищив частку активностей, що досягають двох і більше завдань вищого порядку за Блумом, з 41.7% до 91.7% (p = .01) і знизив сприймане когнітивне навантаження з медіани 6.33 до 3.33 (p = .004) — проте навчання педагогічним підказкам, додане зверху, не покращило якість проєктування далі і трохи збільшило навантаження. А в [[teachers-collaborative-evaluation-ai-content-2026|воркшопі з 60 вчителів природничих наук середньої школи]] продуктивним елементом було спільне рецензування питань оцінювання, згенерованих ChatGPT, — саме це виявило проблеми концептуальної точності та ризик зміцнення [[misconceptions]]. Ці два дослідження поєднує те, що навчання відбувалося завдяки критиці та переробці матеріалу, а не завдяки його демонстрації.

## Що будувати замість цього

Архітектура проєктування, що найкраще відповідає наведеним вище даним, — це [[designing-ai-professional-development-itpack-2026|фреймворк i-TPACK Догана (2026)]], побудований на огляді за стандартом PRISMA професійного розвитку щодо ШІ плюс пошуку, який виявив ще 17 досліджень. Він узгоджує п’ять доменів знань — інтелектуальні технологічні знання, технологічні знання змісту, технологічні педагогічні знання, інтегровані i-TPACK та етику ШІ — з чотирма доказовими шляхами: [[active-learning]], моделі та приклади, коучинг і підтримка експертів, а також [[feedback]] і рефлексія, при управлінні п’ятьма принципами — від Collective Synergy Over Silos до Flexibility within Structure. Його критика галузі варто сприймати серйозно, перш ніж копіювати чиюсь програму: в багатьох наявних пропозиціях етика розглядається поверхнево або повністю відсутня. Обмеження фреймворку в тому, що він концептуальний, без даних результатів на рівні програм.

Перекладене на програму, яку можна запустити наступного семестру, це означає:

- **Кожне заняття завершується переробленим артефактом.** Учасники приносять ціль, рубрику або завдання на оцінювання й залишають із зміненим варіантом. [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] вимірювали саме цей цикл, і саме він витримав перевірку при повторному вимірюванні.
- **Шаблон несе на собі найважчі частини.** Перевірка, розкриття та контроль ризиків належать до робочого документа, яким учасники користуються весь тиждень, а не до завершального сегмента. Це також спосіб дати корисливе призначення непевності, що важливо нижче.
- **Розглядайте проєктування оцінювання як найвищодохідну ціль.** У восьмигодинній програмі [[genai-pd-ai-pck-learning-gain-2026|Talebzadeh’s (2026)]] — чотири двогодинні заняття з 163 викладачами та майбутніми викладачами — загальний показник AI-PCK зріс з 151.65 до 220.14 (*d* = 2.36, *p* < .001), і найбільший компонентний ефект був у Assessment Rubrics (*d* = 2.19) — також найслабшій області на передтесті. Розрив був вужчим у методі викладання, ніж в оцінюванні.
- **Закладіть у бюджет більше ніж один день і додайте менторство.** Майбутні викладачі в тій самій програмі досягли значно більшого приросту, ніж досвідчені (*p* = .033), переважно в проєктуванні сценарійних завдань і рубрик. Досвідчені викладачі заявили, що восьми годин замало, щоб зрушити глибоко вкорінені звички, і просили довгострокової підтримки на основі менторства.
- **Сегментуйте свою аудиторію замість одного універсального воркшопу.** [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo, Chowdhury and Liu (2026)]] виявили серед 127 респондентів, що самосприйняте педагогічне знання змісту було високим (M = 4.70), а знання змісту — близьким до стелі (M = 5.15), тоді як технологічні педагогічні знання (M = 2.62), технологічні знання змісту (M = 2.75) і цілісний TPACK (M = 2.55) були помітно нижчими. Знання змісту не показали жодної суттєвої кореляції з жодним технологічно інтегрованим доменом (r = .11–.15), тож володіння предметною областю не переноситься, і ці три низькі домени корелювали між собою з r = .81–.91 — ймовірно, це одна здатність викладати як спільна основа, а не три окремі модулі.
- **Вирішіть, чи входять стосунки в область завдань.** [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] стверджують, що ШІ сприяє соціально-емоційному розвитку викладачів лише тоді, коли діє як реляційна інфраструктура — захищений час для менторства, діалогу між колегами, спільнот практики — і пропонують *щільність стосунків* (relational densification) як стандарт, який рахує довіру, безперервність підтримки та спільну регуляцію, а не години контакту. Два їхні твердження переводяться напряму: звільнений час поглинається як додаткове навантаження, якщо заклад офіційно не вимагає його реінвестування, і розмовні агенти можуть тихо стати замінником із низьким рівнем опору для складних людських переговорів, що й породжують зростання. Їхній фреймворк — це евристика, а не перевірене причинне твердження.

## Інституційні умови вирішують більше, ніж навчальний план

Це той висновок, який варто принести на зустріч із керівництвом. У тому самому дослідженні казахстанські викладачі повідомляли про вищий базовий рівень готовності, ніж їхні китайські колеги, за всіма сімома вимірами, із найбільшими розривами в дисциплінарному переносі, проєктуванні підказок та базовому розумінні. Проте в ієрархічній регресії коефіцієнт для Казахстану — ясний за своєю значимістю окремо — впав до незначущості, скоротившись приблизно на чотири п’ятих, коли були внесені попереднє використання GenAI, нещодавнє навчання зі ШІ, інституційна підтримка, сприйманий дозвіл, доступ до багатомовних ресурсів, ясність політики та чутливість до ризиків. Інституційна підтримка та сприйманий дозвіл мали найбільшу позитивну вагу. Чутливість до ризиків була єдиним предиктором, що діяв проти готовності. Більш ніж удвічі більше казахстанських викладачів, ніж китайських, повідомляли про навчання, пов’язане зі ШІ, за попередні шість місяців.

Для керівника програми важелі тому є локальними й безпосередніми: практична робота, явний дозвіл на експерименти, матеріали мовами, якими ваші викладачі справді працюють, і видима підтримка від підрозділу. Формулювання національної політики само по собі не забезпечує готовності. Там, де встряє чутливість до ризиків, відповідь не в тому, щоб знижувати обачність розмовами, а в тому, щоб дати їй місце, де вона може бути вправлена — проєктування рубрик і процедури перевірки — це спосіб перетворити непевність на судження.

Два практичні тертя належать до тієї самої розмови. Намір продовжувати використання був найвище оціненим виміром задоволеності в [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]], тоді як зручність інструмента — найнижче оціненим, тож частина того, що виглядає як небажання, — це тертя платформи. І [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] локалізують жорстке обмеження: ШІ не може компенсувати хронічне перевантаження, каральні культури підзвітності, слабке лідерство або відсутність захищеного часу. Якщо це ваші умови, кращий воркшоп їх не виправить.

## Скептики й стурбовані — це суть, а не перешкода

[[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]] стверджує на підставі автоетнографічного опису, що опір — це не дефіцит навичок. Викладачі, які запитують, у чому сенс викладання в світі GenAI, не запитують, як безпечно користуватися інструментом; це питання онтологічне. Читаючи GenAI як порогове поняття — трансформативне, турботливе, незворотне, інтегративне, обмежене — вона робить висновок, що тривожність, опір і збентеження є необхідними частинами його подолання, а не проблемами, які треба виправити, і її рекомендації перевертають звичний воркшоп: починати з питань ідентичності, а не з демонстрацій, проводити дисциплінарно організовані когорти, дозволяти різні часові рамки й розглядати принципове невпровадження, що спирається на дисциплінарні цінності, як легітимне. Вона також попереджає, що комунікація правил може перетворитися на «ілюзію забезпечення» (enforcement illusion), яка підміняє підтримку повідомленнями про дотримання.

Існує також аргумент на користь адаптації в проєктуванні. У [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh (2026)]] професійна ідентичність передбачала інноваційну поведінку майже вдвічі сильніше серед нерегулярних користувачів ШІ, ніж серед щоденних — пограничний результат, але він указує, що робота над ідентичністю найбільше окупається з тими, хто ледве торкається інструментів. [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo and colleagues]] обґрунтовують свідоме проєктування програм за цими напрямами, бо експертиза не переноситься; [[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw]] хоче дисциплінарні когорти як місця для розмов про ідентичність; а [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh]] пропонують диференціювати за досвідом, де користувачам із обмеженим досвідом потрібне базове керівництво, а часті користувачі більше отримують від міждисциплінарних проєктів.

Для стурбованого учасника [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] додають умову управління, а не мотиваційну: відокремити підтримку добробуту від управлінського оцінювання, мінімізувати дані, обмежити мету, зберегти участь добровільною й гарантувати людський нагляд. Саме це робить безпечним визнання непевності в просторі, опосередкованому ШІ.

**Афективний шар має тепер власний інструмент.** [[vassallo-ai-guilt-complex-faculty-2026|Vassallo (2026)]] опитав 109 науковців і виявив **«комплекс провини щодо ШІ»** (AI guilt complex): 35% турбувалися, що використання ШІ підриває їхню довіру до них, і 26% повідомляли, що почувалися так, ніби «обманюють», причому **передбачувана провина щодо довіри перевершувала розкаяння після використання**, тож страждання є соціально-професійним, а не приватним. Виникли чотири профілі — Comfortable Adopters (27%), Guilty Non-Users (29%), Cautious Users (28%) і Morally Distressed Avoiders (16%) — що означає, що єдина програма адресує чотири різні проблеми, а 29%, які почувають провину, не користуючись інструментами, потребують чогось іншого, ніж демонстрація. Масштаб інституційного завдання видно в [[watson-rainie-ai-challenge-faculty-survey-2026|опитуванні 1,057 викладачів AAC&U/Elon (Watson and Rainie 2026)]]: 68% заявили, що їхні заклади не підготували викладацький склад до використання генеративного ШІ у викладанні та менторстві, і подібна частка — в науковій роботі, тоді як 26% респондентів взагалі не користуються інструментами — включно з 40% викладачів мистецтва та гуманітарних наук — і 82% називають опір колег перешкодою для впровадження на рівні факультету.

## Доведення результативності тому, хто фінансує

Інституційний каркас, вартий узгодження, — це [[crompton-faculty-technology-integration-standards-2026|Crompton, Burke and Nickel (2026)]], чиє дослідження на основі проєктування в двох макроциклах із 114 учасниками — викладачами з 28 установ США та 11 країн, а також директорами центрів викладання та координаторами акредитації — дало шість стандартів, що охоплюють всю академічну роль, а не лише викладацький її зріз: Instructor, Coordinator, Leader, Researcher, Learner і Contributor. Розрив реальний: наявні фреймворки та стандарти педагогів орієнтуються на викладачів [[k-12]] або охоплюють лише викладання. Стандарти такого роду дозволяють центру розвитку узгодити свою пропозицію з атестацією та акредитацією замість проведення незв’язаних воркшопів, що також є аргументом, який витримує огляд бюджету.

Будьте обережні в тому, як ви оцінюєте, бо більшість цієї літератури вимірює самоописування. [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] вимірювали [[self-report-measures|самоописану]] готовність, а не реалізоване викладання чи навчання студентів, і їхні групи формувалися за добровільною реєстрацією та інституційним плануванням, а не рандомізацією, тож їхні результати є асоціаціями, а не причинними оцінками. [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh (2026)]] є поперечним і самовідібраним, спиралося на вісім університетів в одній країні та вимірювало кожен конструкт від тих самих респондентів в один момент часу; їхня шкала інноваційності також зберегла формулювання загального виміру інноваційності. [[sutedjo-faculty-genai-tpack-21-2026|Sutedjo and colleagues]] не можуть встановити напряму причинності, що важливо, бо їхнє найсильніше твердження — що технологічні знання діють як вхідні ворота — є саме тим, чого поперечний дизайн не може вирішити. [[genai-pd-ai-pck-learning-gain-2026|Talebzadeh (2026)]] повідомляє дуже великі ефекти без рандомізації, повторного вимірювання чи розбивки за дисциплінами, тож *d* = 2.36 слід читати як короткостроковий результат, а не як доказ тривалої практики. [[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]] — це автоетнографічна рефлексія, а [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]] заявляють, що їхній фреймворк є концептуальним.

Отже, захисне оцінювання вимірює артефакти, а не думки: матеріали курсу, які переробив учасник, написані рубрики, спроєктовані завдання. Воно тестує з відстрочкою, бо розрив у [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] з’явився лише при повторному вимірюванні, де звичайна група знизилася, а структурована — ні. Воно розглядає задоволеність і впевненість як слабкі сигнали — [[pishtari-teacher-ai-training-learning-design-2026|Pishtari and colleagues (2026)]] зауважують, що самі по собі прирости якості не доводять інтеріоризації, бо зростання якості проєктування може однаково відбивати делегування рутинної роботи або прийняття структури, згенерованої ШІ. І воно додає принаймні один реляційний показник, слідуючи [[ai-emotional-intelligence-teacher-development-2026|Aponte et al. (2026)]], бо поліпшення артефактів за ізоляції учасників — це не те, що заявляла програма.

## Три заперечення з відповідями

**«У нас немає годин.»** Тоді витрачайте їх інакше, а не додавайте нових. Порівняння в [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] утримувало час контакту постійним на рівні чотирьох 90-хвилинних занять; структурований варіант перевершував за того самого бюджету. Шість годин, організованих як цикл артефактів, перевершують шість годин демонстрацій, а коротший формат, витрачений на рубрики оцінювання, націлюється на найслабшу область в [[genai-pd-ai-pck-learning-gain-2026|Talebzadeh (2026)]].

**«Наші викладачі не прийдуть, або скептики зірвуть програму.»** Не залучайте скептиків до демонстрації. Починайте з питань ідентичності, організовуйте когорти за [[discipline-specific-aied|дисциплінами]], дозволяйте різні часові рамки й говоріть уголос, що принципове невпровадження — це легітимна позиція; саме така рекомендація від [[laidlaw-genai-identity-crisis-faculty-2026|Laidlaw (2026)]], і вона прибирає з кімнати суперечку про дотримання. Очікуйте, що робота над ідентичністю найбільше значуща для нерегулярних користувачів, згідно з [[ai-teaching-innovation-ai-tpack-2026|Bai and Hsieh (2026)]].

**«Ми не можемо змусити людей діяти за цим.»** Переважно не можете, але ви можете змінити те, що сигналізує заклад. Сприйманий дозвіл та інституційна підтримка мали найбільшу позитивну вагу в [[faculty-development-centers-genai-training-optimization-2026|Bi et al. (2026)]] після того, як ефект національного контексту зник, тож корисні кроки — це дешеві кроки: заявити, що експериментування схвалено, формально захистити час, щоб його не поглинули, надати матеріали робочими мовами викладачів і прибрати тертя платформи, яке було найнижче оціненим виміром у тому самому дослідженні.

## Контрольний перелік для проєктувальників програм

- Закріплювати кожне заняття за реальним артефактом курсу — цілями, рубрикою або завданням на оцінювання, — який учасники приносять із собою і переробляють, перш ніж піти.
- Розмістити перевірку, розкриття та контроль ризиків усередині робочого шаблону, а не додавати етику як завершальний модуль.
- Проводити достатньо довго й поєднати програму з наступним менторством; досвідчені співробітники повідомляють, що короткі формати не можуть зрушити глибоко вкорінені звички.
- Будувати когорти за [[discipline-specific-aied|дисциплінами]] і диференціювати за рівнем досвіду замість одного універсального воркшопу.
- Починати з питань ідентичності перед демонстраціями й розглядати принципове невпровадження як легітимну професійну позицію.
- Забезпечити інституційну підтримку, сприйманий дозвіл, захищений час і доступ робочими мовами викладачів; це має більшу вагу, ніж формулювання національної політики.
- Оцінювати за артефактами, відстроченим вимірюванням і принаймні одним реляційним показником; повідомляти розміри ефектів чесно щодо дизайнів на самоописуванні та поперечних дизайнів.

Саму мету щодо компетентностей дивіться в [[faculty-ai-competencies]]; щодо структурування ШІ в курсі, а не в воркшопі — дивіться [[designing-ai-into-learning]]; а щодо ширшої інституційної картини — дивіться [[top-10-findings-ai-education-instructors]].

---

## [Як бути зі ШІ в групових і колаборативних завданнях?](https://edtechdev.github.io/aied/faqs/group-work-ai/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як бути зі ШІ в групових і колаборативних завданнях?

Ви задаєте групове завдання, і разом із роботами приходять два типи невдач: артефакт, що є відполірованим і узгодженим, але який не може пояснити жоден учасник, і команда, в якій один студент прогнав роботу через [[generative-ai|генеративний ШІ]], тоді як троє інших їхали на спільній оцінці. Ніщо в файлі не каже вам, який саме це випадок.

Обидва є проблемами оцінювання раніше, ніж проблемами академічної доброчесності, і проблемами проєктування раніше за обидва: групове завдання стверджує дві речі водночас — що команда створила і що вивчив кожен учасник, — і ШІ тисне на обидві, змінюючи, наскільки легко роботу можна поділити, наскільки плавно зливаються внески і наскільки важко визначити, чиє мислення в роботі.

Головне: визначайте місце ШІ **для кожного завдання, а не для кожного курсу**; зробіть так, щоб домовленість групи про використання ШІ була чимось, що вони подають, а ви оцінюєте; проєктуйте роботу так, щоб її не можна було розділити на паралельні сесії чатбота; і залиште принаймні одну частину, за яку кожен учасник відповідає самостійно. Жодна з цих мір не потребує поліцейського нагляду за інструментами — вона потребує проєктування завдання.

## Коротка версія

1. **Дозволяйте свідомо й кажіть, що саме покриває цей дозвіл.** Назвіть частини, яких ШІ може торкатися — генерація ідей, відполірування мови, компонування, скриптинг, — і ті, які мають бути опрацьовані без нього.
2. **Захищайте сегменти, де група будує спільне розуміння** — формулювання завдання, розбіжності, узгодження, — бо опосередкована ШІ ефективність саме їх і стискає.
3. **Вимагайте короткої спільно автореної заяви про використання ШІ й оцінюйте аргументацію.** Це перетворює групову норму на перевірне судження.
4. **Зробіть процес видимим**: проміжні результати, спільні документи планування, рефлексії кожного учасника, [[peer-assessment|взаємне оцінювання]] внеску.
5. **Збережіть індивідуальну підзвітність поруч із груповою оцінкою** — усний захист або індивідуальне пояснення будь-якого розділу, якого учасник не писав.
6. **Обирайте конфігурацію доступу свідомо.** Спільний інтерфейс породжує узгоджене, видиме використання ШІ; приватні підказки породжують непрозорі потоки й тихо знепозначені результати.
7. **Уважно читайте стриманість групи** — відмова від ШІ може бути свідомою [[self-regulated-learning|саморегуляцією]] або простою необізнаністю, і ці два випадки потребують різних реакцій.

## Визначайте, для чого ШІ в цьому завданні

Корпус не вирішує питання дозволу як питання дозволу і обґрунтовує, чому його не слід розглядати таким. [[chen-zou-genai-group-assessment-agency-2026|Chen and Zou (2026)]] вивчали групи по три–п’ять осіб, які готували презентацію вартістю 30% оцінки в умовах інституційної політики «використовувати лише з явним зазначенням», причому GenAI був явно дозволений для генерації ідей, відполірування мови, візуального компонування та скриптингу. Всередині цієї однієї ліберальної політики студенти дійшли протилежних висновків із захисною аргументацією з кожного боку, і саме проєктування формувало, до якого висновку група дійшла. Правило на рівні курсу не визначає, що робить група; це робить завдання.

Тому пишіть дозвіл на рівні артефакту: скажіть, які фази відкриті для ШІ, а які ні, і поясніть студентам чому. Логіка проєктування оглядово-систематичної роботи вказує в той самий бік — якщо опосередкована ШІ комунікація стискає переговори та колективне смислотворення, то сегменти, де група будує спільне розуміння, і є тими, які треба захищати. Але будьте чесними щодо обґрунтування: жоден із оглядів не стверджує, що утримання ШІ покращує результати навчання. Цей аргумент спирається на структуру компромісу, а не на виміряне порівняння.

## Будуйте завдання так, щоб група не могла просто поділити його

[[wei-perkins-genai-student-collaboration-scoping-2026|Wei and Perkins (2026)]] — оглядово-систематична робота за PRISMA над 18 англомовними дослідженнями, опублікованими між січнем 2023 і березнем 2025 року, проаналізована за допомогою рефлексивного тематичного аналізу та відображена на восьми темах, — дає обидві сторони відомостей. Вигоди: розвиток групових знань, генерація ідей, підтримка рефлексивного мислення, ефективність комунікації, координація завдань і зворотний зв’язок. Ризики: знижена взаємодія між однокурсниками та [[student-engagement|залученість]] при надмірній залежності, а також занепокоєння щодо приватності, прозорості та точності. Їхня оцінка різка — вигоди є емпірично підтвердженими, тоді як ризики навколо приватності, прозорості, упередженості та точності здебільшого обговорюються концептуально, — і багато досліджень є короткостроковими або концептуальними, з невеликою кількістю поздовжніх робіт про групову динаміку чи когнітивний розвиток.

Компроміс управляє проєктуванням. Огляд повідомляє, що групова робота стала ефективнішою за зниженого попиту на комунікацію, переговори та колективне смислотворення — висновок Lin et al., процитований в огляді, — тож приріст ефективності та втрата взаємодії можуть бути тим самим механізмом. Ви не можете отримати швидкість без втрати, якщо не вбудовуєте переговори назад як обов’язкову роботу. Огляд робить висновок, що [[group-work|оцінювання на основі груп]] має перенести фокус із продукту на процес.

Chen and Zou показують, наскільки важко зробити це випадково: їхні три патерни [[agency]] прямували в різні боки водночас. Орієнтована на співпрацю дієздатність (п’ять груп) посилювала використання, щоб утримати роботу разом, часто подаючи внески однокурсників у [[conversational-ai|чатбот]], щоб розшифрувати їх і узгодити власну частину, причому одна група перебудувала свій робочий процес як «обговорення → екстерналізація в GenAI → колективний перегляд → повторне обговорення». Нормативна дієздатність (сім груп) свідомо стримувала використання, вважаючи, що завдання вимагає ситуативного знання, до якого ШІ не може дістатися — «ШІ знає лише той момент, коли ви друкуєте», — або вважаючи згенеровані ШІ розділи нечесними щодо однокурсників, які мали б їх нести. Нереалізована дієздатність (три групи) не змінила нічого, розділяючи роботу на дискретні підзавдання на «індивідуальних платформах», тоді як окремі студенти використовували GenAI способами, яких вони ніколи не додавали команді.

Рубрика вже вимагала інтеграції та узгодженості за мультикультурною темою, рефлексивного прозріння кожного учасника, пов’язаного з його власним внеском в аудиторії, і продемонстрованої групової співпраці — і три групи все одно поділили й підкорили. Критерій узгодженості сам по собі не породжує співпрацю.

Конфігурація доступу є частиною цього. [[xu-genai-collaborative-space-2026|Xu et al. (2026)]] спостерігали 18 студентів у шести групах по три особи на одному спільному інтерфейсі ChatGPT-4 приблизно 45 хвилин і опитали ще дев’ятьох студентів про асинхронну командну роботу. За спільного, видимого інтерфейсу команди спільно конструювали «колективні підказки», вели повторюваний цикл «поверхня → оцінка → вбудовування», розглядали чат як спільну зовнішню пам’ять і відкрито узгоджували роль ШІ. В асинхронній роботі приватні підказки та «знепозначення» результатів породжували непрозорі, приватизовані інформаційні потоки, що підвищували ціну підтримки спільної когнітивної моделі. Роль GenAI також змінювалася — від підлеглого помічника до оспорюваного члена команди, і система когнітивно залучена, але контекстуально не обізнана про змінний фокус команди.

## Зробіть внесок кожного учасника видимим

[[genai-group-writing-strategies-2026|Korchak, Costley and Fanguy (2026)]] додають деталь, яка має турбувати оцінювача. На курсі наукового письма, виходячи з інтерв’ю з 10 аспірантами віком від 23 до 39 років (середнє 27.7), групи використовували GenAI через заздалегідь сплановані стратегії або через відкриті, індивідуально керовані взаємодії, координовані в спільних документах; відмітним використанням був GenAI як редакційний інтегратор, що зливає паралельні розділи в узгоджений текст. Їхнє найгостріше спостереження: описи студентів іноді суперечили їхнім власним письмовим рефлексіям — один студент заперечував наявність групової стратегії, водночас описуючи її на письмі. Групові стратегії не завжди однаково видимі кожному учаснику, тож вони не видимо й для вас.

Здатне індивідуальне використання ШІ, яке ніколи не стає командною практикою, — це той самий феномен з іншого боку. Обидва дослідження мають на увазі один захід протидії: вбудовуйте видимість у результати — журнал рішень, спільні документи, які ви можете відкрити, і коротку нотатку від кожного учасника про те, що він зробив і які частини він усе ще не може пояснити.

## Оцінюйте групу, не втрачаючи індивідуума

Центральний аргумент Chen and Zou щодо проєктування полягає в тому, що узгодження прийнятного використання GenAI має саме стати явним, оцінюваним результатом навчання: команди мають колективно обґрунтовувати й документувати, як GenAI буде і не буде використовуватися, а не залишати норму на тиск однокурсників або сприйманий ризик. Це оцінюваний артефакт, який існує лише тоді, коли група справді говорила, і він перетворює непримусове правило на перевірне студентське судження.

Поєднайте його з індивідуальною складовою — усним захистом власного розуміння або письмовим поясненням будь-якого розділу, якого вони не писали. Це також чесна відповідь на проблему вільного їздача: вона оцінює розуміння, а не авторство, а розуміння є тим, чим групова оцінка завжди була сурогатом.

[[llm-critical-thinking-teamwork-review|Martínez-Peláez et al. (2025)]] відібрали 203 дослідження за 2023–2024 роки в Web of Science Core Collection і включили 22 за протоколом PRISMA 2020, зареєстрованим у PROSPERO. Вони повідомляють, що LLM діють як каталізатори [[collaborative-learning|співпраці]] — генерація ідей, організація, [[peer-assessment|зворотний зв’язок однокурсників]], імітовані оцінювання на основі рубрик і експертні рецензії, нижчі бар’єри участі, — і, для [[problem-solving|вирішення проблем]], допомога в дослідженні альтернативних рішень, міждисциплінарних перспектив і автентичних сценаріїв. Вони також зазначають корисну інверсію: LLM часто породжують неповні або неправильні відповіді, що спонукає студентів ставити під сумнів, перевіряти та покращувати інформацію — це те використання ШІ, яке варто шукати всередині індивідуальної перевірної точки.

Їхні обмеження мандрують разом із будь-якою цитатою: єдина база даних, лише журнальні статті, відсутність фокуса на етиці чи приватності, лише перші два роки технології і жодного застосованого інструменту оцінки ризику упередженості. Розглядайте «каталізатори» як опис спостережуваних практик, а не як виміряний результат.

Дві речі, яких не слід робити. Не сягайте за детектуванням, щоб розсортувати індивідуальні внески: жодне з цих шести досліджень не тестує детектори в групових умовах, а проблеми детектування на індивідуальному рівні задокументовані в іншому місці цієї бази знань. І не читайте стриманість групи як схвалення або як проблему, не перевіривши, чим вона є — Chen and Zou попереджають, що стриманість може відбивати необізнаність або уникнення ризику, а не свідому [[self-regulated-learning|саморегуляцію]].

## Уповадкуйте розбіжності щодо ШІ всередині команди

Розкриття — це не лише питання, яке ви ставите в кінці; це норма, яку група має врегулювати, і саме в урегулюванні живуть цікаві невдачі. Chen and Zou виявили два обґрунтування посиленого використання. Продуктивність: студенти читають критерії та показники однокурсників і використовують ШІ, щоб захистити свою частину спільної оцінки — раціональна реакція на спільну оцінку. Сприймата безпека через норми: ліберальний колективний клімат знижував відчутний [[ai-misuse-learning-harm|ризик зловживання]], тож групи використовували інструмент відкритіше і, у випадку орієнтованої на співпрацю групи, із більшою залежністю. Якщо ви хочете прозорості, заявлена класна норма є ефективнішою, ніж попередження.

Група, яка приносить вам розбіжності щодо використання ШІ, зазвичай вже зробила важку частину. Дайте їм структуру: вимагайте, щоб заява про використання ШІ фіксувала також те, що група вирішила *не* робити, а не лише те, що вона робила, і оцінюйте обґрунтування. Саме тут реалізується твердження Chen and Zou про [[agency|колективну дієздатність]]: індивідуальна здатність не стає колективною здатністю сама по собі, і саме тому узгодження має бути вимогою, а не надією.

## Три заперечення, які ви справді почуєте

**«Групова робота вже нечесна — ШІ просто робить її гіршою.»** ШІ змінює форму проблеми, а не її існування. Скарга на нечесність уже всередині групи: стримані студенти в дослідженні Chen and Zou розглядали генерацію власного розділу через ШІ як нечесну щодо однокурсників, які мали б її нести, а обґрунтування продуктивності показує студентів, що захищають свою частку спільної оцінки. Жодне дослідження тут не показує, що ШІ погіршив вільного їздача або що будь-яка інтервенція зменшує його. Індивідуальна підзвітність і видимий процес є захисними на підставі аргументу проєктування, а не як доведені виправлення.

**«ШІ робить співпрацю кращою, тож я маю його заохочувати.»** Частково, і «частково» тут важливе. Martínez-Peláez et al. описують справжню підтримку співпраці — генерацію ідей, організацію, [[peer-assessment|зворотний зв’язок однокурсників]], імітовані оцінювання за рубриками, нижчі бар’єри участі, — але це огляд спостережуваних практик із наведеними вище обмеженнями, а Wei and Perkins виявили вигоди емпірично підтвердженими, тоді як сторона ризиків здебільшого концептуальна. Найгострішою обережністю є рандомізовані докази, які вони цитують: ШІ породжував більше інноваційних пропозицій, значно не підвищуючи загальної інноваційності учасників, і міг гомогенізувати ідеї та спонукати до [[cognitive-offloading|когнітивного зсування навантаження]]. Робота з імітації не закриває розриву. [[llm-agents-collaborative-problem-solving-simulation-2026|Fang (2026)]] донавчала агентів LLM на реальних діалогах учасників (адаптери LoRA/QLoRA на LLaMA 3.2–3B), щоб моделювати 48 учасників на 3,824 реплік і шести тематичних кодах, а потім порівняв реальний та імітований дискурс за допомогою Epistemic Network Analysis; імітована мережа досягла відстані 0.17 від емпіричної мережі, нижче порогу 0.30, із перестановочним p-значенням 0.65, статистично нерозрізняльно, хоча імітація трохи перебільшувала зв’язки Technical Constraints–Design і недопредставляла Data і Performance Parameters. Це робота-фреймворк із середньою довірою: вона підтримує лише одне твердження — специфічні для учасників агенти можуть відтворювати реалістичний колаборативний дискурс, — і не показує, що студенти вчаться більше від імітованих членів команди.

**«Я не можу оцінювати процес.»** Ви вже оцінюєте його сурогат і називаєте це якістю продукту. Рух не в тому, щоб оцінювати більше; він в тому, щоб оцінювати артефакт, який існує лише тоді, коли процес відбувся, — узгоджену заяву про використання ШІ, журнал рішень, індивідуальний захист. Усі три є обмеженими та перевірними. Чого ви не маєте стверджувати, так це того, що будь-що із цього валідовано: патерни дієздатності походять з одного якісного дослідження, 52 майбутніх викладачів в одному курсі, і автори кажуть читати їх як можливі реакції на проєктування, а не як розподіл, який ви можете очікувати в своєму класі. 10 учасників дослідження письма були аспірантами-експертами зі ШІ, і його автори називають висновки специфічними для контексту, а не таксономією.

## Чого докази не підтверджують

GenAI не покращує несприяного співробітництва: вигоди оглядово-систематичної роботи стосуються процесу та продукту, вона явно закликає до поздовжніх робіт про групову динаміку та когнітивний розвиток, а прирости, виміряні під час підтриманої ШІ групової роботи, не було показано, що [[transfer-of-learning|переносяться]] на співпрацю без інструмента. Детектування не розсортовує групових внесків. І жодне дослідження тут не порівнює групове завдання зі ШІ з тим самим завданням без нього, тож «групова робота без ШІ породжує більше навчання» — це аргумент проєктування, а не висновок, який ви можете цитувати.

## Зробіть цього тижня

**За десять хвилин, перш ніж вийде наступне завдання:** вимагайте спільно автореної півсторінки, яка стверджує, як і чому ця команда буде й не буде використовувати GenAI, і додайте індивідуальну складову до рубрики.

**За один класний період:** перевірте завдання за тестом Xu et al. — чи можна роботу розрізати на незалежні частини й зібрати назад? Якщо можна, змініть послідовність так, щоб принаймні один етап вимагав усієї команди, і поставте спільний інтерфейс або документ у його центр. Скажіть класу, які сегменти призначені бути вільними від ШІ, і чому.

**Цього семестру:** визначайте дозвіл на ШІ для кожного завдання, захищайте етапи формулювання та узгодження і читайте стриманість будь-якої групи як сигнал для інтерпретації, а не як позицію для виправлення.

## Практичний контрольний перелік для групових завдань

- **Впишіть узгодження в завдання.** Вимагайте від кожної команди подати коротку спільно авторену заяву про те, як GenAI буде і не буде використовуватися, і оцінюйте аргументацію.
- **Зробіть процес видимим, а не лише продукт.** Проміжні результати, [[peer-assessment|взаємне оцінювання]] внеску, спільні документи планування та рефлексивні внески створюють взаємодії, через які узгоджуються норми.
- **Захищайте індивідуальну підзвітність поруч із груповою оцінкою.** Залиште складову, за яку кожен учасник має відповідати самостійно — усний захист власного розуміння або індивідуальне пояснення будь-якого розділу, якого він не писав.
- **Обирайте конфігурацію доступу свідомо.** Один спільний інтерфейс породжує колективні підказки, спільну пам’ять і узгоджені ролі; приватні підказки породжують непрозорі потоки й знепозначені результати.
- **Проєктуйте завдання так, щоб його не можна було розділити.** Рядок рубрики про узгодженість сам по собі не породжує співпрацю; робочий процес має вимагати спільної роботи.
- **Скажіть, які частини вільні від ШІ.** Якщо переговори та колективне смислотворення є суттю, назвіть сегменти, де група працює без інструмента, і поясніть студентам чому.
- **Призначайте ролі, особливо для здобувачів, які в них потребують.** Явні визначення ролей, структуровані завдання та малі сталі команди — це вимоги, які інструменти колаборації зі ШІ регулярно не спроможні забезпечити.
- **Уважно читайте стриманість.** Група, яка відмовляється від GenAI, може вправляти свідому [[self-regulated-learning|саморегуляцію]] або охоронятися від необізнаності та ризику; ці два випадки потребують різних реакцій.
- **Зберігайте стандарт доказів чесним.** Залученість, задоволення та задоволеність є слабкими показниками; групове використання GenAI за ліберальної політики із зниженою взаємодією між однокурсниками не є доказом навчання.

Підставні докази знаходяться на сторінках понять [[group-work]] і [[collaborative-learning]].

---

## [Як ШІ впливає на студентів?](https://edtechdev.github.io/aied/faqs/how-ai-impacts-students/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як ШІ впливає на студентів?

**ШІ впливає на студентів у позитивному й негативному напрямах, і зазвичай одночасно.** Той самий інструмент може підтримувати навчання студента, заохочуючи при цьому надмірну залежність, підвищувати мотивацію, підриваючи при цьому дієздатність, або сприяти почуттю приналежності, загрожуючи при цьому авторству. Дослідження [[student-experience|студентського досвіду]] вказують на повторювані позитивні та негативні впливи в кількох вимірах — і напрям залежить значною мірою від того, як проєктовано ШІ і як студенти його використовують.

## Позитивні впливи

**1. Підтримка навчання.** ШІ може забезпечувати [[scaffolding|скаффолдинг]] розуміння через [[feedback]], підказки та пояснення, даючи студентам допомогу на вимогу, практику та адаптивну підтримку, яка зберігає за здобувачем когнітивно важливу роботу. Зроблене добре, це підтримує навчання та [[help-seeking]] (дивіться [[does-ai-help-students-learn|Чи справді використання ШІ допомагає студентам вчитися?]]).

**2. Мотивація та залученість.** Персоналізована, негайна та низькоризикова підтримка може підвищувати [[motivation]] та [[student-engagement|залученість]], допомагаючи студентам наполегливо працювати та почуватися компетентними (дивіться [[self-determination-theory|теорію самодетермінації]] та її потреби в автономії, компетентності та пов’язаності).

**3. Доступ і справедливість в окремих вимірах.** ШІ може дати студентам, які вагаються ставити запитання, спосіб отримати допомогу за низького тиску, і може підтримувати [[well-being]], знижуючи тривожність від звертання по допомогу.

**4. Ідентичність і готовність до майбутнього.** ШІ може допомогти студентам побудувати переносні навички для інтегрованого зі ШІ світу — [[ai-literacy]], [[distributed-cognition]] та [[metacognition]] (дивіться [[lodge-adaptive-capabilities-genai-future-2026|адаптивні здібності]]) — і підтримувати [[learner-identity|формування ідентичності]], оскільки студенти починають бачити себе здатними практиками, вільно володіючими ШІ.

**5. Психосоціальна підтримка під час стресу.** Поза когнітивною допомогою студенти описують [[generative-ai|генеративний ШІ]] як джерело впевненості та конфіденційний простір для рефлексії в навчанні з високими ставками — реляційний, емоційний вимір корисності, який моделі впровадження не фіксують. У [[qualitative-research|якісному]] дослідженні 28 студентів медичного та викладацького складу кілька студентів описували ШІ як «супутника», який давав втіху та неосудливий простір підчас стресу в [[medical-education|клінічній]] практиці ([[akbaba-nursing-ai-experiences-tam-2026|Akbaba & Calik Kus, медсестринська освіта]]). Читайте це поруч із доказами залежності нижче: втіха реальна, і вона може перейти в покладання.

## Негативні впливи

**1. Надмірне покладання та розрив між продуктивністю і навчанням.** ШІ заохочує [[cognitive-offloading|когнітивне зсування навантаження]] — студенти делегують міркування, які їм потрібно відпрацьовувати. Це може підвищувати продуктивність *зі* ШІ, знижуючи при цьому наступну продуктивність без допомоги: синтез бази знань [[ai-misuse-learning-harm|зловживання ШІ та шкода навчанню]] документує польове [[rct]], в якому неконтрольований [[intelligent-tutoring|ШІ-тьютор]] покращив практику, але знизив наступну продуктивність на іспиті. Надмірне використання може також підривати [[metacognition]] та [[self-regulated-learning]]. Синтез 2026 року над **72 дослідженнями** в [[cs-education|інформатичній освіті]] кількісно описує патерн: генеративний ШІ надійно підвищував короткострокове завершення та знижував час на завдання (36 досліджень), проте прирости «не переносяться на незалежну продуктивність» (21 дослідження), а вигода залежала від [[prior-knowledge|попередніх знань]] — добре підготовлені студенти перетворювали допомогу на тривалу навичку, тоді як недостатньо підготовлені студенти використовували її як милицю, що усувала [[productive-failure|продуктивну невдачу]], розширюючи розриви в компетентності *всередині* однієї аудиторії ([[kumar-genai-computing-education-systematic-review-2026|Kumar et al., систематичний огляд]]).

**2. Знижені зусилля та дієздатність.** Знання того, що ШІ доступний, може знижувати готовність студентів займатися [[productive-failure|продуктивною невдачею]] ([[ai-availability-student-motivation|доступність ШІ та мотивація]]), а пасивне прийняття результатів ШІ може підривати [[agency]] та почуття досягнення, що приходить із самостійного виконання роботи (дивіться [[wang-safety-gap-productive-struggle-2026|розрив безпеки]]).

**3. Тривожність, сором та витрати на добробут.** Використання ШІ асоціюється з [[anxiety-and-stress|тривожністю та стресом]] — стосовно заміщення, невизначеного оцінювання або необхідності встигати (дивіться [[kim-ai-anxiety-comprehensive-analysis|всеосяжний аналіз тривожності щодо ШІ]]). [[shame-guilt-ai-regulation-computing-education|Сором і провина]] навколо використання ШІ можуть спонукати до приховування та вибіркового розкриття, шкодячи чесній залученості та [[social-emotional-learning|соціально-емоційному]] добробуту. Мотиваційні наслідки є вимірюваними: опитування Zhang, Shi і Lu над **1,484 студентами** виявило, що тривожність щодо ШІ негативно корелює з академічною мотивацією (r = −0.175) і з емоційною [[regulation]] (r = −0.172), причому емоційна регуляція частково опосередковує шлях «тривожність щодо ШІ → мотивація» (опосередкований ефект = −0.076), тоді як тривалість щоденного використання не передбачала майже нічого (r = 0.053). Їхній висновок: інструктаж щодо грамотності має поєднуватися з підтримкою емоційної регуляції та [[metacognition|метакогнітивною]] підтримкою, а не просто розширювати доступ до інструментів ([[zhang-ai-anxiety-academic-motivation-emotion-2026|Zhang et al., тривожність щодо ШІ та академічна мотивація]]). Критичний синтез 51 запису про [[conversational-ai|розмовний ШІ]] додає застереження щодо вимірювання: довіра, покладання, надмірне покладання, прив’язаність і залежність регулярно зливаються, а поперечні кореляти з самотністю, тривожністю, втомою, прокрастинацією та слабким [[critical-thinking|критичним мисленням]] не встановлюють причинності — часте використання не є залежністю без порушеного контролю чи функціональної шкоди ([[yan-conversational-ai-engagement-dependence-synthesis-2026|Yan, синтез залученості та залежності від розмовного ШІ]]).

**4. Загрози ідентичності здобувача.** Коли роботу створює ШІ, студенти можуть перестати почувати результат «своїм» — загроза авторства для [[learner-identity|ідентичності здобувача]]. [[t2i-competence-paradox-2026|Парадокс компетентності]] в творчих галузях показує, що легкість використання підриває засновану на реместві ідентичність, яку студенти отримують із авторства.

**5. Ризики доброчесності та справедливості.** ШІ уможливлює нові форми [[academic-integrity|академічної недоброчесності]], а нерівний доступ до інструментів ШІ (і розуміння їх) може розширювати розриви між студентами — ключове занепокоєння [[equity-in-ai-education|справедливості]].

## Головне

[[guardrails|Обмежувач]] полягає в тому, щоб **використовувати ШІ як скаффолдинг, а не як заміну** — зберігати за здобувачем когнітивно важливу роботу, поки ШІ забезпечує підтримку, — і стежити за повним діапазоном впливів (когнітивних, мотиваційних, афективних, ідентичнісних, соціальних та [[equity-in-ai-education|справедливості]]), а не лише за продуктивністю. Для глибшого розгляду, організованого за вимірами, дивіться сторінку поняття [[student-experience|Студентський досвід]]. Для відповіді з боку інтервенцій — як проєктувати ШІ в курс так, щоб скаффолдинг не став заміною — дивіться [[incorporating-ai-literacy|Як інтегрувати ШІ-грамотність у свій курс?]] та [[ai-literacy-evidence|Які є докази щодо інтервенцій із ШІ-грамотності в вищій освіті?]].

---

## [Як ШІ може допомагати в освітніх дослідженнях?](https://edtechdev.github.io/aied/faqs/how-can-ai-assist-with-educational-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як ШІ може допомагати в освітніх дослідженнях?

ШІ може забрати реальну роботу з освітнього дослідницького проєкту — пошук літератури, перебирання тисяч анотацій, чернетку коду для аналізу, узагальнення відкритих відповідей, уточнення рукопису. Він не може відповідати за те, що проєкт заключає. Чесною картиною, яку підтримують докази, є поділ праці, а не передача: призначайте автоматизацію на процедурне навантаження, перевіряйте кожен результат і зберігайте інтерпретаційні рішення людськими ([[scaffolding-systematic-reviews-2026|Wang et al., 2026]]).

Ця сторінка — про ШІ як *інструмент* дослідницької роботи — пошук, перебирання, синтез, кодування, аналіз і письмо, включно з дослідженням практики, яке викладач проводить щодо власного викладання. Чи допомагає певна *інтервенція* зі ШІ здобувачам — це інше питання, висвітлене в FAQ, на які є посилання в кінці, і в [[ai-assisted-educational-research|AI-Assisted Educational Research]]. Значна частина наведеного нижче — це чесне застереження: доказова база тонка, а кілька режимів невдач є безгучними.

## Коротка версія

**1.** Вирішіть письмово, які дослідницькі завдання можуть використовувати ШІ, а які ні, до початку проєкту. Дослідники в [[dai-chan-responsible-genai-research-ai-literacy-2026|дослідженні фокус-груп Dai and Chan (2026)]] калібрували використання за ставками та інтелектуальною центральністю, а не за загальним дозволом — сильніше на низькоризиковій процедурній роботі, обережніше там, де науковий внесок був центральним.

**2.** Залишайте автоматизацію на процедурному навантаженні. Перебирання — це місце, де вона найбільше допомагає; витягання даних, узгодження та синтез залишалися за людьми-рецензентами в єдиній команді, яка описала свій робочий процес ([[scaffolding-systematic-reviews-2026|Wang et al., 2026]]).

**3.** Перевіряйте кожен результат за людським стандартом і кажіть, хто виносив остаточне рішення. Згода між моделлю і кодером-людиною — або між двома моделями — є мірою подібності, а не доказом того, що кодування правильне ([[agreement-not-quality-llm-coding-verification]]).

**4.** Фіксуйте свої рубрики та кодбуки до запуску автоматизованого аналізу; конструкти, рубрики кодування та навчальні дані — це людські рішення, а не результати моделі ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]).

**5.** Перевіряйте вручну кожне посилання, яке ви цитуєте, особливо поля авторів, коли письма торкався ШІ ([[citation-errors-hallucinations-computing-education-2026|Denny et al., 2026]]).

**6.** Реєструйте підказки, версії моделей та версії корпусів, розкривайте роль ШІ і закладайте у бюджет час на перевірку та документування — для більшості команд це робота, яку *додають*, а не прибирають.

## Де ШІ справді економить роботу — і де її додає

### Пошук і вилучення літератури

Генеративний пошук узагальнює, рекомендує, синтезує та веде розмову, що порушує припущення, що систему знаходить джерела, тоді як інтерпретація залишається за читачем ([[genai-academic-search-workshop]]). Це швидкий спосіб *знайти* літературу-кандидатів. Два застереження з того воркшопу: здатність нерівномірна — високоцитованих науковців відтворювали приблизно вдвічі частіше, ніж менш цитованих колег, — і бібліотекар повідомив про розрив довіри, в якому студенти надмірно довіряли генеративному пошуку, тоді як викладацький склад йому не довіряв. Використовуйте його для виявлення, потім перевіряйте кожне джерело самостійно.

### Перебирання та систематичні огляди

Систематичні огляди — це місце, де автоматизація просунулася найдалі. Інструменти, такі як ASReview, SWIFT-Review, Covidence, AIScreenR і MetaMate, знизили процедурне навантаження переважно на етапі перебирання анотацій, тоді як витягання та синтез залишалися людськими ([[scaffolding-systematic-reviews-2026|Wang et al., 2026]]). Пишіть правила рішень для сірих зон до початку перебирання, зберігайте категорії «можливо» і реєструйте кожне остаточне рішення в спільному журналі, щоб те саме судження застосовувалося послідовно.

### Якісне кодування та аналіз

[[qualitative-research|Якісний аналіз]] — це етап, де інтерпретація *є* продуктом. ШІ може масштабувати перший прохід над відкритими відповідями, але він переміщує вашу роль із кодування на валідацію результатів моделі і змінює навички, яких вимагає завдання ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]). Делегуйте за кодом, а не цілком: [[agreement-not-quality-llm-coding-verification|одне дослідження сліпої перевірки]] класифікувало 15 із 72 пунктів кодбука як явно потребуючі людської експертизи, 12 — як краще обслуговувані моделлю і 16 — як придатні для сортування за довірою.

### Аналіз даних

Автоматизовані функції вимірювання можуть виглядати точними та предиктивними, залишаючись непрозорими, і саме тому тут важливий пояснюваний ШІ: він може виявити, чи відстежує модель семантичне розуміння, чи лише ключові слова ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]). Розглядайте будь-який автоматизований показник як гіпотезу, яку треба валідувати проти міри, прив’язаної до здатності, яку ви маєте намір вивчати. Щодо самих мір дивіться [[evaluating-ai-interventions-methods]].

### Письмо, цитування та редагування

Чернетку, структурування та редагування — це місце, де більшість дослідників уже використовує ці інструменти: 27 із 28 аспірантів у [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai and Chan (2026)]] використовували GenAI десь у робочому процесі, включно з академічним письмом і перекладом. Єдиним непохитним кроком є перевірка посилань.

### Проведення робочого процесу: журнали, розкриття та бюджет зусиль

[[persistent-ai-agents-academic-research|Кейс-стаді одного дослідника тривалістю 115 днів]] з постійним дослідницьким агентом виявило, що найсильнішим патерном було розширення потужності, а не доведена заміна праці: з накопиченням пам’яті та процедур область делегованої роботи зростала, а внесок людини не зменшувався. Це реалістичне очікування. Зберігайте журнали підказок і відповідей та версії корпусів — плавний згенерований перелік тем виглядає неминучим набагато раніше, ніж починається його доказова робота ([[chain-behind-claim-warrantability-2026|Holster, 2026]]), — і розкривайте роль ШІ як шлях, а не як позначку для відмітки.

## Практичні поради для дослідників-практиків

Стипендія з викладання та навчання та дослідження в аудиторії — викладач вивчає власний курс, часто в малому масштабі — є найтоншою ниткою корпусу. [[ai-assisted-educational-research|AI-Assisted Educational Research]] стверджує це як прогалину, а не як висновок: дослідження практики за допомогою ШІ ймовірно є поширеним і майже не задокументованим, а докази щодо автоматизації оглядів і бібліометрії не вирішують, як викладачеві вивчати власне викладання. Те, що переноситься, — це поставлення, а не результат.

**1.** Використовуйте ШІ там, де ваш локальний контекст не є змінною: пошук літератури вашої галузі, транскрибування та узагальнення власних записів, а також чернетку інструментів або формулювань згоди.

**2.** Залишайте інтерпретаційні кроки — що вважається темою, що означає коментар студента, що дозволяють ваші докази з аудиторії, — своїми й кажіть в написаному, які кроки зробила модель, а які ви ([[chain-behind-claim-warrantability-2026|Holster, 2026]]).

**3.** Заздалегідь визначайте свої критерії та зберігайте їх видимими, бо мале локальне дослідження не може одужати від конструкту, визначеного після того, як прийшли дані.

**4.** Повідомляйте роль ШІ, перевірку, яку ви зробили, та обмеження дизайну з одним курсом і одним дослідником. Не подавайте опис робочого процесу так, ніби це результат ефективності.

**5.** Розглядайте імітацію когорти як розширений варіант, а не як типовий: імітовані здобувачі, як правило, покривають найлегший квадрант реальної поведінки студентів і рідко валідуються після використання ([[simulating-students]]). Дивіться [[making-simulated-students-behave-like-learners]], перш ніж довіряти вердикту імутатора.

## Застереження та питання для розгляду

### Вигадані посилання та помилки цитування

Підготовка чернеток за допомогою ШІ робить правдоподібне вигадане посилання дешевим для створення, і невдачі непропорційно часто є в полях авторів — полі, що несе визнання. В аудиті 723,930 публікацій та 15,872,533 посилань [[citation-errors-hallucinations-computing-education-2026|Denny et al. (2026)]] перевірили 30 вигаданих посилань у 14 роботах з інформатичної освіти, усіх 2025 і 2026 років; 17 із 30 були гібридами, що поєднували реальну назву з вигаданими або неправильними авторами, а перевірена кількість на одному технічному симпозіумі зросла з 3 у 2025 році до 17 у 2026 році, з’явившись у 2.3% збірників-робіт того року. Їхня кількість є свідомою нижньою межею, а автоматизовані перевіряльники успадковують вади метаданих, які вони розглядають як істину. Перевіряйте кожне цитування самостійно, і спочатку авторів.

### Прогалина в звітності та аудиті

Впровадження випередило звітність. [[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta and Lin (2026)]] проаналізували 888 робіт з автоматизації оглядів: з 2023 року 38.0% робіт із програмним забезпеченням та продуктами не повідомляли про жодного оцінювання, проти 9.3% робіт із LLM, а доступ до моделей був переважно пропрієтарним (84.1%). Навіть сприятлива загальна оцінка не означала придатності до делегування — 52% із 118 робіт із лише позитивними оцінками LLM усе одно повідомляли про занепокоєння, що робочий процес не відповідав вимогам своєї ролі. Їхній фреймворк, PRISMA-LLM, відокремлює розкриття реалізації від чутливого до наслідків оцінювання і розглядає свої п’ять рівнів як рівні розкриття, а не рівні ризику. Практичний висновок: глибина оцінювання робочого процесу має бути *заявленою*, а не припущеною: назвіть систему, версію, підказки, що перевірили люди і де вона не спрацювала.

### Згода не є доказом якості

Висока згода з кодерами-людьми — або між двома моделями — регулярно повідомляється так, ніби вона встановлює правильність. Цього не робить. [[agreement-not-quality-llm-coding-verification|Liu et al. (2026)]] дали незалежному експертному судді 855 парних наборів кодів сліпим щодо джерела: згода «людина–LLM» (середній коефіцієнт Яккарда 0.30) значно відставала від згоди «людина–людина» (0.52), проте сліпий перевіряльник віддавав перевагу людському та машинному кодуванню з однаковою частотою (51.5% проти 48.5%, p = 0.537). Іноді людський консенсус кодував спільну упередженість, яку перевіряльник відхиляв на користь моделі. Упроваджуйте сліпу перевірку, повідомляйте еталон і хто виносив рішення, і маршрутизуйте за кодом, а не розглядайте конвеєр як одне однорідне середовище людського перегляду.

### Валідність конструкту, коли автоматизована міра стає інструментом

Коли результат моделі *стає* дослідницьким інструментом, питання вимірювання є питанням валідності конструкту. [[ai-methodologies-science-education-research-2026|Martin et al. (2026)]] формують це проблемою номічного вимірювання Чанга: вимірювання величини потребує закону, що пов’язує її з чимось спостережуваним, проте цей закон не може бути перевіреним, не знаючи вже величини. Похідні від ШІ функції вимірювання виникають із навчальних даних та оптимізації, а не від дослідника, тож вони можуть виглядати точними, залишаючись непрозорими, — і порівнянність має поширюватися на різні групи студентів, бо машинне навчання, як правило, кодує канонічні ідеї краще, ніж різноманітні способи, якими студенти висловлюють слабші. Зручний автоматизований показник може також індексувати неправильний конструкт: в [[zhang-platform-scores-miss-ai-teaching-agents-2026|оцінці восьми агентів викладання на основі ШІ]] агент, який посів третє місце за власним показником платформи, посів останнє за експертно валідованою рубрикою. Розбіжність між людиною і машиною є систематичною, а не випадковою, а операціоналізація рубрики часто має більше значення, ніж майстерність підказок ([[machines-misread-pedagogical-quality|Tseng et al., 2026]]).

### Ви залишаєтеся відповідальними за інтерпретацію

Хтось має відповідати за виключене дослідження, закодовану тему або твердження про поширеність. Попередньо навчені моделі додають шар епістемічної залежності — їхні навчальні дані, донавчання та цілі можуть бути невідомі, — і оскільки вони виникають із соціотехнічних мереж, відповідальність стає важко розподілити, що є «проблемою багатьох рук» ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]). Називання ролі ШІ в методах є частиною відповіді, але воно не переказує відповідальність. Зберігайте інтерпретаційний шлях інспектованим, оспорюваним та перегляданим ([[chain-behind-claim-warrantability-2026|Holster, 2026]]) і зберігайте названу людину відповідальною за кожне наслідкове рішення.

### Приватність і згода для даних студентів у сторонніх інструментах

Дані аудиторій і студентів, що проходять через сторонні інструменти, несуть зобов’язання згоди, управління та конфіденційності, які передують будь-якому аргументу ефективності. [[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta and Lin (2026)]] виявили, що доступ до моделей був переважно пропрієтарним (84.1%), що означає, що текст студентів типово залишає ваш заклад. Збирайте лише те, що потрібне освітній меті, робіть використання даних та обмеження інструмента прозорими, перевіряйте, чи навчають дані здобувачів моделі постачальника, і віддавайте перевагу локальним або синтетичним даним там, де чутливість висока. Повний розгляд цих зобов’язань — разом зі справедливістю, доступністю та педагогічною безпекою — є в [[equity-ethics-pedagogical-safety-research]].

## Чого докази ще не встановлюють

- **Жодного прямого порівняння.** Опорна робота ставить порівняння між підтриманими ШІ та традиційними методами як майбутню роботу; жодне дослідження тут не показує, що методологія зі ШІ дає більш валідні висновки ([[ai-methodologies-science-education-research-2026|Martin et al., 2026]]).
- **Тонкі дизайни повсюдно.** Докази — це пропозиція фреймворку, рефлексивний опис однієї команди, звіт воркшопу, дослідження фокус-груп та спостережувальна бібліометрія, — а не контрольоване випробування підтриманого ШІ методу. Твердження про зміну ролі та розширення потужності походять від описів з одного місця та одного дослідника.
- **Прогалина в звітності, а не аудит практики.** PRISMA-LLM читає мовчання на рівні робіт; робочий процес без оцінювання в своїй роботі може бути валідованим у звіті про продукт, протоколі або репозиторії.
- **Дослідження практики недопредставлені.** Корпус не може обґрунтувати тверджень про те, як викладачі мають використовувати ШІ для вивчення власної практики.
- **Інструменти — рухома ціль.** Висновок про робочий процес 2025 року описує покоління систем, яких може вже не існувати в такій формі, тож відтворюваність має бути прив’язана до версії моделі та дати.

## Пов’язані питання

- [[evaluating-ai-interventions-methods|Які міри та методи дослідження може викладач використовувати для оцінювання інтервенцій, пов’язаних зі ШІ?]] — питання проєктування методів, від якого залежать підтримані ШІ робочі процеси
- [[reporting-interpreting-aied-research|Які є найкращі практики для звітності та інтерпретації досліджень із ШІ в освіті?]] — як повідомляти про систему ШІ, міру та власне використання ШІ
- [[research-gaps-aied|Які є помітні прогалини в дослідницькій літературі зі ШІ в освіті?]] — де докази відсутні або слабкі
- [[equity-ethics-pedagogical-safety-research|Як дослідження зі ШІ в освіті мають інтегрувати справедливість, доступність, приватність, етику та педагогічну безпеку?]] — зобов’язання навколо даних студентів і безпеки
- [[ai-assisted-educational-research]] — повна сторінка поняття про ШІ як інструмент дослідницької роботи
- [[making-simulated-students-behave-like-learners|Як змусити імітованого студента поводитися як реального здобувача?]] — перед використанням імутатора як дослідницького інструмента

---

## [Як інтегрувати ШІ-грамотність у свій курс?](https://edtechdev.github.io/aied/faqs/incorporating-ai-literacy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як інтегрувати ШІ-грамотність у свій курс?

Найсильнішим підходом є розглядати **[[ai-literacy|ШІ-грамотність]] як частину дисциплінарного навчання**, а не як окремий урок про те, як користуватися ChatGPT. Студенти розвивають кориснішу ШІ-грамотність, коли вони повторно **використовують, ставлять під сумнів, перевіряють, критикують і приймають рішення щодо ШІ в автентичних завданнях курсу**, а не просто вивчають техніки підказок чи відвідують одноразову ознайомчу сесію. Ефективний інструктаж поєднує практичну компетентність із критичною оцінкою, етичною обізнаністю, [[metacognition]] та увагою до того, коли ШІ *не* слід довіряти або використовувати.

Корисним принципом проєктування є **спочатку міркуй, потім ШІ**. Просіть студентів сформувати початкову інтерпретацію, рішення, аргумент, передбачення або чернетку до звернення до ШІ. Потім вони можуть порівняти своє мислення з результатом ШІ, визначити згоди та розбіжності, перевірити твердження й вирішити, що — якщо взагалі щось — прийняти. Це не дає ШІ підмінити когнітивну роботу, яку має розвинути завдання. Цей підхід безпосередньо пов’язаний із занепокоєннями щодо [[cognitive-offloading|когнітивного зсування навантаження]] та [[ai-misuse-learning-harm|зловживання ШІ]], де негайна продуктивність може покращуватися навіть тоді, коли незалежне навчання страждає.

Синтез 2026 року над **72 емпіричними дослідженнями** [[generative-ai|генеративного ШІ]] в [[cs-education|інформатичній освіті]] робить цю точку гострішою й дає їй числа. [[generative-ai|Генеративний ШІ]] надійно підвищує короткострокове завершення та знижує час на завдання (36 досліджень — найсильніший, найбільш відтворюваний результат корпусу), проте ці прирости ефективності «не переносяться на незалежну продуктивність» (21 дослідження): студенти завершують більше, розуміючи менше, якщо критична залученість із результатом не вимагається структурно. Вигода також залежить від [[prior-knowledge|попередніх знань]] — добре підготовлені студенти перетворюють допомогу ШІ на тривалу навичку, тоді як недостатньо підготовлені студенти ризикують використовувати її як милицю, що усуває [[productive-failure|продуктивну невдачу]]. Автори рекомендують **поступовий доступ** як типовий режим: спочатку основи без ШІ, потім кероване використання з обов’язковими завданнями на пояснення, потім рефлексивна критика. Дивіться [[kumar-genai-computing-education-systematic-review-2026|Генеративний ШІ в інформатичній освіті: систематичний огляд і фреймворк відповідальної інтеграції]].

## Вимагайте оцінювання, а не лише генерації

Заняття зі ШІ-грамотності мають вимагати **оцінювання, а не лише генерації**. Студенти можуть анотувати відповідь ШІ щодо фактичних помилок, непідтриманих тверджень, упередженості, відсутніх перспектив, неадекватної впевненості або слабкого дисциплінарного міркування. Вони можуть порівнювати результати ШІ з читаннями, емпіричними доказами, професійними стандартами або курсовою [[assessment|рубрикою]].

Одним особливо корисним патерном є зробити так, щоб ШІ створив щось правдоподібне, але недосконале, і попросити студентів бути критиком або редактором. Виявлення помилок ШІ — важливий шлях до сильнішої калібровки та [[critical-thinking|мислення вищого порядку]].

Розглядайте оцінювання як **викладану компетентність саму по собі**, а не як побічний продукт предметних знань. У синтезі з інформатичної освіти студенти показали значно *гірші* результати у виправленні згенерованого ШІ коду, ніж у традиційних завданнях програмування на [[summative-assessment|іспиті]], — прямий доказ того, що оцінювання та ремонт результатів ШІ не переносяться автоматично із загальної дисциплінарної навички, і що без інструктажу студенти ризикують нещодавно переподати неправильну роботу некритично. Огляд консолідує це у свій **фреймворк VIE** (Verification, Implementation, Equity) і стверджує, що критична залученість має бути **оцінюваною, спостережуваною складовою** роботи студентів, а не прагненням, залишеним на розсуд, — «спільний механізм, що пов’язує кожну ефективну інтервенцію в корпусі».

## Робіть ШІ-грамотність дисциплінарною та повторюваною

Новіші роботи також заперечують проти **уявлень про переліки навичок** щодо ШІ-грамотності — і показують, як це виглядає на практиці. Burriss et al. мали 22 студенти одинадцятих класів, які створювали відеопро соціальної реклами про проблеми ШІ-[[ethics]], з якими вони справді жили: шкільне спостереження, електронні «перепустки» та алгоритмічні звинувачення в [[academic-integrity|плагіаті]]. Заснований на Critical Posthumanist Literacy та [[multimodal|мультимодальній композиції]], модуль просив молодь перекласти абстрактні принципи в емоційно резонуючі фільми; студенти переважно зображували шкоду як таку, що виникає з заплутаної людсько-машинної відповідальності, а не з підступного інструмента, перевертали наратив про обман на надмірне покладання дорослих на хибний ШІ, і все ж закривали на [[agency]] («рішення в нашій доступності»). Автори стверджують, що [[storytelling-in-education|сторітелінг]] і колаборативне, творче створення належать до центру [[critical-pedagogy|педагогіки критичної ШІ-грамотності]] — і що вимога від студентів створювати щось *про* ШІ, для реальної аудиторії, розвиває критичну компетентність, яку не можуть побачити звичні шкали компетентностей, що припускають індивідуально вимірювану продуктивність. Дивіться [[burriss-multimodal-composition-critical-ai-literacy-2026|«Young Scholar[s] on the Beat»: мультимодальна композиція як форма педагогіки критичної ШІ-грамотності]].

Там, де це можливо, робіть ці заняття **[[discipline-specific-aied|дисциплінарними]] та повторюваними**. Загальні правила, такі як «перевіряй ШІ на [[hallucination-risk|галюцинації]]», є менш корисними, ніж показ студентам того, як виглядає ненадійний результат ШІ у *вашій* галузі: вигадані цитати в історії, неприпустимі припущення в економіці, оманливі інтерпретації експериментальних доказів у [[biology-education|біології]], погано обґрунтовані проєктувальні рішення в інженерії або поверхнево плавне, але методологічно слабке письмо в психології.

Синтез ШІ-грамотності бази знань стверджує, що рух до критичної оцінки є найвиразнішим, коли досвід ШІ-грамотності є тривалим і вбудованим в автентичні роботи курсу, а не в ізольовані воркшопи. Дивіться [[ai-literacy-continuum-higher-education|Практичний п’ятистадійний континуум ШІ-грамотності в вищій освіті]]. Це узгоджується з [[quantitative-research|кількісними]] доказами: [[liu-ai-literacy-interventions-meta-analysis-2026|метааналіз 59 інтервенцій із ШІ-грамотності]] виявив найбільші ефекти для інтегрованих і рефлексивних педагогік, попереджаючи при цьому, що орієнтовані на знання інтервенції показують більші виміряні ефекти, ніж ті, що націлюються на навички, ставлення чи етику.

## Включайте колаборативне навчання

Колаборативні заняття можуть посилювати цю роботу. Фреймворк [[icap-framework|ICAP]] пропонує виходити за межі пасивного контакту до активної, конструктивної та інтерактивної залученості. Студенти можуть порівнювати підказки в парах, обговорювати, чи варто довіряти відповіді ШІ, спільно переробляти створений ШІ продукт або пояснювати однокурсникам, чому вони прийняли або відхилили певні пропозиції.

Важливо, що докази підтримують когнітивно [[active-learning|активні]] та [[collaborative-learning|колаборативні]] дизайни. Дивіться [[hingle-collaborative-ai-literacy-2025|Систематичний огляд колаборативних навчальних активностей для сприяння ШІ-грамотності]].

## Оцінюйте продемонстроване судження, а не лише впевненість

[[assessment]] має зосереджуватися на **продемонстрованому судженні, а не на впевненості або [[self-report-measures|самоописаній]] навичці**. Студенти часто переоцінюють, наскільки добре вони можуть оцінювати ШІ. Замість того щоб запитувати, чи «почуваються вони впевненими, користуючись ШІ», давайте їм завдання, які вимагають виявляти помилки, перевіряти джерела, покращувати результат, пояснювати обмеження або обґрунтовувати, чому певне використання ШІ є адекватним.

База знань висвітлює суттєву розбіжність між самоописаною та продуктивнісною ШІ-грамотністю і рекомендує оцінювання на основі продуктивності. Дивіться [[ai-literacy-assessment-misalignment|ШІ-грамотність: розбіжність між самоописом і продуктивністю]] та [[jin-glat-genai-literacy-assessment|GLAT: Тест оцінювання генеративної ШІ-грамотності]].

Це важливо, бо ненаглядоване використання за типового режиму сягає найслабшої форми. Дослідження Yan et al. типу пресаж–процес–продукт з 38 студентами виявило, що **76.32%** покладалися на патерн «одноразове запитання → отримати відповідь → зупинитися», **78.94%** інтегрували генеративний ШІ лише до початку або після чернетки, і навіть орієнтовані на володіння студенти за типового режиму сягали поверхневих процесів — *парадокс ефективності*, в якому швидкість здобувається за ціну когнітивної роботи, що будує схеми («швидкість, з якою ви це забуваєте, також дуже висока»). Автори локалізують причину в «інституційній порожнечі»: викладачі забороняють копіювання, але рідко навчають продуктивному використанню. Вимога артефактів процесу — історії діалогу, нотатки про рефлексію щодо того, як використовувався ШІ, журналу переробок, — робить робочий процес видимим і перетворює [[self-regulated-learning|саморегуляцію]] на щось оцінюване. Дивіться [[yan-cognitive-outsourcing-genai-assessments-2026|Від когнітивного зсування навантаження до перерозподілу: аналіз 3P залученості студентів із генеративним ШІ в ненаглядових оцінюваннях]].

**Сценарійне вимірювання дає вам міру судження, а не міру впевненості.** [[reed-ai-literacy-ethical-judgment-scenarios-2026|Reed et al. (2026)]] давали студентам він’єтки — використання ШІ для покращення граматики у власній чернетці, генерація пошукових термінів перед самостійним читанням, подання згенерованого ШІ журналу рефлексії без особистого внеску, мінімальне редагування згенерованого завдання, — і запитували, чи кожне з них етичне. Патерн, який вони повідомляють: студенти сходяться на зрозумілих випадках і розходяться найбільше там, де інструмент зробив частину інтелектуальної роботи, що є саме тією межею, яку має встановити політика курсу. Це робить він’єтки придатним інструментом для аудиторії: вони виявляють розбіжності, на які ваша політика мовчки покладається, і вимірюють судження про випадок, а не самоописану обізнаність.

## Проблеми та застереження

**Не ототожнюйте ШІ-грамотність із [[prompt-engineering|інженерією підказок]].** Студенти можуть стати технічно обізнаними зі ШІ, залишаючись поганими суддями його результатів. Деякі орієнтовані на навички виміри ШІ-грамотності позитивно асоціюються з повідомлюваною залежністю від ШІ, що вказує, що операційне навчання без самої [[regulation]], академічної впевненості та [[self-regulated-learning|метакогнітивної підтримки]] може ненавмисно заохочувати більше покладання.

**ШІ-грамотність має інтеракційний вимір — і вона припускає саме ті навички, які має будувати.** Восьмициклова демонстрація Brunnström і Palmqvist «наївного студента», який користується [[conversational-ai|чатботом]] на домашньому іспиті, виявила, що типовий результат «відполірований, але педагогічно тонкий», і що досягнення придатного навчального циклу потребувало восьми циклів метавтручань здобувача («спрости», «це приголомшливо, чи можеш ти стиснути це?»). Вони називають цю здатність **ШІ-інтеракційною грамотністю** — керування, оцінювання та навчання з ітеративної взаємодії з генеративним ШІ, — і роблять різкий висновок щодо справедливості: оскільки некероване використання накладає компетентність, яка є нерівномірно розподіленою, генеративний ШІ «може бути найкориснішим уже переваженим студентам». Викладання *взаємодії*, а не лише інструмента, тому є мірою справедливості в такій самій мірі, як [[pedagogy|педагогічною]]. Дивіться [[brunnstrom-ai-interaction-literacy-srl-2026|ШІ-інтеракційна грамотність: роздуми про те, як генеративний ШІ може підтримувати саморегульоване навчання в вищій освіті]] та [[how-ai-impacts-students|Як ШІ впливає на студентів?]].

Так само **інструктаж щодо грамотності не може самостійно вирішити проблеми на рівні моделі**. Навчання може зменшити деякі помилки, не усуваючи їх. У дослідженні контекстуальної підлабузливості інструктаж щодо ШІ-грамотності та підказок зменшив пряме дзеркалення помилок користувачів, але не запобіг повністю поширенню цих помилок у наступних порадах ШІ. Студенти тому мають розуміти, що «кращі підказки» не роблять систему ШІ вроджено надійною. Дивіться [[contextual-sycophancy-ai-literacy|Прихована ціна контекстуальної підлабузливості]] та [[ai-sycophancy|Підлабузливість ШІ]].

**[[equity-in-ai-education|Справедливість]] також має значення.** Студенти вступають в курси з різним попереднім доступом до платних інструментів, різним досвідом роботи з підказками моделям, різним мовним тлом та різними рівнями цифрової впевненості. Вимога витонченого використання ШІ без забезпечення рівного доступу та базової підтримки може перетворити попередній контакт на академічну перевагу. Доступ, навички та результати є окремими вимірами [[digital-divide|цифрового розриву]].

## Приклади з бази знань «ШІ в освіті»

- **Економіка:** Студенти спочатку розв’язують економічну задачу, отримують відповідь GenAI, порівнюють її зі своїм міркуванням, критикують ШІ, рефлексують і обговорюють з однокурсниками. Дивіться [[beck-genai-literacy-economics-hands-on|Сприяння генеративній ШІ-грамотності в економіці]].
- **Психологія:** Студенти оцінюють згенерований ChatGPT медіа-реліз за курсовою рубрикою, виявляють слабкості та переробляють його. Це одночасно розвиває дисциплінарну, зворотнозв’язну та ШІ-грамотність. Дивіться [[richmond-nicholls-genai-psych-feedback-ai-literacies|Використання генеративного ШІ для сприяння психологічній, зворотнозв’язній та ШІ-грамотності]].
- **Біологія:** Заняття зі ШІ-грамотності інтегровані в дисциплінарне навчання, а не викладаються як окрема технічна тема. Дивіться [[zha-ai-literacy-biology-case-study|Інтеграція освіти зі ШІ-грамотності в класі біології]].
- **Роботи з баз даних/дизайну:** Студенти аналізують згенеровані ШІ помилки та ітеративно покращують підказки й рішення, використовуючи аналіз невдач як навчальну активність. Дивіться [[pedagogy-ai-mistakes|Педагогіка помилок ШІ]].
- **Міждисциплінарні університетські курси:** Модель **LearnAI** використовує співтворення зі ШІ саме вчасно, вбудоване в різні дисципліни, а не один загальний модуль ШІ-грамотності. Дивіться [[learnai-just-in-time-ai-cocreation-university-2026|LearnAI: співтворення зі ШІ саме вчасно в різних дисциплінах]].
- **[[physics-education|Фізика]]:** Перепроєктований вступний курс фізики частинок дозволяв генеративний ШІ як явного партнера в задачах дослідницької форми, проте непідготовлений письмовий іспит (середнє **20.6 із 80**, лише двоє студентів досягли 40) попередив, що підтримана продуктивність і незалежно відтворювані знання є різними досягненнями, — тож автори стверджують, що ШІ-грамотність, включно з тим, як перевіряти згенеровані відповіді та розглядати ШІ як вчителя, а не копіювача, має викладатися **рано**, поруч із присвяченою непідготовленою практикою. Дивіться [[ai-particle-physics-education-redesign-2026|ШІ в освіті з фізики частинок: дослідницькі задачі та базові навички]].
- **Проєктування [[curriculum-design|навчального плану]] на рівні програми:** **AI Literacy Continuum** дає розвиткову модель, що переводить студентів від невикористання або некритичного використання до обізнаного використання, критичної оцінки та покращення. Дивіться [[ai-literacy-continuum-higher-education|Практичний п’ятистадійний континуум ШІ-грамотності в вищій освіті]].

## Практичний висновок

Практичне [[learning-design|проєктування курсу]] — це не просто **«Тиждень 2: як користуватися ChatGPT».** Замість цього визначте кілька місць, де ШІ перетинається з важливими дисциплінарними судженнями, і будуйте повторювані цикли:

**незалежного мислення → використання ШІ → перевірки → критики → переробки → рефлексії**

Студенти зрештою мають бути здатними пояснювати не лише *як* вони використовували ШІ, але **чому вони довіряли одним результатам, відхиляли інші, що вони перевіряли, яка когнітивна робота залишалася їхньою відповідальністю, і коли використання ШІ підірвало б мету завдання**.

Ця комбінація є набагато ближчою до конструкту ШІ-грамотності, який підтримує сучасна доказова база, ніж одна лише операційна обізнаність. Щодо того, наскільки сильною ця доказова база справді є — і де вона рідшає, — дивіться [[ai-literacy-evidence|Які є докази щодо інтервенцій із ШІ-грамотності в вищій освіті?]].

---

## [Як писати та впроваджувати інституційну політику щодо ШІ?](https://edtechdev.github.io/aied/faqs/institutional-ai-policy/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як писати та впроваджувати інституційну політику щодо ШІ?

Ви — проректор, декан, керівник з управління, директор центру викладання або голова комітету, якому доводиться створити чи захищати цю політику й відповідати колезі, який називає її надто жорсткою або надто розмитою. Прямий головний висновок: опублікувати політику — легка частина, а сам документ не змінює нічого. Більшість установ уже відповіли на питання, чи мати її, опублікувавши її, і отриманий простір є широким, але поверхневим — дорадчим, а не обов’язковим, згрупованим навколо академічної доброчесності й тонким у питаннях даних, справедливості та здатностей, які вирішують, чи добре піде використання ШІ. Від захисної політики документ, що збирає пил, відрізняє названий власник, календар перегляду, шлях перекладу в курси та конструкція оцінювання, що винагороджує поведінку, якої ви просите.

## Коротка версія

Пишіть коротко про прагнення й явно про зобов’язання. Проведіть аудит свого проєкту щодо кожного «можна» та «може», де ви маєте на увазі «мусить», і визначайте плагіат та заборонене використання словами, які може застосувати студент першого курсу. Назвіть виконавчого власника та цикл перегляду до публікації. Скажіть, де живуть зобов’язання щодо FERPA, GDPR, HIPAA, IRB та наукової доброчесності, а не зливайте їх в одне — документ, що поглинає захист даних, етику досліджень, клінічне регулювання та академічну поведінку, буде довгим, непрочитаним і невиконуваним. Фінансуйте здатність персоналу та доступ студентів разом, бо вони не спрацьовують разом. Запитайте, скільки курсів справді операціоналізували політику, і розглядайте мале число як невдачу підтримки, а не як проблему дотримання. Вбудовуйте рефлексію щодо використання ШІ в оцінювану роботу на рівні, пропорційному зусиллям, які вона вимагає, і додавайте план оцінювання, бо ніхто не може стверджувати, що політика щось покращила, доки не вимірює це.

## Визначайте спочатку: що регулює ваш документ

[[institutional-governance-ai-universities|Manikonda and Outlaw (2026)]] просканували політики зі ШІ з 149 університетів R1 і R2 США та перевірили 130 політик на рівні університетів, що охоплюють 34 штати. Регістр є дорадчим, а не директивним: 95% політик мали негативний показник ясності та сили, тож слабка мова («можна», «може») домінує над директивами («мусить», «заборонено»). Політики на рівні університетів приоритетизують безпеку даних, зниження ризиків, закупівлі та правову відповідність за малого педагогічного керівництва, тоді як наявні політики на рівні шкіл зосереджуються на викладанні та [[ai-literacy]]. Лише вісім бізнес-шкіл мали специфічну для школи політику, і вони відрізнялися від рамкового документа їхнього університету в шести із восьми випадків. Засіб, який пропонують автори, — це шарова структура: загальноуніверситетський шар управління ризиками, політики на рівні факультетів та міжфакультетські комітети з викладачами та студентами.

Це дає вам рішення про область завдань, яке треба висловити письмово: оголосіть документ інструментом управління ризиками й розмістіть операційні деталі на рівні факультету, що також відповідає на звинувачення в розмитості.

## Визначайте по-друге: чи положення зобов’язують

Подивіться, що установи публікують, коли ніщо не примушує до цього питання. [[institutional-ai-policy-health-informatics-2026|Eldredge et al. (2026)]] просканували всі 48 акредитованих CAHIIM магістерських програм з інформатики охорони здоров’я та управління інформацією про здоров’я в США. Сорок програм (83%) опублікували принаймні один документ, пов’язаний зі ШІ; з аналітичної вибірки 21 документ (53%) були настановами, 9 (23%) — інформаційними і лише 7 (18%) — формальними політиками. Академічна доброчесність була найчастішим ключовим словом (n = 139), попереду цитування (59), [[assessment]] (50) та плагіату (38); [[ai-use-disclosure|розкриття використання ШІ]] та контрактне обманництво з’являлися по одному разу; HIPAA з’являвся п’ять разів, FERPA — одинадцять, а електронні медичні записи — зовсім не. Лексика справедливості була майже відсутньою — включення (n = 9), доступність (n = 9), рівний доступ (n = 2). Це увага без відповідного зобов’язуючого зобов’язання.

Урок не коштує нічого: порахуйте свої модальні дієслова й напишіть наслідок там, де ви маєте на увазі наслідок.

## Визначайте по-третє: хто пише й кого воно зобов’язує

Два огляди розміщують слабкість у здатності, а не в намірі. [[ai-uk-higher-education-policy-2026|Ashiq (2026)]] синтезував понад сімдесят джерел із Великої Британії і виявив, що лише меншість установ підтримує офіційні плани управління ШІ, що прогалини в стратегічному плануванні породжують дрейф політики та перформативне дотримання, що національні настанови Office for Students та Jisc критикували за відсутність специфічності та сили забезпечення, і що інвестиції в навчання персоналу зі ШІ та інфраструктуру концентруються в дослідницьких університетах, тоді як установи, орієнтовані на викладання, стикаються з обмеженнями здатності. [[baroudi-anticipatory-governance-ai-higher-ed-2026|Baroudi (2026)]] переглянув 19 джерел і виявив, що лише 7% установ створили старші ролі лідерства в галузі ШІ, попри те що 49% розглядали ШІ як стратегічний пріоритет, із прогалиною між теорією та реалізацією, спричиненою слабкими рамками політики та обмеженою цифровою інфраструктурою, особливо в Глобальному Півдні. Написання політики — не вузьке місце; нею є володіння, ресурсування та перегляд її.

Тому вирішіть, хто головує в цьому і хто в ньому сидить, до того, як почнете писати. [[crompton-governing-genai-higher-ed-delphi-2026|Crompton et al. (2026)]] скликали панель Delphi із 22 країн і локацій на шести континентах і дали рамковий консенсус із восьми основних областей — академічна доброчесність, етичне та відповідальне використання, приватність і захист, рівний доступ, грамотність щодо GenAI, стратегія інтеграції, людський нагляд і підзвітність, а також інституційна підтримка та інфраструктура, — плюс шестичастинний механізм підтримання політики актуальною: міждисциплінарний комітет управління (понад половина панелі), заплановані цикли перегляду (половина панелі), професійний розвиток, комунікація з усіма [[stakeholders]], оцінювання ефективності та моніторинг зовнішніх подій. Використовуйте фреймворк як свій контрольний перелік охоплення, а механізм — як свою операційну модель. Зверніть увагу, де консенсус перекошений, бо ваш комітет дрейфуватиме в той самий бік: на етичне та відповідальне використання посилалися дві третини панелістів, і на приватність — понад половина, але на рівний доступ — лише одна третина, — [[equity-in-ai-education|справедливість]] є тим, що процес консенсусу недооцінює першим. Половина панелі наполягала, що суттєві результати GenAI має перевіряти людина, і віддавала перевагу зосередженому на процесі оцінюванню та усному.

Одне рішення щодо участі варто прийняти свідомо. [[guided-inquiry-genai-course-policy-2026|Hingle and Johri (2026)]] дали студентам співпроєктувати політику курсу щодо GenAI через кероване дослідження; пріоритети, які виникли, — навчання для студентів і викладачів, стандартизовані процедури розкриття, сильніша інституційна підтримка замість покладання на окремих викладачів, і роль у рішеннях щодо правил, що регулюють їхнє власне навчання, — що обґрунтовує членство студентів у комітеті, а не раунд консультацій. Baroudi виявив, що стилі надання повноважень та розподільного лідерства асоціюються з вищою залученістю факультету та відкритістю до змін, і задокументував механізм [[change-management]] (модель зараження Valente, п’ятистадійний фреймворк Rieber та Welliver) як підтримку впровадження. Стиль лідерства, на цих доказах, є частиною політики.

[[tan-aigem-ai-educational-management-2026|Tan et al. (2026)]] пропонують шестивимірний організаційний фреймворк, чиї твердження явно залишені для майбутньої емпіричної валідації. Це контрольний перелік того, що має охоплювати політика, а не докази того, що спрацьовує, — корисний для структури, але перебільшення, якщо цитувати як доказ.

**Прогалина в практиці — між індивідуальними та інституційними правилами.** [[watson-rainie-ai-challenge-faculty-survey-2026|Опитування 1,057 викладачів США AAC&U/Elon (Watson and Rainie 2026)]] виявило, що **87%** створили власні політики для студентів щодо використання генеративного ШІ, тоді як лише **48%** заявили, що їхня установа написала такі настанови, і **35%** — що їхній факультет. Структурно 55% повідомляли про робочу групу або наглядову групу, 37% — про нові заняття, зосереджені на ШІ, 17% — про спеціалізацію або мінор із ШІ, 16% — про нові офіси академічного лідерства, і лише **13%** ухвалили ШІ-грамотність як результат навчання загальної освіти. Вибірка є ненауковою, і автори кажуть, що вона не узагальнювана, але асиметрія є тим головним: правила, з якими студенти справді зустрічаються, написані викладачем перед ними, і саме тому переклад у курси має більше значення, ніж публікація. [[coates-governing-academic-integrity-indicators-2025|Coates, Croucher and Calderon (2025)]] дають інструмент управління для протилежного кінця — рамку показників академічної доброчесності, побудовану для інституційних керівників через дослідницькі огляди, багатоустановові кейс-стаді, прототипування та підтвердження експертами, разом із реформами архітектур управління, людей і технологій.

## Визначайте по-четверте: де живуть зобов’язання щодо даних, приватності та згоди

Відповідність базовому праву не є етичним управлінням даними. [[league-ethical-governance-student-data-2026|Varadaraju and Vijayakumar (2026)]] стверджують, що управління [[learning-analytics]] у вищій освіті залишалося відповідність-на-першому-місці, зосередженим на відповідності FERPA та GDPR, і пропонують рамку LEAGUE — Lawfulness, Equity, Agency, Governance, Utility та Ethics by Design, — продемонстровану на кейс-стаді раннього попередження. Панель Delphi незалежно поставила приватність і захист даних критичною темою для понад половини своїх членів, а третій стовп політики [[oecd-digital-education-outlook-2026|OECD Digital Education Outlook (2026)]] — це сприятливе середовище для надійного GenAI, що охоплює [[privacy]], безпеку, тестування на упередженість та прозорість.

Урок із корпусу інформатики охорони здоров’я — це дисципліна області завдань: його документи зі ШІ ледве згадували HIPAA, FERPA або настанови IRB і зовсім не згадували електронні медичні записи, бо ці зобов’язання живуть у ширшій політиці відповідності. Назвіть, де сидить кожне зобов’язання, і вимагайте, щоб студенти зустрічали його в роботах курсу.

## Визначайте по-п’яте: як політика досягає аудиторії

Це те рішення, в якому більшість політик не спрацьовує, і це вимірювано. [[genai-policies-higher-ed-computing|Ganguly et al. (2026)]] проаналізували 116 інституційних політик щодо GenAI з 131 університету R1 разом із 98 програмами курсів з інформатики з 54 установ R1. Установи переважно заохочували використання GenAI (73, 63%), тоді як 31 (27%) його відмовляли; на рівні курсу 90 програм (92%) давали явні настанови, але 49 (50%) прямо забороняли використання GenAI, 40 (41%) дозволяли часткове використання, лише 7 (7%) його заохочували. Лише 47 із 131 установ мали як інституційну політику, так і виявний переклад на рівні курсу. Управління, на цих доказах, означає переклад політики в конкретну підтримку викладачів, інакше викладачі імпровізуватимуть локальні правила, які можуть не узгоджуватися з інституційними настановами.

Запитайте свій комітет, скільки курсів виявно переводять політику, і розглядайте відповідь як показник підтримки, а не показник дотримання.

## Визначайте по-шосте: здатність, доступ і перегляд, який ви пообіцяли

Два часто пропущених положення — це розвиток персоналу та рівний доступ. Панель Delphi поставила інституційну підтримку та інфраструктуру як основну умову; Baroudi виявив старші ролі в галузі ШІ рідкими й наголошував на ШІ-грамотності та практичному навчанні для факультету та персоналу. Ashiq виявив навчання персоналу зі ШІ сконцентрованим в дослідницьких університетах, розширюючи [[digital-divide]]. [[adarkwah-genai-unesco-policy-2026|Adarkwah et al. (2026)]] проаналізували 159 документів із 30 високоранжованих університетів у десяти країнах, найкраще розміщених за індексом готовності до ШІ МВФ, оцінивши їх за восьмикомпонентним фреймворком GenAI ЮНЕСКО. Чотири університети були виключені через відсутність публічно доступних політик, залишивши 26, і не було знайдено публічних політик для німецьких університетів або Талліннського технологічного університету. Основні етичні принципи та принципи управління були широко ухвалені, тоді як включення, справедливість, доступ до інтернету, гендерний паритет і вплив на навколишнє середовище часто залишалися поза увагою, а багато положень залишалися декларативними, а не операційно забезпеченими — той самий патерн, який знайшов корпус інформатики охорони здоров’я, де лексика справедливості була майже відсутньою. Четвертий стовп OECD — це рівна цифрова інфраструктура, включно з офлайн малими мовними моделями для умов із низьким рівнем зв’язку. Tan et al. розширюють вимір компетентності поза [[ai-literacy]] на грамотність із даними, цифрову етику, стратегічне мислення, лідерство змін і навчання впродовж життя.

Бюджетуйте їх разом і назвіть власника: політика, яка вимагає використання ШІ без фінансування пристроїв, зв’язку, адаптацій або навчання, призначила зобов’язання, яке не може підтримати.

**Два недавні дослідження політики дають вам інструмент аудиту та попередження щодо підтримки.** [[gutowski-hurley-genai-policy-legal-education-2025|Gutowski and Hurley (2025)]] оцінювали інституційні політики за п’ятьма вимірами з явними рубриками — заборонність, дозволеність, освітня інтеграція, прозорість і підзвітність, і глибина, — і виявили, що більшість установ у їхньому секторі займають загалом заборонні позиції, зберігаючи розсуд за окремими викладачами, без жодного єдиного прийнятого підходу, і саму ясність розглядають як передумову захисного забезпечення. Їхня рекомендація свідомо процедурна: всеосяжні настанови незалежно від вашої позиції, залучення зацікавлених сторін до написання проєкту, проактивне навчання, управління, спроєктоване бути гнучким, і цикли перегляду, з погляду на те, що генерація політики не є одноразовою подією. [[qian-governing-genai-higher-ed-policy-2026|Qian (2026)]] діходить того самого структурного пункту з боку підтримки: те, що відрізняє установи, — це не лише правило, а екосистема підтримки, опублікована поруч із ним — розвиток факультету, керівництво для студентів, підтримка оцінювання та структури управління, які роблять політику операційною. Читайте свій проєкт як зобов’язання підтримки з прикріпленими правилами, а не навпаки.

## Чотири заперечення, які ви почуєте

### «У нас уже є політика академічної доброчесності.»

Вона є необхідною і недостатньою, і корпус показує чому: доброчесність — це найлегше положення для написання, і саме тому вона домінує в підрахунках ключових слів, тоді як лексика справедливості, доступ і зобов’язання щодо даних ледве присутні. Те, що підтримують докази, — це поділ праці, а не злиття — правила поведінки залишаються там, де їх може забезпечити процес академічної доброчесності, а політика щодо ШІ несе те, до чого код доброчесності не дотягнеться: закупівлі та безпеку даних, процедуру розкриття, доступність і доступ, навчання персоналу та умови оцінювання, за яких доброчесність є досяжною. Наполягання панелі Delphi на людському перегляді суттєвих результатів GenAI та її перевага зосередженого на процесі оцінювання та усного не мають дому в коді доброчесності.

### «Факультет ігноруватиме її.»

Деякий буде, і це рідко про волю. Доказ Ashiq — це здатність: плани управління є нетиповими, прогалини в плануванні породжують дрейф політики та перформативне дотримання, а інвестиції в навчання та інфраструктуру концентруються в дослідницьких університетах, тоді як установи, орієнтовані на викладання, стикаються з обмеженнями. Доказ Baroudi — це структура: 7% установ створили старші ролі лідерства в галузі ШІ проти 49%, які розглядали ШІ як стратегічний пріоритет. Доказ Ganguly et al. — це переклад: лише 47 із 131 установ мали як політику, так і виявне реалізацію на рівні курсу. Факультет не ігнорує політику так сильно, як залишається з нею наодинці. Протизаходом є професійний розвиток, розроблені приклади та розподільне лідерство, які Baroudi асоціює з вищою залученістю факультету та відкритістю до змін.

### «Студенти не читатимуть її.»

Вони усе одно відреагують на неї, і це — більш корисний факт. [[ai-adaptation-gap-higher-education-2026|Braun and Khafizov (2026)]] опитали 1,809 студентів, 250 викладачів і 62 адміністративних співробітників в одному педагогічному університеті й виявили, що студенти повідомляли про вищу інтенсивність використання ШІ та корисність, тоді як факультет і співробітники повідомляли про сильніші занепокоєння щодо доброчесності. В їхній зведеній моделі сприймана корисність мала найсильнішу стандартизовану асоціацію з [[trust]] (β = 0.402), а ясність інституційної політики була позитивною, але слабкішою (β = 0.223); студенти повідомляли про вищу сприйману ясність політики, ніж факультет. Це поперечні, самоописані асоціації, але порядок попереджає проти розгляду добре написаної політики як інструмента будівництва довіри самої по собі. [[ethical-ai-higher-ed-game-theory|Ogbo et al. (2026)]] моделюють використання ШІ студентами як задачу координації, в якій норми когорти, а не заявлені правила, регулюють поведінку, і показують переходи, керовані порогами: рефлексивне оцінювання має бути винагородженим понад критичний рівень, перш ніж відповідальне використання витіснить опортуністичну практику, винагорода має бути пропорційною зусиллям, яких вимагає рефлексія, а чутливість однокурсників визначає швидкість каскаду. Студенти реагують на структури оцінювання, а не на заяви, що підтримує кероване педагогікою управління над спостереженням. OECD додає, що чатботи загального призначення покращують якість результату, але ця перевага зникає, а іноді й обертається на іспитах, коли доступ до ШІ знімається, із [[metacognition|метакогнітивна]] залученість падає, оскільки робота зсувається. Покладіть вимогу в оцінювану роботу.

### «Ми не можемо стежити за її дотриманням.»

Не можете, і докази кажуть, що й не мусите. Ogbo et al. пропонують єдиний формальний результат у цьому корпусі — самі заяви політики залишають опортуністичну практику недоторканою, коли стимули оцінювання не узгоджені, — тож важель — це проєктування, а не детектування. Найсильнішим виміряним чинником у Braun і Khafizov є сприймана корисність, а не ясність політики, тож політика, яка робить відповідальне використання корисним для студентів, іде далі, ніж та, яка погрожує детектуванням. Там, де ви справді забезпечуєте дотримання, тримайте це вузьким і процедурним: визначені заборонені використання, правила розкриття, яким студенти можуть слідувати, і практики людського перегляду та усного оцінювання, які схвалила половина панелі Delphi. Ваш реальний ризик — це прогалина перекладу, а не уникнення студентами — 92% програм давали явні настанови, тоді як 50% забороняли GenAI взагалі, проти 63% інституційних політик, які його заохочували. Невідповідність, з якою студенти зустрічаються, — це між вашою політикою та вашими власними курсами.

Там, де забезпечення не спрацьовує, це частіше проблема доказів, ніж проблема детектування, і саме там сидить інституційний ризик. [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]], документуючи реальні файли звинувачень, виявили доказову базу тоншою, ніж має на увазі політика: записи в системі існують лише в наглядовому оцінюванні, докази процесу (чернетки, зустрічі нагляду, презентації) існують лише там, де ці практики вже вимагалися, а природна справедливість вимагає, щоб студенту повідомили звинувачення та дали можливість відповісти до будь-якого визначення. Результат детектора не може замінити цього: [[hadra-ai-detector-accuracy-efl-2026|Hadra et al. (2026)]] виміряли точність 0.69 і 0.61 для двох широко використовуваних комерційних інструментів, обидва не спрацьовують на гібридному тексті людини та ШІ, із пограничним ризиком неправильної класифікації для письма студентів-EFL, а [[bassett-ai-detectors-education-2026|Bassett et al.]] показують, що жодний поріг не вирішує компромісу між позначенням чесної роботи та пропущенням прихованого використання. Висновок, який спирається на показник, якого ніхто не може допитати, є справою, яка породжує апеляцію, скаргу та іноді позов. Впишіть стандарт доказів у політику, забороніть самостійні докази детектора й пов’яжіть процедуру зі зобов’язаннями на [[legal-issues-and-risks]].

## Чого докази ще не можуть вам сказати

Цей корпус не містить жодного дослідження, яке вимірювало б, чи політика щодо ШІ установи змінила поведінку студентів, практику персоналу чи результати навчання. Те, що існує, є описовим: Manikonda and Outlaw виявляють мову політики слабкою та невідповідною; Ashiq документує дрейф політики; Baroudi називає відсутність поздовжніх і причинних доказів прогалиною. Eldredge et al. попереджають, що аналіз лише публічних документів створює упередженість видимості, тож відсутність мови приватності або справедливості є висновком про опубліковані настанови, а не про практику. [[policy-deficit-ai-sel-2026|Tran, Liu and Nguyen (2026)]] переглянули 65 рецензованих робіт про ШІ та соціально-емоційне навчання і виявили, що майже три чверті не згадували жодних наслідків для політики взагалі, а та меншість, яка згадувала, переважно не мала деталізації за конкретним актором — хто має діяти, над чим, чому, коли й як, — якої потребує справжнє формулювання політики. Розглядайте прогалину як причину інструментувати власну політику, а не чекати.

Захисна позиція полягає в тому, що політика — не результат; механізм є. Публікуйте зобов’язуючі положення там, де ви маєте їх на увазі, дайте документу названого власника та запланований перегляд, перекладіть його в підтримку на рівні курсу, покладіть зобов’язання відповідності там, де студенти зустрінуться з ними, фінансуйте здатність персоналу та доступ разом і додавайте план оцінювання — ніхто не може стверджувати, що політика щось покращила, доки не вимірює це.

## Що зробити цього тижня

- **Порахуйте свої модальні дієслова.** Знайдіть у проєкті «можна» та «може», перепишіть кожен випадок, де ви маєте на увазі «мусить» або «заборонено», і визначте плагіат та заборонене використання явно.
- **Назвіть одного власника та одну дату.** Постійний комітет управління, запланований цикл перегляду, названий виконавчий спонсор і рядок, що призначає відповідальність за моніторинг зовнішніх подій.
- **Забронюйте розмову про шари.** Склоніть керівників на рівні факультету та комітет із членами-викладачами та студентами й вирішіть, які положення є загальноуніверситетськими, а які пише факультет.
- **Напишіть відсутні положення.** Адаптації, доступність, припущення щодо пристроїв і зв’язку та мовне охоплення належать разом із правилом, яке вимагає використання ШІ; потім назвіть, де живуть зобов’язання щодо FERPA, GDPR, HIPAA, IRB та наукової доброчесності.
- **Запитайте число перекладу.** Розглядайте слабку відповідь як невдачу підтримки й поєднайте обмеження з розробленими прикладами.
- **Змініть одне оцінювання та одне питання оцінювання.** Вбудовуйте рефлексію щодо використання ШІ в оцінювану роботу на рівні, пропорційному зусиллям, які вона вимагає, потім скажіть, що ви вимірюватимете, коли й хто володіє висновком.

Для курсового аналога цієї роботи дивіться [[course-ai-policy|написання політики курсу щодо ШІ та її комунікацію студентам]]. Дослідницька база лежить у [[institutional-governance-ai-universities|дослідженнях інституційного управління]], [[crompton-governing-genai-higher-ed-delphi-2026|глобальній рамці Delphi]] та [[institutional-ai-policy-health-informatics-2026|аудитах політик на рівні програм]]; дивіться [[administrator]] і [[change-management]] для вимірів лідерства та реалізації. [[educational-policy-ai]] збирає літературу всього сектору, а [[governance]] охоплює, як розподіляються влада та підзвітність.

---

## [Як зробити ШІ кращим у підтримці навчання у власній предметній галузі?](https://edtechdev.github.io/aied/faqs/making-ai-better-at-supporting-learning/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Модель загального призначення із задоволенням відповість замість студента на його питання, при цьому вона нічого не знає ні про вашу навчальну програму, ні про вашу рубрику, ні про помилки, яких насправді припускаються ваші студенти. Подолання цієї прогалини зазвичай подається як задача навчання моделі. У цій базі знань це переважно задача **ґрунтування та підказок**, і докази на користь саме такого порядку дій надзвичайно прямі: дослідження асистента для курсу показало, що рішенням першого порядку був пошук і вилучення, а не модель, і що загальна модель без ґрунтування набрала *менше*, ніж проста базова лінія на TF-IDF.

Навчання — це реальний і іноді необхідний інструмент, але це третя або четверта річ, яку варто спробувати, а не перша. Далі наведено «сходи» в тому порядку, який дозволяє уникнути марних обчислювальних витрат.

## Коротка версія

Існує п’ять важелів у порядку зростання витрат і зобов’язань: **підказки (промптинг)**, **пошук і вилучення** за вашими власними матеріалами, **параметрично ефективна адаптація** ([[llm-training-and-fine-tuning|LoRA]] та подібні), **повне донавчання** і **пост-тренування** на сигналах уподобань або винагороди. Кожна щаблина потребує більше даних, більше обчислень і більшої дисципліни оцінювання, ніж попередня, і кожна є гіршим першим вибором, якщо підйом не виправданий вимірюванням.

Наукова література повідомляє переважно про верхівку тих сходів, і саме тому так легко тягнутися за навчанням там, де вистачило б ґрунтування.

## Крок 1: Отримайте базову лінію, яку ви дійсно можете перевершити

Перш ніж щось змінювати, зафіксуйте, що дає проста підказка. Потім зафіксуйте, що дає тривіальний метод, — адже саме це число тримає вас у рамках чесності.

Дослідження [[shen-sustainable-ai-knowledge-base-cs-education-2026|асистента за базою знань курсу]] варте прочитання хоча б заради цього. Локальна LLM без пошуку і вилучення досягла точності **52.3%**. Базова лінія на TF-IDF — лексичний метод десятилітньої давнини — досягла **55.4%**. Модель виявилася гіршою за класичний метод.

Якщо пропустити цей крок, ви не зможете сказати, чи допомогло ваше донавчання, і можете випустити в світ щось, що поступається пошуку за ключовими словами.

## Крок 2: Закріпіть модель на власних матеріалах

Додавання [[rag|генерації з розширенням через пошук]] за матеріалами курсу, без жодного донавчання, підняло ту саму систему з 52.3% до **66.6%**. Це найбільший одиничний приріст за свої кошти серед зафіксованих у цій базі знань, і він оборотний: коли ваші документи змінюються, ви переіндексуєте їх, а не перетреновуєте модель.

Два інших результати вказують у тому самому напрямі. PRISMA-огляд 23 емпіричних досліджень щодо адаптації ШІ для [[writing-education|навчання письму]] виявив **домінування інженерії підказок (N = 13) перед донавчанням (N = 7)** ([[customizing-ai-writing-pedagogy-systematic-review-2026]]). І там, де база знань має залишатися актуальною, пошук і вилучення — єдиний важіль, який залишається актуальним без повторного запуску навчального процесу.

Пошук і вилучення має також педагогічну форму. Закріплення моделі на ваших власних розв’язаних прикладах і рубриках — це те, як вона залишається всередині спроєктованого вами [[scaffolding|скаффолдингу]], а не дрейфує до загальних порад.

## Крок 3: Побудуйте підказку проти рубрики

Робота над підказками — це не підготовчий етап, який виконують, поки чекаєш на навчання. Два результати показують, чого вона досягає сама по собі:

- **Підказки, спрямовані рубрикою та ітеративно узгоджені з експертами, підняли узгодженість між LLM і людиною на проектних роботах студентів з 54.75% до 81.25%** (альфа Кронбаха 0.393 → 0.798), і це взагалі без донавчання ([[yasar-llms-iterative-pedagogical-design-2026]]).
- Спеціально побудована на літературі підказка викликала цільові математичні [[misconceptions]] із присутністю **0.98**, проти **0.40** для широкої підказки ([[zhuang-zhang-chatgpt-math-teacher-education-2026]]).

Практичний сигнал тут — це **плато**. У дослідженні генерації завдань ітеративне вдосконалення підказок перестало давати покращення, і донавчання GPT-4.1 *на оптимізованій підказці* потім додало решту приросту ([[gpt-item-generation-l2-listening-2026]]). Плато після справжньої роботи над підказками — це ваш доказ того, що навчання може щось додати. Тягнутися за навчанням, не досягнувши плато, — це вгадування.

## Крок 4: Адаптуйте модель, коли ціль стабільна й конкретна

Адаптація окупається, коли вам потрібно, щоб модель надійно утримувала властивість: рівень читання, формат виведення, галузь, якої їй бракує. Повторюваний результат полягає в тому, що **точне націлювання перевершує розмір**.

- Три моделі на **8B** параметрів, донавчені на розробленій експертами дитячій програмі читання, перевершили zero-shot GPT-4o і Llama 3.3 70B за метриками, пов’язаними зі складністю, за незначних проблем безпеки. Автори формулюють це як **керованість понад масштаб** ([[llm-children-reading-story-generation]]).
- Набір інструкцій із **24,795 прикладів**, заґрунтований на Indian Knowledge Systems, дав донавчання на **7B** із результатом **6.39** за п’ятьма експертами зовнішньої панелі, в межах **0.15** від сильної загальної еталонної моделі за частку від витрат на розгортання, — тоді як та сама базова модель без донавчання набирала **майже нуль за галузевими вимірами** ([[iks-instruct-dataset-indian-knowledge]]). Ця прогалина між «компетентним у цілому» і «компетентним саме тут» — весь аргумент на користь галузевої адаптації.
- Єдиний адаптер [[llm-training-and-fine-tuning|LoRA]], навчений приблизно на **3,900** зведених оцінених прикладах, довів п’ять невеликих відкритих моделей (4B–30B) до паритету або кращих результатів із людським оцінювачем на двох іспитах з інформатики ([[llm-graders-computer-science-exams-2026]]). Один адаптер, один набір даних, кілька базових моделей: саме так виглядає розгортання, яке невелика команда справді здатна підтримувати.

Зверніть увагу на слово *стабільна* в заголовку. Формат, рубрика, рівень читання та галузева лексика — стабільні цілі. Насичений судженнями текст — ні, і саме тут адаптація зазнає невдачі.

## Крок 5: Змініть те, як вона поводиться, а не лише те, що вона видає

Адаптація вчить модель *чому видавати*. Пост-тренування вчить її *як поводитися*, і для тьюторства саме в цій різниці полягає вся проблема: загальні моделі пост-тренуються на людських уподобаннях щодо корисності, а це означає відповідає швидко, тоді як викладання вимагає утримати відповідь.

Саме тут живуть найсильніші освітні результати. Модель винагороди EduQwen явно пріоритезувала **напрямні відповіді над прямими відповідями**, і її трьохетапний конвеєр досяг **96.52%** на бенчмарку CDPK проти **90.55%** у Gemini-3 Pro ([[singh-eduqwen-pedagogical-rl-2026]]). Симулятор письма SWIM пройшов шлях від підказок, заґрунтованих на рубриках (найкращий QWK **0.577**), через контрольоване донавчання (**0.474 ± 0.023**) до навчання з підкріпленням (**0.618 ± 0.005**) за всіма рисами та всіма підказками ([[swim-student-writing-simulation-2026]]).

Одну знахідку в цій галузі легко пропустити і дорого проігнорувати: **якість нагляду перевершує кількість нагляду**. Налаштовані на інструкції моделі засвоювали хибні уявлення з алгебри лише тоді, коли навчалися на **слідах розв’язань на рівні кроків**; навчені лише на фінальних відповідях, вони залишалися на точності **нижче 30% за будь-якого обсягу даних** ([[misconception-acquisition-dynamics-llms-2026]]). Якщо ваші навчальні приклади — це пари «питання і правильна відповідь», ви навчаєте не тієї речі.

## Коли адаптація моделі не допомагає

Це та частина, яку ентузіазм зазвичай пропускає.

- **Текст, насичений судженнями.** У WrAFT той самий проєкт, який успішно донавчався для *виставлення оцінок* за есе (QWK 0.84), видавав обрізане й нерозбірливе виведення, коли донавчався для *зворотного зв’язку*, тоді як пряме підказкове використання Claude 3.7 дало зворотний зв’язок, який викладачі оцінили найвище ([[wraft-automated-writing-evaluation-argumentative-2026]]). Донавчання навчило модель потрапляти в оцінку; воно не навчило її писати.
- **Масштаб не є надійним предиктором** якості на виході за умов адаптації методом LoRA, і **ідентичні гіперпараметри давали якісно різну поведінку на різних архітектурах** ([[aiawe-automated-writing-evaluation]]). Рецепт, який спрацював на одній моделі, не є рецептом.
- **Архітектура може важливішою за кількість параметрів.** Донавчання трьох відкритих моделей «текст в зображення» на 1,000 підписаних зображеннях із ядерної інженерії суттєво покращило Stable Diffusion XL, дало обмежений приріст для SD-v3.5-Medium і не дало **жодного вимірюваного покращення для Flux.1 взагалі** ([[nuclear-diffusion-text-to-image-learning-2026]]).
- **Іноді відповідь — це валідація, а не навчання.** Ненавчений GPT-4.1 найновішого рівня при створенні зворотного зв’язку для тьюторства видавав приблизно **35%** надто загальних, неправильних або таких, що розкривають відповідь, підказок, і його власні автоматизовані перевірки якості розходилися з людським судженням ([[reddig-maclellan-personalized-feedback-llm-2026]]).

## Що потрібно на практиці

Для щабліни адаптації планка нижча, ніж припускає більшість команд: **від кількох сотень до кількох тисяч прикладів і один GPU**. LoRA навчає невелику кількість доданих параметрів і залишає базові ваги замороженими, тому з одного адаптера можна обслуговувати кілька моделей.

Ранг — це компроміс, а не ручка, яку треба викручувати на максимум: приріст на мільйон параметрів адаптера монотонно падав із зростанням рангу, а узгодженість на рівні курсу була рішенням щодо масштабу й рангу, а не безкоштовним оновленням ([[lora-finetuned-control-systems-course-qa-2026]]). Те, які шари ви адаптуєте, — також справжній вибір: оновлення **лише останніх чотирьох шарів трансформера** аналізатора дискурсу на базі BERT перевершило і адаптацію лише верхнього шару, і донавчання на всю глибину ([[bert-discourse-english-teaching-2026]]).

Витрата, яку легко недооцінити, — це оцінювання, а не обчислення. Див. [[checking-whether-educational-ai-works|Як дізнатися, що освітній ШІ працює правильно, а не просто добре набирає очки?]]

## Скалібруйте свої очікування

Вибір моделі та підказки разом пояснюють лише близько **15%** розбіжностей між LLM і навчальними здобутками студентів, і в тому дослідженні зважування за бенчмарками та ансамблі на одноголосному голосуванні робили узгодженість *гіршою* ([[educational-llm-alignment]]). Дані предтренування — домінантний важіль поведінки моделі, і це той важіль, за який ви не можете потягнути.

Це не аргумент проти роботи вище. Це аргумент проти очікування, що донавчання виправить проблему проєктування. Якщо проблема в тому, що ваш тьютор занадто охоче відповідає, навчання може її вирішити. Якщо проблема в тому, що ваші здобувачі не взаємодіють із ним, навчання не допоможе.

## Короткий порядок ухвалення рішень

**1.** Зафіксуйте базову лінію лише на підказці, включно з тривіальною.

**2.** Додайте пошук і вилучення за вашими власними матеріалами.

**3.** Побудуйте підказку ітеративно проти вашої рубрики і стежте за плато.

**4.** Адаптуйте модель за допомогою LoRA, коли ціллю є стабільний формат, рубрика, рівень або галузь.

**5.** Пост-тренуйте лише тоді, коли потрібно змінити те, *як* вона поводиться, і напишіть винагороду проти бенчмарку, бо він буде обіграний.

**6.** Здійснюйте нагляд на рівні кроків, а не на рівні відповідей.

**7.** Залишайте людину в циклі там, де впевненість низька.

**8.** Перевіряйте безпеку на цілих розмовах, а не на одиничних репліках.

## Пов’язані питання

- [[training-ai-tutors-to-guide-rather-than-answer|Як навчити ШІ-тьютора направляти студентів, а не відповідати за них?]] — детально про пост-тренувальну половину

- [[checking-whether-educational-ai-works|Як дізнатися, що освітній ШІ працює правильно, а не просто добре набирає очки?]] — як з’ясувати, чи спрацювало щось із цього

- [[developing-ai-tutor|Які найкращі практики розробки ефективного ШІ-тьютора?]] — бік проєктування взаємодії тієї самої мети

- [[designing-educational-ai-software|Які найкращі практики та поради щодо проєктування ефективного освітнього програмного забезпечення на ШІ?]]

- [[llm-training-and-fine-tuning]] — повна сторінка поняття

---

## [Як змусити симульованого студента поводитися як справжній здобувач?](https://edtechdev.github.io/aied/faqs/making-simulated-students-behave-like-learners/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Симульованого студента легко зробити переконливим і важко зробити правдивим. Попросіть загальну модель зіграти здобувача, який має труднощі, і вона видасть плавне, правдоподібне збентеження — правильний словник незнання в правильному регістрі. Потім запитайте її, що цей студент сказав би після виправлення, і вона тихо дасть правильну відповідь.

Ця прогалина — і є вся проблема, і вона не в тому, щоб написати кращу підказку персони. Ця сторінка розповідає про те, що насправді змушує симульованого здобувача поводитися як здобувач, — для кожного, хто будує симулятор або використовує його для репетицій чи тестування.

## Коротка версія

Моделі навчені бути корисними і правильними. Здобувачі не є ні тим, ні іншим. Отже, робота полягає в тому, щоб обмежити **те, що симулятор знає**, і **як це знання змінюється**, а потім перевірити, що він поводиться як здобувач, а не лише звучить як здобувач. Одна лише робота з підказками туди не доведе; наведені нижче докази досить послідовно свідчать, що підказки задають стелю, яку знімає навчання або структура.

## Почніть із розуміння того, що ви НЕ симулюєте

Найкорисніша знахідка для кожного, хто збирається довіряти симулятору, стосується покриття. Дванадцять викладачів, які вели тьюторство зі студентами-LLM, повідомили про надмірно складну мову, відсутність емоцій, неприродну уважність і незрозумілі стрибки в знаннях — а симуляції представляли лише **один із чотирьох** квадрантів реальної поведінки студентів ([[llm-student-simulation-teacher-insights|Martynova et al., 2026]]). Квадрант, який вони покривали, був найлегшим для симуляції.

Це важливо, бо майже ніхто не перевіряє. Лише **3%** досліджень, що симулюють здобувачів, валідують свій симулятор після використання. Якщо ви його побудуєте і не валідуватимете, ви в переважній більшості, і ви також та причина, з якої варто цитувати цю статистику.

## Парадокс компетентності: ваш симулятор знає занадто багато

Визначальна трудність у тому, що спроможна модель не може легко вдавати тимчасово обмеженого знавця. Дослідження називає це **парадоксом компетентності**: моделі з широкою спроможністю, яких просять емулювати частково обізнаних здобувачів, дають нереалістичні патерни помилок і динаміку навчання.

Дрейф має напрям, і він вказує саме на тих здобувачів, яких найбільше потрібно симулювати. Проти студентських ідей, узятих із **49 уроків природничих наук, узгоджених з NGSS**, шість моделей утримували більшість ідей у межах очікуваної області знань і приблизно дві третини на рівні читання, що не перевищує цільового, — але перелітали через межу рівно там, де здобувач був наймолодшим. Ідеї для початкової та середньої школи частіше перевищували цільову область знань і рівень читання класу, і корпус у цілому схилявся до ширших міркувань, більш технічної лексики та **меншої кількості маркерів невизначеності** («можливо», «здається») порівняно з реальними ідеями уроків ([[llm-simulating-student-scientific-thinking-2026|Nguyen and Cao, 2026]]).

Два практичних зауваження з того дослідження. Вибір моделі не одновимірний — система, що близько відповідає ідеям уроків, усе одно може подавати їх вище за рівень класу. І виправлення часто більше навчальне, ніж архітектурне: явна повторна підказка на рівень класу повернула більшість моделей назад у межах діапазону.

## Поверхова реалістичність — неправильна ціль

Симулятор, який звучить як студент, може все одно не розділяти його переконань, і звичайні перевірки якості не в силі помітити різницю.

Ця відмова кількісно вимірювана. За **семи моделей від 4B до 120B параметрів** симулятори переходили на правильну відповідь з майже однаковою частотою незалежно від отриманого зворотного зв’язку, — отже, схожість виведення нічого не говорить про стан переконань за ним. Навчання проти метрики **Selective Flip Score** підняло відданість до **+0.56** ([[llm-student-simulation-misconception-faithfulness|Do, Sonkar & Sachan, 2026]]). Якщо ви хочете, щоб симулятор утримував хибне уявлення, ви маєте навчити цій властивості; не можна прочитати її з тексту.

Протилежна помилка теж трапляється, і саме тому питання «чи це виглядає по-людському?» — слабкий тест в обох напрямах. У сліпому дослідженні експертні анотатори помилково класифікували **164 із 196 (83.7%)** згенерованих LLM робіт із Java як написані людиною — помилки були функціонально невідрізняними від справжніх. Узгодженість із реальними помилками потім падала зі зростанням складності задачі ([[simulating-students-java-programming-errors-llms|Keramati et al., 2026]]).

## Підказки задають стелю, яку знімає навчання

SWIM — найчіткіше порівняння трьох підходів, бо він оцінює кожне згенероване есе проти його цільового профілю рис, а не оцінює його враженням:

- **Підказки, заґрунтовані на рубриках**: обмежений контроль навіть для сильних пропрієтарних моделей — найкращий середній QWK за рисами **0.577** (Claude Sonnet), **0.422** (GPT-5.4), близько нуля для відкритої моделі на 7B.
- **Контрольоване донавчання** на реальних парах «есе–оцінка»: **0.474 ± 0.023** для тієї моделі на 7B.
- **GRPO** із винагородою, отриманою з автоматизованого оцінювання есе: **0.618 ± 0.005**, із приростом, який утримується на двох незалежних оцінювачах, проти яких політика ніколи не навчалася ([[swim-student-writing-simulation-2026]]).

Підказки також давали **ідеалізовану** популяцію, а не реалістичну: середня нормалізована загальна оцінка **0.74** проти **0.58** для реальних студентів, і медіанна довжина **304 слова** проти **167**. Навчені моделі відтворили людські розподіли оцінок і довжин без жодного нагляду за довжиною.

Одна річ залишалася важкою, і про це варто знати, перш ніж обіцяти реалістичність: справжня форма **низької компетентності**. Навчені моделі відтворили синтаксис, але писали надто мало орфографічних і граматичних помилок, тоді як підказки симулювали слабкість переважно через поверхневе пошкодження — орфографічні помилки, розбризкані по інакше компетентному тексті.

## Два способи обмежити те, що симулятор знає

Якщо модель знає занадто багато, ви можете або задати стан, у якому вона має бути, або забрати знання.

**Умовлюйте на епістемічний стан, а не на персону.** Рамка без навчання будує когнітивний прототип кожного студента з [[knowledge-graph]] і оцінює кандидатів beam-search проти нього, повідомляючи про 100% покращення точності симуляції ([[simulating-students-diverse-cognitive-levels-2025|Wu et al., 2025]]). Її якість **зростає з когнітивним рівнем студента**, і це та знахідка, яку варто винести: слабші здобувачі залишаються важчим випадком, що прикро, бо зазвичай саме вони й є метою. Моделювання когнітивної динаміки, а не статичної персони, іде далі — оновлення стану CogEvolution на основі ICAP досягли R²LC = **0.92**, тоді як статичні агенти досягають **0.45**, і падають до **0.58** без їхнього модуля ICAP ([[cogevolution-student-cognitive-evolution-agent-2026|Zhang et al., 2026]]).

**Або заберіть знання.** Придушення 16 цільових компонентів знань у Mistral-7B знизило точність із приблизно **0.75** за 10% коефіцієнта забування до **нижче 0.5** за 40%, тоді як базова модель утримувала близько **0.85**, — і придушені знання виявилися відновними через контрольоване переучення і діалог із наставником ([[simulating-novice-students-machine-unlearning-2026|Song, Guo & Lin, 2026]]). Це найближче до прямого створення новачка, і відновнимість є перевагою, якщо ви хочете, щоб симулятор навчався під час сесії.

## Зробіть взаємодію сценарною, а не персону

Стабільність персони виявляється проблемою проєктування взаємодії, а не вибору моделі. Перехрещуючи п’ять LLM із трьома проєктами підказок і чотирма персонами інтенсивності СДУГ, **сценарні взаємодії, прив’язані до задачі, усунули спостережуваний дрейф поведінки** — до **97% менше**, ніж за нескенарного діалогу. І без явних інструкцій щодо персони базове подання студента схилялося до високих симптомів СДУГ ([[llm-educational-simulation-adhd|Gonnermann-Müller, Haase & Leins, 2026]]).

Практичне прочитання: якщо ваш симулятор дрейфує, виправлення може бути в тому, що ви просите його робити репліка за реплікою, а не в тому, яку модель ви вибрали або як описали студента.

## Перевіряйте за двома осями, а не однією

Найчіткіша формалізація питання «чи цей симулятор взагалі хороший» походить від StudentSim, який вимагає, щоб дві речі виконувалися **разом**:

- **Відданість поведінки** — наскільки добре симулятор відповідає власним відповідям студента.
- **Чутливість до настанов** — наскільки надійно він оновлюється в бік того, куди веде настанова тьютора.

Його бенчмарк переводить публічні корпуси здобувачів (шахи, письмо англійською як другою мовою, математику) в протокол на студента, за яким будь-який симулятор навчається й оцінюється на прихованих записах. Результат — корисна діагностика: відстеження стану, специфічне для галузі, було **слабким за чутливістю**, а рольова гра LLM лише на підказках — **слабою за відданістю** ([[studentsim-llm-student-simulators|Yang et al., 2026]]). Симулятор може пройти один тест і провалити інший, тому повідомляйте обидва.

Як доказ концепції, заморожений StudentSim, використаний як винагорода в циклі [[reinforcement-learning]] шахового тьютора, дав тьюторів, яких експерти оцінили як точніших, краще направлених і більш персоналізованих, ніж навчені проти винагороди від симулятора на найновішій LLM або без RL взагалі. Хороший симулятор — не лише інструмент вимірювання; він може бути сигналом навчання.

## Валідуйте проти реальних здобувачів, а не проти своєї інтуїції

Два бенчмарки показують, скільки коштує валідація і що вона дає.

Порівнюючи **дев’ять методів симуляції** проти **семи референсних метрик** на **382 прихованих діалогах** із найбільшого публічного корпусу реальних діалогів «студент–тьютор» із математики, підказки відставали від донавчання за діалоговими актами (**0.4998** проти **0.6840**), ROUGE-L (**0.1648** проти **0.3212**) і косинусною схожістю (**0.5460** проти **0.7390**). Але найкращий протестований метод — оптимізація уподобань на моделі 8B — перевершив контрольоване донавчання лише **незначно** і був **гіршим за помилки**, і оцінювання трьома тьюторами-людьми відтворило це ранжування ([[simulated-students-tutoring-dialogues-2026|Scarlatos et al., 2026]]). Урок у тому, що верхівка цих сходів недалеко від середини, тому велика прогалина між вашим симулятором і базовою лінією інформативніша, ніж мала.

Симулятори студентів також відтворюють спостережувані дії без латентних міркувань за ними. [[inside-llm-student-simulator-reasoning-2026|INSIDE]] донавчає моделі генерувати внутрішній діалог перед кожною дією, досягаючи найвищої узгодженості між згенерованими міркуваннями й реальними правками коду — **51.8%** на знайомих задачах, **57.9%** на небачених — не втрачаючи відданості дій (Niousha et al., 2026). Якщо вам важливо, *чому* ваш симульований студент щось зробив, відданості на рівні дій недостатньо.

## Іноді опис кращий за симуляцію

Результат, про який варто знати, перш ніж будувати когорту: для оцінювання досвіду онлайн-навчання *до того*, як студенти залучаться — прогнозуючи відпад і завершення та даючи відгук на проєкт — єдиний **«описовий»** веб-агент, який проходить урок і дає багатий опис досвіду, перевершив пряму симуляцію популяції студентів.

Симульовані студенти в тому порівнянні демонстрували набагато менший діапазон поведінки, ніж реальні здобувачі: на **100 агентів** за п’ять тестових уроків вони відтворили лише близько **4%** шляхів, яких реально йшли студенти, коштуючи суттєво більше обчислень. Конвеєр «опиши, потім передбач» досяг найкращого прогнозу розподілу відпаду на масовому глобальному курсі CS1 (середній JSD **0.060**, перевершивши всі базові лінії) ([[ai-web-agents-lesson-design-2025|Wang, Mitchell & Piech, 2025]]).

Межа, яку він окреслює, корисна: симуляція *розподілу* студентів може бути непотрібною — або контрпродуктивною — коли метою є прогноз результату або критика проєкту. Симуляція окупає свою ціну тоді, коли важливо покрити справжню варіацію здобувачів, наприклад, для аудиту того, як ШІ поводиться з різноманітними профілями, або щоб дати викладачу щось, проти чого можна потренуватися.

## Контрольний список, перш ніж довіряти симулятору

**1.** Запишіть, яких здобувачів ви *не* покриваєте. Симуляції, як правило, охоплюють найлегший квадрант.

**2.** Перевіряйте стан переконань, а не текст. Запитайте, що симулятор каже після виправлення; симулятор, який переходить на правильну відповідь, не утримує хибного уявлення.

**3.** Не покладайтеся лише на підказки, якщо важлива відданість. Підказки задають стелю, яку знімає навчання або структура.

**4.** Визначте, як ви будете обмежувати знання — задати епістемічний стан чи забрати знання, — а не описувати персону.

**5.** Зробіть сценарною взаємодію, а не лише персону. Прив’язані до задачі репліки різко зменшують дрейф поведінки.

**6.** Оцінюйте відданість і чутливість до настанов окремо. Симулятор може пройти одне і провалити інше.

**7.** Валідуйте проти даних реальних здобувачів і повідомляйте базову лінію, яку ви перевершили. Найкращі методи тут лише незначно кращі за тих, хто нижче.

**8.** Перш ніж будувати популяцію, перевірте, чи не відповів би на ваше питання дешевше єдиний описовий агент.

**9.** Очікуйте, що найслабші здобувачі — найважчий випадок, і скажіть про це, якщо ваш симулятор використовуватиметься для висновків про них.

## Пов’язані питання

- [[checking-whether-educational-ai-works|Як дізнатися, що освітній ШІ працює правильно, а не просто добре набирає очки?]] — оцінювання систем, проти яких ви тестуєте симулятор

- [[addressing-common-misconceptions-ai-education|Як ми можемо подолати поширені хибні уявлення щодо ШІ в освіті?]] — чи можуть симульовані студенти замінити реальних здобувачів у дослідженнях

- [[making-ai-better-at-supporting-learning|Як зробити ШІ кращим у підтримці навчання у власній предметній галузі?]] — методи навчання за наведеними вище результатами донавчання

- [[simulating-students]] — повна сторінка поняття

---

## [Як перепроєктувати оцінювання, щоб оцінка все ще щось обґрунтовано говорила про те, що студент знає або вміє?](https://edtechdev.github.io/aied/faqs/redesign-assessment-ai-era/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як перепроєктувати оцінювання, щоб оцінка все ще щось обґрунтовано говорила про те, що студент знає або вміє?

**Почніть із того, що ви явно сформулюєте, яку здатність оцінка має представляти.** Ви оцінюєте те, що студент може зробити самостійно, те, що він може досягти належним чином за допомогою ШІ, його здатність оцінювати й направляти ШІ, чи якусь комбінацію цих речей? Сторінка бази знань [[assessment-validity|Assessment Validity]] розглядає це як проблему валідності: відполірований артефакт більше не є достатнім доказом того, що студент володіє здатністю, яку цей артефакт, здавалося б, демонструє. Це — оцінювальна половина того самого аргументу; половина, що стосується примусу, міститься в [[reduce-ai-cheating]], а загальна рамка валідності проходить через [[evaluating-ai-interventions-methods]].

## Ризик підміни конструкту

Стаття [[authentic-products-authenticated-processes-2026|From Authentic Products to Authenticated Processes]] називає випливний ризик **підміною конструкту**: оцінювачі приписують студенту опосередкований ШІ продукт і ненавмисно вимірюють можливості інструмента, а не студента. Рекомендована ними відповідь — зробити міркування, судження, верифікацію, ітерації та відповідальність студента видимими через такі підходи, як поетапні подання, анотовані обґрунтування рішень, записи процесу, заяви щодо використання зворотного зв’язку, усні захисти та інші форми автентифікованих доказів процесу.

[[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi]] переосмислюють ту саму проблему як проблему **недосконалої інформації**, а не моралі: студент знає, як робота була створена, а заклад бачить лише артефакт плюс часткові сліди, тому питання проєктування стає таким: *яку відповідь студента кожне середовище оцінювання робить найпривабливішою*. Їхня модель областей відповіді порівнює три варіанти — використання ШІ відсутнє, [[ai-use-disclosure|disclosed]] використання та приховане використання — і показує, що правила, моніторинг, розкриття та перепроєктування діють через різні канали й досягають успіху лише тоді, коли найпривабливіша відповідь узгоджується з метою оцінювання. Два результати мають безпосереднє відношення до архітектури. Стримування проходить через **дискримінаційну здатність** детектора між прихованим використанням і легітимною роботою, а не через його сиру частоту виявлення, тому коли хибнопозитивні результати зростають швидше за істиннопозитивні, сильніший моніторинг може зробити приховування відносно *привабливішим*. А перепроєктування рухає студентів до відповідального використання лише тоді, коли рубрика справді винагороджує докази процесу; інакше воно залишається косметичним. Їхнє практичне правило — проєктуйте для студента, який найбільше схильний приховувати, а не для найсумліннішого.

## Сильна архітектура оцінювання

На практиці сильна архітектура оцінювання часто поєднує **автентичну задачу з можливостями ШІ** з певною формою **незалежної верифікації**. Залежно від галузі це може включати короткий усний пояснення, застосування в аудиторії, живу демонстрацію, анотоване [[eportfolio|portfolio]], коротку компоненту без допомоги або розпитування про ключові рішення.

Концепція [[authentic-assessment|Authentic Assessment]] також наголошує на реалістичній інтелектуальній праці, когнітивному виклику, здобувацькій активності, зворотному зв’язку та соціальній чи професійній автентичності — а не лише на тому, щоб зробити звичайні завдання важчими для виконання ШІ. Усні та живі компоненти потребують уважної уваги до тривожності, адаптацій за інвалідністю, мовних відмінностей і упередженості оцінювачів.

Одна популярна архітектура без стеження — **варіація завдань для кожного студента**, де кожен іспитуваний отримує поверхнево відмінну, але конструктно еквівалентну версію тієї самої задачі, щоб відповіді не могли бути корисно обміняні, — є зумовленою можливостями, а не безкоштовною. [[varia-construct-equivalent-assessment-variant-generation-2026|VARIA]], [[benchmark]] із 600 згенерованих варіантів за 60 умовними комірками, виявив, що найновіші моделі тісно групуються за спільною оцінкою цілісності (0.81–0.88), тоді як не-найновіші референсні моделі падають до 0.50–0.55, і що жодна окрема стратегія [[prompt-engineering|prompting]] не оптимізує поверхневу різноманітність і конструктну еквівалентність одночасно. Варіацію в масштабі не можна припускати на підставі самих лише підказок, тому заклад має валідувати власну пару «модель–підказка», перш ніж вважати гарантію справжньою.

Перепроєктування також рідко працює завдання за завданням. У [[qualitative-research|qualitative]] дослідженні 12 науковців і 17 студентів у великому австралійському університеті [[nicola-richmond-programwide-assessment-genai-2025|Nicola-Richmond et al.]] виявили, що обидві групи погоджуються, що оцінювання мусить змінитися, але підкреслюють системну тертя — тривалі строки підготовки, обмеження акредитації для великих когорт, навантаження й витрати — і дійшли висновку, що перепроєктування *потребує цілої громади*: команди в межах усієї програми, що поєднує експертизу з проєктування оцінювання, [[generative-ai|generative AI]], предметної галузі, індустрії та доказовості, із стратегічно розміщеними в межах кваліфікації пунктами щодо грамотності в GenAI і забезпечення навчальних результатів. Метод на рівні завдань, який робить це здійсненним, — той, який документує [[mccorkle-aligned-genai-course-policy-2025|McCorkle]]: інвентаризувати кожен крок, який виконує студент, щодо кожного кроку запитати «що, конкретно, я оцінюю?», і вивести межу використання ШІ з відповіді, — що також є тим, як очікування за [[reduce-ai-cheating]] стають явними й придатними для примушення.

Мета важлива так само, як і механіка. [[ai-agents-joyful-assessment-third-space-2026|El Khoury and Ma]] стверджують, що реформа, організована лише навколо запобігання порушенням, надто оборонна, і пропонують **радісне оцінювання** — безпечне, емоційно чуйне, розширююче повноваження та підтримувальне для студентської [[agency]] — у якому цілісність є *наслідком* гарного проєктування, а не його вихідною точкою. Їхній розроблений приклад використовує побудований викладачем [[agentic-ai|AI agent]] для репетицій із студентами перед судженням і для створення узгодженого з рубрикою звіту про докази, але розподіл праці сформульовано прямо: ШІ організовує докази, викладач їх інтерпретує.

---

## [Як я можу зменшити списування за допомогою ШІ на своєму курсі?](https://edtechdev.github.io/aied/faqs/reduce-ai-cheating/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як я можу зменшити списування за допомогою ШІ на своєму курсі?

**Найпотужніший напрямок у цій базі знань — покладатися менше на виявлення й більше на структурне [[assessment|assessment design]], явні очікування, верифікацію навчання та [[ai-literacy]].** Синтез [[academic-integrity|Academic Integrity]] повідомляє про суттєві обмеження виявлення текстів, створених ШІ, і стверджує, що академічна доброчесність в еру [[generative-ai]] усе більше є проблемою проєктування оцінювання, а не просто проблемою виявлення. Інструменти виявлення ненадійні та процедурно несправедливі. У контрольованому дослідженні 642 опублікованих англійських анотацій два комерційні детектори позначили легке ШІ-*редагування*, що відповідало вказівкам, на 38–80%, позначили незмінені оригінали 2023–25 років на 9–15% (не-[[stem-education|STEM]] значно вище за STEM, p<0.001) і — після ШІ-«гуманізації» — виявили менше 4% переписаних із позначкою ШІ текстів, це академічна дилема виявлення, яка карає чесну допомогу, водночас уможливлюючи свідоме ухилення.([[karr-ai-detection-humanization-2026]]) У таємному польовому дослідженні 94% подань, повністю згенерованих ШІ, які були внесені в живі онлайн-іспити за п’ятьма модулями психології, залишилися невиявленими, а роботи ШІ в середньому набрали більше за реальних студентів; Університет Вандербільта відключив свій ліцензований детектор, не змігши підтвердити заявлений 1% рівня хибнопозитивних спрацьовувань, що означало приблизно 750 помилково позначених студентів серед 75,000 річних подань.([[teichmann-detecting-undetectable-misconduct-2026]]) Отже, саме виявлення є слабким важелем; сильніший важіль — це аргумент проєктування оцінювання, викладений повністю в [[redesign-assessment-ai-era]]. Нижче наведено конкретні, придатні до вжитку підходи, приблизно в порядку сили доказів.

## 1. Інструменти ШІ з обмеженнями: «підказуй, а не відповідай»

Налаштуйте будь-яке використання [[simulating-students|AI students]] так, щоб воно [[scaffolding|scaffolds]], а не розкривало. Найпотужніша каузальна знахідка в цій базі знань — це польове [[rct]], у якому **необмежений** тьютор типу ChatGPT підвищив результати підтримуваної практики на **+48%**, але *знизив* оцінки іспиту без допомоги на **−17%**; **тьютор з обмеженнями** (підказки замість відповідей плюс інформація про задачі, розроблена [[teacher-role|teacher]]) повністю усунув шкоду.([[generative-ai-guardrails-harm-learning]]) Велике дослідження 26,811 студентів виявило, що перекладання домашніх робіт на інших підвищило оцінки за домашні роботи на 18%, але *знизило* оцінки за [[summative-assessment|closed-book exam]] на 20% протягом шести місяців — саме та шкода, для запобігання якій і призначені [[guardrails]] та заходи без допомоги.([[stromberg-generative-ai-learning-penalty-secondary-2026]])

**Конкретні приклади:**

- Налаштуйте тьютора надавати поступові, [[socratic-method|Socratic]] підказки, а не наступний крок відповіді.
- Наповніть ШІ правильними розв’язаннями *і* поширеними [[misconceptions]], щоб він міг націлюватися на помилки.
- Вимагайте від студента спроби *перед* тим, як ШІ розкриє свій результат («спочатку покажіть свою спробу»).
- Ставтеся до будь-якого інструмента, який робить задачу беззусильною, як до неправильно розміщеного — правило [[brcic-effortless-trap-productive-struggle-2026|"if letting AI in makes the task feel effortless, it's in the wrong place"]].

## 2. Перепроєктування оцінювання: зробіть так, щоб списування виявлялося (і стримувалося) за рахунок проєктування

Оскільки шкода від неправильного використання залежить від оцінювання, змініть те, що вважається досягненням. Синтез [[reducing-ai-misuse|Reducing AI Misuse]] ставить це на рівень Tier-1, бо це працює незалежно від того, чи студент обирає правильну поведінку — воно обмежує середовище, а не залежить від мотивації. [[ai-assessment-scale-reform|AI Assessment Scale (AIAS)]] — структурована рамка для цього: позначте кожне завдання за його рівнем використання ШІ (наприклад, «ШІ не використовується», «ШІ лише для мозкового штурму», «допомога ШІ з атрибуцією», «повне використання ШІ»), щоб очікування були явними та придатними для примушення.([[ai-assessment-scale-reform]])

[[meta-analysis-systematic-review|systematic review]] 72 досліджень генеративного ШІ в [[cs-education|computing education]] доходить того самого висновку з іншої доказової бази: він оцінює **перепроєктування** як і здійсненне, і найбільш вагоме, окремо виділяючи додавання усного або іншого елемента, що робить процес видимим, принаймні до одного високозначущого оцінювання на курс як найефективнішу окрему інтервенцію, і зазначає, що виявлення — це *найтинніша* область всього огляду — лише 3 дослідження, попри те що воно домінує в інституційних дебатах ([[kumar-genai-computing-education-systematic-review-2026]]). Той самий огляд повідомляє, що 60–80% студентів із інформатики використовували генеративний ШІ в курсових роботах, як правило, без явної згоди викладача, і що 70% однієї національної вибірки викладацького складу явно запросили навчання з проєктування оцінювання, стійкого до ШІ.

**Конкретні приклади:**

- **Оцінювання без допомоги, в аудиторії, із закритими книгами** — прокторовані іспити, вікторини або письмові роботи на час, за яких студенти працюють без інструментів. Надавайте їм більшої ваги, оскільки саме домашні роботи ШІ завищує.
- **Усні іспити та захисти** — нехай студенти усно пояснюють або захищають свою роботу; діалог у реальному часі від природи стійкий до ШІ.([[fenton-oral-exams-ai-authentic-assessment-2025]])
- **Артефакти процесу** — вимагайте чернетки, сліди міркувань, анотовані «покажіть своє мислення» або журнали рефлексії, щоб *процес* був видимий, а не лише продукт.([[authentic-products-authenticated-processes-2026]])
- **Автентичні, контекстуальні задачі** — використовуйте реальні, багаті на дані або особисті підказки, які важко делегувати і які є значущими для студента (наприклад, застосувати поняття до локального випадку, стажування або власних даних студента).([[kirsanov-beyond-detection-ai-online-assessments-2026]])
- **Зони без ШІ** — позначте частини курсу (або конкретні завдання), де незалежна здатність справді є конструктом, що оцінюється.
- **Варіація завдань для кожного студента** — дайте кожному студенту поверхнево відмінну, але конструктно еквівалентну версію тієї самої задачі, щоб копіювання було структурно безкорисним; ставтеся до цього як до зумовленого можливостями, оскільки [[varia-construct-equivalent-assessment-variant-generation-2026|VARIA]] виявив, що найновіші генератори досягають лише 0.81–0.88 за спільною оцінкою цілісності, тоді як не-найновіші моделі падають до 0.50–0.55.

## 3. Верифікація навчання: перевіряйте розуміння, а не походження

Замість того щоб намагатися довести, *як* подання було створене, час від часу просіть студентів *продемонструвати* те, що вони засвоїли. [[best-response-student-ai-dialog-2026|"The Best Response to Student AI Use Is Not Detection, It Is Dialog"]] описує короткі розмови з верифікацією, ранні чернетки, рефлексії та відео студентів як практичні механізми.

**Конкретні приклади:**

- Двохвилинне індивідуальне або записане пояснення поданої роботи.
- Повторна вікторина за тим самим матеріалом, що проходиться без інструментів.
- Попросіть студентів переробити вибірку своїх робіт і пояснити зміни.

*Примітка:* це джерело є розрахунком практика, тому його найкраще розглядати як перспективну практику, а не як остаточні каузальні докази.

**Верифікація — це також те, що робить процес із порушенням захищеним.** [[munoz-misconduct-allegation-evidence-2026|Munoz et al. (2026)]] проаналізували фактичні файли звинувачень у порушеннях із генеративним ШІ і виявили, що принципи природної справедливості вимагають, щоб студента повідомили про звинувачення та дали йому можливість відповісти *до* будь-якого визначення; можливість відповісти, як правило, є слідчою зустріччю або співбесідою комісії, і все, що студент каже, стає частиною доказового запису. Їхні категорії доказів також пояснюють, чому верифікація має бути вбудована в курс, а не імпровізована під час розслідування: поведінкові сліди, записані системою, існують лише за наглядового оцінювання, а слабші докази процесу — чернетки, зустрічі з наглядачами, презентації — існують лише там, де ці практики вже були на місці. Порядок верифікації — це докази процесу, на які ви потім можете спиратися. Саме правило також має бути точним: [[wright-transcription-not-generation-2026|Wright (2026)]] показує, що заборони, які розглядають перетворення мовлення в текст і генеративне створення чернеток як одне й те саме «використання ШІ», є надмірно широкими і ризикують покарати студентів, які не зробили забороненого, що є проблемою справедливості раніше, ніж юридичною проблемою ([[legal-issues-and-risks]]).

## 4. Послідовності підтримуваного використання: «спочатку подумай, потім ШІ, втретє — рефлексуй»

Замість заборони ШІ навчіть студентів структурованого робочого процесу, який утримує їх у когнітивному циклі. Синтез [[reducing-ai-misuse|Reducing AI Misuse]] окреслює вісім принципів проєктування: зберігайте [[desirable-difficulties|cognitive friction]], позиціонуйте ШІ як *тимчасового* партнера з мислення (а не як авторитет), вбудовуйте контрольні точки оцінювання та вимагайте [[metacognition|metacognitive]] ведення журналів і журналів підказок.

**Конкретна прикладна послідовність:**

1. **Спочатку подумай** — студенти проводять мозковий штурм, складають план або пишуть чернетку самостійно до будь-якого використання ШІ.
2. **Потім ШІ** — вони використовують ШІ, щоб критикувати, розширювати або генерувати альтернативи проти власного мислення.
3. **Втретє — рефлексуй** — вони реєструють, для чого використовували ШІ, що прийняли/відкинули і чому (журнал підказок і переробок).

## 5. Заяви про використання ШІ, специфічні для задачі

Замініть звичайні прапорці «Я використовував ШІ ☐» на **[[discipline-specific-aied|domain-specific]] рамки заяв**, які відображають використання ШІ на когнітивні стадії (наприклад, структурне планування проти генерації змісту).([[genai-declaration-frameworks-higher-education]]) Це змушує студентів рефлексувати над тим, *як* вони використовували ШІ, і прояснює межу між прийнятною допомогою і порушенням. Поєднайте це з явними очікуваннями та запевненням, що чесне розкриття не буде покарано, — каральні або невиразні політики активно сприяють приховуванню.([[gonsalves-student-non-compliance-ai-declarations-2025]])([[chang-should-i-tell-my-teacher-ai-disclosure-2026]])

Моделювання проєктування оцінювання від [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed and Temimi]] пояснює механізм за цією порадою. Розкриття стає привабливим варіантом лише тоді, коли ціна чесності залишається низькою; і оскільки хибнопозитивні спрацьовування детектора падають і на чесних студентів, **сильніший моніторинг може зробити приховування відносно привабливішим** щоразу, коли додаткова чутливість дає більше нових хибнопозитивних, ніж нових істиннопозитивних результатів. Читайте заявлене використання як контекст, а не як зізнання, і проєктуйте для студента, який найбільше схильний приховувати, а не для середнього.

**Конкретний приклад:** титульний аркуш, який просить студентів зазначити, за кожним завданням: *Чи використовували ви ШІ? На яких стадіях (мозковий штурм / чернетка / переробка / перевірка)? Який інструмент і які підказки ви використовували? Як ви оцінили результат?*

## 6. Будуйте ШІ-грамотність і чесні очікування

Синтез [[reducing-ai-misuse|Reducing AI Misuse]] ставить інструктаж із ШІ-грамотності та [[prompt-engineering|prompting]] на рівень Tier-2: модуль [[k-12]] K-12, що використовує практику підказок на основі сценаріїв із автовизначником [[llm]], покращив справжні навички підказок і підвищив упевненість у використанні ШІ для навчання на **+10.4%**, причому 87% повідомили, що навчилися використовувати ШІ відповідально.([[aaai2026-prompting-literacy-k12]]) Встановіть чіткі очікування щодо того, що вважається списуванням, *чому* це шкодить навчанню ([[ai-misuse-learning-harm|performance–learning gap]]), і як студенти можуть використовувати ШІ продуктивно — це вирішує проблеми соціальної норми «всі так роблять» і раціоналізації, задокументовані в [[ai-tools-academic-work-cheating-2026]] і [[student-rationalization-ai-writing]].

Опитування студентів підтримують цю рамку. Серед 504 студентів соціології 65% використовували генеративний ШІ в курсових роботах, але лише 3% — для генерації тексту завдання і 2% — для генерації повної чернетки; тим часом 81% отримали якісь вказівки щодо ШІ, але лише 46% визнали їх дуже зрозумілими ([[student-genai-use-views-writing]]). Незрозумілість, а не непокора, є практичною проблемою, — і саме тому навчально-потенційний бік цього FAQ пов’язується з [[ai-literacy-evidence]] і з ранжуванням інтервенцій у [[top-10-findings-ai-education-instructors]]. Студенти не описують інструменти тими самими термінами, що й політика: [[mulisa-students-genai-integrity-perspectives-2026|Mulisa and Mezgebu (2026)]] виявили, що питання, яке піднімають студенти, — чи є генеративний ШІ інструментом, який полегшує списування, чи партнером, який підтримує навчання, і їхній розповіді про напругу між інституційними правилами доброчесності й власними навчальними потребами студентів більше корисна для формулювання очікувань, ніж ще одне попередження про покарання.

## Головний висновок

Поєднайте **структурну основу** (обмеження + перепроєктування оцінювання, які роблять списування важким незалежно від мотивації) з **освітнім розвитком потенціалу** (ШІ-грамотність, заяви, послідовності «подумай–ШІ–рефлексуй»). Саме виявлення є найслабшим важелем; мета — зробити так, щоб чесне, продуктивне використання ШІ було шляхом найменшого опору.

---

## [Як уникнути надмірної залежності студентів від ШІ?](https://edtechdev.github.io/aied/faqs/reducing-over-reliance/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Як уникнути надмірної залежності студентів від ШІ?

Ви виставили оцінку роботі, яка читається краще, ніж може її пояснити студент. Вони бездоганно виконують домашній набір задач і губляться на іспиті. Оцінки перестали передбачати те, що вони розуміють, і ви підозрюєте, що думає інструмент.

Ви, мабуть, маєте рацію, і це проблема проєктування, а не поліцейського контролю. **Надмірна залежність — це не те саме, що часте використання, і інтервенції, які її зменшують, є переважно проєктуваннями задач, а не обмеженнями доступу.** Стійке навчання будується через відтворення, розгортання та генерацію, а генеративний ШІ може постачати продукт цих процесів, не вимагаючи самих процесів.

Головний висновок: поставте власну спробу студента перед інструментом, захистіть моменти, коли інструмент відсутній, зробіть верифікацію видимою, а не лише доступною, і оцінюйте щось, що студент робить без допомоги.

## Що таке насправді надмірна залежність і як зрозуміти, що у вас є проблема

Когнітивне перекладання — це перенесення когнітивних навантажень на зовнішні інструменти, звільняючи обмежені розумові ресурси для обробки вищого порядку. [[cognitive-offloading-metacognitive-review-2026|Guo and Ye (2026)]] розглядають цей конструкт через динамічну [[metacognition|metacognitive]] модель Nelson and Naren, у якій моніторинг складності інформує рішення перекласти навантаження на внутрішню або зовнішню стратегію. Перекладання — це [[self-regulated-learning|self-regulatory]] вибір, а не дефект; невдача — це [[trust-calibration|miscalibration]], а не обсяг.

[[ai-overreliance-complex-adaptive-system-2026|Biswas (2026)]] моделює залежність як три дії — розв’язати самостійно, прийняти відповідь ШІ неперевіреною або використати її та перевірити — і симетрично визначає дві помилки калібрування: надмірна залежність — це прийняття неправильного виведення, недостатня залежність — відкидання корисного ШІ після того, як він помилився. Колективна надмірна залежність — це популяція, що відмовляється від верифікації, і оскільки сира надмірна залежність розходиться з жалем, висока залежність не є автоматично шкідливою. Студент, який перевіряє кожну відповідь ШІ проти ваших матеріалів, — не ваша проблема; той, хто подає першу чернетку моделі, — ваша.

Більшість того, що ви можете виміряти, — це [[self-report-measures|self-report]]. [[gerlich-ai-tools-cognitive-offloading-critical-thinking|Gerlich (2025)]] опитав 666 учасників із Великої Британії за 50 інтерв’ю і виявив, що використання ШІ негативно корелює з [[critical-thinking|critical thinking]] (r = −0.68), причому перекладання є частково опосередковуючим фактором (загальний ефект b = −0.42; непрямий b = −0.25). [[genai-over-reliance-learning-2026|Gao, Sun and Khan (2026)]] використали дані трьохвильового опитування з часовим зсувом від 623 китайських студентів плюс інтерв’ю з викладачами і виявили, що ефективне використання ШІ підвищує стійку успішність у навчанні *і* водночас підвищує надмірну залежність. Обидва проєкти є кореляційними, і обидва про це кажуть.

Поведінкові інструменти тонші. [[pause-ai-cognitive-offloading-self-reflection-2026|PAUSE (Alam, 2026)]] — це лише браузерна самоперевірка без доказів надійності або валідності, і її ключове попередження стосується валідності пунктів: пункти реєструють, коли і як часто ШІ входить у робочий процес, а не чи залишалося залученим власне міркування студента, тому студент, який свідомо рано забезпечує скаффолдинг за допомогою ШІ, чесно оціниться як той, що перекладає навантаження. Вона також посилається на оцінку перекладання (Offloading Score) від Padmakumar et al. (2026), яка оцінює частку зусиль, перекладених на інструмент, за поведінковими журналами (n = 40 розробників). Частота використання — не конструкт; те, що студент може зробити без допомоги, — так.

## Як ШІ витісняє роботу, яка породжує навчання

[[lodge-loble-cognitive-offloading-2026|Lodge and Loble (2026)]] окреслюють ризик як «плавність на вимогу»: узгоджене, впевнене виведення, яке обходить [[desirable-difficulties]] — відтворення, розгортання, генерацію, — через які консолідоване знання. Їхній **парадокс результативності**: підтримувана ШІ робота відчувається плавною, і студенти добре працюють у моменті, залишаючись з меншим знанням, — це ілюзія компетентності. Вони називають це **метакогнітивною лінивістю** (за Fan et al. 2024): зручність дозволяє здобувачам відмовитися від саморегуляційних процесів, які їм потрібно розвивати. [[cognitive-offloading-metacognitive-review-2026|Guo and Ye (2026)]] додають межу проєктування: **підмінювальне** перекладання заміщає внутрішню обробку, тоді як **дублювальне** перекладання доповнює її; приберіть зовнішнє сховище, і підмінювальні перекладачі різко впадуть, тоді як дублювальні утримують точність завдяки внутрішньому кодуванню.

Каузальні докази тут найгостріші. [[brcic-effortless-trap-productive-struggle-2026|Brcic and Frljic (2026)]] повідомляють, що необмежений помічник на ШІ залишив старшокласників приблизно на 17% гіршими на іспиті без допомоги, ніж однолітки без інструмента, що та сама модель, перебудована так, щоб утримувати відповіді, звела шкоду на нуль, і що добре спроєктований тьютор приблизно подвоїв навчання. Їхня діагностика: якщо впускання ШІ робить задачу такою, що вона відчувається беззусильною, вона в неправильному місці. PAUSE додає відповідні знахідки: Bastani et al. (2025) виявили, що студенти, яким дали GPT-4, розв’язували більше задач із інструментом, але працювали гірше за контрольну групу, коли його прибирали, а Liu et al. (2026) виявили, що допомога також зменшувала наполегливість у рандомізованих контрольованих випробуваннях (N = 1,222).

## Що насправді змінює поведінку студентів, у порядку віддачі

**1. Утримуйте або нормуйте те, що має будувати задача (найвища віддача, помірна вартість).** Важіль із найбільшим каузальним слідом — це інструмент, який відмовляється відповідати: ШІ з обмеженнями (підказки, приклади, практика) в середніх фазах, захищена фінальна перевірка в кінці. Це робить політику використання ШІ правилом розміщення для кожної навички, а не списком заборон. [[zohar-bloom-inzlicht-against-frictionless-ai-2026|Zohar, Bloom and Inzlicht (2026)]] стверджують, що зв’язок «зусилля–значення» є перевернутим U, тому мета — це градієнт: приберіть непосильні перешкоди, зберігши боротьбу, яка породжує розуміння та відчуття власності, з допомогою як доповненням, а не заміщенням.

**2. Впорядковуйте допомогу, а не обмежуйте її (висока віддача, висока вартість — перепроєктування).** Найпотужніша протестована структура — це «спочатку подумай, ChatGPT потім». [[think-first-chatgpt-later-2026|Wong and Qiu (2026)]] дали N = 196 студентам працювати самостійно, з вільним ChatGPT або в регульованій умові: згенеруйте власні ідеї, співпрацюйте з ChatGPT, щоб покращити та оцінити їх, потім незалежно вдосконаліть і подайте одне розв’язання. Група вільного використання створила більше креативної роботи на підтримуваній задачі, але повернулася до рівня «лише люди» на пізнішій, важчій задачі, виконаній без ChatGPT; регульована група не показала негайної переваги, але в подальшому перевершила обидві інші за незалежною креативністю. Аналіз процесу показав, що 88.6% її підказок були спільними, і це єдиний тип підказок, який значуще корелює з пізнішою незалежною оригінальністю.

**3. Зробіть верифікацію видимою і обов’язковою (висока віддача, низька вартість).** [[ai-overreliance-complex-adaptive-system-2026|Biswas (2026)]] виявив, що зроблення верифікації видимою запустило контркаскад до майже повної верифікації (надмірна залежність 0.00, жаль знизився до 0.07), тоді як зменшення тертя перевірки було найслабшим важелем, бо воно не протидіє соціальному тяжінню до неперевіреного використання. Обов’язкове речення про перевірку джерела перевершує посилання на бібліотеку. Перевірка виведення проти матеріалів курсу, однолітків або викладачів, коли точність невизначена, — це те, що, як виявили [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg and colleagues (2026)]], сильніші студенти вже роблять.

**4. Розміщуйте підказки рефлексії в тій фазі, на яку вони можуть впливати (помірна віддача, низька вартість).** [[cognitive-offloading-metacognitive-review-2026|Guo and Ye (2026)]] виводять принцип узгодження часу та компонента: зворотний зв’язок, спрямований на стійкі переконання, працює перед задачею, тоді як негайний зворотний зв’язок щодо конкретної правильності та складності задачі працює під час неї. [[lodge-loble-cognitive-offloading-2026|Lodge and Loble (2026)]] рекомендують інтегровані метакогнітивні підказки, які змушують здобувачів зупинитися, відрефлексувати та оцінити своє розуміння, поряд із інструкцією зменшення навантаження, яка керує когнітивним тягарем, уможливлюючи при цьому поступову незалежність. Однохвилинне передзавдальне передбачення не коштує нічого і потрапляє в це вікно.

**5. Вимагайте відтворення, пояснення та перенесення без допомоги (висока віддача, помірна вартість).** Підтримуваний продукт — поганий сурогат здатності; оцінюваний момент мусить включати такий, у якому інструмент відсутній. Пізніша задача без допомоги від [[think-first-chatgpt-later-2026|Wong and Qiu's (2026)]] — це саме те вимірювання, — і навіть їхня група «лише люди» впала на важчому подальшому завданні, отже, неоперта одинацька робота теж не була відповіддю. Чергування режимів має підтримку: PAUSE повідомляє про результат четвертої сесії від Kosmyna et al. (2025), у якому учасники, що працювали лише мозком і пізніше використовували ChatGPT, перевершили тривалих користувачів LLM. Підзвітність працює через пояснення: Makransky et al. (2025) виявили, що тьюторський чат-бот, який просив студентів пов’язувати ідеї та пояснювати своє міркування, давав кращу успішність в оцінюванні, ніж традиційний інструктаж.

## Що не працює і що відпрацьовує назад

- **Зменшення тертя.** Здешевлення перевірки — найслабший важель у моделі Biswas; бар’єр є соціальним, а не механічним. Кращий засіб виявлення плагіату не змусить студента перевіряти.
- **Заборони або тотальне поліцейське наглядання.** Докази вказують на розміщення, а не заборону: інструмент не є змінною; важливо те, де він стоїть у задачі.
- **Неоперта одинацька робота.** Група «лише люди» від [[think-first-chatgpt-later-2026|Wong and Qiu's (2026)]] також впала на важчому подальшому завданні. Прибирання інструмента без підтримки здобувача — не інтервенція.
- **Підрахунок використання та опитування ставлень.** Пункти PAUSE реєструють, коли і як часто ШІ входить у робочий процес, а не чи залишалося залученим міркування, тому обережний той, що забезпечує скаффолдинг, оцінюється як перекладач. Дії за цими числами карають студентів, яких ви хочете.
- **Задоволеність і плавність як доказ.** Це ілюзія. Надавайте перевагу результативності без допомоги та відстроченому [[transfer-of-learning|transfer]].
- **Спирання на ШІ-грамотність для студентів замість підтримки викладачів.** [[lodge-loble-cognitive-offloading-2026|Lodge and Loble (2026)]] застерігають, що надмірні інвестиції туди можуть бути неправильним розподілом.

## Перепроєктуйте задачу так, щоб залежність була важчим шляхом

Чотири кроки несуть більшу частину ваги, і жоден не потребує політики рівня університету.

**Проєктування задачі.** Просіть власні ідеї студента, гіпотези або грубу чернетку раніше, ніж інструмент побачить задачу. В регульованій умові Wong and Qiu послідовність була фіксованою: згенеруйте власні ідеї, співпрацюйте з ChatGPT, щоб покращити та оцінити їх, потім незалежно вдосконаліть і подайте одне розв’язання. Налаштовуйте інструменти на підказки, а не відповіді, всюди, де цільова навичка є тим, що вимірює задача.

**Вимоги щодо верифікації.** Зробіть перевірку результатом: перевірку джерел, порівняння з однолітками, перевірку викладачем, вписану в завдання, а не припущену. Видимі норми перевірки важливіші за дешевшу перевірку.

**Демонстрація режимів відмови в аудиторії.** Проводьте демонстрацію живо: дайте задачу, нехай студенти розв’яжуть її з упевненою відповіддю ШІ, яка є неправильною, а потім перевірять її проти тексту курсу. Додайте докази: необмежений помічник залишив студентів приблизно на 17% гіршими на іспиті без допомоги, і студенти, яким дали GPT-4, розв’язували більше задач із інструментом, але працювали гірше за контрольну групу, коли його прибирали. Одна продемонстрована відмова навчає більше, ніж десять попереджень.

**Перепроєктування оцінювання.** Тримайте першу важку спробу і фінальну перевірку без допомоги поза дією ШІ — два моменти, які [[brcic-effortless-trap-productive-struggle-2026|Brcic and Frljic (2026)]] визначають як захищені, — і оцінюйте ту, що без допомоги. Просіть студентів пояснювати своє міркування і працювати над паралельною або перенесеною задачею, і читайте підтримуваний продукт як результативність, а не навчання. Там, де цільова навичка є аналізом, а не механікою, перекладання частини нижчого порядку може служити частині вищого порядку, — PAUSE посилається на Hong et al. (2025), де свідоме перекладання письмових завдань нижчого порядку для звільнення уваги на аналіз і переробку дало більші прирости критичного мислення.

## Здоровий пошук допомоги проти шкідливого перекладання

Докази розрізняють їх чітко, і ваша рубрика мусить також. [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg, Feldman-Maggor and Wong (2026)]] проінтерв’ювали 20 студентів STEM-університету і виявили чотириетапний процес — вирішення, чи потрібна допомога, вибір джерела, вибір типу допомоги, оцінка отриманої допомоги, — у якому сильніші студенти надають перевагу *інструментальній* допомозі (підказки, пояснення) над *адміністративною* допомогою (прямі розв’язання). Вони застерігають, що використання LLM для налагодження або міжмовного програмування може обходити незалежне [[problem-solving]] навіть тоді, коли студенти уникають просити відповіді.

Інструментальне використання — підказки, приклади, пояснення, налагодження, яке ви потім виправляєте самі, — це дублювальне перекладання, яке утримується, коли інструмент зникає. Адміністративне використання — взяти виведення і подати його — це підмінювальне перекладання, яке обвалюється. Вільне використання схиляється до другого: в експерименті [[think-first-chatgpt-later-2026|Wong and Qiu's (2026)]] (N = 196) 70.9% підказок групи вільного використання були неспільними, і 59.6% просто просили ChatGPT згенерувати ідеї напряму. Регульована група показує протилежну сигнатуру — 88.6% спільних підказок, єдиний тип, який корелює з пізнішою незалежною оригінальністю. Запишіть цю відмінність у завдання, вимагайте спільної підказки та оцінюйте міркування, які додають студенти.

## Хто найбільш уразливий, і коли

[[lodge-loble-cognitive-offloading-2026|Lodge and Loble (2026)]] розміщують ризик у попередньому знанні та саморегуляції, називаючи **метакогнітивну прогалину в справедливості**: гарне використання ШІ вимагає ресурсів, яких бракує новачкам, тому студенти, яким найбільше потрібна практика, найімовірніші делегувати саме навчання. Вони повідомляють, що 80% австралійських студентів уже використовують ШІ, і дві третини вчителів початкової середньої школи також (OECD 2025). [[gerlich-ai-tools-cognitive-offloading-critical-thinking|Gerlich (2025)]] виявив, що учасники віком 17–25 років виявляли вищу залежність від ШІ і більше перекладання, і нижче критичне мислення, ніж учасники віком 46 і старше, і що досягнення передбачали краще критичне мислення незалежно від використання ШІ (r = +0.34), при значущій взаємодії, що вказує на пом’якшення негативного ефекту. [[genai-over-reliance-learning-2026|Gao, Sun and Khan (2026)]] виявили, що поліхронічність — схильність до багаозадачності — пом’якшує шлях, причому студенти з високою поліхронічністю перебувають під більшим ризиком.

Контекст важливий не менше, ніж особа, і саме тут може діяти ваш курс. [[ai-overreliance-complex-adaptive-system-2026|Biswas (2026)]] показує, що складність задачі та якість ШІ задають базову лінію (надмірна залежність зростає від ≈0.02 до 0.38 із складністю; на важких задачах 0.38 за поганого ШІ проти 0.16 за доброго ШІ) і що найбільший жаль походить від ШІ *високої якості* на важких задачах (0.441), бо агенти надмірно поступаються й рідко спираються на себе — спроможна модель на вимогливій задачі — це те місце, де припиняється перевірка. Вплив однолітків посилює це: коли видиме соціальне підтвердження зростає від 0 до 0.6, верифікація обвалюється від 0.29 до 0.002.

## «Але...» — три заперечення

**«Це просто хороша педагогіка.»** Частково — це скаффолдинг, формативний зворотний зв’язок і продуктивна боротьба. Але видима верифікація перевершила дешевшу верифікацію, і два захищені моменти — це перша важка спроба і фінальна перевірка без допомоги. Робіть знайомі речі в новому порядку.

**«Я не можу за цим стежити.»** Не можете, і докази кажуть, що вам не варто намагатися. Найпотужніший результат тут походить від розміщення, а не заборони. Спроєктуйте задачу так, щоб присутність інструмента в неправильний момент проявлялася в самій роботі — непояснювана відповідь, відсутній крок верифікації, — а не спираючись на спостереження.

**«Мій курс завеликий.»** Найдешевші важілі масштабуються. Обов’язковий рядок верифікації, однохвилинне передзавдальне передбачення і перенесення оцінюваної перевірки в аудиторію без ШІ коштують хвилин на секцію. Дорогий — повністю впорядкована «спочатку подумай» одиниця — може початися з одного завдання. Переформулюйте один набір задач у підтримувану і бездопоміжну половини і подивіться, що скаже прогалина.

## Що ще не встановлено (прочитайте, перш ніж зобов’язуватися)

Жодне дослідження в цьому корпусі не перевіряє, чи утримується конкретна інтервенція проти надмірної залежності в різних умовах або семестрах. Проєкт «спочатку подумай» спирається на один експеримент (N = 196), а результат утримання походить із синтезу [[brcic-effortless-trap-productive-struggle-2026|Brcic and Frljic's (2026)]], а не з випробування нього самого. Аргумент про тертя — це концептуальний Comment без нових даних, чия перевернута U-подібність спирається на один емпіричний якір і не є кількісно вимірюваною, тому місце оптимуму для конкретного здобувача невизначене.

[[ai-overreliance-complex-adaptive-system-2026|Biswas (2026)]] окреслює межі моделі — екзогенна стаціонарна якість ШІ, фіксована мережа, стилізована верифікація — і називає те, що мала б оцінити майбутня робота за поздовжніми слідами: частоти верифікації за задачею, силу соціального підтвердження, і як довіра оновлюється після перевіреного проти неперевіреного використання. Вимірювання залишається найслабшим ланцюгом: домінантні проєкти є опитуваннями, і обидва [[gerlich-ai-tools-cognitive-offloading-critical-thinking|Gerlich (2025)]] і [[genai-over-reliance-learning-2026|Gao, Sun and Khan (2026)]] закликають до поздовжнього та експериментального наступництва. [[pause-ai-cognitive-offloading-self-reflection-2026|PAUSE]] не має психометрики і була побудована для дорослих. Чи може прогалина в справедливості бути закрита інструктажем — це теоретизовано, а не продемонстровано.

## Ваш список дій на цей тиждень

1. Додайте крок верифікації до наступного завдання: одне речення, що називає, що студент перевірив і проти чого.
2. Перенесіть оцінювану перевірку на момент без ШІ і оцінюйте саме її.
3. Поставте першу важку спробу перед інструментом: ідеї, гіпотези або чернетку раніше, ніж ШІ побачить задачу.
4. Налаштуйте інструмент, який ви рекомендуєте, на підказки, а не відповіді.
5. Продемонструйте одну упевнену відмову ШІ живо і нехай студенти викриють її проти тексту курсу.
6. Додайте однохвилинне передзавдальне передбачення перед важкою одиницею.
7. Замініть одне завдання вікторини завданням «поясніть своє міркування» за тим самим змістом.
8. Просіть студентів позначати своє використання ШІ як інструментальне або адміністративне, і оцінюйте міркування, яке вони додали.
9. Читайте підтримувану роботу як результативність, а не навчання, і порівнюйте її з перевіркою без допомоги.
10. Ставтеся до залученості та задоволеності як до слабких індикаторів і надавайте перевагу результативності без допомоги та відстроченому [[transfer-of-learning|transfer]].

## Чим ця сторінка відрізняється від сусідніх FAQ

[[does-ai-help-students-learn]] ставить питання, чи ШІ взагалі породжує навчання, і окреслює прогалину між результатом і навчанням; [[reduce-ai-cheating]] охоплює доброчесність, межі виявлення та безпеку оцінювання. Ця сторінка припускає, що студенти можуть використовувати ШІ чесно, і ставить питання, які проєкти утримують міркування здобувача в циклі.

Щодо оточуючих досліджень див. [[does-ai-help-students-learn]] і [[redesign-assessment-ai-era]], а також сторінки понять [[cognitive-offloading]], [[metacognition]] і [[desirable-difficulties]].

---

## [Які найкращі практики звітування та інтерпретації досліджень ШІ в освіті?](https://edtechdev.github.io/aied/faqs/reporting-interpreting-aied-research/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

# Які найкращі практики звітування та інтерпретації досліджень ШІ в освіті?

Ви пишете дослідження ШІ в освіті, чиє твердження вже випереджає свій проєкт, або рецензуєте таке і вирішуєте, чи означає щось число із заголовка. В обох випадках це вирішують ті самі шість пропусків: яка система ШІ була насправді використана, що вона була налаштована робити, яку педагогічну роль відігравала, чи люди проєктували або перевіряли її виведення, що справді захоплювала міра результату, і що зробили автори з упередженістю, витратами та обмеженнями. Автор, який їх пропускає, подає дослідження, яке не може бути оцінене; рецензент, який не шукає їх, не може відрізнити спроєктовану інтервенцію від переробленої демонстрації інструмента. «Неоцінне» — а не «підтверджене» і не «спростоване» — є чесним вердиктом, коли вони відсутні.

Ставки не гіпотетичні. [[oneill-presumed-effective-meta-analysis-2026|O'Neill (2026)]] перевірив 14 рецензованих метааналізів, що стверджують, нібито ШІ покращує освіту, і виявив, що *жоден* не надав валідного підґрунтя для тверджень, які він висував. [[bartos-ai-learning-meta-meta-analysis-2026|Bartoš et al. (2026)]] звели 1,840 розмірів ефекту з 67 метааналізів і виявили, що коли упередженість публікації змодельовано, середній ефект падає приблизно до **однієї третини** опублікованої медіани (SMD = 0.196 проти 0.67). [[citation-errors-hallucinations-computing-education-2026|Denny et al. (2026)]] перевірили **30 фабрикованих посилань у 14 роботах з освіти з інформатики**, усі опубліковані в 2025 або 2026 році, — дефект, який досягає читачів саме тому, що рецензенти не можуть перевірити кожен запис у списку посилань. Дисципліна звітування вирішує, чи є доказова база галузі придатною до вжитку взагалі. Щодо виборів проєктування, які лежать під нею, див. [[research-methods-aied|Research Methods in AI in Education]]; щодо каталогу режимів відмови — [[limitations-in-aied-research|Limitations in AIEd Research]]. Щодо боку читача — що практик робить із роботою, коли вона вже існує, — див. [[interpreting-and-applying-aied-research|Interpreting and Applying AIEd Research]].

## Коротка версія

Шість кроків вирішують, чи ваше твердження виживе за рецензування:

1. **Опишіть систему ШІ як вплив, а не як постачальника.** Модель, версія, конфігурація, підказки, роль, і чи люди проєктували або перевіряли виведення.
2. **Сформулюйте педагогічне обґрунтування та активне порівняння.** Назва продукту — не метод; звичайна практика — не справедливий контроль.
3. **Зробіть так, щоб міра відповідала твердженню.** Що захоплює інструмент, його валідація для цієї популяції, і чи результат був відстроченим і бездопоміжним.
4. **Валідуйте кожне автоматизоване судження.** Назвіть еталон, ціль калібрування, і хто розбирав розбіжності.
5. **Повідомляйте невизначеність аналізу, а не лише його точкову оцінку** — залежні ефекти, τ², інтервали прогнозу, розміри підгруп, оцінку упередженості публікації.
6. **Повідомляйте контрваги**: процедуру етики та управління, обчислювальні та екологічні витрати, ваше власне використання ШІ, нульові результати, і лише перевірені вами посилання.

## Визначте, що ви скажете про систему ШІ — і напишіть так, щоб хтось міг її відтворити

Це та перевірка, яку більшість подань провалює. Рамка RAISE (*Reporting AI Studies in Education*, Allison 2026) — це контрольний список із 30 пунктів за десятьма тематичними доменами, і її діагностичне твердження є конкретним, а не риторичним: подання регулярно пропускають, яка модель була використана (GPT-4, Claude або власний алгоритм), як вона була налаштована (підказки, параметри донавчання), яку роль відігравала (генератор зворотного зв’язку, співавтор, тьютор, оцінювач), і чи люди проєктували або перевіряли її виведення. Це залишає рецензентів із чотирма безвідповідними питаннями — «Що саме робив ШІ?», «Чи був він необхідним?», «Чи це відтворювано?» і «Чи є навчальні твердження правдоподібними?».

Вона проходить від освітнього обґрунтування через специфікацію на рівні API, взаємодію «здобувач–ШІ», доступність і культурну придатність, учасників і умови, участь людей, проєкт, етику, прозорість і відтворюваність, до обмежень. Її супутня **Матриця етики та ризику** охоплює ризики для здобувацької [[agency]], [[equity-in-ai-education|equity]], [[governance]] даними та прозорості алгоритмів. [[tep-aied-model-reporting-2026|Hwang, Xie, Wah and Gašević (2026)]] пропонують спрощену альтернативу, TEP-AIED, яка згортає прозорість, етику та педагогіку в одну взаємозалежну структуру, постачає таблицю настанов, відображену на сім розділів роботи, і просить авторів додати підрозділ методу під назвою «Transparency, Ethics, and Pedagogy Considerations», — бо, на їхній думку, RAISE є всеосяжною, але надто детальною для повсякденного емпіричного вжитку. Розкриття стоїть під [[ai-use-disclosure]] і є тим, що робить твердження про [[privacy]] і [[ethics]] перевірними.

## Визначте, чи є ваш вплив методом чи продуктом

Освітнє обґрунтування є першим доменом RAISE, бо ШІ — не нейтральний інструмент: цінність залежить від узгодження між навчальною проблемою, теоретичним обґрунтуванням і відображенням від цілей до мір результату. [[oneill-presumed-effective-meta-analysis-2026|O'Neill (2026)]] виявив, що всі, крім двох, перевірені метааналізи визначали вплив як інструмент — ChatGPT, GenAI, «ШІ», — і що назва продукту не є [[pedagogy]]; розгляд впливу ChatGPT як однієї спільної інтервенції порівнюваний із метааналізом ефектів «паперу». [[weidlich-chatgpt-effect-search-cause-2025|Weidlich et al. (2025)]] висувають той самий аргумент для первинних досліджень: перевіривши підмножину порівнянь за визначним метааналізом, вони виявили, що лише **21% мали добре визначений вплив, контрольну групу та валідну навчальну міру**, і що повідомлений розмір ефекту (g = 0.7) перевищував той із цілеспрямованих [[intelligent-tutoring|intelligent tutoring systems]] (0.66) — червоний прапорець, що «вплив» був гетерогенним секретним соусом, а не названим методом.

Перевірка: чи міг би компетентний читач відтворити вашу інтервенцію з одного лише розділу методу і отримати те саме?

## Визначте, що вимірює ваш інструмент, і що тому може казати твердження

У доказовому аудиті O'Neill із 46 випадково вибраних первинних досліджень **28 (61%) мали побоювання щодо валідності**, і невідповідність залежної змінної була найпоширенішою (n = 15), далі йшла невідповідність незалежної змінної (n = 11), проблеми експериментального проєкту (n = 7), проблеми вилучення даних (n = 6), відсутність контрольної групи (n = 6) і нерандомізований розподіл за групами (n = 6). Багатовимірні результати регулярно зводилися так, наче вони взаємозамінні — оцінки тестів, якість домашніх робіт, [[motivation]], [[self-efficacy]], ставлення та [[student-engagement|engagement]] — усе згорталося в одне число «академічного досягнення».

Дві звички звітування запобігають цьому. Сформулюйте, який конструкт вимірює інструмент, і що він був валідований для цієї популяції: див. [[self-report-measures]] щодо того, де міри на основі сприйняття розходяться з поведінкою, і [[assessment-validity]] щодо валідності конструкту. Потім повідомляйте результат, який не залежить від переконання здобувача про допомогу, бо негайна результативність задачі за допомоги не є [[learning-gains|learning gain]]: [[verification-quality-reliance-calibration-genai-2026|a 2026 mini review of 493 records and 14 priority studies]] виявив, що жодне не вимірювало успіх верифікації і наступне рішення про залежність разом проти незалежно розбитого стандарту якості виведення, і мало хто дивився далі негайної результативності на відстрочене збереження або перенесення. [[does-ai-help-students-learn|The evidence for durable learning]] залишаються змішаними, і [[cognitive-offloading|cognitive offloading]] — це механізм, який найімовірніше розділяє два ці.

## Визначте, як були валідовані ваші автоматизовані судження

[[ai-ed-evaluation|AIED evaluation]] усе більше делегує оцінювання моделям, що робить процедуру валідації частиною результату, а не додатком. Розповідь Khan Academy про метрики свого [[intelligent-tutoring|AI tutor]] повідомляє, що когнітивну залученість оцінює суддя на [[llm]], калібрований проти людських педагогічних експертів на F1 0.83, і що рухи метрик походили від понад 40 живих експериментів за п’ять місяців, а не від офлайн-оцінювання ([[ai-tutoring-quality-k12-methodologies-2026|Udeshi et al. 2026]]). [[machines-misread-pedagogical-quality|Tseng et al. (2026)]] показують, що розбіжність між людиною й машиною щодо якості [[formative-assessment|pretest question]] є систематичною, а не випадковою, і що операціоналізація рубрики важливіша за підказки, спрямовані на обґрунтування.

Узгодженість із людськими кодирувальниками — не якість, і повідомляти її так, наче це якість, — це мішень для рецензента. [[agreement-not-quality-llm-coding-verification|Liu et al. (2026)]] дали незалежному експертному судді оцінити 855 парних наборів коду, не знаючи джерела, і виявили, що узгодженість між людиною і LLM (середній Жаккар 0.30) значно нижча за узгодженість між людьми (0.52), тоді як сліпий верифікатор надавав перевагу людському та машинному кодуванню з однаковою частотою (51.5% проти 48.5%, p = 0.537). Повідомляйте ціль калібрування, еталон і хто його розбирав.

## Визначте, чи порівняння є справедливим, і як далеко сягає твердження

Справедливість і область застосування відмовляють однаково: великий ефект, який означає менше, ніж здається. 11 із 14 перевірених метааналізів не встановили межі популяції, тому «студенти» охоплювали все від дітей до медичних інтернів; один курс, заклад, галузь чи країна не дають права на загальне твердження, і результати для одного інструмента рідко переносяться на інший. Ефекти новизни, додатковий час на задачі і умова порівняння, яка отримала звичайний інструктаж, а не активний контроль, — це звичайні пояснення великого ефекту, — тому повідомляйте, що справді робив контроль, скільки часу кожна група провела, і наскільки новим був інструмент. Сформулюйте також межу популяції, бо ефекти розходяться за групами здобувачів, і невизначена межа — це те, що дозволяє одному зведеному числу стояти за всіх них (див. [[differential-effects-across-learner-groups|Differential Effects Across Learner Groups]]). Розглядайте інструмент також як рухому ціль: пропрієтарні системи змінюються без повідомлення, тому знахідка прив’язана до версії моделі, і [[benchmark]], який вражав в одному релізі, може не утриматися в наступному.

## Визначте, що може підтримати ваш аналіз — і повідомляйте його невизначеність, а не лише заголовок

Для синтезів повідомляйте обробку залежних ефектів, міждослідну дисперсію, інтервали прогнозу та оцінку упередженості публікації, а не лише I². O'Neill виявив, що повідомлена гетерогенність була тяжкою всюди, де її надавали (I² від 77.2% до 94.4% за 13 метааналізами, 12 із них вище 80%) і ніколи не була розв’язана (жоден аналіз модераторів не досяг мінімального розміру підгрупи в десять досліджень), що 12 метааналізів розглядали залежні розміри ефекту з одного дослідження як незалежні, завищуючи видимі докази, і що лише чотири повідомили міждослідну дисперсію (τ²) і лише два — інтервал прогнозу, обидва з яких включали нуль. Упередженість публікації не була валідно оцінена ніде.

Оскільки I² залежить від точності, показник гетерогенності мусить подорожувати зі своєю моделлю: [[limitations-in-aied-research|Limitations in AIEd Research]] документує один синтез, чия гетерогенність становить I² = 82.98% за моделі фіксованих ефектів і 15.75% за випадкових ефектів, тому читачеві, якому дали лише перше число, не сказати, наскільки непослідовним є корпус. Повідомляйте τ² і інтервал прогнозу поряд із ним; див. [[meta-analysis-systematic-review|meta-analysis and systematic review]] щодо умовностей боку огляду, і знижуйте заголовок відповідно — скоригована на упередженість середня Bartoš et al. становила SMD = 0.196 з інтервалом прогнозу від −1.521 до +1.908, охоплюючи суттєву шкоду до суттєвої користі для гіпотетичного нового дослідження.

## Визначте, що ви розкриваєте про етику, витрати, управління — і ваше власне використання ШІ

Огляд усіх робіт конференції AIED 2025 виявив патерн «впровадження LLM без розкриття»: більшість проєктів використовувала LLM, але менше ніж горстка повідомили про споживання ресурсів або вуглецевий слід. Та робота постачає метод з відкритим кодом із інструментами вимірювання для локального та хмарного заліза плюс формулу для оцінки обчислювальних витрат найновіших моделей, чиї кількості параметрів не розкриті, і стверджує, що неповідомлення цих витрат саме по собі є етичним занепокоєнням. Додайте управління даними, згоду та доступність/культурну придатність (пункти RAISE; [[universal-design-for-learning]], [[accessibility]]) — див. [[equity-ethics-pedagogical-safety-research]] для повнішого розгляду цих зобов’язань.

Ваше власне використання ШІ в дослідницькому процесі потребує того самого розкриття. [[prisma-llm-ai-assisted-systematic-reviews-2026|Zabaleta and Lin's PRISMA-LLM analysis]] з 888 робіт про автоматизацію оглядів показує, наскільки нерівномірним є це повідомлення: від 2023 року **38.0% робіт про програмне забезпечення/продукти не повідомили про жодного оцінювання взагалі** (проти 9.3% робіт про LLM), середня багатість повідомлень становила 6.3 для робіт про LLM проти 3.3 для робіт про програмне забезпечення/продукти, і 84.1% використання LLM спиралося на пропрієтарні або розміщені системи, з лише 4.9% відкритих ваг. Їхня рамка відокремлює розкриття впровадження від оцінювання, чутливого до наслідків, за п’ятьма рівнями розкриття — придатний шаблон для опису того, що інструмент робив в огляді. [[dai-chan-responsible-genai-research-ai-literacy-2026|Dai and Chan (2026)]] додають картину з боку автора: 27 із 28 аспірантів-дослідників використовували GenAI в породженні ідей, огляді літератури, поясненні, обробці даних, програмуванні, [[writing-education|academic writing]], редагуванні та перекладі, калібруючи використання до ставок і галузевих норм, зауважуючи при цьому, що інституційні політики стосуються викладання та оцінювання, а не дослідницької практики.

## Визначте, що робити з нульовими результатами і посиланнями

Denny et al. перевірили 30 фабрикованих посилань у 14 роботах, причому перевірена кількість на одному технічному симпозіумі зросла з 3 у 2025 році до 17 у 2026 (2.3% робіт матеріалів того року), — і чернеткування з допомогою LLM робить правдоподібне вигадане посилання дешевим для створення. Їхні контрваги важливі, коли ви цитуєте той аудит: більшість позначених посилань були безневинними — 229 були невідповідностями метаданих ACM, де PDF був правильним, і 188 були валідними бібліографічними варіантами, — тому фабрикована кількість є свідомою нижньою межею, а безневинна більшість — не похибкою округлення. Перевіряйте кожен запис, який ви не можете перевірити особисто.

Повідомлення нульових і негативних знахідок — інший бік тієї самої монети. [[bartos-ai-learning-meta-meta-analysis-2026|Bartoš et al. (2026)]] виявили сильні докази придушених нульових результатів (кожен тест Egger p < .0001) і крайню гетерогенність (τ = 0.869), причому жодна підгрупа за результатом, галуззю, рівнем або роллю ШІ не показувала послідовних приростів. Вони також не виявили різниці між дослідженнями, опублікованими до і після січня 2023 року, що підриває твердження, нібито саме сучасні генеративні інструменти породжують прирости.

## Документовані слабкості галузі в її власних числах

Базові частоти, проти яких слід зважувати твердження:

- **Валідність:** 28 із 46 вивірених первинних досліджень (61%) мали побоювання щодо валідності; лише 21% перевірених порівнянь мали добре визначений вплив, контрольну групу та валідну міру.
- **Нерозв’язана гетерогенність:** I² від 77.2% до 94.4% за 13 метааналізами, 12 вище 80%, жоден аналіз модераторів не досяг мінімуму в десять досліджень, залежні ефекти розглядалися як незалежні в 12, і лише чотири синтези дали τ² проти лише двох із інтервалом прогнозу.
- **Упередженість публікації:** не оцінена в жодному з 14 перевірених метааналізів; кожен тест Egger у більшому масиві був значущим (p < .0001), при τ = 0.869.
- **Посилання:** 30 фабрикацій у 14 роботах, 17 на одному симпозіумі 2026 року — 2.3% матеріалів того року.

## Заперечення, які ви почуєте

**«Рецензенти хочуть новизни, а не деталей методу».** Журнали рухаються в інший бік: RAISE і TEP-AIED дають редакторам конструкт, який можна вимагати, і підрозділ методу TEP-AIED є точкою входження з низьким тертям. Деталі методу — це те, що перетворює неоцінну роботу на таку, на яку можна посилатися.

**«У нас немає місця».** П’ять рівнів розкриття — це рівні повідомлення, а не рівні ризику, тому глибина оцінювання конвеєра може бути одним-двома реченнями. Версія, підказки та роль вміщуються в короткий абзац; витрати та управління вміщуються в речення про обмеження.

**«Усі так повідомляють».** Це — знахідка, а не захист, — 61% вивірених первинних досліджень із побоюваннями щодо валідності, 12 із 13 метааналізів вище 80% гетерогенності, 38.0% робіт про програмне забезпечення/продукти без жодного оцінювання. Норма — це дефект.

**«Наш інструмент пропрієтарний, тому ми не можемо повідомити модель».** Повідомляйте версію, дату доступу, конфігурацію, підказки, які ви надали, роль і обмеження. Якщо постачальник не скаже, те обмеження належить до обмежень як межа твердження.

**«Повідомлення нульових результатів нашкодить нам».** Придушені нульові результати — задокументований механізм за середньою SMD = 0.196, скоригованою на упередженість; їхнє публікування — це те, що робить ваш позитивний результат читабельним.

## Контрольний список перед поданням

- **Повідомляйте:** модель, версію, конфігурацію та підказки, і роль ШІ в проєкті. **Перевірте:** чи могли б ви відтворити інтервенцію з одного лише розділу методу?
- **Повідомляйте:** педагогічне обґрунтування та умову активного порівняння. **Перевірте:** чи вплив є названим методом, а не назвою продукту?
- **Повідомляйте:** що захоплює кожна міра, її валідацію для цієї популяції, і відстрочений або бездопоміжний результат. **Перевірте:** чи твердження в заголовку відповідає залежній змінній?
- **Повідомляйте:** хто розбирав автоматизовані судження, проти якого еталону, з якою узгодженістю. **Перевірте:** чи точність або узгодженість використовуються так, наче вони є якістю?
- **Повідомляйте:** обробку залежних ефектів, τ², інтервали прогнозу, розміри підгруп модераторів та оцінку упередженості публікації. **Перевірте:** чи гетерогенність процитована зі своєю моделлю і своєю точністю?
- **Повідомляйте:** участь людей, управління даними, згоду, доступність і культурну придатність, плюс обчислювальні та екологічні витрати. **Перевірте:** чи твердження про етику спираються на описану процедуру, а не на стверджені принципи?
- **Повідомляйте:** використання ШІ всередині дослідницького процесу, за всіма п’ятьма рівнями розкриття. **Перевірте:** чи конвеєр рецензування або аналізу був оцінений взагалі?
- **Повідомляйте:** нульові, негативні та спростовуючі результати поряд із позитивними. **Перевірте:** чи розмір ефекту знижений на ймовірну упередженість публікації?

## Що справді підвищило б стандарт

Засоби в цій літературі є інституційними, а не індивідуальними. O'Neill рекомендує обов’язкову прозорість даних для метааналізів — повні таблиці розмірів ефекту, структури залежностей, τ² та інтервали прогнозу — плюс сильніший контроль з боку рецензентів і редакції та діючу практику відкликання, з аргументом, що ці невдачі є продуктами невдалого контролю, а не поодинокими помилками. PRISMA-LLM пропонує п’ять рівнів розкриття як рівні повідомлення, а не як рівні ризику, щоб глибина оцінювання конвеєра огляду була сформульована прямо; RAISE і TEP-AIED дають журналам конструкт, який можна вимагати в поданнях. Щодо суміжного ґрунту див. [[research-gaps-aied|notable gaps in the research literature]], [[limitations-in-aied-research|Limitations in AIEd Research]] та [[evaluating-ai-interventions-methods|measures and methods for evaluating AI-related interventions]]. Один дешевий засіб стоїть за авторами: кожна сторінка статті в цій базі знань тепер поєднує дослідження з розділом **Що це означає для практики** і, як правило, із розділом **Обмеження**, тому написання роботи так, щоб обидва могли бути заповнені чесно — дія, яку міг би зробити практик, і обмеження на неї, — є звичкою звітування в тій самій мірі, що й звичкою письма (див. [[interpreting-and-applying-aied-research|Interpreting and Applying AIEd Research]]).

---

## [Які помітні прогалини є в дослідницькій літературі зі ШІ в освіті?](https://edtechdev.github.io/aied/faqs/research-gaps-aied/)

# What Are Notable Gaps in the Research Literature on AI in Education?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Найвагоміші прогалини в дослідженнях зі ШІ в освіті (AIEd) стосуються **того, чи створюють конкретні освітні конструкції стійкі результати, для кого, через які механізми та за яких умов — а не просто того, чи може ШІ виконувати освітні завдання**. База знань фіксує багатообіцяльні втручання поряд із стійкими слабкостями в вимірюванні, причиновому висновкуванні, узагальнюваності, впровадженні та відтворюваності. Часто це прогалини в *силі, специфічності або застосовності* доказів, а не повна відсутність досліджень. Див. [[limitations-in-aied-research|Обмеження в дослідженнях AIEd]].

Ці прогалини також відрізняються в різних частинах поля. Докази щодо усталених [[intelligent-tutoring|систем інтелектуального наставництва]], предиктивної [[learning-analytics|аналітики]], [[generative-ai|генеративного ШІ]] та автономних агентів не слід уважати взаємозамінними. Так само використання ШІ для підтримки навчання та навчання людей *самому* ШІ пов’язані, але мають різні дослідницькі питання, як пояснює огляд [[ai-education|ШІ в освіті]].

## 1. Виокремлення того, що ШІ додає понад якісне навчання

Ретельні аудиторні експерименти існують, тому цю прогалину вже не можна адекватно описати як «нам потрібні рандомізовані випробування». Точніше питання — **чи додає ШІ-компонент вартості понад додаткову практику, кращі матеріали, своєчасний зворотний зв’язок або збільшену підтримку навчання**.

Наприклад, у дослідженні [[one-click-away-khanmigo-two-year-school-experiment-2026|One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment]] повідомляється про помірні здобутки в досягненнях у 18 середніх школах, поряд із обмеженим предметним залученням до роботи з тьютором. Автори зазначають, що ці здобутки нагадували ті, які асоціюються зі структурованою практикою без ШІ. Це створює докази про впроваджений навчальний пакет, але не виокремлює чітко приріст, який забезпечує його ШІ-компонент.

Проблема, що лежить в основі, є такою ж концептуальною, як і емпіричною. «ChatGPT» називає інструмент, а не метод, і [[weidlich-chatgpt-effect-search-cause-2025|Weidlich та співавтори (2025)]] проаналізували 19 порівнянь використання ChatGPT в освіті, щоб показати, чого це коштує: лише 4 (21%) конкретизують усі три з відтворюваного втручання, операціоналізованого контролю та дійсного показника навчання (74% — добре визначене втручання, 42% — добре визначений контроль, 53% — результат навчання). Їхній ширший висновок полягає в тому, що коли новий ШІ впроваджується поряд із новими видами діяльності, зворотним зв’язком або дизайном інтерфейсу, носій і метод змішуються, і жоден ефект не може бути віднесений до ШІ.

Тому дослідженням потрібно більше порівнянь із сильними, реалістичними альтернативами без ШІ, утримуючи навчальний план, можливості для практики та підтримку максимально сталими. Незалежні реплікації мають перевіряти, чи зберігаються результати при зміні закладу, викладача, предмета та моделі. Як підкреслює сторінка [[research-methods-aied|Методи дослідження ефективності]], різні методи відповідають на різні питання: [[qualitative-research|якісні]] та [[design-based-research|дизайн-орієнтовані]] дослідження допомагають пояснити впровадження, тоді як належно спроектовані експерименти зміцнюють причинові твердження.

## 2. Відстеження стійкого навчання та незалежної здатності в часі

Покращена робота під час використання ШІ не обов’язково є доказом навчання, яке зберігається після припинення допомоги. У синтезах [[learning-gains|Навчальні здобутки]] та [[cognitive-offloading|Когнітивне розвантаження]] послідовно відрізняють допоможену продуктивність від утриманих знань, незалежного міркування та перенесення на незнайомі завдання.

Дослідження [[making-ai-tutoring-productive-mastery-math-2026|Making AI Tutoring Productive]] ілюструє проблему вимірювання. У рандомізованому експерименті за участі понад 6 000 учнів середніх шкіл правило опанування «три правильні відповіді підряд» підвищило успішність, визначену платформою, не створивши саме по собі вимірюваних навчальних здобутків через тиждень. Найпереконливіші докази з відстроченого тестування з’явилися тоді, коли ШІ було вбудовано в процес опанування і зосереджено на відпрацьованому матеріалі.

**Залишкова прогалина стосується траєкторій розвитку здатностей, а не просто ще одного фінального тесту.** Дослідження мають вивчати утримання знань протягом місяців, перенесення між завданнями, продуктивність після зняття допомоги та точність здобувачів в оцінюванні власних знань. Вони також мають відрізняти невміння опанувати навичок від погіршення вже сформованої навички. Дослідження розвантаження мають перевіряти, коли делегування підтримує ці траєкторії, а коли витісняє практику, необхідну для їхнього розвитку.

## 3. Пояснення того, які навчальні компоненти працюють — і чому

«Навчання з підтримкою ШІ» часто поєднує кілька змін: новий зворотний зв’язок, додаткову рефлексію, обговорення з ровесниками, іншу послідовність завдань та змінені стимули оцінювання. Успішний пакет не встановлює, які компоненти необхідні чи який механізм забезпечив результат.

Багатоцільовий експеримент [[genai-feedback-design-multisite-experiment|Human-centered GenAI feedback design in higher education]] дає корисний крок уперед. Серед 1 176 студентів першого курсу конструкції рефлексивного та гібридного зворотного зв’язку перевершили прямий [[ai-feedback-quality|зворотний зв’язок від ШІ]] за відстроченим перенесенням без участі ШІ. Умова гібриду поєднувала самооцінювання, [[peer-assessment|зворотний зв’язок від ровесників]] та критику з боку ШІ. Це підтримує вивчення того, як організовано і використовується зворотний зв’язок, замість трактування доступу як втручання.

Подальші дослідження мають виокремлювати внесок і час початку незалежних спроб, самооб’яснення, участі ровесників, коригувального зворотного зв’язку, підказок та поступово зніманої допомоги. Вони мають перевіряти, як ці компоненти взаємодіють із [[prior-knowledge|попередніми знаннями]] та складністю завдання.

Теоретична прогалина, що її супроводжує, не менш важлива: **назвати [[learning-theories|теорію навчання]] — не те саме, що її перевірити**. Дослідження мають пов’язувати теоретичний прогноз із конкретною поведінкою системи та вимірюваним процесом навчання. Статистичне медіювання може інформувати таке пояснення, але саме по собі не встановлює причинового механізму. Див. [[theory-development-aied|Розвиток теорії в ШІ в освіті]] та [[scaffolding]].

## 4. Валідація показників, автоматизованих суджень та змодельованих здобувачів

Такі конструкти, як «залучення», «[[critical-thinking|критичне мислення]]», «ШІ-грамотність» та «[[personalized-learning|персоналізація]]», вимірюються непослідовно. Самоописи можуть описувати уявлення та досвід, але не можуть замінити продемонстровану компетентність. Технічна точність, оцінена експертами якість результатів і навчання студентів також є різними цілями оцінювання. Ці розрізнення є центральними для [[educational-measurement|Освітніх вимірювань]] та [[ai-ed-evaluation|Оцінювання ШІ в освіті]].

Особливо важлива прогалина стосується [[ai-technologies|систем ШІ]], що використовуються для оцінювання інших систем ШІ. У дослідженні [[llm-student-simulation-misconception-faithfulness|Simulating Students or Sycophantic Problem Solving?]] [[simulating-students|змодельовані студенти]] часто відмовлялися від призначених [[misconceptions]] після коригувального зворотного зв’язку, незалежно від того, чи стосувався він цих хибних уявлень. Тому їхні відповіді могли зробити так, щоб неефективне навчання виглядало успішним. Цілеспрямоване навчання покращило показник відповідності в цьому дослідженні, але покращення за цим показником не є тотожним валідації щодо людського навчання.

Дослідження мають установити, які автоматизовані оцінки та змодельовані поведінки прогнозують результати в реальних здобувачів, включно зі здобувачами та умовами, які не використовувалися під час розробки. Людські судження також потребують перевірки: згода між оцінювачами не є автоматично доказом того, що оцінюється правильний конструкт.

**Прогалина — це валідація всього ланцюга оцінювання: від поведінки моделі до [[pedagogy|педагогічного]] судження, до відповіді здобувача, до освітнього результату.**

## 5. Установлення валідності оцінювання, коли ШІ може створювати та оцінювати докази

ШІ створює дві пов’язані проблеми оцінювання: він може допомагати створювати роботу, що оцінюється, і він може впливати на те, як ця робота оцінюється.

Дослідження бази знань [[ai-agents-complete-lms-assessment-validity-2026|про те, як агенти ШІ виконують оцінювані завдання в LMS]] документує агентів, які орієнтуються в діючому курсі для студентів бакалаврату й виконують оцінювані види діяльності. Ці демонстрації встановлюють здатність, яка кидає виклик уявленням про докази, створені студентами; вони не встановлюють поширеності такого використання та не скасовують кожного асинхронного оцінювання.

Дослідницьке питання — **які конструкції оцінювання досі підтримують захищені висновки про здобувача**. [[eportfolio|Портфоліо]], рефлексії, поетапні подання та журнали діяльності самі мають бути валідовані, а не прийматися на віру як такі, що встановлюють авторство чи розуміння. Дослідження мають вивчати поєднання доказів щодо незалежно спостережуваної компетентності, враховуючи доступність, навантаження, приватність та тривожність студентів. Див. [[assessment-validity|Валідність оцінювання]].

Для [[automated-assessment|автоматизованого оцінювання]] дослідження [[llms-do-not-grade-essays-like-humans-2026|LLMs Do Not Grade Essays Like Humans]] повідомляє про систематичні розбіжності між моделями з налаштуваннями за умовчанням та людськими оцінювачами. Його результати є специфічними для конкретної конфігурації, але демонструють, чому внутрішньої узгодженості недостатньо.

Корисне концептуальне розрізнення дає дослідження [[human-capability-test-learning-outcomes-ai-2026|A Human Capability Test for Learning Outcomes in the AI Era]]: оцінюйте, що здобувачі мають робити самостійно, що їм дозволено виконувати зі ШІ та що вони мають перевіряти та захищати. Це пропонована рамка, яка потребує емпіричної валідації, а не готове рішення для оцінювання.

Дослідження [[karr-ai-detection-humanization-2026|Karr та співавтори (2026)]] кількісно обґрунтовує, чому виявлення є тупиком. На 642 опублікованих англійських анотаціях два комерційні детектори ШІ при τ = 0,50 позначали легке редагування зі ШІ, що відповідало вимогам, у 38–80% випадків, позначали незмінені оригінали 2023–25 років у 9–15% випадків (не-[[stem-education|STEM]] значно вище за STEM, p < 0,001), а після гуманізації виловлювали менше 4% переписаних текстів із позначкою ШІ (частка хибних від’ємних результатів > 96%). Оцінка, яка штрафує чесну допомогу, пропускаючи ухилення, не може бути основою захищеного висновку про здобувача; прогалина, яку вона виявляє, — це конструкції та докази процесу, які не залежать від такої оцінки.

## 6. Доведення того, що ШІ-грамотність переходить у відповідальну поведінку

Досліджень втручань у сфері ШІ-грамотності досить для синтезу. Метааналіз [[liu-ai-literacy-interventions-meta-analysis-2026|AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators]] включає 59 досліджень і 7 211 учасників. У ньому повідомляється про позитивний середній ефект, але зі суттєвою варіацією між дослідженнями та широким інтервалом прогнозування, який охоплює нуль. Результати, орієнтовані на знання, показали сильніші ефекти, ніж результати в навичках, ставленнях або етиці.

Тому гостріша прогалина — не просто розробка нових рамок компетентностей. Це встановлення **того, чи змінює навчання грамотності те, як люди діють, використовуючи ШІ**.

Чи можуть здобувачі розпізнавати непідтверджені твердження, перевіряти джерела, відкидати оманливі пропозиції, виявляти неналежну згоду та обирати, коли не делегувати? Чи зберігається ця поведінка за тиску часу та чи переноситься на незнайомі системи й дисципліни?

Дослідження мають поєднувати оцінювання на основі продуктивності зі спостереженнями за реальними рішеннями та відстроченим наступним контролем. Вони мають відрізняти концептуальні знання, операційну вправність та критичне судження, не трактуючи їх як взаємозамінні. Синтези [[ai-literacy|ШІ-грамотність]] та [[trust-calibration|Калібрування довіри]] дають корисні вихідні точки для цих розрізнень.

## 7. Розуміння узагальнюваності та справедливих результатів — а не лише рівного доступу

Висновки з одного курсу, закладу, мови чи групи здобувачів часто дають обмежені підстави для рішень деінде. Синтез [[limitations-in-aied-research|Обмеження в дослідженнях AIEd]] ідентифікує це як повторювану проблему. Потрібно більше доказів про те, як навчальні ефекти варіюються за вікових етапів розвитку, дисциплін, попередніх знань, інвалідності, мови та умов забезпечення ресурсами.

Дослідження справедливості має також відрізняти доступ, навички та результати. Синтез [[digital-divide|Цифровий розрив]] чітко показує, що надання пристроїв або доступу до інструментів не встановлює рівної здатності отримувати користь.

Наприклад, дослідження [[school-ai-education-readiness-gaps-agency-2026|Does School-Based AI Education Narrow Readiness Gaps?]] спостерігало за 752 учнями молодшої середньої школи Гонконгу. Прогалини в психологічній готовності звузилися, тоді як відмінності за об’єктивним тестом ШІ-грамотності збереглися. Усі групи покращили результати, але загальне покращення не усунуло нерівність. Оскільки профілі попереднього навчання не були розподілені рандомізовано, дослідження не встановлює їхніх причинових ефектів.

Власне висвітлення в базі знань також показує, де докази на груповому рівні є неповними, а також нерівномірними. Сторінка [[differential-effects-across-learner-groups|Диференційовані ефекти в різних групах здобувачів]] обліковує літературу за тим, кого вона вивчає: здобувачі другої мови та багатомовні здобувачі й студенти з інвалідністю — найглибші напрями, потім гендерні аспекти та нейровідмінність, тоді як для студентів першого покоління та іноземних студентів у цьому корпусі є по одному дослідженню, а обдаровані й високоуспішні студенти як група фактично не вивчалися, а біженці, іммігранти та переміщені особи не згадуються взагалі. Доказова база такої форми не може відповісти на питання справедливості шляхом агрегування; її потрібно відбирати цілеспрямовано.

**Пріоритет досліджень — встановлення, які конструкції зменшують відмінності в продемонстрованій здатності, участі та суб’єктності.** Дослідження мають вивчати результати та навантаження для підгруп, а не лише середні здобутки. Дослідження доступності мають відрізняти усунення бар’єрів для участі від заміщення здатності, яку здобувач має розвивати. Див. [[equity-in-ai-education|Справедливість у ШІ в освіті]] та [[accessibility]].

Потенціал також варіюється всередині однієї національної системи у способах, яких не фіксують категорії управління. Дослідження [[adeniranye-ai-integration-nigerian-higher-education-2026|Adeniranye та співавтори (2026)]] оцінило інтеграцію ШІ в 45 університетах Нігерії й виявило лише помірне загальне впровадження (M = 4,79, діапазон 1,83–7,83 за десятибальною шкалою), при цьому тип закладу не прогнозував інтеграцію після контролю віку та географії (вік β = 0,43; розташування в південно-західному регіоні β = 0,31). Внутрішні можливості взаємокорелювали на рівні r = 0,79–0,80, а міжнародні співпраці — з партнерствами в галузі на рівні r = 0,74, тому добре пов’язані заклади накопичують наростаючі переваги. Прогалина — перевірити, які конструкції розвитку потенціалу змінюють результати в нових, менш пов’язаних закладах.

## 8. Визначення того, як контроль має розподілятися між здобувачами, викладачами та агентами

Оскільки системи ШІ планують, ініціюють дії, зберігають пам’ять і координують інструменти, освітнє питання стає конкретнішим, ніж «чи є співпраця люди та ШІ корисною»: **хто має контролювати які частини процесу навчання і коли цей контроль має змінюватися?**

Огляд [[agentic-ai-education-scoping-review|Agentic AI in Education: A Scoping Review]] охоплює 474 дослідження й виявляє обмежену повздовжню валідацію, концентрацію в [[higher-ed|вищій освіті]] та STEM, а також слабку інтеграцію освітньої теорії. Лише 29% розглянутих досліджень явно спиралися на освітню теорію — висновок про той корпус, а не про всі дослідження AIEd.

Дослідження мають порівнювати конфігурації, в яких здобувачі або агенти ініціюють допомогу, ставлять цілі, обирають стратегії, відстежують прогрес і приймають остаточні рішення. Вони мають перевіряти, чи може підтримка поступово зніматися в міру розвитку компетентності та чи зберігають здобувачі здатність оскаржувати систему.

Синтези [[agentic-ai|Агентний ШІ]] та [[human-ai-collaboration|Співпраця люди та ШІ]] також порушують питання щодо втручання та відповідальності [[teacher-role|викладача]] в багатоагентних середовищах. Більшу автономність слід оцінювати як педагогічний вибір у дизайні, а не вважати, що вона сама по собі означає освітній прогрес.

## 9. Пов’язування педагогічної та реляційної безпеки з реальними освітніми наслідками

Освітня безпека виходить за межі фактичної точності, образливого контенту чи заборонених запитів. Тьютор може дати правильну відповідь, водночас підриваючи можливість здобувача міркувати, підкріплюючи певне хибне уявлення або заохочуючи неналежну залежність. Див. [[pedagogical-safety|Педагогічна безпека]].

Дослідження [[hazra-safetutors-pedagogical-safety-2026|SafeTutors: Pedagogical Safety in AI Tutoring]] виявляє такі відмови, як надмірне розкриття відповіді та відмова від скаффолдингу, причому відмов суттєво більше за тестування в кількох ходах. Це висновки [[benchmark]], отримані за конкретних умов тестування, а не оцінки поширеності чи тяжкості шкоди в аудиторіях.

Нерозв’язане питання — як такі відмови впливають на реальних здобувачів за тривалого використання. Які з них дають тимчасове замішання, стійкі хибні уявлення, знижену мотивацію або послаблену незалежну здатність? Які засоби захисту зменшують ці ризики без надмірної відмови чи розчарування?

Довгострокові дослідження мають також вивчати довіру, готовність звертатися по людську допомогу, [[agency|суб’єктність здобувача]] та стосунки з ровесниками й викладачами. Ці питання особливо важливі для дітей і потребують досліджень, відповідних до віку, які пов’язують поведінку системи з освітніми та реляційними результатами.

## 10. Пояснення того, як впровадження, розвиток викладачів та витрати формують результати

Технічна здатність не встановлює, що інструмент використовуватиметься продуктивно чи що професійний розвиток покращить навчання студентів. Пропущене ланку часто йде від **підготовки викладачів через змінену практику в аудиторії до результатів студентів**.

У дослідженні [[pedagogy-first-technology-second-teacher-knowledge-2026|Pedagogy First, Technology Second]], багаторівневому дослідженні 46 викладачів і 2 832 студентів, виявлено, що педагогічні знання про ШІ асоціювалися з уявленнями та намірами студентів, але жоден із вимірюваних компонентів знань викладача не асоціювався напряму з приростом знань студентів про ШІ. Ці асоціації не встановлюють, що конкретне навчальне втручання спричинило б краще навчання.

Дослідження мають з’ясовувати, які поєднання наставництва, [[curriculum-design|узгодження з навчальним планом]], рутин перевірки, планування та інституційної підтримки дають стійкі покращення. Вони мають спостерігати здійснюване навчання, а не лише впевненість викладача чи намір ухвалити інновацію. Див. [[teacher-ai-competency|Компетентність викладача в галузі ШІ]] та [[educational-development|Освітній розвиток]].

Порівняльна економічна ефективність — ще один пріоритет. Оцінювання мають включати перевірку, коригування, навчання, нагляд, обслуговування та час впровадження — не лише витрати на підписку або використання моделі — і порівнювати забезпечення з підтримкою ШІ з реалістичними альтернативами. Відповідне питання — яку освітню користь дає вся конструкція для тих ресурсів, які вона потребує.

## 11. Оцінювання управління, приватності та значущої участі

[[ethics|Етичні]] принципи та рамки управління необхідні, але саме їхнє існування не встановлює, що вони змінюють практику чи захищають здобувачів.

Огляд [[agarwal-ethical-values-norms-aied-2026|Identifying the Ethical Values and Norms for Artificial Intelligence in Education]] розглядає 25 статей і виявляє, що кінцеві користувачі здебільшого є пасивними в розглянутій етичній літературі, а голоси студентів практично відсутні. Він також виявляє напруження між цінностями та асиметрії влади між зацікавленими сторонами. Це опис розглянутої літератури; з цього не слід робити узагальнення, що студенти ніколи не беруть участі в проєктуванні AIEd.

Прогалина в дослідженнях стосується **того, які механізми управління дають вимірювану різницю**. Чи змінює участь студентів і викладачів закупівлі, дизайн інструментів, правила оцінювання чи засоби правового захисту після помилок? Чи виловлюють процедури людського перевіряння важливі помилки? Чи справді доступні альтернативи використанню ШІ?

Дослідження приватності має також вивчати освітню цінність додаткового збирання даних, а не припускати, що більш детальне спостереження за здобувачем є виправданим. Дослідження можуть порівнювати конструкції, що мінімізують дані, з більш нав’язливими альтернативами, оцінюючи і навчання, і автономію здобувача. Див. [[governance|Управління ШІ]] та [[privacy]].

## 12. Створення відтворюваних досліджень та достовірних кумулятивних доказів

AIEd стикається з надзвичайно складною проблемою відтворюваності. Дослідження можуть не містити підказок, версій моделей, налаштувань, коду чи навчальних деталей; пропрієтарні системи також можуть змінюватися під час або після втручання. Ці питання задокументовано в [[limitations-in-aied-research|Обмеження в дослідженнях AIEd]].

Відтворюваність вимагає описувати як модель, так і навчальну конструкцію: навчальні завдання, джерела контенту, дозволені дії, інтерфейс, підтримку викладача, умови оцінювання та зміни під час впровадження. Дослідники мають відрізняти відтворення однієї конфігурації від перевірки того, чи переноситься її педагогічний принцип на іншу. Обговорення звітності на сторінці [[research-methods-aied|Методи дослідження ефективності]] висвітлює цю потребу в прозорих описах.

Синтез доказів вимагає так само порівняльної ретельності. Сторінка [[meta-analysis-systematic-review|Метааналіз та систематичний огляд]] висвітлює слабкі первинні дослідження, упередженість публікацій, різнорідні втручання та несумісні результати як обмеження для узагальнених висновків.

Один середній «ефект ШІ» може приховувати розрізнення, найбільш необхідні освітянам. Огляди мають відокремлювати допоможену продуктивність від незалежного навчання, відрізняти типи втручань і умови порівняння, а також робити рішення з кодування та аналізу перевірними. Нульові результати, невдалі впровадження та граничні умови є важливими внесками в цю кумулятивну доказову базу.

Література синтезу сама є прогалиною. [[oneill-presumed-effective-meta-analysis-2026|Форензичний аудит O'Neill (2026)]] 14 впливових [[meta-analysis-systematic-review|метааналізів]] виявив, що жоден із них не дав дійсної основи для своїх тверджень: відсутність узгодженого конструкту (інструмент, розглянутий як єдине втручання, та зведені багатовимірні результати), недійсна оцінка упередженості публікацій у всіх 14, вказаний I² між 77,2% і 94,4% у кожному аналізі, що його повідомляв (12 із 13 — понад 80%), та 61% рандомізовано перевірених первинних досліджень із проблемами валідності. Ці 14 аналізів накопичили понад 2 000 цитувань приблизно за 16 місяців, а відкликаний метааналіз досі цитувався як авторитетний у 60% статей, що цитували його після відкликання, без згадки про відкликання. Некритичне сприйняття не обмежується відкликаними роботами: у вибірці з 14 статей, що цитують інший аудитований метааналіз, чия анотація рекламувала великий ефект «освіти зі ШІ», який насправді вимірював навчання студентів самому ШІ, лише 2 цитували його належним чином, 8 читали його як доказ, що інтеграція ШІ покращує навчання, а 4 були хибними в інших відношеннях. Рекомендації аудиту спрямовані саме на цей ланцюг, просячи журнали вимагати повної прозорості даних для метааналізів (протоколи пошуку, закодовані характеристики досліджень, вилучені статистичні дані та код аналізу), просячи редакторів не трактувати публікаційний рекорд як доказ компетентності в рецензуванні та просячи, щоб відкликання були видими всюди, де стаття знаходиться, експортується або цитується. Тому відтворюваність охоплює цілісність ланцюга синтезу, а не лише окремих досліджень.

Викладачі, які хочуть бачити ці питання на рівні аудиторії — які показники та конструкції порівняння використовувати — можуть користуватися методологічними рекомендаціями на сторінці [[evaluating-ai-interventions-methods]].

## Загальний висновок

Центральна потреба досліджень — не просто більше досліджень, які показують, що студентам подобається ШІ, що викладачі економлять час або що робота з підтримкою ШІ отримує вищі оцінки. Це сильніші докази, що відповідають на питання:

> Яка освітня конструкція, для яких здобувачів, у якому контексті, через який механізм створює які стійкі людські здатності — і з яким розподілом користі, витрат і шкоди?

Відповідь на це питання вимагає взаємодоповнюючих методів: добре специфікованих експериментів, повздовжнього наступного контролю, валідованих оцінювань, якісного та дизайн-орієнтованого дослідження, цілеспрямованої вибірки з огляду на справедливість та прозорого синтезу. Мета — доказова база, яка пояснює не лише те, чи спрацювало втручання, але й чому воно спрацювало, де воно може дати збій і що освітяни можуть відповідально перенести в інші умови.

---

## [Чи варто використовувати детектори ШІ?](https://edtechdev.github.io/aied/faqs/should-we-use-ai-detectors/)

# Should We Use AI Detectors?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

**Не як доказ у справі про порушення академічної доброчесності та не як перший рубеж захисту закладу. Оцінку детектора не можна валідувати щодо еталонної істини, її не можна піддати перехресному допиту, і вона не відповідає стандарту переваги ймовірності, якого вимагають висновки з [[academic-integrity|академічної доброчесності]].** Гірше того, її помилки є системними, а не випадковими: найсильніше контрольоване дослідження в базі знань виявило, що детектори позначають чесне, що відповідає вимогам *редагування* за допомогою ШІ значно легше, ніж незмінений студентський текст, тоді як навмисне ухилення проходить майже без ушкоджень — а студентами, яких найімовірніше позначать, є автори, для яких англійська не є рідною ([[karr-ai-detection-humanization-2026]], [[teichmann-detecting-undetectable-misconduct-2026]]) — це одне з кількох місць, де частота помилок системи ШІ розподілена нерівномірно між здобувачами, як документує сторінка [[differential-effects-across-learner-groups|Диференційовані ефекти в різних групах здобувачів]]. [[bassett-ai-detectors-education-2026|Bassett та співавтори (2026)]] йдуть далі й стверджують, що виявлення взагалі не слід використовувати в освіті, оскільки технологія не може відрізнити «роботу, створену *за допомогою* ШІ», від «роботи, створеної *самим* ШІ». Ця сторінка — для тих, кому доводиться ухвалювати рішення: викладачів, посадових осіб із академічної доброчесності та адміністраторів. Методичний посібник із боку дизайну міститься на сторінці [[reduce-ai-cheating|Як я можу зменшити списування зі ШІ у своєму курсі?]].

## 1. Показники точності не підтверджують висновок

Три незалежні лінії доказів сходяться в одному й тому самому висновку.

**Частота хибних спрацьовувань на легітимних роботах висока, і вона карає прозорість.** У контрольованому дослідженні 642 опублікованих англійських анотацій у чотирьох галузях і за два часові періоди виявлено, що при порозі 0,50 два комерційні детектори позначали *легке* редагування за допомогою ШІ, що відповідало вимогам, у **38–80%**, позначали незмінені оригінали 2023–25 років у **9–15%** (не-[[stem-education|STEM]] значно вище за STEM, p<0,001), а після того як текст пропускали через сервіс гуманізації, — виловлювали **менше 4%** переписаних текстів із позначкою ШІ, що дає частоту хибних від’ємних результатів понад 96%. Автори описують це як дилему академічної доброчесності: саме тих студентів, які розкривають інформацію та легко редагують, інструмент і спіймає, тоді як студентів, які навмисно обходять його, — ні. Їхня рекомендація чітка — оцінки детектора ніколи не мають слугувати самостійним доказом порушення академічної доброчесності.([[karr-ai-detection-humanization-2026]])

**Найкращий незалежний бенчмарк не досягає придатної для використання точності.** У найповнішому ранньому [[benchmark]] жоден із чотирнадцяти інструментів не досяг 80% точності, а простий перефразування, незначне редагування або сервіси гуманізації приблизно удвічі знижують навіть цей показник. За реалістичних базових частот хибні спрацьовування переважають справжні.([[teichmann-detecting-undetectable-misconduct-2026]])

**І він цілковито пропускає повномасштабне використання ШІ саме тоді коли це важливо.** У прихованому польовому дослідженні дослідники впроваджували цілком створені ШІ роботи в діючу систему [[summative-assessment|підсумкового оцінювання]] в межах п’яти модулів психології: **94% залишилися невиявленими**, а роботи ШІ в середньо набрали більше балів, ніж справжні студенти. Спорядження із замовлення робіт уже демонструвало ту саму структурну проблему — воно не залишає надійного сліду для виявлення.([[teichmann-detecting-undetectable-misconduct-2026]])

Точність також варіюється за завданням у спосіб, який політика не може передбачити. Коли дослідники перевіряли, чи може [[generative-ai|генеративний ШІ]] надійно виявляти власний результат, виявлення було надійним для програмування та довшої рефлексивної письмової роботи, але слабким для коротких відповідей, де модель часто оцінювала власний текст як *більш* схожий на людський, ніж автентична студентська робота — а незначні варіації підказок різко знижували точність.([[llm-detecting-llm-generated-content-education]]) Будь-який поріг, який ви встановите, працюватиме для одних завдань і даватиме збій для інших.

**Виявлення ніколи не було чітко кращим за уважну людину, і ця різниця не є суттєвою.** [[leaton-gray-ai-digital-cheating-ethical-pedagogies-2025|Leaton Gray, Edsall та Parapadakis (2025)]] повідомляють про машинне виявлення ШІ чи перефразованого тексту приблизно на рівні **80%** проти **78,4%** у людських рецензентів і наводять докази, що текст, створений ШІ, проходив як написаний людиною **у до 80% випадків** — що вони вважають різницею занадто вузькою, щоб ґрунтувати на ній висновок про порушення академічної доброчесності, оскільки перевага машини зникає в тому ж інтервалі помилок, який приносить людина. Їхній огляд також підриває припущення, що виявлення стримує здатних: метааналіз Krou та співавторів виявляє, що самоефективність корелює негативно зі списуванням, тоді як фактична здатність не корелює з ним взагалі зворотно, тому студенти, які могли б виконати роботу, можуть списувати, коли вважають оцінювання несправедливим. Тому виявлення не є ні надійним інструментом, ні очевидним стримувальним засобом.

## 2. Помилки є системними, і вони припадають на неправильних студентів

Це та частина, яка має вирішити питання для кожного, хто відповідає за справедливість.

Ознаки, які детектори розглядають як сигнали ШІ — щільність довгих токенів, частота академічних слів, одноманітний стиль — є також ознаками компетентного письма другою мовою, тому детектори неправильно класифікують носіїв нерідної англійської системно, а не випадково. Тому шкода від неправильної класифікації припадає на студентів, які вже є в невигідному становищі.([[teichmann-detecting-undetectable-misconduct-2026]]) Та сама перекісність з’являється й за дисциплінами: анотації не зі STEM позначалася значно частіше за STEM-анотації в дослідженні анотацій, що є властивістю конвенцій письма в цих галузях, а не поведінки їхніх авторів.([[karr-ai-detection-humanization-2026]]) По суті, детектор є тестом стилю, а стиль, який він карає, корелює з мовним походженням, дисципліною та регістром — а не з тим, чи використовував студент ШІ.

Це проблема [[equity-in-ai-education|справедливості]] раніше, ніж технічна проблема, і це також проблема [[trust]]. Оскільки детектори ненадійні, а формальні процеси вимагають доказів на рівні детекції, які функціонально недоступні, викладачі опиняються в ситуації, яку один практик називає «підозрою без засобів правового захисту», тоді як [[student-rationalization-ai-writing|студенти раціоналізують]] власне використання, а справи зупиняються.([[best-response-student-ai-dialog-2026]])

## 3. Чому оцінка не може витримати справи про академічну доброчесність

Якщо ви сидите на слуханні, це той розділ, який має значення.

- **Стан доказовості не досягнуто.** Висновки про академічне порушення вимагають доказів, що відповідають перевазі ймовірності. Оцінки детектора — самі по собі *або* в поєднанні з лінгвістичними маркерами, порівняннями стилю, судженнями [[llm]] чи мовчазністю студента — не задовольняють цього стандарту.([[bassett-ai-detectors-education-2026]])
- **Мовчання і мовлення використовуються неправильно.** Студенти зберігають право на мовчання; відмова відповідати не перехиляє вагу проти них. Легітимне питання — не «чи використовував ви ШІ?», але чи може студент продемонструвати [[learning-gains|навчання]], яке заявляє вимірювати [[assessment]], на що може відповісти усна відповідь.([[bassett-ai-detectors-education-2026]])
- **Ймовірність неможливо перевірити.** На відміну від фільтра спаму чи медичного тесту, результат детектора не можна перевірити незалежно: у реальних роботах немає еталонної істини щодо того, як було створено текст, тому валідація стає циклічною, а показники хибних спрацьовувань/хибних від’ємних результатів застосовні лише в контрольованих тестах.([[bassett-ai-detectors-education-2026]])
- **Еталонні дані застарілі за самою конструкцією.** Детектори навчаються та тестуються на людських текстах до генеративного ШІ — власна валідація Turnitin використовувала 700 000 статей до 2019 року, — що припускає, ніби цей корпус відображає сучасне студентське письмо. Це припущення не перевірене, і воно змінюється з кожним випуском моделі.([[bassett-ai-detectors-education-2026]])
- **Інструмент не можна допитати.** Детектори не публікують порогів чи навчальних даних і не дозволяють незалежної реплікації, тому позначений студент не може відповісти на звинувачення чи піддати його перехресному допиту. Ви не можете захистити висновок, який не можете пояснити.([[teichmann-detecting-undetectable-misconduct-2026]])
- **Бінарність — це неправильне питання.** Роботи студентів часто створюються *за допомогою*, а не *самим* ШІ, в межах гібридного континууму, і політики, які кажуть «в оцінюванні», рідко визначають, коли починається оцінювання — залишаючи правозастосування суб’єктивному судженню, а не принциповим критеріям.([[bassett-ai-detectors-education-2026]])
- **Ви берете на себе ризик щодо даних.** Детектори зберігають студентські роботи на сторонніх серверах, іноді за кордоном, де [[privacy]] слабші, створюючи ризик порушення безпеки, зберігання та комерційної експлуатації, відповідальність за який несе ваш заклад.([[bassett-ai-detectors-education-2026]])
- **Посилене стеження може дати зворотний ефект.** Стримування працює через *розрізнення* детектором прихованого використання та легітимної роботи, а не через його сиру частоту виловлювання. Коли додаткова чутливість дає більше нових хибних спрацьовувань, ніж нових справжніх, сильніше стеження робить приховування відносно *привабливішим* — ви витрачаєте довіру на студентів, які не зробили нічого поганого, швидше, ніж виявляєте тих, хто зробив.([[mohamed-temimi-assessment-imperfect-information-disclosure-2026]])

## 4. Що робити замість цього

**Просіть підтвердження, а не походження.** Університет Grand Canyon перейшов від питання «Чи використовував цей студент ШІ?» до питання «Чи може цей студент продемонструвати розуміння того, що він подав?», використовуючи короткі розмови, ранні чернетки та записані пояснення, у тому числі впроваджені в усьому закладі восени 2025 року. Аргумент практичний: викладачі вже кваліфіковані судити про розуміння, і цей зсув відновлює їхній авторитет, замість того щоб залишати їх чекати на доказ, який ніколи не надійде.([[best-response-student-ai-dialog-2026]])

**Зробіть хоча б одне високорівневе завдання без допомоги.** Асинхронні усні оцінювання — підказки саме в потрібний момент із короткими, обмеженими в часі записаними відповідями, оціненими за вбудованими рубриками — дали порівнянні результати з особистими тестами множинного вибору в одному дослідженні та значно кращі в іншому, а студенти повідомляли про активнішу підготовку та вищу уявлену професійну значущість. Для [[administrator]] відповідною властивістю є те, що це масштабується без прокторингу.([[asynchronous-oral-assessment-2026]])

**Перепроєктуйте завдання так, щоб скорочення шляху за допомогою ШІ були менш привабливими.** У кейс-дослідженні студентів бакалаврату економічних спеціальностей лише близько третини повідомили про будь-яке використання ШІ, а розкриття інформації було ще рідкіснішим — і нерозкриття читалося як раціональна обережність за неоднозначної політики, а не як нечесність. Ті самі студенти віддавали перевагу завданням із реального світу на основі даних як вирішенню проблеми.([[kirsanov-beyond-detection-ai-online-assessments-2026]]) Очікування, оголошення та ретельне вивчення використання ШІ кращі, ніж його поліцейський контроль, оскільки [[authentic-assessment|автентичність]] має бути спроєктована, а не нав’язана.([[beyond-detection-authentic-assessment-ai-2025]])

**Зробіть так, щоб чесне розкриття було безпечним варіантом.** Невизначені або каральні політики спричиняють приховування; конкретні рамки оголошень, пов’язані з когнітивними етапами, у поєднанні з запевненням, що правдиве розкриття не карається, дають від студентів більше інформації, ніж стеження.([[gonsalves-student-non-compliance-ai-declarations-2025]])([[chang-should-i-tell-my-teacher-ai-disclosure-2026]])

## 5. Заперечення, які ви почуєте

- **«Наш постачальник рекламує частоту хибних спрацьовувань 1%.»** Ліцензований детектор університету Vanderbilt стверджував саме це, і коли університет спробував валідувати цей показник, він не зміг — 1% від 75 000 річних подач означав приблизно 750 неправильно позначених студентів, — тому він вимкнув інструмент. Незалежні бенчмарки не ставлять жоден інструмент вище за 80% точності.([[teichmann-detecting-undetectable-misconduct-2026]])
- **«Ми використовуємо його лише як один із елементів доказів».** Стандарт — не «якісь докази», а докази, що відповідають перевазі ймовірності, і оцінки детектора в поєднанні з маркерами, порівняннями стилю, судженнями LLM чи мовчазністю досі не задовольняють його. Якщо ви не сказали б це міркування вголос на слуханні, це не доказ.([[bassett-ai-detectors-education-2026]])
- **«Якщо ми припинимо виявлення, списування переможе».** Саме виявлення не зупиняє рішучих: 94% впроваджених подач ШІ пройшли живий онлайн-іспит непоміченими, гуманізація перемагає виявлення понад 96% часу, а спорядження із замовлення робіт уже не залишало надійного сліду.([[teichmann-detecting-undetectable-misconduct-2026]]) Те, що детектори дійсно спіймають із вимірюваною надійністю, — це чесне легке редагування та письмо нерідними мовами.([[karr-ai-detection-humanization-2026]])
- **«Ми використовуємо його лише приватно, щоб почати розмову».** Це найменш шкідливе використання, і воно все одно чогось коштує: студентами, яких найімовірніше позначать, є ті, хто найменш імовірно зловживає ШІ, тому підозра припадає непропорційно на неправильних людей.([[teichmann-detecting-undetectable-misconduct-2026]]) Відповіддю Grand Canyon було припинити починати взагалі з підозри.([[best-response-student-ai-dialog-2026]])

## 6. Якщо ви пишете чи переглядаєте політику, включіть у неї це

- **Результат детектора ніколи не є самостійним доказом, ніколи не ініціює автоматичних наслідків і ніколи не є підставою для висновку.** Заявіть це в самій політиці, а не в службовій записці.([[karr-ai-detection-humanization-2026]])
- **Студенти мають мати можливість бачити звинувачення та відповідати на нього**, зі збереженням права на мовчання та доступним шляхом усної перевірки для будь-якого звинувачення, яке спирається лише на стиль.([[bassett-ai-detectors-education-2026]])
- **Умови закупівлі мають покривати зберігання даних, використання для [[llm-training-and-fine-tuning|навчання моделі]], місце зберігання, повідомлення про порушення безпеки та права на оскарження** — ризик лежить на вашому закладі, а не на постачальнику.([[bassett-ai-detectors-education-2026]])
- **Профінансуйте альтернативу.** Задокументована скарга викладачів — «підозра без засобів правового захисту», тому бюджетна стаття, яка має значення, — це можливості перевірки та методичні рекомендації, а не ліцензія на виявлення.([[best-response-student-ai-dialog-2026]])
- **Попросіть частоти помилок письмово, а потім спробуйте валідувати їх локально.** Якщо рекламовану частоту не можна відтворити на ваших власних подачах — як виявив Vanderbilt, — це ваша відповідь.([[teichmann-detecting-undetectable-misconduct-2026]])

## 7. Правовий ризик, коли студента помилково звинувачують

Оцінка детектора, яка стає звинуваченням, — це місце, де це перестає бути питанням навчання. Заклади не є підданими ризику тому, що когось звинуватили, але через те, як звинувачення було побудоване та опрацьоване, і цей ризик зазвичай спершу проявляється як внутрішнє оскарження або скарга до регулятора, а не як позов, поданий до суду.

- **Процедура перевіряється першою.** Принципи природної справедливості вимагають, щоб студента повідомили про звинувачення та дали йому можливість відповісти *до* ухвалення будь-якого рішення; ці обов’язки закріплені в регуляторних стандартах, а також у обґрунтованій політиці академічної доброчесності; можливість відповісти — це зазвичай розслідувальна зустріч або інтерв’ю комісії, і все, що каже студент, стає частиною доказової бази. Висновок, ухвалений без цього кроку, є вразливим незалежно від того, чи була первісна підозра обґрунтованою.([[munoz-misconduct-allegation-evidence-2026]])
- **Стан доказовості — це друге.** Висновки про порушення академічної доброчесності вимагають доказів, що відповідають перевазі ймовірності, і результат детектора сам по собі цього не досягає: оцінки не можна валідувати щодо еталонної істини в реальних подачах, інструменти не можна допитати про те, як було досягнуто конкретного вердикту, і студент не може піддати перехресному допиту число. Якщо ваша справа не може бути сформульована без оцінки детектора, вона слабка за самою своєю суттю.([[bassett-ai-detectors-education-2026]])
- **Системна помилка перетворює технічний дефект на проблему справедливості та рівності.** Помилка детектора не є випадковою: найсильніші докази в базі знань показують, що позначення концентрується на письмі нерідними мовами та на конвенціях письма однієї дисципліни порівняно з іншою, з виміряною точністю 0,69 і 0,61 для двох широко використовуваних комерційних інструментів, і обидва дають збій на гібридному тексті людини та ШІ. Висновок, побудований на інструменті, який неправильно класифікує за мовним походженням, є висновком, який запрошує аргумент про дискримінацію.([[hadra-ai-detector-accuracy-efl-2026]])([[van-vlasselaer-ai-detector-reliability-2026]])
- **Загальні заборони «використання ШІ» можуть усунути надання пристосувань.** Правила, які не відокремлюють транскрипцію та OCR від генеративного створення текстів, можуть криміналізувати допоміжні інструменти, на які покладаються студенти з особливостями, що впливають на моторний контроль, розбірливість почерку чи точність друкування, і кілька з цих інструментів було припинено, а їхню нішу заповнила транскрипція за допомогою ШІ. Надмірно широка політика є правовим ризиком, а не просто неточною.([[wright-transcription-not-generation-2026]])
- **Дані є вашим зобов’язанням.** Детектори зберігають студентські роботи на сторонніх серверах, іноді за кордоном, де [[privacy]] слабші, що ставить ризик порушення безпеки, зберігання та подальшого комерційного використання всередину реєстру ризиків вашого закладу, а не в маркетингові матеріали постачальника.([[bassett-ai-detectors-education-2026]])
- **Заяви постачальника вас не захистять.** Ліцензований детектор, що рекламував частоту хибних спрацьовувань 1%, не пройшов валідації, коли університет спробував її відтворити, що означало приблизно 750 неправильно позначених студентів серед 75 000 річних подач; цей заклад вимкнув інструмент. Заява в договорі не переносить ризик на слуханні.([[teichmann-detecting-undetectable-misconduct-2026]])

Те, що знижує ризик, є скоріше процесуальним, ніж технічним: ніколи не розглядайте результат детектора як самостійний доказ чи автоматичний тригер; документуйте стан доказовості, який застосовує ваш процес; давайте повідомлення та справжню можливість відповісти для протоколу; пропонуйте шлях усної перевірки, коли справа спирається лише на стиль; вносьте умови щодо зберігання, використання для навчання та порушення безпеки в закупівлю; пишіть область застосування політики так, щоб [[assistive-technology|допоміжні]] та транскрипційні інструменти були явно враховані; та ведіть аудиторський слід, який показує, що все це відбулося. Власний опис правового ризику в базі знань міститься на сторінці [[legal-issues-and-risks]], і вона чесна щодо своїх меж: вона документує процедури, категорії доказів та надійність інструментів, а не результати судових спорів.

## Чим ця сторінка відрізняється від суміжних FAQ

- Сторінка [[reduce-ai-cheating|Як я можу зменшити списування зі ШІ у своєму курсі?]] — це методичний посібник викладача: інструменти з обмеженнями, перепроєктування оцінювання, перевірка, оголошення, [[ai-literacy|ШІ-грамотність]]. Ця сторінка відповідає на вужче попереднє питання, чи можна взагалі використовувати результат детектора.
- Сторінка [[redesign-assessment-ai-era]] глибоко висвітлює перепроєктування оцінювання; ця сторінка лише вказує на ті кроки перепроєктування, які конкретно замінюють виявлення.
- Сторінка [[course-ai-policy]] висвітлює написання та поширення політики курсу; розділ 6 тут висвітлює специфічні для виявлення положення, які потрібні [[educational-policy-ai|політиці закладу]].
- Сторінка [[legal-issues-and-risks]] — це концептуальна сторінка за розділом 7, яка висвітлює помилкове звинувачення, стеження, доступність та ризик щодо захисту даних разом.

## Головне висновок

Не будуйте висновок на оцінці детектора і не купуйте його в очікуванні, що він убезпечить ваші оцінювання. Вимірювана поведінка цих інструментів є протилежною до їхнього маркетингу: вони ловлять чесну, розкриту, легко відредаговану роботу та компетентне письмо другою мовою, тоді як навмисне ухилення проходить у 96% випадків, а цілковито створені подачі пройшли живу систему іспитів у 94% випадків.([[karr-ai-detection-humanization-2026]])([[teichmann-detecting-undetectable-misconduct-2026]]) Питання академічної доброчесності, на яке ви дійсно можете відповісти, — це чи може студент продемонструвати розуміння того, що він подав, — і це навчальна здатність, варта фінансування.

---

## [Як я маю використовувати ШІ для ефективного навчання та засвоєння матеріалу?](https://edtechdev.github.io/aied/faqs/study-with-ai/)

# How Should I Use AI to Study and Learn Effectively?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Зараз 23:00, у вас є набір задач на ранок і написана не почалася, а вікно чату вже відкрите. Кожен із цих інструментів відповість майже на все, що ви запитаєте, миттєво, чистою прозою, яка звучить так, ніби її пише хтось, хто знає, про що говорить. Саме тому вміння добре користуватися ними — це навичок, а не зручність.

Ось головний висновок, і це єдине речення, яке варто винести з цієї сторінки: **та сама модель, використана на іншій точці вашого процесу навчання, дає протилежні результати.** Розмова, яка завершує ваше мислення, щойно воно почалося, робить роботу швидшою на відчуття і залишає по собі менше. Та сама розмова, використана для того, щоб вас перевірити, пояснити те, що ви вже спробували зробити, або показати, де саме ваше міркування зламалося, допомагає вам навчатися.

Друге, що варто тримати в голові: робота, яка вийшла добре, не є доказом того, що ви чомусь навчилися. Робота, створена вами за присутності моделі, показує, що можуть зробити ви та модель разом; іспити, розподілення та наступний курс у послідовності перевіряють, що можете зробити ви самі — те, що в дослідженнях називається [[learning-gains|навчанням]]. Це різні речі, і розрив між ними — це вся суть гри.

## Коротка версія: три правила, якими можна скористатися вже сьогодні ввечері

**1. Спочатку спробуйте, потім просіть підказку.** Напишіть власну відповідь — план, помилкову здогадку, неохайну спробу, — перш ніж відкривати чат. Потім попросіть інструмент приховати розв’язок, поки у вас не буде власної. Це єдиний крок із найсильнішою доказовою базою, і він описаний нижче.

**2. Просіть навчання, а не результат.** Підказки, пояснення, розв’язані кроки, тести та виправлення: так. Визначення, про що ваш твір, пошук джерела, написання речення, розв’язання задачі: ваше. Якщо ви не змогли б зробити цей крок за закритого чату, ви не навчаєтеся, а переписуєте.

**3. Закінчуйте, закривши інструмент.** Відповідайте з пам’яті, уголос, не маючи нічого відкритого. Якщо не можете, ви ще цього не засвоїли, — і ви дізналися про це сьогодні ввечері, а не в іспитовій залі.

Усе, що нижче, — деталі щодо цих трьох.

## Коли його використовувати

Усе це зберігає ваше мислення недоторканим:

- **Пояснення того, що ви вже прочитали й не змогли зрозуміти.** Попросіть концепт так, ніби вас за нього перевірятимуть, а потім поясніть його самі.
- **Тестування, по одному запитанню за раз**, із вказівкою приховати відповідь, доки ви не спробуєте.
- **Показ розв’язаного прикладу такого типу задачі**, щоб ви побачили його структуру, а потім виконання наступного самостійно.
- **Вихід із глухого кута в місці, яке ви можете назвати.** Не «допоможіть мені з цим завданням», а «я постійно отримую неправильний знак, коли інтегрую частинами; ось моя спроба; де саме вона ламається?»
- **Створення карток для практики з того, що ви вже читаєте**, і планування їхнього повторення.
- **Пояснення власних помилок після зворотного зв’язку.** Запитайте, що було не так із вашою версією, а не лише яка правильна відповідь.

Закономірність: інструмент робить щось *для* вашого навчання, а не *замість* нього. Чотириетапний процес, який описали студенти STEM у дослідженні [[viberg-efficiency-effectiveness-srl-llm-help-seeking-2026|Viberg, Feldman-Maggor та Wong (2026)]], варто скопіювати — вирішення, чи потрібна була допомога, вибір, кого просити, визначення, якого виду допомогу просити, і оцінювання того, що вони отримали. Ці 20 учасників інтерв’ю ставили модель на перше місце, оскільки вона була варіантом із найнижчим порогом входу («спочатку ChatGPT, потім однокурсники, і врешті викладачі»), і вони свідомо просили підказки, покрокове керівництво та пояснення концептів, а не прямі розв’язки, розглядаючи чатбота як «підказку, допоміжний інструмент, але не самостійний розв’язок».

## Коли не використовувати його, а коли використовувати інакше

Розрив між тим, що студенти мають намір робити, і тим, що вони роблять, є найпослідовнішим висновком у цьому дослідженні. [[yan-cognitive-outsourcing-genai-assessments-2026|Yan та колеги (2026)]] проінтерв’ювали 38 студентів бакалаврату в Японії та Китаї, коли ті проходили власні історії чатів для оцінювань із непіднаглядових творів. Одна група повністю передала завдання — викладач призначає, студент передає його генШІ, генШІ створює, студент перевіряє форматування, студент подає, — і один учасник описав цю взаємодію як таку, що «повністю замінила мій мозок». Це була мала група. Тридцять один із 38 заявили, що їхній намір полягав у використанні ШІ як помічника в навчанні, і вони все одно повідомляли про [[cognitive-offloading|надмірну перевагу зовнішніх ресурсів]], розумну байдужість і швидке забування; один сказав: «швидкість, з якою ви це забуваєте, теж дуже висока». Ян та колеги називають це парадоксом ефективності: зручність, придбана ціною когнітивної роботи, яка будує розуміння.

Лише 8 із 38 працювали як те, що автори називають когнітивними партнерами, і їхня визначальна риса полягала не в тому, що вони менше використовували ШІ. Вона полягала в тому, що їхні загальні зусилля не зменшилися — вони перемістилися. Один перемістив зусилля з пошуку на перевірку якості; інший писав короткі рефлексивні нотатки після кожного сеансу зі ШІ, щоб протидіяти згасанню миттєво отриманої інформації.

Ось як це виглядає у вигляді інструкцій для себе:

- **Не вставляйте завдання і не беріть результат.** У тому самому дослідженні **76,32% студентів покладалися на патерн «попроси–отримав відповідь–зупинився»**, зазвичай вставляючи назву оцінювання, не кажучи, що їм насправді потрібно, а потім повторно подаючи той самий запит, коли відповідь їх розчаровувала. Підтримуваний, ітеративний діалог з’являвся лише в 23,68%, майже всі з них — когнітивні партнери.
- **Не відривайте його від власного читання й письма.** 78,94% використовували ШІ або до початку, або після чернетки, і саме це відривання є відмітною рисою групи, яка навчилася найменше.
- **Не зупиняйтеся на першій відповіді.** Дослідження [[help-seeking]] показує ту саму форму. [[student-ai-inquiry-types-cs2-2026|Amoozadeh та Alipour (2026)]] класифікували 830 підказок від 72 студентів у межах двох завдань із програмування й виявили ті самі кілька кроків знову й знову: твердження (повідомлення про збентеження, а не запитання), підказки перевірки, які питають, чи щось є правильним, та інструментальні чи процедурні підказки, які просять наступний крок. Порівняння, прогнозування та специфікація ознак — кроки, які змушують вас думати, — залишалися рідкісними. Де б не кластерувалися ваші власні підказки, ви можете передбачити з цього своє навчання.
- **Дозвольте йому займатися логістикою, а не аналізом.** Узагальнення, переклад, переформатування, створення карток для практики в моменті читання та планування розкладу навчання є розумними використаннями. [[ai-guided-learning-audiovideo-2026|Kawamura (2026)]] побудував системи, які адаптують усне відтворення до складності кожного сегмента (в середньому близько 1,30x) і створюють мультимодальні відеозведення, що скорочують час перегляду на 53% без статистично значущої різниці в балах за тести. Проходження матеріалу швидше — це нормально. Пропускати роботу, яка вас змінює, — ні.

## Як навчатися з ним так, щоб це закріплювалося

**Спробуйте, перш ніж просити підказку.** Це має найкращі докази на сторінці. Дослідження [[adaptive-pretesting-retention|Akgun та Toker (2026)]] дало 89 студентам бакалаврату той самий сеанс адаптивного передтестування й ту саму інструкцію, а потім сім тижнів різної практики. Адаптивне інтервальне пригадування — ШІ виявляє хибні уявлення, вимагає розгортання мінімальних відповідей, переходить далі лише за справжньої концептуальної залученості — дало найвищі бали за фінальним тестом (M = 78,19) і найвищі зусилля в практиці (M = 0,85), проти вільного чату з моделлю (M = 67,28 і 0,49; d = 0,92 за балами). Передтестування допомагає навіть тоді, коли ваші перші відповіді неправильні, оскільки спроба активує те, що ви знаєте, і виявляє те, що ви не знаєте. Перевага полягала в відмові агента давати прямі розв’язки, — політиці, яку ви можете накласти на будь-який чатбот одним реченням: *поясни це так, ніби мене за це перевірятимуть, перевіряй мене по одному запитанню за раз, не давай мені відповідь, доки я не спробую сам, скажи мені, що я зробив неправильно і чому.*

**Пригадуйте за розкладом, а не перечитуйте.** Дослідження [[memdora-ai-spaced-repetition|Zhang (2026)]] описує Memdora, систему інтервального повторення на основі ШІ, побудовану на висновку, що приблизно **70% щойно засвоєного матеріалу забувається протягом 24 годин** без повторення. Вона створює картки з того, що ви читаєте, в моменті читання, і планує їх за FSRS-6. Будьте точними щодо того, скільки це коштує: у статті повідомляється про краще утримання, ніж у традиційних інструментів із картками, але її внесок — це таксономія дизайну та взаємодії, а не контрольоване випробування утримання. Візьміть інтервальність і пригадування як доказові, а конкретний дизайн взаємодії — як багатообіцяльний.

**Опрацьовуйте виправлення, а не підміняйте відповіді.** Дослідження [[verification-quality-reliance-calibration-genai-2026|Wei та Shang (2026)]] повідомляє про дослідження коригування помилок, у якому зусилля під час коригування мало значення для навчання, тоді як проста підміна відповіді навряд чи дала б ту саму користь. Коли щось вам виправляють, запитайте, що було не так, чому ваша версія дала збій і в чому є основне правило, — а потім виконайте крок самі.

**Ведіть власні нотатки.** Когнітивні партнери Яна протидіяли швидкому забуванню, пишучи короткі рефлексивні нотатки після кожного сеансу. Це найдешевша версія тієї самої звички, і вона коштує дві хвилини.

## Як перевіряти результат, перш ніж йому довірятися

«Критичне використання» — це невиразна фраза, тому корисно знати, що саме дослідження може розділити. Wei та Shang розділяють сім цілей: епістемічну оцінку, чи ви починаєте перевірку, наскільки добре ви перевірили, чи перевірка була успішною, що ви зробили з результатом, як ви впоралися із завданням і що ви засвоїли самостійно. Те, що варто тримати в голові: **перевірка — це не те саме, що успішна перевірка**, — добрий процес може закінчитися невизначено, а слабкий може випадково дати правильну відповідь. [[trust-calibration|Калібрована залежність]] означає, що ваше рішення прийняти чи відкинути результат відповідало фактичній якості цього результату, яку ви не можете оцінити за тим, наскільки впевнено відповідь звучала.

Три висновки роблять це конкретним. Dávila та співавтори (2025) давали здобувачам поради, які були правильні приблизно половину часу, і виявили, що те, наскільки вони їм надавали ваги, варіювало залежно від їхніх [[prior-knowledge|попередніх знань]] і ґендеру — довіра не відстежувала точність. Zheng та співавтори (2025) виявили патерн «невдалого застосування», в якому правильне дотримання вказівок, які самі були правильними, усе одно закінчувалося неправильною відповіддю. І [[self-efficacy]] не є безпечним орієнтиром: Rheu та Cho (2025) виявили, що розуміння того, як працюють мовні моделі, асоціювалося з більшою часткою повідомлень про перевірку фактів, тоді як деякі форми впевненості та знання про функції асоціювалися з меншою.

Тому перевіряйте все, за що вас оцінюватимуть, щодо джерела, яке ви можете назвати. Студенти STEM у дослідженні Viberg перевіряли результати щодо власних курсів і викладачів, один із них пояснив: «я йду до асистента лише тоді, коли ми не можемо визначити, чи ChatGPT вигадує речі». Коли ви справді не можете визначити, позначте цю точку як невирішену і запитайте людину, а не приймайте її, щоб закінчити сторінку. І визначте власні базові правила, доки вони вам не знадобилися: [[ethical-conditions-llm-exam-preparation-2026|Pérez-Portabella та колеги (2026)]] опитали 151 студента бакалаврату й виявили, що етичні судження були необхідними умовами для наміру використовувати велику мовну модель для підготовки до іспитів, причому консеквенціалістське та деонтологічне міркування прогнозували цей намір, а намір сильно прогнозував фактичне використання. Вирішення заздалегідь, що ви будете й не будете робити, — не формальність; це те, за чим слідує ваша поведінка.

## Як зрозуміти, чи ви справді навчаєтеся

Не судіть за тим, як відчувався сеанс, чи наскільки відполірованим виглядає результат. Незалежне навчання означає утримання, [[transfer-of-learning|перенесення]], продуктивність без допомоги та виявлення власних помилок після того, як підтримку ШІ відібрано. Нижче три тести, і жоден із них не потребує дослідника:

- **Закрийте інструмент і відповідайте.** Якщо ви не можете дати пояснення чи розв’язок за закритого чату, ви ще цього не засвоїли.
- **Тестуйте після паузи, а не негайно.** Саме семитижневий фінальний тест розділив умови в статистичному дослідженні; бал, отриманий, коли розмова досі на екрані, говорить вам дуже мало.
- **Поясніть уголос, з пам’яті, без нотаток.** Якщо вам потрібна формулювання інструменту, розуміння ще не є вашим.

Якщо додаток, яким ви користуєтеся, повідомляє результати за кожним елементом, читайте їх, — навчальний шар Memdora відстежує навчання на рівні окремої картки, що говорить вам набагато більше, ніж підрахунок серій чи загальна кількість вивчених хвилин.

## «Я за це плачу — чому б не використовувати?»

Тому що підписка купує вам щось краще за відповіді, і відповіді — це дешева частина. Те, за що ви платите, — це терплячий тьютор, який пояснить ту саму ідею п’ятьма способами, перевірятиме вас, доки ви не зможете зробити це на холодну, і скаже, що пішло не так із вашою власною спробою, — тьютор, якого більшість студентів не могли б мати о 23:00. Отримати повну вартість за свої гроші означає просити дорогі речі, а не дешеву. Дешева — це вставити-й-взяти, і це саме те використання, яке змірно вас коштує: група в дослідженні Яна, яка повністю передала завдання, було малою групою, тоді як студентами, які повідомляли про найшвидше забування, була значно більша група, яка вважала, що добре використовує ШІ.

## «Усі інші роблять це саме так»

Більшість із них робить це так, як дослідження показують, що працює погано: 76,32% просять, отримують відповідь і зупиняються; 78,94% ніколи не залучають інструмент до тієї частини роботи, яка їх змінила б. Бути в цій більшості легко й нічим не видатно. Ці 8 із 38, які працювали як когнітивні партнери, — це не доріжка, зарезервована для обдарованих; їхня відмітна риса була правилом, яке ви можете прийняти вже сьогодні ввечері: зусилля переміщуються, а не зникають. Один перемістив зусилля з пошуку на перевірку якості. Один писав рефлексивні нотатки після кожного сеансу.

## «Це швидше»

Так, і саме в цьому пастка, яку дослідження називає парадоксом ефективності: швидкість зростає, тоді як те, що робило завдання вартим постановки, зменшується. Дослідження пригадування — це найчистіша версія того обміну, — вільний чат зробив менше роботи на практику (M = 0,49 зусиль проти M = 0,85) і набрав менше балів через сім тижнів (M = 67,28 проти M = 78,19, d = 0,92). У обох умовах був той самий ШІ і той самий початковий сеанс; різниця полягала в тому, чи чинив інструмент опір. Ви будете швидшими сьогодні ввечері й повільнішими на іспиті, і вам належить вибір, чого ви хочете.

## Контрольний список

- Напишіть власну відповідь, перш ніж відкрити чат, навіть погану, і попросіть ШІ приховати розв’язок, доки ви не спробуєте самі.
- Просіть підказки, пояснення, розв’язані кроки та тести, а не готову роботу.
- Назвіть концепт, на якому ви застрягли, і вставте власну спробу; не вставляйте назву завдання і не приймайте першу відповідь.
- Залишайтеся в розмові: чиніть опір, запитуйте чому, запитуйте, що ви зробили неправильно, — замість повторної подачі того самого запиту.
- Пригадуйте за розкладом, використовуючи картки, узяти з власного читання, а не перечитуйте.
- Перевіряйте все, що оцінюється, щодо названого джерела і розглядайте плавність результату взагалі не як доказ.
- Коли вам дають виправлення, виконайте крок самі замість того, щоб вставити виправлення.
- Залишайтете читання та чернетку власними: використовуйте ШІ до мозкового штурму й після чернетки, а не замість будь-чого з них.
- Закінчуйте, закривши інструмент — відповідь без допомоги, відстрочений тест, усне пояснення.

Якщо ви також викладаєте, один висновок варто перенести. Усі 38 студентів у дослідженні Яна повідомляли, що їхні викладачі забороняли копіювання й давали майже жодних конкретних вказівок, і що ця порожнеча штовхала навіть добре намірених студентів до передачі роботи на сторону. Показ того, як виглядає підтримуваний діалог із моделлю, постановка завдань, які потребують спроби перед підказкою, прохання про докази процесу, такі як нотатки про те, як використовувався ШІ, та оцінювання продуктивності без допомоги окремо від допоможеної роботи — усе це робить те, чого сама заборона не робить. Для ширшої доказової бази див. [[does-ai-help-students-learn]] та [[how-ai-impacts-students]].

---

## [Які 10 найголовніших висновків із досліджень зі ШІ в освіті, про які мають знати викладачі?](https://edtechdev.github.io/aied/faqs/top-10-findings-ai-education-instructors/)

# What Are the Top 10 Findings from AI in Education Research That Instructors Should Know About?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Від вас не вимагають стати дослідником у галузі ШІ. Від вас вимагають приймати звичайні навчальні рішення — що дозволяти в завданні, що має доводити оцінка, що ваші студенти мають уміти робити без інструмента, — і ви хотіли б, щоб вони спиралися на більше, ніж думку та заяви постачальників.

Головне в усьому дослідженні, зібраному в цій базі знань: **те, як ШІ вбудовано в навчальну діяльність, вирішує, чи він зміцнює мислення, чи заміщає його.** Це не просто «використовуйте ШІ» чи «забороніть ШІ», і дослідження за цими висновками є нещодавніми, часто короткостроковими та прив’язаними до конкретних курсів. Розглядайте їх як найсильніші доступні орієнтири, а не як усталене право.

## Коротка версія

- Визначте, на розвиток якого мислення має бути спрямоване завдання, а потім дайте ШІ роль, яка не робить це мислення замість студента.
- Судіть успіх за тим, що студенти можуть робити **пізніше, без інструмента**, — а не за тим, наскільки добре робота виглядає зараз.
- Використовуйте ШІ як тьютора, коуча чи критика значно частіше, ніж як апарат для відповідей.
- Розглядайте відполіровану подачу як слабкий доказ навчання і збирайте також деякі докази процесу.
- Поставте явне правило щодо ШІ на кожному важливому завданні й скажіть, **чому** правило саме таке.
- Навчіть студентів перевіряти, ставити під сумнів і чинити опір результату ШІ. Це не розвивається від самого знайомства.

## 1. Робота, яка виглядає краще за допомогою ШІ, не є доведенням кращого навчання

Студенти можуть створювати сильнішу роботу і закінчувати швидше за допомогою [[generative-ai|generative AI]], навчаючись при цьому менше самостійно. [[cognitive-offloading|Cognitive offloading]] — це ризик: він найважчий для навчання тоді, коли ШІ виконує міркування, яке студент мав відпрацювати. Розрізнення, яке має значення, — між *продуктивністю за допомоги* та *навчанням, продемонстрованим пізніше без допомоги*.

Найсильнішою опорою є [[kumar-genai-computing-education-systematic-review-2026|systematic review of 72 peer-reviewed computing-education studies]]: генеративний ШІ надійно підвищував короткострокове завершення й скорочував час на завдання в 36 дослідженнях — найкраще реплікований результат у всьому корпусі, — але ці здобутки в ефективності «не переносяться на незалежну продуктивність» в 21 дослідженні. [[yan-cognitive-outsourcing-genai-assessments-2026|study of 38 undergraduates using think-aloud interviews]] виявило той самий розкол у тому, як вони фактично працювали: 76,32% залишалися в одноходовому патерні «попросив–відповів–зупинився», і лише 21,06% чергували використання ШІ з незалежним читанням і чернеткою. [[critical-thinking-paradox-genai-learning-2026|2026 framework paper]] називає цей патерн парадоксом критичного мислення: оцінки та продукти можуть зростати, тоді як розумова робота, яка дає стійке навчання, зменшується.

**В аудиторії:** вбудовуйте хоча б одне завдання на кожну тему, у якому студенти пригадують, пояснюють, розв’язують або захищають ідеї без присутності ШІ, і оцінюйте це.

## 2. ШІ заробляє своє місце як тьютор, а не як апарат для відповідей

Десятиліття [[intelligent-tutoring|intelligent-tutoring research]] вказують в тому самому напрямі: діагностуйте, що розуміє студент, ставте запитання, давайте поступові підказки, просіть його пояснити, давайте зворотний зв’язок — замість того, щоб віддавати розв’язок. Сучасна робота з [[pedagogical-agent]] проводить ту саму межу між *поведінкою навчання* та *створенням відповідей*. [[thermomix-genai-education-analogy-2026|Thermomix kitchen-machine analogy]] робить це конкретним: один прилад може або готувати за вас, тож ви втрачаєте навичок, або діяти як партнер для перевірки ідей, які вам усе одно треба осмислити. Ці режими узгоджуються з [[icap-framework|ICAP framework]], яка прогнозує різне навчання за пасивного, активного, конструктивного та інтерактивного використання.

Новіша робота показує той самий принцип усередині вузького інструмента. [[structrag-diagram-reasoning-ai-tutoring|tutor that reads engineering diagrams structurally]] досяг 93,0% F1 на рівні з’єднань проти 89,3% точності на всій діаграмі, що означає, що він може назвати конкретні відсутні або неправильно прочитані з’єднання, навіть коли вся діаграма є неправильною, — зворотний зв’язок, на який студент може відреагувати, а не оцінка «пройдено» чи «не пройдено».

**В аудиторії:** скажіть студентам просити «одну підказку», «запитуй мене» чи «розкритикуй моє міркування», і зробіть так, щоб «розв’яжи це» було незвичним випадком.

## 3. Не згладжуйте продуктивну боротьбу

[[productive-failure|Productive failure]] — це висновок про те, що здобувачі часто утримують більше, коли намагаються розв’язати задачу, перш ніж їм покажуть, як це робити. Зроблення навчання безтерпким може усунути саме ту роботу, яка створює навчання. У [[yan-cognitive-outsourcing-genai-assessments-2026|38-student interview study]] найбільша група (n = 31) описувала цілі опанування, але працювала в фрагментованих одноходових ходах, а потім повідомляла про надмірну залежність, розумну байдужість і швидке забування, — один учасник сформулював це так: «швидкість, з якою ви це забуваєте, теж дуже висока». [[thermomix-genai-education-analogy-2026|Thermomix analogy]] стискає ризик у п’ять слів: із Thermomix ви втрачаєте здатність готувати.

**В аудиторії:** використовуйте послідовність **спроба → допомога ШІ → виправлення → рефлексія**, а не відкривайте інструмент на першій секунді кожного завдання.

## 4. Зворотний зв’язок має значення лише після того, як студент щось із ним робить

[[ai-feedback-quality|AI feedback]] може бути своєчасним, конкретним, масштабованим та прийнятним для студентів, у тому числі в [[higher-ed|higher education]]. Чи *навчає* він, залежить від точності, [[pedagogy|pedagogical]] відповідності та [[feedback-literacy|feedback literacy]] студентів — їхньої здатності судити про зворотний зв’язок і діяти за ним. [[mcinnes-salvaging-constructive-alignment-genai-2026|critical analysis of 14 institutional guidance documents]] попереджає, що загальні підказки дають результати, види діяльності та оцінювання поодиноке: оскільки інструмент не може знати, наскільки взаємопов’язаною є тема, його зворотний зв’язок залишається загальним, а не діагностично точним.

Два дослідження 2026 року показують, наскільки вхідні дані змінюють результат. У [[teacher-ai-literacy-prompt-feedback-quality-2026|study of AI feedback on learning goals]] сама модель пояснювала 26,9% варіації в якості зворотного зв’язку, а додавання підказки підвищувало це до 42,8% — додаткові 15,9%. Єдиною ознакою підказки, яка мала значення, була термінологія конкретного предмета; її заміна на повсякденні перефразування значно погіршувала зворотний зв’язок. Вибір моделі теж мав значення: Claude 3 та Gemini Advanced давали зворотний зв’язок із значно нижчими оцінками, ніж ChatGPT-4. Тим часом [[llm-automated-grading-programming-comparison-2026|comparison of 18 language models grading 6,081 programming submissions]], виявило середні оцінки від 0,290 до 0,608 залежно від моделі, при цьому частоти точної згоди були такими низькими, як 0,20 для деяких і 0,74 у найкращому випадку.

**В аудиторії:** нехай студенти зважують зворотний зв’язок ШІ щодо вашої рубрики, вирішують, що прийняти або відкинути, і пояснюють, що вони змінили.

## 5. Навчальний дизайн важливіший за те, яку модель ви використовуєте

Порівняння інформованого теорією чатбота, який забезпечував скаффолдинг пояснень студентів, зі звичайним ChatGPT і навчанням за звичною схемою не виявило значущих негайних відмінностей, — але через чотири тижні група зі скаффолдингом утримала більше концептуальних знань. Це одне дослідження, а не універсальний ефект, і це найясніша ілюстрація того, що **дизайн може переважити здатність моделі**. [[kumar-genai-computing-education-systematic-review-2026|72-study review]] спирається на той самий шар дизайну, називаючи критичну залученість із результатами ШІ «спільним механізмом, який пов’язує кожне ефективне втручання в корпусі», і рекомендуючи [[scaffolding|graduated access]] — впровадження генеративного ШІ лише після того, як показано базову компетентність.

**В аудиторії:** проєктуйте діяльності зі ШІ навколо самооб’яснення, пригадування, порівняння, аргументації, навчання чи критики, а не навколо створення контенту.

## 6. Припиніть намагатися спіймати ШІ; почніть створювати докази навчання

Детектори ШІ мають добре задокументовані проблеми надійності та справедливості, а глибша проблема — це [[assessment-validity|validity]]: відполірований продукт, виконаний удома, уже не показує, що особа, яка його подала, має компетентність. Політика, зосереджена на виявленні, також пригнічує легітимне використання. У [[zou-is-this-a-trap-student-teachers-genai-2026|mixed-methods study of 85 student teachers]] 62,4% відмовилися використовувати генеративний ШІ навіть там, де це було дозволено, 41,5% із тих, хто відмовився, навели страх бути звинуваченими в [[academic-integrity|plagiarism]], а 9 із 11 опитаних розуміли саму дозвільну політику як пастку.

Нові докази підвищують ставки щодо автоматизованого оцінювання. У [[llm-grading-self-preference-bias-2026|study of 1,426 psychology dissertations spanning ten academic years]], усі чотири оцінювачі на базі ШІ поставили найнижчі оцінки роботам, написаним студентами, і найвищі — роботам, написаним ШІ, — 10 із 16 порівнянь були настільки великими, що відмінності такого розміру рідкі в освітніх дослідженнях, аж до найбільшої спостережуваної різниці. Упередженість була найсильнішою для цілком створеного ШІ тексту, що означає, що оцінювач може винагороджувати текст за машиноподібність, навіть коли його інструкції кажуть судити за контентом.

**В аудиторії:** оцінюйте процес поряд із продуктом — чернетки, міркування, критику, усні захисти, демонстрації, рефлексії.

## 7. Одне правило щодо ШІ для всіх завдань не витримає

Корисна рамка оцінювання відрізняє три випадки: **обмежте ШІ**, коли вимірюється незалежна компетентність, **підтримуйте ШІ** скаффолдингом, коли обмежена допомога не шкодить цій компетентності, і **вимагайте ШІ**, коли вміла співпраця люди та ШІ сама є тим, що студенти мають засвоїти. [[zou-is-this-a-trap-student-teachers-genai-2026|student-teacher study]] показує, чому умови мають бути явними та послідовними: лише 37,6% студентів використовували дозволений генеративний ШІ взагалі, їхній вибір відстежував культуру програми та [[assessment|assessment design]] більше, ніж дозвіл будь-якого окремого курсу, а їхні власні оголошення про розкриття неповідомляли про фактичне використання в кожному курсі.

**В аудиторії:** заявляйте умову щодо ШІ для кожного важливого оцінювання й пояснюйте, чому саме в цьому завданні саме таке правило.

## 8. ШІ-грамотність — це значно більше, ніж написання добрих підказок

Рамки для вищої освіти тепер розглядають [[ai-literacy|AI literacy]] як концептуальне розуміння, операційну навичку, [[critical-thinking|critical evaluation]], [[ethics|ethical]] судження та усвідомлення меж — а не лише як [[prompt-engineering|prompt engineering]]. Студентам потрібно навчитися, коли не довіряти інструменту, перевіряти твердження, виявляти упередженість, розпізнавати невизначеність і залишатися відповідальними за висновки. [[kumar-genai-computing-education-systematic-review-2026|computing-education review]] конкретний щодо цього: інженерія підказок, перевірка результатів та аналіз помилок ШІ є навичками, яким можна навчитися і які не розвиваються через саме знайомство, а перевірка є першою з його трьох вимог до дизайну.

Два дослідження 2026 року серед освітян показують, наскільки це далеко від автоматизму. Серед [[science-educators-ai-literacy-postqualification-2026|science teachers who had already completed AI training]], середня ШІ-грамотність становила 16,7 із 30, нижче за 18,79 в еталонній вибірці, і вона не була пов’язана з віком, ґендером, стажем роботи чи тим, наскільки вони використовували ШІ. [[ai-tpack-mathematics-teacher-education-2026|survey of 412 prospective mathematics teachers]] виявило готовність на ранньому етапі: навчальні переконання набрали найбільше (середнє 5,24 за семибальною шкалою), а технічні знання про ШІ — найменше (4,23).

**В аудиторії:** давайте студентам свідомо недосконалі результати ШІ і оцінюйте їхню здатність перевіряти, критикувати, покращувати та контекстуалізувати їх.

## 9. ШІ може розширювати розриви, навіть коли всі мають доступ

[[digital-divide|digital divide]] тепер проходить принаймні за трьома лініями: доступ до інструментів, вміння їх використовувати та те, хто справді отримує корисний результат. Саме вміння складати підказки створює «привілей підказок», де досвідченіші користувачі отримують кращий результат від тієї самої системи. [[kumar-genai-computing-education-systematic-review-2026|72-study review]] відокремлює два механізми: **розрив у навичках**, де студенти з сильнішими [[prior-knowledge|prior knowledge]] перетворюють допомогу на стійкі здобутки, тоді як неготові студенти підміняють нею практику, та **розрив у ресурсах**, де надійний інтернет і платний доступ підтримують краще використання інструментів у різних закладах. Лише шість досліджень у корпусі безпосередньо вивчали справедливість, — що автори розглядають як саму проблему.

[[co-learning-ai-agent-hidden-rules-2026|four-experiment study of learners discovering hidden rules with an AI agent's help]], виявило, що допомога скоротила потрібну кількість ходів на 33–52%, але користь зосередилася в найслабших здобувачах: сильніші здобувачі були здебільшого не зачеплені. Допомога може звузити розрив, іншими словами, але лише для тих студентів, які залучаються до неї, а не для тих, яким вона вже не була потрібна.

**В аудиторії:** не дозволяйте попередньому досвіду зі ШІ стати прихованою передумовою. Забезпечуйте [[equity-in-ai-education|equitable]] доступ, розв’язані приклади, пряме навчання, альтернативи та надання пристосувань.

## 10. Людське судження досі є тією частиною, яка не автоматизується

Інтеграція ШІ порушує пов’язані питання щодо упередженості, приватності, прозорості, [[agency|autonomy]] здобувача, підзвітності та [[pedagogical-safety|pedagogical safety]]. Тому викладачам потрібна [[teacher-ai-competency|pedagogical AI competence]], а не лише технічна знайомість; огляди підготовки освітян описують її як педагогічне міркування плюс критичне та етичне судження. [[mcinnes-salvaging-constructive-alignment-genai-2026|guidance-document analysis]] пропонує конкретну відповідь у дизайні: обмежений, налаштований на рівні закладу [[rag|retrieval-augmented]], який керує мисленням, не даючи відповідей, позначає невідповідності та передає справу людині на границях, — авторитет, який є «похідним та обмеженим», а не автономним.

Тепер є прямі докази на користь збереження людей у процесі, а не лише перед ним. [[instructional-agents-multi-agent-course-gen|course-material generation system]] отримала кращі оцінки, коли люди залишалися залученими: режим із найбільшим людським внеском покращив оцінки рецензентів на 0,5–0,9 бала проти повністю автономного режиму. Його автономні рецензенти також поводилися інакше, ніж людські, — рецензенти на базі ШІ щільно групувалися навколо 2,9–3,1, тоді як людські оцінювачі розкидалися й розрізняли більше, — тому автори зберегли людське судження як основний сигнал якості.

**В аудиторії:** тримайте важливі навчальні рішення та рішення щодо оцінювання під значущим [[human-in-the-loop-ai|human oversight]], особливо там, де на карті точність, справедливість, приватність або просування студента.

## Закономірність під усіма 10

**ШІ, який заміщує мислення → ризикованіший для навчання.**
**ШІ, який викликає мислення → потенційно цінний для навчання.**

Тому замість питання *«Чи мають студенти використовувати ChatGPT?»* поставте три кращі питання:

**Яке мислення мені потрібно, щоб студенти відпрацьовували? → Яку роль має відігравати ШІ, не виконуючи цього мислення? → Які докази покажуть мені, що студент його засвоїв?**

Це веде до таких діяльностей, як **спроба перед ШІ, ШІ як [[socratic-method|Socratic]] тьютор, критика ШІ, порівняння людських рішень із рішеннями ШІ, зворотний зв’язок ШІ плюс судження студента, портфоліо процесу в [[eportfolio|portfolios]], та короткі усні захисти** — і геть від хибного вибору між відкритим використанням та повною забороною.

## Що ви можете зробити цього тижня

Виберіть одне завдання, щодо якого ви неспокійні, і зробіть дві зміни: заявіть правило щодо ШІ явно з однорядковою причиною та додайте короткий елемент у аудиторії чи запис, який показує міркування студента без присутності ШІ. Ця сама пара зазвичай вирішує питання, чи вимірює завдання те, що ви мали намір ним вимірювати, і вона коштує вам майже жодного навчального часу.

## Заперечення, які ви, ймовірно, почуєте

- **«Мої студенти кажуть, що ШІ їм допомагає».** Зазвичай він справді допомагає з роботою перед ними; висновок стосується того, що залишається після. Запитайте, що вони ще можуть робити без допомоги, і ви отримаєте іншу відповідь.
- **«Інструменти виявлення — це все, що ми маємо».** Вони ненадійні, вони неправильно судять легітимну роботу, і страх перед ними пригнічує дозволене використання — 41,5% тих, хто не прийняв інструмент, в одному дослідженні навели саме цей страх. Докази процесу сильніші та справедливіші.
- **«Я викладаю 200 студентів; я не можу читати чернетки».** Вам не обов’язково читати все. Короткі усні перевірки, письмо в аудиторії та рефлексивні нотатки про взаємодію зі ШІ дешевші за повний огляд чернеток і значно діагностичніші.
- **«Я не викладаю ШІ; це не мій предмет».** Ці висновки стосуються вашого предмета: коли ШІ виконує ту практику, яку ваш курс має забезпечити, саме тоді він заважає.
- **«Заборонити простіше».** Простіше, і це зазвичай не спрацьовує, — впровадження в одному дослідженні відстежувало культуру програми, а не політику будь-якого окремого курсу, і розкриття неповідомляло про фактичне використання в кожному курсі.

Для версії цих непорозумінь по зацікавлених сторонах див. [[addressing-common-misconceptions-ai-education|How Can We Address Common Misconceptions About AI in Education?]]; для вимог до дизайну, які випливають із висновків 9 і 10, див. [[equity-ethics-pedagogical-safety-research|How Should AI in Education Research Incorporate Equity, Accessibility, Privacy, Ethics, and Pedagogical Safety?]] та [[redesign-assessment-ai-era|How Should Assessment Be Redesigned for the AI Era?]].

Одна важлива застережність: доказова база генеративного ШІ швидко розвивається. Велика її частина складається з коротких втручань, досліджень на [[self-report-measures|self-report]], окремих дисциплін або нової роботи 2025–2026 років, а висновки з дорослих досліджень [[intelligent-tutoring]] зазвичай сильніші за твердження про необмежені чатботи загального призначення [[conversational-ai|chatbots]]. Будьте особливо скептичними щодо результатів, які показують лише **задоволеність студентів, швидкість завдання, якість результату чи негайну допоможену продуктивність** без вимірювання відстроченого чи здійсненого без допомоги навчання.

---

## [Як нам навчити тьютора на базі ШІ скеровувати студентів, а не відповідати замість них?](https://edtechdev.github.io/aied/faqs/training-ai-tutors-to-guide-rather-than-answer/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Модель загального призначення проходить наступне навчання на людських уподобаннях щодо корисності, і на практиці корисність означає відповідь на запитання швидко та повно. Наставництво вимагає протилежного: допомогти студенту дійти до відповіді, а не віддати її. Це єдине місце в освітньому ШІ, де вам може справді знадобитися змінити вивчену поведінку моделі, а не її підказку, і це також найкраще підтверджена доказова базою частина поля. Результати є великими, і вирішальною змінною є **винагорода**, а не алгоритм.

## Чому підказок тут може бути недостатньо

[[prompt-engineering|Підказки]] і навіть загальне навчання узгодженості залишають тяглість до згоди. [[contextual-sycophancy-ai-literacy|Контекстуальна підлещуваність]] зберігається після підказок і узгодження, причому помилки здобувачів усе одно поширюються в поради ШІ. EduFrameTrap показує, що моделі, які витримують атаки з перемиканням контексту, усе одно поступаються під тиском авторитету чи соціально-емоційного впливу й приховують коригувальний зворотний зв’язок, — тому його автори стверджують, що поведінка «доброї, але правильної» має бути **явною вимогою навчання**, а не уподобанням ([[eduframetrap-llm-sycophancy-educational-safety]]).

Якщо режим відмови вашого тьютора полягає в тому, що він погоджується з неправильною відповіддю, підказка не погоджуватися є пом’якшенням, а не виправленням.

## Винагорода — це весь дизайн

Винагорода — це стисла специфікація того, що ви хочете, і моделі оптимізують усе, що ви фактично записали. Тому дизайн винагороди є рішенням із найбільшим впливом у цьому процесі, і саме тут було досягнуто найкращого результату.

Модель винагороди EduQwen **надавала перевагу скеровуючим відповідям над прямими відповідями**, з видобутком важких негативних прикладів, щоб виключити запитання, які базова модель уже розв’язувала, і розгортаннями, розширеними з 5 до 8 кроків, щоб фіксувати багатокрокові педагогічні рішення. Її триетапний конвеєр — початкове RL, синтетичний SFT, фінальне RL — досяг **96,52%** на бенчмарку CDPK проти **90,55%** у Gemini-3 Pro ([[singh-eduqwen-pedagogical-rl-2026]]).

З цього прямо випливають дві речі. Перше: очікуйте, що винагородою будуть маніпулювати: вона конкретизує менше, ніж ви мали на увазі, тож пишіть її проти бенчмарку, а не проти інтуїції. Друге: проміжні числа є повчальними — сам перший етап RL досяг 94,13%, SFT на 40 000 самостійно створених відповідей підвищив це до 96,20%, а фінальний раунд RL додав останню частку. Більша частина приросту прийшла рано.

## Навчання з підкріпленням переважає імітацію в педагогіці

Якщо ви робите лише наглядне донавчання, ви вчите модель імітувати ваші демонстрації. Цього достатньо для формату й недостатньо для судження. Висновок LearnLM є явним: **RL є суттєво ефективнішим, ніж сам SFT, для дотримання тонких педагогічних інструкцій у довгих розмовах** ([[learnlm-improving-gemini-learning]]).

Його вміння умовлюватися інструкціями також дозволяє розробникам і викладачам конкретизувати поведінку тьютора, не прив’язуючись до одного визначення педагогіки, і воно вплітається в етапи наступного навчання Gemini шляхом спільного навчання. Експерти надавали йому перевагу над GPT-4o (**+31%**), Claude 3.5 Sonnet (**+11%**) та базовою Gemini 1.5 Pro (**+13%**).

## Наглядайте за процесом, а не за відповіддю

Найбільш придатний до дії висновок у цій галузі стосується *того, що має містити навчальні дані*. Налаштовані на інструкції моделі засвоювали хибні уявлення в алгебрі лише тоді, коли їх навчали на **слідах розв’язку на рівні кроків**. Налаштовані лише на фінальних відповідях, вони зберігали точність **нижче 30% при будь-якому обсязі даних** ([[misconception-acquisition-dynamics-llms-2026]]).

Ще дві деталі з того дослідження мають значення для всіх, хто будує будь-який бік тьютора:

- Роль **студента** надмірно узагальнювала засвоєну помилку, доки правильні приклади явно не змішувалися в співвідношеннях таких низьких, як **один із чотирьох**.
- Роль **тьютора** не мала такої ціни, зберігаючи правильну точність від **93% до 98%** в межах десяти спільно навчених хибних уявлень.

Якщо ви навчаєте тьютора діагностувати, вашим прикладам потрібне міркування, а не лише вердикт. Набір даних із пар «запитання й правильна відповідь» не може навчити модель помічати, де студент помилився.

## Зробіть так, щоб навчальні дані несли педагогіку

Якщо нагляд має містити міркування, схема розмітки є рішенням щодо навчального плану, а не кроком очищення даних. Два результати тут стосуються цього безпосередньо.

**Розмічайте кожен приклад тією поведінкою, яку ви хочете.** Дослідження міток нагляду виявило, що призначення кожному навчальному прикладу однієї цільової поведінки — предметної компетентності, узгодженості з навчальним планом, діагностичного міркування чи скаффолдингу — підвищувало кожен випробуваний масштаб моделі, з найбільшими приростами в скаффолдингу та в використанні історії здобувача. Діагностика стану знань залишалася найслабшою поведінкою на рівні **54,04%**, що є корисним очікуванням, яке варто мати: діагностика — це найважча для навчання річ у цьому списку ([[omniedu-open-educational-foundation-models-2026]]).

**Розглядайте відбір даних як самостійну задачу навчання.** Edu-QuRating адаптує дистиляцію уподобань до кураторства освітніх даних, замінюючи єдину оцінку «чи це освітнє?» на **20 вимірів рубрики**, що охоплюють фактичну точність, педагогічну структуру та відповідність рівню ([[garrod-edu-qurating-educational-data-curation-2026]]). Якщо ви збираєте корпус із вебтексту, це саме той вид фільтра, який вирішує, на що ваша модель навчиться бути схожою.

## Щільність винагороди має таке саме значення, як і сама винагорода

Винагорода за точною збіжністю є занадто розрідженою, коли те, що вас цікавить, має кілька вимірів. Симулятор письма SWIM показує цю прогресію чисто:

- Підказки, засновані на рубриці: найкращий середній QWK за ознакою **0,577** (Claude Sonnet), **0,422** (GPT-5.4), близько нуля для відкритої моделі 7B
- Наглядне донавчання: **0,474 ± 0,023** для цієї моделі 7B
- GRPO з щільною, нормованою за ознаками винагородою за точність: **0,618 ± 0,005** за кожною ознакою та підказкою ([[swim-student-writing-simulation-2026]])

Дизайн винагороди й був суттю: щільний, нормований за ознаками сигнал, а не точний збіг, оскільки точний збіг занадто розріджений в умовах із кількома ознаками. Якщо ваша винагорода спрацьовує лише на досконалій відповіді, більша частина вашого навчального сигналу — це тиша.

## Навчайте рішення, а не лише висловлювання

Наступне навчання не має формувати лише те, що модель каже. TACT провів наступне навчання тьютора на таксономії з 13 стратегій плюс двохвісну таксономію ходів студента й отримав **20,30 бала** випередження над своєю базовою моделлю Qwen3.5-4B, з діагностичним бенчмарком, який **приховує мітки стану здобувача**, доступні під час навчання, щоб модель мала виводити стан з діалогу ([[tact-pedagogically-adaptive-esl-tutoring]]).

Та сама логіка проходить через узгодження зі [[special-education|спеціальною освітою]] ([[special-r1-rl-special-education]]) і через роботу з евристичним RL, яка узгоджує моделі як сократичних провідників, а не як тих, хто відповідає ([[wang-socratic-guides-heuristic-reinforcement-learning-2026]]). Одна платформа йде далі й навчає *політику*, а не прозу: агент із навчанням з підкріпленням обирає наступну задачу для практики, тому те, що здобувач робитиме далі, вирішує навчена модель ([[chung-personalized-ai-tutors-llm-reinforcement-learning-2026]]).

## Які дані вам потрібні?

Дві протилежні ставки визначають простір, і яку з них ви зробите, залежить від того, що ви вже маєте:

- **Наступне навчання, умовлене інструкціями, коли ваших даних обмаль.** LearnLM несе інструкції на рівні системи, які дозволяють викладачам і розробникам конкретизувати поведінку тьютора, і спирається на спільне навчання, а не на великий корпус транскриптів наставництва.
- **Донавчання на автентичних даних взаємодії, коли вони в вас є.** TeachLM робить ставку на те, що [[prompt-engineering|інженерія підказок]] — це тимчасовий захід, а дефіцитним інгредієнтом є справжня взаємодія здобувача з тьютором. Навчена на **100 000 годин** сеансів один на один за ретельного знеособлення, вона подвоює час мовлення студента, покращує стиль ставити запитання та збільшує кількість ходів діалогу на **50%** ([[teachlm-post-training-llms-education]]).

Дешевший шлях до педагогічної поведінки — це дистиляція: Pedagogy-R1 (1,5B і 7B) була налаштована на інструкціях на педагогічно відфільтрованих результатах, дистильованих із вчителя QwQ-32B, у парі з підказками Chain-of-Pedagogy ([[lee-pedagogy-r1-pedagogical-large-reasoning-model-2025]]).

## Перевіряйте це на довжині розмови

Навчання не робить модель безпечною в довгій розмові. SafeTutors показує, що навіть спеціалізовані педагогічні моделі деградують за підтримуваного діалогу й можуть здійснювати шкоду від надмірного розкриття відповідей ([[hazra-safetutors-pedagogical-safety-2026]]). [[pedagogical-safety|Педагогічну безпеку]] мають перевіряти на довжині розмови, а не на одному ходу, — у тому числі в ходах, де студент помиляється, наполягає чи тисне.

## Куди рухатися далі

- [[making-ai-better-at-supporting-learning|Як ми можемо зробити ШІ кращим у підтримці навчання у нашому власному предметі?]] — чи є навчання взагалі правильним важелем
- [[checking-whether-educational-ai-works|Як ми знаємо, що освітній ШІ працює правильно, а не просто набирає високі бали?]] — вимірювання того, чи справді змінилася поведінка
- [[developing-ai-tutor|Які найкращі практики розробки ефективного тьютора на базі ШІ?]] — колега із боку дизайну взаємодії, який формує ту саму скеровуючу поведінку через скаффолдинг і драбину підказок, а не через навчання
- [[llm-training-and-fine-tuning]] — повна концептуальна сторінка

---

## [Як навчити студентів перевіряти результати ШІ?](https://edtechdev.github.io/aied/faqs/verify-ai-output/)

# How Do I Teach Students to Verify AI Output?

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Ви їх попереджали. Чатбот — це не пошукова машина, перевіряйте джерела, використовуйте його відповідально, — і ті самі вигадані цитати та впевнено неправильні відповіді усе одно приходять у поданнях. Попередження зазнають невдачі, оскільки вони просять про ставлення. Уважні студенти його мають, поспішні — ні, і в реченні немає нічого, за чим студент міг би діяти о 23:00, коли результат на екрані читається абсолютно добре.

Дослідження, зібрані тут, кажуть, що це формулювання занадто грубе, щоб його можна було навчати чи оцінювати. Перевірка — це набір аналітично відокремлених дій, і широка позначка «відповідальне використання» приховує різницю між студентом, який спробував перевірити, і тим, який визначив, чи результат був правильним. Головне висновок: перевірка стає такою, якій можна навчати, в ту мить, коли ви перестаєте розглядати її як рису і починаєте розглядати як послідовність — стандарт, зафіксований до перевірки, перевірку, яка дає запис, і рішення, яке студент має захищати на підставах із предметної галузі. Це проблема дизайну, яку ви можете розв’язати цього тижня, — і проблема оцінювання, яку ви можете розв’язати за допомогою артефактів, які завдання вже створює.

Ця сторінка висвітлює механіку самої перевірки. Щодо того, що студенти мають розуміти про те, як працюють ці системи, і як це розуміння визначається, упорядковується та оцінюється, див. [[incorporating-ai-literacy]] та [[ai-literacy-evidence]]. Студент може багато знати про [[llm|великі мовні моделі]] й не перевіряти нічого.

## Що перевірка справді вимагає від студента

[[verification-quality-reliance-calibration-genai-2026|Wei та Shang (2026)]] відокремлюють сім цілей, у які «критичне використання ШІ» зазвичай згортає все в одне: епістемічну оцінку, початок перевірки, якість процесу, успіх перевірки, рішення про покладання, негайну продуктивність завдання та незалежне навчання. Ваша рубрика в програмі курсу каже «перевірені джерела», що сидить на другому кроці й не каже нічого про те, чи була перевірка компетентною (якість процесу) і чи щось вона змінила (успіх, а потім рішення про покладання). Початок — це не успіх: сильний процес може закінчитися невизначено, слабкий може дати правильну відповідь, а студент, який зробив пошук і залишився збентеженим, набирає стільки ж, скільки й той, хто розв’язав питання.

Друге розрізнення — між [[trust]] і покладанням. Той самий огляд визначає [[trust-calibration|калібрування покладання]] як судження про те, чи було рішення про покладання доречним за фактичної якості результату ШІ — класифікацію, залежну від результату, а не етап на шкалі часу й не оцінку на шкалі довіри. В одному аудитованому дослідженні виявили, що хибна інформація від ChatGPT зміщувала повідомлювану учасниками довіру, але ніколи не фіксували, чи прийняли чи відкинули вони пізніше конкретну рекомендацію. Інше дослідження фіксувало рішення «прийняти» та «відкинути» щодо [[feedback]] від ChatGPT для 78 студентів перекладу, але без незалежної експертної оцінки прийняття не можна назвати доречним, а відкинення — виправданим. Без еталонної істини щодо якості результату покладання взагалі не можна класифікувати, — що говорить вам, чого потребує кожне завдання з перевірки: захищеного еталонного ключа.

Ось чому [[trust-calibration-chatbots-design-problem-2026|Jaidka та Cai (2026)]] розглядають некаліброваність як проблему дизайну, а не як дефіцит студента. Їхня типологія перетинає здатність перевіряти з мотивацією перевіряти, і профілі потребують різних засобів: користувач із високою здатністю та низькою мотивацією схильний до самовдоволеної надмірної довіри, тоді як користувач із низькою здатністю та низькою мотивацією є найбільш незахищеним, — тому два студенти, які дають збій на тій самій перевірці, можуть потребувати протилежних засобів.

## Як цьому навчати

Синтез Wei та Shang спирався на 493 дедубльованих записи з пошукових запитів у Web of Science Core і розмістив 14 пріоритетних емпіричних досліджень у стовпцях перевірки, покладання та результату. Його конструктивний вихід — це послідовність, навколо якої варто будувати завдання. Спершу визначте якість результату, зафіксуйте, чи розпочато перевірку, закодуйте якість процесу, оцініть, чи вона була успішною, запишіть рішення «прийняти–виправити–відкинути» та оцініть це рішення щодо визначеної якості. Тут також належить одне попередження: втручання, які зменшують неналежне прийняття, мають перевірятися й на ненавмисне відкидання правильної допомоги, тож залиште студенту місце для того, щоб прийняти добрий результат із зазначеною причиною.

**Прогнозуйте до результату, а потім порівнюйте.** [[ai-writes-code-student-writes-model-2026|Gousopoulos (2026)]] будує програму вимірювання для завдань на створення навколо ідеї *прогнозуй, перш ніж запускати*: здобувач заявляє, що має статися, а потім поведінка артефакту судиться щодо цього прогнозу на підставах із предметної галузі, а не за тим, чи він запускається. Його аудит 24 досліджень виявив той самий інструмент, що дає протилежні результати за різних структур завдання: звичайна конфігурація ChatGPT закінчилася значно нижче за досягнення, [[self-efficacy]] та потік, тоді як умова, що додає вимоги до перевірки та модулі рефлексії над помилками, показала сильніше [[critical-thinking|мислення вищого порядку]]. Оскільки прогноз передує результату, міркування є в запису, — і саме цей запис ви оцінюєте.

**Вимагайте перевірок джерел щодо запису, із названою ціллю.** [[citation-errors-hallucinations-computing-education-2026|Denny та співавтори (2026)]] простежили 113 588 посилань із 5 225 статей з інформатики в освіті, опублікованих із 2021 року, і вручну перевірили 828 підозрілих записів, виявивши 30, що містять перевірно вигадану бібліографічну інформацію, у межах 14 статей, усі з 2025 та 2026 років. Тринадцять були цілковито вигаданими; інші 17 поєднували справжню назву з вигаданим або неправильним авторством, місцем публікації чи роком. На технічному симпозіумі SIGCSE кількість зросла з 3 у збірках 2025 року до 17 у 2026 році, або 2,3% статей у збірниках 2026 року. Поля авторів виявляються неправильними частіше, ніж будь-яка інша частина створеного посилання, тому «відкрийте джерело і прочитайте список авторів» націлюється на поле, яке найімовірніше є неправильним. Не просіть студентів «переконатися, що джерела справжні»; просіть їх підтвердити авторів, місце публікації та рік щодо самого запису. У статті просять, щоб кожна цитована робота була перевірена і щоб будь-який перевірювач лишався [[human-in-the-loop-ai|в людському контурі]], — практика, яку репетикує вимога перевіряти цитування.

**Навчіть розрізнення, а не лише обережності.** Gousopoulos формалізує перевірку як задачу виявлення сигналу з двома незалежними параметрами: чутливість, здатність розрізняти правильний результат із тим, що має дефекти, і критерій, де здобувач встановлює поріг для відкидання. Надмірна залежність розпадається відповідно — попередження, контрольні списки та підказки про галюцинації зсувають критерій, змінюючи те, коли студент відкидає, тоді як навчання предметній галузі, розв’язані порівняння та практика з навмисно впровадженими помилками підвищують чутливість, оскільки тоді здобувач уже може розрізняти. Звідси передумова: навчання перевірці є освітнім лише там, де чутливість може перевищити нуль, що вимагає достатньо знань із предметної галузі, щоб відрізняти правильний результат від неправильного. У тому самому аудиті новачкам, яких просили пояснити створений [[llm]] код, вдавалося це приблизно в третині завдань, і саме тому судити зворотний зв’язок ШІ чи код щодо власного міркування є справжньою перевіркою лише там, де це міркування має зміст. Якщо ваші студенти ще не можуть самостійно виконувати мислення в предметній галузі, додаткові попередження вам не дадуть нічого; спочатку навчіть контенту та прикріпіть перевірку до нього.

**Попереджайте, безпосередньо перед завданням.** [[chatgpt-inoculation-training-verification-2026|Vu, Cummings та Park (2026)]] показали загальне повідомлення про імунізацію (попередження) безпосередньо перед двома завданнями 100 студентам із США, 40 місцевим та 60 іноземним, які вивчають англійську як іноземну. Імунізовані студенти були значно імовірніше перевіряти завдання зі зведення академічного джерела (M = 0,34 проти 0,18), тоді як повідомлювані самостійно наміри щодо перевірки не зрушили. Два уроки: коротке попередження в моменті використання змінює здійснювану поведінку, і ефект залежав від завдання — він з’являвся для завдання зі зведення джерела, але не однаково для тесту з математики на піднесення до степеня та множення великих чисел.

**Зробіть так, щоб коригування чогось коштувало.** У парадигмі коригування помилок, яку перевірив огляд, зусилля під час коригування мало значення для навчання; проста підміна відповіді навряд чи дасть ту саму користь. Вимога, щоб студент відтворив крок, переписав уривок або зазначив причину з предметної галузі, чому результат є неправильним, перетворює перевірку на роботу. [[tripartite-feedback-framework-ai-assessment-2026|Venetsanos (2026)]] встановлює межу для того, що можна перевіряти механічно: задокументовані критерії, порівняння щодо усталених знань без інтерпретаційного судження та єдину правильну відповідь або заздалегідь конкретизовані прийнятні альтернативи. Усе інтерпретаційне не проходить цієї межі, тож відокремте механічний шар — дати, формули, цитування, обчислення — від шару судження, де інструментом перевірки є власне читання студента.

## Як оцінювати це, не здійснюючи нагляду над студентами

Gousopoulos виводить наслідок безпосередньо: якщо ШІ може створити артефакт, артефакт не може бути оцінюванням, тому оцінювання переходить до специфікації, міркування про валідацію та інтерпретації. Його конструкт авторства моделі має чотири грані — специфікацію, концептуальну модель, перевірку, інтерпретацію — на чотирьох упорядкованих рівнях від делегованого до авторського, де рівень авторського вимагає перевірної специфікації, що передує першій підказці, відкидання результату на підставах із предметної галузі із зазначеною причиною та інтерпретації, що виходить за межі власного повідомлення артефакту про себе. Оскільки рубрика оцінюється за матеріалами, які завдання на створення вже дає, той самий інструмент служить як [[formative-assessment|формативним оцінюванням]], так і як мірою дослідження. Це відповідь на побоювання щодо непотрібної роботи: ви не додаєте завдання, ви оцінюєте побічний продукт.

Три рішення не дають цьому перетворитися на нагляд. Перше, оцінюйте перевірку щодо визначеної якості, а не щодо зусиль, — інакше ви створюєте стимул до вистави перевірки. Друге, зазначайте походження, як того вимагає Venetsanos: студенти мають розуміти походження, характер та обмеження зворотного зв’язку, який вони отримують, — які частини були перевірені машиною, які оцінені оцінно, і що людське судження має первинність, — оскільки студенти не можуть зважувати зворотний зв’язок, який вони не можуть розмістити в контексті. Третє, тримайте правозастосування осторонь від інструментів виявлення. [[bassett-ai-detectors-education-2026|Bassett та співавтори (2026)]] стверджують, що виявлення ШІ взагалі не слід використовувати в освіті: його оцінки є ймовірнісними й не можуть бути перевірені незалежно, оскільки походження тексту в реальному світі невідоме; його оцінки не відповідають стандарту переваги ймовірності, якого вимагають розслідування академічної доброчесності; і дихотомія «людина чи ШІ» є беззмістовною для роботи, створеної за допомогою, а не самим ШІ. Їхній висновок — що виявлення «не захищає академічну доброчесність; воно її підриває» — режими нагляду породжують підозру й роз’їдають [[trust]] студентів. Тримайте два значення виявлення окремо: [[ai-detection|виявлення створеного ШІ тексту]] не має тут захищеної ролі в доказах, тоді як навчання студентів виявляти помилки в результаті ШІ є метою вправи.

Розділення є архітектурним, і про нього варто розповісти студентам: [[vetting-dual-llm-safety-education|Li, Zhang та Botelho (2026)]] перевіряють результат за допомогою другої моделі, а не вбудовують перевірку в генератор, — і студент, який бачить чому, бачить і чому «інструмент сказав, що це правильно» не є аргументом перевірки.

## Чому студенти пропускають перевірку

**Калібрування.** Типологія Jaidka та Cai ставить студента з високою здатністю та низькою мотивацією під ризик самовдоволеної надмірної довіри, тоді як студент із низькою здатністю та низькою мотивацією є найбільш незахищеним. Аудитована література показує той самий розкол у мініатюрі: дизайн, який давав поради, правильні приблизно половину часу, де вагу, яку студенти їм надавали, варіювало за [[prior-knowledge|попередніми знаннями]]. Збої калібрування не виправляються закликами: те, що є некаліброваним, — це власний сигнал упевненості студента.

**Плавність.** Результат, який добре читається, розглядається як правильний. Новачкам, яких просили пояснити створений [[llm]] код, вдавалося це приблизно в третині завдань, а польове дослідження розмов студентів із ChatGPT під час тестів виявило, що дотримання правильних вказівок усе одно давало неправильну відповідь. Коли чутливість близька до нуля, пропускання перевірки не коштує студенту нічого, що він міг би сприйняти, — збій невидимий, доки його не оцінять.

**Соціальний доказ і намір.** Студенти повідомляють, що мають намір перевіряти, і це повідомлення нічого не варте: у дослідженні Vu, Cummings та Park повідомлювані самостійно наміри щодо перевірки не зрушили, тоді як здійснювана поведінка зрушила (M = 0,34 проти 0,18). Не оцінюйте намір. Заклики, засновані на нормах, теж не є надійним резервним засобом — підштовхування нормами на основі повідомлень не показали значущого ефекту в прямому турнірі, про який повідомляють Jaidka та Cai. Тиск часу є задокументованою причиною, з якої студенти пропускають перевірки, і програма курсу, яка залишає перевірку незапланованою, каже, що вона необов’язкова.

## Три заперечення

**«Вони можуть просто зробити це заради оцінки».** Частково правда — тож оцінюйте матеріали, які ШІ не може створити від імені студента. Специфікація, написана до першої підказки, прогноз, записаний до запуску артефакту, список джерел, перевірений щодо запису, зазначена причина з предметної галузі для відкидання: кожен із цих потребує, щоб студент займав позицію, яку генератор не може надати. На рівні авторського Gousopoulos вимагає відкидання результату на підставах із предметної галузі *із зазначеною причиною* — вигадана причина така ж видима, як і вигадане цитування. Залишковий ризик обмежується порогом чутливості: там, де студент не має знань із предметної галузі, щоб щось перевіряти, перевірка є виставою, і жодна рубрика її не врятує. Це аргумент на користь навчання предметній галузі спочатку, а не на користь відмови від перевірки.

**«У програмі курсу немає часу».** Попередження — це одне повідомлення безпосередньо перед завданням; завдання з навмисно впровадженими помилками — це двадцять елементів, вісім із помилкою на рівні предметної галузі, і воно каже вам, чи можуть студенти взагалі розрізняти; а рубрика їде на матеріалах, які завдання вже дає, тож вона коштує часу на оцінювання доказів, яких ви інакше не мали б, а не нового завдання. Час коштує альтернатива: неперевірені подання, вигадані посилання та розмови про академічну доброчесність, які за ними слідують. Обмеження усе ж є справжнім — тиск часу є задокументованою причиною, з якої студенти пропускають перевірки, тож перевірка, не запланована в завдання, не відбудеться.

**«Інструмент зазвичай правий».** Тоді перевірка дешева, а винятки — це суть. Запис щодо посилань не втішає: 30 перевірно вигаданих пунктів у межах 14 статей, усі з 2025 та 2026 років, 17 із них поєднують справжню назву з вигаданим або неправильним авторством, місцем публікації чи роком, 13 цілковито вигадані, і стрибок із 3 у збірках SIGCSE 2025 року до 17 у 2026 році, або 2,3% статей у збірниках 2026 року. Точність на тих частинах, які ви випадково помічаєте, не говорить нічого про ті, яких ви не помічаєте, — поля авторів виявляються неправильними частіше, ніж будь-яка інша частина створеного посилання. І прийнята відповідь може бути неправильною, навіть коли вказівка була правильною: польове дослідження розмов студентів із ChatGPT під час тестів зафіксувало саме це. Причина навчати перевірці не в тому, що інструмент зазвичай неправий, а в тому, що студент не може сказати, в якому випадку він є, — і це саме та навичка, яку ваш курс має завдання розвивати.

## Що залишається невідомим

- Чи покращує будь-яке втручання успіх перевірки та рішення про покладання, яке за ним слідує, судячи щодо визначеної якості результату: жодне дослідження серед 14 пріоритетних випадків Wei та Shang не виміряло обидва, і мало які перейшли від негайної продуктивності до відстроченого утримання чи [[transfer-of-learning|перенесення]].
- Чи пов’язані компоненти в тому порядку, який мапа має на увазі. Сім цілей — це аналітичне упорядкування, а не валідована причинова модель.
- Чи працюють положення дизайну. Вісім положень Jaidka та Cai — це неперевірені прогнози, і підштовхування нормами на основі повідомлень не показали значущого ефекту в прямому турнірі, про який вони повідомляють.
- Чи перевірка, вбудована у зворотний зв’язок, розвиває звички самостійної перевірки чи залежність від зовнішньої валідації, що Venetsanos порушує й залишає відкритим.
- Чи працює навчання перевірці нижче порогу знань із предметної галузі. Gousopoulos прогнозує, що не може, і зазначає, що деякі галузі дають зовнішній критерій — фізика, хімія, екологія, епідеміологія, — тоді як історія, література та [[ethics]] здебільшого не дають.

## Що зробити цього тижня

- **Зафіксуйте стандарт до перевірки.** Визначте, що означає визначена правильність для завдання, щоб перевірці було проти чого розв’язувати.
- **Попросіть прогноз спочатку.** Нехай студенти письмово зафіксують, що має статися, а потім порівнюють результат на підставах із предметної галузі, а не за плавністю.
- **Вимагайте перевірки цитувань із названою ціллю.** Списки авторів — це найменш надійна частина створеного посилання; нехай студенти відкриють запис і підтвердять авторів, місце публікації та рік.
- **Діагностуйте чутливість і критерій окремо.** Студент, який приймає дефектний результат, оскільки не може розрізняти, потребує практики в предметній галузі; той, хто може розрізняти, але все одно приймає, потребує зсуву порога.
- **Оцінюйте перевірку, а не лише артефакт.** Оцінюйте специфікації, записи прогнозів, журнали валідації, перевірки джерел та зазначені причини відкидання.
- **Зазначайте походження.** Скажіть студентам, який зворотний зв’язок був перевірений машиною, а який — оцінений людиною.
- **Тримайте правозастосування осторонь від детекторів і плануйте перевірку.** Тиск часу є задокументованою причиною, з якої студенти пропускають перевірки.
- **Виконайте завдання з навмисно впровадженими помилками.** Двадцять елементів, вісім із помилкою на рівні предметної галузі, кажуть вам, чи можуть студенти взагалі розрізняти.
- **Скажіть попередження в моменті використання.** Попереджайте за типом завдання, а не один раз на всю програму курсу.

Щодо оточуючої роботи див. [[incorporating-ai-literacy|як впровадити ШІ-грамотність у курс]] та [[ai-literacy-evidence|що показують докази про ШІ-грамотність]] — дві сторінки, які будують розуміння, що ця сторінка пускає в діло.

---

## [Які найкращі практики навчання письму в контексті ШІ?](https://edtechdev.github.io/aied/faqs/writing-instruction-ai-best-practices/)

*Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.*

Це поширене запитання написане для викладачів, яким доводиться вирішувати — курс за курсом і завдання за завданням, — що саме ШІ має дозволено робити в письмових роботах студентів. Воно спирається на базу знань [[ai-education|ШІ в освіті]], зокрема на її синтези [[writing-education|ШІ в навчанні письму]], [[cognitive-offloading|Когнітивне розвантаження]], [[ai-feedback-quality|Якість зворотного зв’язку від ШІ]], [[feedback-literacy|Грамотність у роботі зі зворотним зв’язком]] та [[academic-integrity|Академічна доброчесність]].

Дослідження вказують на один послідовний принцип:

> **Використовуйте ШІ, щоб збільшити зворотний зв’язок, рефлексію, критику та переробку — а не щоб усунути інтелектуальну роботу, для розвитку якої існує письмо.**

Цей принцип важливий, тому що [[writing-education|письмо]] — це не виробництво відполірованого тексту, а когнітивний, риторичний і соціальний процес. ШІ може покращити продукт, водночас послаблюючи процеси мислення, авторства, оцінки джерел і переробки, яких має навчати ваше завдання. Усе нижче — це спосіб застосувати це розрізнення.

## Вісім практик, підґрунтованих дослідженнями, для викладачів

**1. Спочатку визначте, яку інтелектуальну роботу мусять зберігати за собою студенти, а потім встановіть межу ШІ.** Перш ніж вирішувати, чи «дозволено» ШІ, назвіть конструкт, який розвиває або оцінює завдання. Якщо мета — аргументація, студенти мусять формулювати та відстоювати твердження. Якщо це дисциплінарна інтерпретація, вони мусять робити інтерпретаційні судження. Якщо це наукове мислення, вони мусять пов’язувати докази з висновками. Використання ШІ, яке заміщує цю роботу, підриває [[assessment-validity|валідність]] завдання, навіть коли отриманий текст блискучий, — продукт більше не обґрунтовує висновку, який ви хочете з нього зробити. Це центральна логіка [[writing-education|навчання письму]] та [[academic-integrity|академічної доброчесності]], і саме тому правила на рівні завдань перемагають заборони на рівні курсу.

[[nash-preservice-teachers-classroom-ai-policies-2026|Nash і Burriss]] показують, як важко провести цю межу як слід. Серед 27 аудиторних [[educational-policy-ai|політик щодо ШІ]] [[teacher-education|майбутніх]] викладачів англійської 22 дозволяли ШІ для генерації ідей і брейнштормінгу, 22 забороняли або залишали невизначеним використання ШІ для написання речень, абзаців чи робіт, і 22 взагалі не згадували про *читання*. Протиріччя, яке викривають автори, є повчальним: ті самі викладачі називали генерацію ідей і переробку «мисленням», водночас розташовуючи справжнє мислення лише в фінальному письмовому тексті. Якщо мислення розподілене між плануванням, чернеткою, переробкою та оцінюванням — як стверджує дослідження композиції, на яке спирається стаття, — то політика, яка охороняє лише фінальний продукт, охороняє не той крок, а читання заслуговує такого самого явного ставлення, як і письмо.

**2. Надавайте перевагу «студент мислить, ШІ відповідає», а не «ШІ пише, студент редагує».** Це найбільш дієвий принцип у цій доказовій базі. [[layer-sensitive-cognitive-offloading-writing-2026|Дослідження Чена, чутливе до рівнів]] 168 студентів бакалаврату в шести незмінних групах розрізняло поверхневе, структурне, ідейне розвантаження та розвантаження мислення: відкрита співпраця зі ШІ дала найсильніше підтримане ШІ письмо, але найслабшу подальшу самостійну роботу, а делегування *мислення* найнегативніше корелювало з самостійним [[critical-thinking|мисленням вищого порядку]]. Обмежена умова, що забороняла делегування і вимагала від студентів пояснити, як вони прийняли, змінили чи відкинули пропозиції ШІ, дала кращий результат у самостійному письмі, глибині аргументації та переробці. Дослідження квазіекспериментальне і лише з шістьма незмінними групами, тож ставтеся до причинного висновку обережно — але закономірність узгоджується з ширшою літературою про [[cognitive-offloading|розвантаження]].

Звідси практичне правило: вимагайте, щоб студенти спочатку формулювали власну інтерпретацію, гіпотезу, аргумент чи аналіз, *перш ніж* просити ШІ їх критикувати або розвивати. ШІ можна спитати: «Ось три заперечення до мого аргументу». Його рідко варто питати: «Напиши мій аргумент за мене».

**3. Будьте особливо обережні щодо перших чернеток, згенерованих ШІ.** У дослідженні 253 письменників будь-яка допомога ШІ зменшувала відчуття власності, але допомога в *складанні чернетки* зменшувала її найсильніше, тоді як допомога в *плануванні* — найслабше; більше внесеного ШІ тексту та ідей супроводжувалося кращою якістю есе, але слабкішим відчуттям авторства ([[ai-writing-support-stage-ownership-2026|дослідження володіння від планування до переробки]]). Компроміс реальний: ви можете отримати краще есе і слабкіше відчуття авторства в одній і тій самі роботі. Якщо збереження авторства важливе у вашому курсі, відокремте ШІ, який спонукає до планування, від ШІ, який генерує абзаци — перший захищний майже всюди, другий рідко там, де написання є цільовою навичкою.

**4. Використовуйте ШІ як одного партнера із зворотного зв’язку та збережіть у системі [[feedback|людський зворотний зв’язок]]. Найсильніші докази з аудиторії тут — [[pairr-ai-peer-review-2025|PAIRR]]**, що охоплював 654 студентів у десяти курсах письма і трьох інтенсивних із письма курсах [[stem-education|STEM]]: студенти писали чернетки, виконували [[peer-assessment|взаємне оцінювання]], отримували зворотний зв’язок від ШІ на основі рубрик, порівнювали й оцінювали обидва джерела, складали плани переробки, переробляли й рефлексували. П’ятдесят вісім відсотків надавали перевагу комбінованому зворотному зв’язку від ровесників і ШІ проти лише 6 відсотків, які надавали перевагу самому зворотному зв’язку від ШІ. Студенти вважали ШІ корисним для широких, орієнтованих на рубрики порад щодо переробки, тоді як ровесники забезпечували контекстні знання та автентичну реакцію аудиторії. Будьте точними щодо того, що це показує: PAIRR вимірював досвід студентів і їхню оцінку зворотного зв’язку, а не довгострокові [[learning-gains|навчальні здобутки]], тож це сильний доказ для *дизайну зворотного зв’язку* і слабший доказ для стійкого покращення письма.

**5. Учіть студентів оцінювати зворотний зв’язок, а не лише просити про нього.** Доступу до якісного зворотного зв’язку недостатньо. Студентам потрібна [[feedback-literacy|грамотність у роботі зі зворотним зв’язком]]: здатність шукати зворотний зв’язок, судити про його якість, керувати своєю реакцією на нього і перетворювати його на переробку. Студенти з вищою грамотністю у роботі зі зворотним зв’язком отримують значно більше від зворотного зв’язку від ШІ, тоді як ті, хто сприймає його як авторитетний, отримують менше ([[ai-feedback-quality|Якість зворотного зв’язку від ШІ]]). Корисною складовою завдання є коротка таблиця рішень щодо зворотного зв’язку — *пропозиція ШІ → прийняти / відкинути / змінити → чому → критерій рубрики або доказ, що підтримує рішення*. Це перетворює результат ШІ на матеріал для [[evaluative-judgment|судження]], а не на вказівки для виконання, і дає вам щось оцінюване, що не є самим текстом.

**6. Збережіть частину письма та мислення самостійно спостережуваними.** Результат, отриманий за допомогою ШІ, — це не самостійна здатність. Зберігайте окремі умови бездоставового відчуження: короткий запис без ШІ, інтерпретацію на занятті, усне пояснення, консультацію, спонтанну переробку або додаткове завдання, що вимагає перенесення того самого мислення на новий випадок. Це найважливіше тоді коли фінальна робота має значну вагу в оцінці. Це **не** означає перетворювати кожне завдання на контрольну під наглядом — кілька стратегічно розміщених самостійних зразків дають і вам, і студенту базис, на тлі якого можна інтерпретувати роботу за допомогою ШІ ([[cognitive-offloading|Когнітивне розвантаження]]; [[layer-sensitive-cognitive-offloading-writing-2026|дослідження Чена]]). Це специфічний для письма випадок загального аргументу про перепроєктування оцінювання в [[redesign-assessment-ai-era]].

**7. Використовуйте розкриття як рефлексію, а не як пастку.** Розкриття не є нейтральним: студенти приховують використання ШІ, коли політики неоднозначні, каральні або стигматизуючі, і чесність навіть може притягувати підозру. Розкриття працює педагогічно тоді, коли робить прийняття рішень видимим — для чого використовувався ШІ, що йому надавали, які пропозиції мали значення і що студент зрештою прийняв чи відкинув ([[ai-use-disclosure|Заяви про використання ШІ та розкриття]]; [[student-rationalization-ai-writing|дослідження раціоналізації студентів]]). Рекомендації для конкретних завдань кращі за універсальне правило «ШІ дозволено» чи «ШІ заборонено», бо правильна межа відрізняється між брейнштормингом, розвитком аргументу, редагуванням речень, роботою з джерелами і фінальним написанням. Повідомте, як розкриття впливатиме на оцінювання, інакше студенти припустять найгірше.

Моделювання дизайну оцінювання від [[mohamed-temimi-assessment-imperfect-information-disclosure-2026|Mohamed і Temimi]] дає механізм: розкриття стає привабливим варіантом лише тоді, коли ціна чесності залишається низькою, і оскільки хибнопозитивні спрацьовування детектора падають також на чесних студентів, сильніший моніторинг може зробити приховування відносно *привабливішим*. Їхня порада — проєктувати для студента, якому найбільше хочеться приховати, і читати заявлене використання як контекст, а не як зізнання.

**8. Не ставтеся до узагальненого [[llm]] судження як до заміни вашого судження, особливо в [[summative-assessment|підсумковому оцінюванні]].** Два на вигляд суперечливих результаси є сумісними: ретельно відкалібровані системи з детальними рубриками та прикладами можуть добре оцінювати конкретні завдання, тоді як оцінювання готовими LLM суттєво розходиться з людським судженням. [[llms-do-not-grade-essays-like-humans-2026|Mathew і співавт.]] виявили слабку узгодженість між людьми та LLM, що систематично змінюється залежно від якості есе — LLM переоцінюють короткі, поверхнево читабельні есе й недооцінюють довші, сильніші есе з незначними поверхневими помилками, групуючись у середині шкали. Тому ШІ значно легше виправдати для невисокозатратного [[formative-assessment|формативного]] зворотного зв’язку, підготовки коментарів або сортування, ніж як автономний фінальний оцінювач ([[automated-essay-scoring|Автоматизоване оцінювання есе]]).

Студенти самі проводять подібну межу. На курсі технічної комунікації бакалаврату, де [[generative-ai|ChatGPT]] оцінював рукописні роботи і студентів про це повідомили, усі 13 учасників вважали зворотний зв’язок зрозумілим і корисним для поверхневого виправлення, проте більшість розділяла *корисність зворотного зв’язку* і *оціночний авторитет* — приймаючи критику, водночас наполягаючи, щоб оцінку визначав викладач ([[student-perspectives-ai-writing-grading-2026]]). Та двосудженна закономірність говорить на користь того, щоб проєктувати [[human-in-the-loop-ai|людський нагляд]] як точку, у якій результат ШІ стає оцінкою, а не як опціональну ввічливість.

## Стандартний робочий процес, який можна запровадити або адаптувати

Стійка послідовність письма в епоху ШІ зберігає мислення за студентом і ставить ШІ у консультаційну роль:

| Етап | Відповідальність студента | Доцільна роль ШІ | Що можна зібрати |
|---|---|---|---|
| **1. Зустріч з доказами** | Читати, спостерігати, анотувати, обчислювати, провести експеримент | Зазвичай жодна або лише уточнення | Нотатки, анотації, спостереження |
| **2. Формування початкової позиції** | Генерувати інтерпретацію, питання, гіпотезу, твердження | Може ставити питання або кидати виклик припущенням | Записка з твердженням або гіпотезою |
| **3. Планування** | Вирішувати щодо доказів, послідовності, аудиторії, жанру | Може критикувати план або пропонувати альтернативи; рішення за студентом | План + обґрунтування |
| **4. Чернетка** | Створювати змістовний текст і мислення | Обмежена відповідно до цілі навчання | Чернетка та історія версій |
| **5. Людська реакція** | Давати й отримувати зворотний зв’язок від ровесників або викладача | Не потрібна | Коментарі ровесників |
| **6. Зворотний зв’язок від ШІ** | Просити про критеріально орієнтовану критику | Критик, читач, генератор контраргументів, перевіряльник ясності | Протокол зворотного зв’язку від ШІ |
| **7. Оцінювання зворотного зв’язку** | Порівнювати пропозиції ровесників, викладача та ШІ; приймати чи відкидати з обґрунтуванням | Результат ШІ стає об’єктом оцінювання | Записка з рішень щодо зворотного зв’язку |
| **8. Переробка** | Вносити та обґрунтовувати змістовні зміни | Перевіряти ясність, пропонувати альтернативи | Переробка |
| **9. Перевірка** | Перевіряти кожне фактичне твердження або твердження, залежне від джерела | ШІ не може перевіряти власний результат | Джерела та докази |
| **10. Рефлексія та розкриття** | Пояснювати роль ШІ і що змінилося в їхньому мисленні | Жодна | Коротка рефлексія процесу |
| **11. Самостійна перевірка за потреби** | Пояснювати або застосовувати мислення без ШІ | Жодна | Усний захист, короткий запис, новий випадок |

Це по суті розширений [[pairr-ai-peer-review-2025|PAIRR]]: чернетка → людський зворотний зв’язок → зворотний зв’язок від ШІ → критичне порівняння → переробка → рефлексія, із самостійним базисом і чіткішими межами навколо мислення.

## Рекомендації за дисциплінами

### Курси композиції та письма

Викладачі композиції мають найсильніші підстави захищати сам процес письма, бо чернетка, риторичні рішення, переробка, усвідомлення аудиторії та розвиток голосу — це не просто способи демонстрації навчання, — вони *є* цілями навчання. Навчайте використанню ШІ поступово, а не як бінарній змінній. На початку семестру зберіть кілька самостійних зразків, щоб і ви, і студент знали, що письменник може робити зараз. Потім запроваджуйте ШІ здебільшого як аудиторію, критика і партнера з переробки: просіть його вказати, де читач втрачає нитку, генерувати заперечення до тези, порівнювати чернетку з рубрикою, позначати непідтверджені твердження або пояснювати, чому абзац відчувається незв’язним. Пропозиції оцінюють самі студенти.

Збережіть взаємне рецензування навіть за наявності зворотного зв’язку від ШІ: ровесники забезпечують контекстні знання та знання аудиторії, яких ШІ не має, і оцінювання різниці між ними саме по собі є письменницькою підготовкою. Будьте обережними щодо генерації ШІ довгих уривків першої чернетки, коли навчання написанню є метою, як показують обидва наведені вище докази про власність і розвантаження. Водночас уникайте повних заборон на граматику, формулювання або мовну допомогу — вони створюють непотрібні бар’єри для [[multilingual-learning|багатомовних письменників]]. Кращий крок — відокремити *мовну підтримку* від *інтелектуального авторства*: студенти можуть отримувати допомогу у вираженні, залишаючись відповідальними за ідеї, докази, риторичні рішення та зміст. Майте на увазі, що зворотний зв’язок від ШІ не є мовно-нейтральним: [[marked-pedagogies-linguistic-bias-writing-feedback|Tan і співавт.]] виявили, що однакові роботи отримували більше похвали і менше змістової критики, коли демографічні або освітні атрибути студентів були включені в підказку, тому аудит [[bias-mitigation|упередженості]] належить до вашого дизайну зворотного зв’язку.

### Курси гуманітарних та соціальних наук

Тут цільовою здатністю часто є інтерпретація, тому зробіть так, щоб **зустріч з джерелом передувала зустрічі зі ШІ**. Студенти мусять анотувати первинний текст, історичне джерело, твір мистецтва, архівний предмет, інтерв’ю або теоретичний уривок і сформулювати початкову інтерпретацію *до* звернення до ШІ. Згодом ШІ стає освітньо корисним як фольга: «Запропонуй альтернативне прочитання»; «Які докази могли б підірвати мою інтерпретацію?»; «Які припущення робить мій аргумент?»; «Згенеруй інтерпретацію з протилежної теоретичної перспективи». Яке прочитання обґрунтовує справжній текст, вирішує студент.

Завдання також можуть зробити самокритику ШІ частиною дисциплінарного навчання: дайте студентам інтерпретацію вірша, події, аргументу або соціального явища від ШІ і спитайте, що він помічає, що втрачає, які докази підтверджують його твердження, чия перспектива відсутня і де він згладжує невизначеність в плавну відповідь. Це зберігає інтерпретаційне судження, якому вчать [[humanities-education|гуманітарні науки]], замість того щоб ставитися до LLM як до оракула. Оцінюйте інтерпретаційні рішення та доказове обґрунтування, а не відполірованість — коротке питання на консультації на кшталт «Чому ви прочитали цей уривок саме так, а не інакше, ніж альтернатива, яку ви відкинули?» є набагато сильнішим доказом розуміння, ніж вгадування, чи речення «виглядає згенерованим ШІ» ([[ai-detection|виявлення ШІ]]).

### Курси STEM і лабораторні звіти

**Спочатку застереження:** база знань містить значно сильніші докази про підтримане ШІ академічне письмо загалом, ніж про ШІ в письмі лабораторних звітів зокрема; практична та лабораторна [[pedagogy]] залишаються мало висвітленими, у тому числі в літературі з [[engineering-education|інженерної освіти]]. Наведені нижче рекомендації є розсудливим застосуванням доказів із письма, розвантаження, валідності та інженерії, а не висновком із великої літератури про лабораторні звіти.

Проводьте межу ШІ навколо **наукового мислення, а не тексту загалом**. Студенти залишаються відповідальними за спостереження, початкові дані, обчислення, невизначеність, рисунки, вибір аналізу, результати та мислення про зв’язок між твердженнями і доказами. Щойно все це існує, ШІ може розсудливо допомогти з організацією, читабельністю, переходами та дисциплінарними умовностями — те саме розрізнення між поверхневим і мисленням, що й вище ([[layer-sensitive-cognitive-offloading-writing-2026|дослідження Чена]]).

Тому сильний пакет лабораторного звіту в епоху ШІ включає звіт **плюс** відібрані початкові дані, обчислення або вивід із зошита, рисунок з інтерпретацією, написаною студентом, і короткий висновок про те, як центральний результат випливає з доказів. Для відповідальних звітів поставте одне-два індивідуалізованих уточнювальних питання про графік, аномальний результат, [[research-methods-aied|методологічний]] вибір або обмеження. Не дозволяйте плинності письма заступати концептуальне розуміння: база знань повідомляє, що автоматизоване оцінювання з [[physics-education|фізики]] може недооцінювати концептуальне розуміння, коли мовне вираження слабке, і це найбільше вражає [[multilingual-learning|багатомовних студентів]] ([[automated-essay-scoring|Автоматизоване оцінювання есе]]). Якщо і наукове мислення, і наукове письмо є цілями, оцінюйте їх окремо.

Інженерні курси додають професійну відповідальність. Огляд [[ethical-use-ai-engineering-education-review-2026|99 емпіричних досліджень з інженерної освіти]] виявив прозорість, [[human-in-the-loop-ai|людський нагляд]], самостійність студентів, приватність, авторство, справедливість і благодійність як повторювані [[ethics|етичні]] проблеми й стверджував, що етика ШІ належить до професійного становлення, а не лише до дотримання правил. У лабораторному чи проєктному звіті просіть студентів не лише розкривати допомогу ШІ, а й засвідчувати, що вони перевірили обчислення, джерела, припущення та твердження, пов’язані з безпекою.

## Чого варто припинити робити

- **Вимагати відполірованого тексту, ігноруючи процес.** Це робить продукт усе важчим для інтерпретації як доказ навчання.
- **Спиратися на детектори ШІ.** [[ai-detection|Виявлення]] вирішує завдання виявлення, а не навчання чи [[assessment-validity|валідності оцінювання]], і його доказова база бідна: у прихованому польовому дослідженні 94% згенерованих ШІ робіт на іспиті залишилися невиявленими й обійшли справжніх студентів, тоді як контрольоване дослідження виявило, що детектори позначали дозволене легке редагування ШІ в 38–80%, проте пропускали понад 96% гуманізованих переписувань ([[teichmann-detecting-undetectable-misconduct-2026]]; [[karr-ai-detection-humanization-2026]]).
- **Надавати необмежений доступ до ШІ, не навчаючи оцінюванню зворотного зв’язку.** Це припускає наявність [[feedback-literacy|грамотності у роботі зі зворотним зв’язком]], якої багато студентів ще не розвинули.
- **Заміщати зворотний зв’язок від ШІ взаємодією з ровесниками та викладачем.** Це усуває контекстну та відносинну інформацію, яку студенти послідовно повідомляють як цінну.
- **Писати «ШІ дозволено» і на цьому зупинятися.** Студенти розсудливо читають це як покриття всього — від перевірки правопису до генерації центрального аргументу. Очікування на рівні завдань зрозуміліші і роблять розкриття меншою вгадціною ([[ai-use-disclosure|Заяви про використання ШІ та розкриття]]).

## Коротке правило для вирішення, що ШІ може робити

Для кожного завдання поставте три питання:

| Питання | Якщо відповідь — так |
|---|---|
| Чи є ця когнітивна діяльність сама ціллю навчання? | Залишіть суттєву відповідальність за студентом. |
| Чи знадобиться студентам виконувати цю здатність самостійно згодом? | Додайте самостійну практику й певне оцінювання без ШІ. |
| Чи може ШІ допомогти студентам оцінювати, практикувати чи переробляти цю здатність, не виконуючи її за них? | Зазвичай найсильніший випадок для інтеграції ШІ. |

Застосування: якщо мета — аргументація, ШІ може кидати виклик аргументу, але не мусить рутинно його постачати. Якщо мета — історична інтерпретація, ШІ може запропонувати конкуруюче прочитання, яке студент критикує. Якщо мета — комунікація в лабораторному звіті, ШІ може покращувати текст після того, як студент виконав аналіз і мислення. Це межа [[coach-not-crutch-ai-writing|тренера, а не милиць]] на практиці.

## Наскільки сильні докази?

Перспективні, але ще недостатньо сильні, щоб виправдати єдину універсальну політику письма зі ШІ. Частина найкращих доказів походить із вагомих автентичних аудиторних досліджень, як-от [[pairr-ai-peer-review-2025|PAIRR]] з його 654 студентами. Інші результати спираються на квазіексперименти, малі експериментальні вибірки, концептуальні аналізи та нову роботу 2025–2026 років: [[layer-sensitive-cognitive-offloading-writing-2026|дослідження Чена з обмеженого письма]] охопило 168 студентів, але лише шість незмінних груп; [[ai-writing-support-stage-ownership-2026|дослідження володіння]] використовувало коротке експериментальне завдання з письма; а дослідження, що повідомляло про негайні здобутки в якості після практики з ChatGPT, охопило лише 21 студента першого курсу з-поміж міжнародних і не встановило довгострокового [[transfer-of-learning|перенесення]] ([[chatgpt-academic-writing-quality-ownership-2026]]).

Ставтеся до консенсусу як до **принципів дизайну, а не як до остаточних приписів**. Найнадійніший міждослідний результат — зберігати [[agency|дієздатність студента]], [[evaluative-judgment|оцінювальне судження]], самостійну компетентність, дисциплінарне мислення та людський зворотний зв’язок, використовуючи ШІ для розширення доступності критики, практики, підтримки переробки та мовної допомоги.

**Коротка версія для навчального плану або факультетського воркшопу:** студенти спочатку виконують інтелектуальну роботу; ШІ здебільшого ставить питання, критикує, пояснює та підтримує переробку; студенти оцінюють, а не лише виконують його результат; і оцінювання включає достатньо процесуальних або самостійних доказів, щоб показати, що студент справді може робити.

---