Активное обучение

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Активное обучение — подходы к обучению, которые вовлекают студентов в совершение действий и размышление о том, что они делают, вместо пассивного получения информации. В ИИ в образовании исследование активного обучения рассматривает и то, как инструменты ИИ могут поддерживать педагогики активного обучения, и то, как активное взаимодействие с инструментами ИИ — в отличие от пассивного потребления — влияет на результаты обучения.

Вопросы для размышления

• Вы наверняка слышали похвалы «активному обучению». Но действительно ли активно учится студент, который кликает по дашборду или принимает сгенерированный ответ? Что сделало бы эту деятельность «активной» в осмысленном смысле?
• Рамка ICAP различает активное, конструктивное и интерактивное вовлечение — только более глубокие уровни строят долговременное знание. Когда вы в последний раз использовали инструмент ИИ, чтобы чему-то научиться, к какому уровню вовлечения он вас на самом деле подтолкнул?
• ИИ может обеспечить активное обучение в масштабе, но плохо спроектированный ИИ может также выполнить когнитивную работу за студента. Где вы видели, как ИИ делал учащегося более пассивным, а не более вовлечённым?
• Исследование с ЭЭГ обнаружило, что интерактивное сотрудничество студента с ИИ дало наивысшее когнитивное вовлечение, тогда как полная автоматизация снизила его. Почему «делание» вместе с ИИ может превосходить «наблюдение», как ИИ выполняет работу?
• Пересказ (teach-back) — когда учащийся объясняет то, что понимает, — выявляет пробелы более эффективно, чем пассивное перечитывание. Когда побуждение учащегося объяснить это ИИ может быть лучшим обучающим шагом, чем позволить ИИ ответить за него?
• Активное обучение зависит от откалиброванного скаффолдинга, который снимается по мере роста компетенции. Насколько трудно ИИ-тьютору знать, когда отступить, — и каков риск, если он никогда этого не делает?

Введение

Активное обучение — фундаментальный принцип в исследованиях образования, основанный на Конструктивизм теориях, позиционирующих учащихся как активных конструкторов знания. В контексте ИИ в образовании концепция обретает двойное значение: инструменты ИИ могут обеспечить активное обучение в масштабе (через interactive tutoring, simulations и adaptive feedback), но плохо спроектированные инструменты ИИ могут также подорвать его, doing the cognitive work за студентов. Напряжение между помощью ИИ и активным когнитивным вовлечением — исследованное в статьях, таких как Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems и The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks о Over-Reliance — является центральной заботой.

Активное обучение с ИИ проявляется в нескольких формах в этой базе знаний: системы Интеллектуальное тьюторство, вовлекающие студентов в решение задач, а не в получение ответов, подходы Generative AI (GenAI) as a mindtool that supports generative learning (GL), где студенты используют ИИ как инструмент для размышления, а не как замену, Test-Driven, AI-Assisted Learning: Replacing Lectures with Weekly Closed-Book Tests, где студенты ведут взаимодействие с ИИ, а не следуют за ним, и среды исследовательского обучения Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior. Концепция Скаффолдинг тесно связана — эффективное активное обучение требует откалиброванной поддержки, которая снимается по мере роста компетенции, и ИИ-тьюторы должны научиться её обеспечивать.

Как активное обучение проявляется в исследованиях базы знаний

• Режим взаимодействия определяет когнитивное вовлечение. An EEG study of high school students сравнило режимы Auto (ИИ решает самостоятельно), Interactive (сотрудничество студента с ИИ при скаффолдинге) и Manual (без ИИ): Interactive дало наивысшее когнитивное вовлечение и точность решения задач, тогда как Auto снизило вовлечение и создало риск чрезмерной опоры. Это придаёт нейрофизиологическое измерение аргументу, что ИИ должен удерживать студентов в делании, а не в наблюдении.
• Поддержанное ИИ исследование не автоматически является деятельностью высшего порядка. Квазиэксперимент со 120 учениками 8 класса обнаружил, что поддержанное ИИ inquiry-based learning повысило творческую математическую результативность и отношение к математике, но не дало значимого прироста в критическом Решение задач — предостережение против чтения приростов в креативности и аффекте как свидетельства более глубокого рассуждения (Mujib et al., 2026).
• Исследовательское и основанное на симуляциях активное обучение. SupplyNet использует контекстную мультиагентную симуляцию LLM для поддержки визуального исследовательского обучения в образовании по цепочкам поставок, сочетая интерактивное представление сети с ветвящейся хронологией «что, если», чтобы учащиеся прослеживали причинную динамику, а не потребляли абстрактный контент. Curiobot и problem-posing in physics аналогично выдвигают на первый план исследование, ведомое учащимся.
• Структурированные разговорные процессы для активного повторения. KnowLoop структурирует повторение после лекции вокруг трёх стадий — Recognize (отметить замешательство на месте), Resolve (прояснение) и Consolidate (пересказ), — показывая, что пересказ побуждает учащихся формулировать и выявлять концептуальные пробелы и что ИИ, заземлённый в контексте, превосходит ИИ общего назначения для целевой поддержки. Пересказ реализует Обучение через преподавание.
• Активное обучение как проектная, общественная структура. The Academic League of AI организует внешкольное образование в области ИИ вокруг команд-участников соревнований, учебных групп и проектов ИИ для социального воздействия, воплощая активное и project-based learning через демократическое управление со стороны студентов, а не через спускаемый сверху учебный план.
• Инструменты мышления и генеративное вовлечение. GenAI as a mindtool позиционирует ИИ как устройство, с которым студенты думают, а не как источник ответов, согласуя активное обучение с теориями генеративного обучения, где учащиеся интегрируют новые идеи в существующее знание.
• Создание тьютора как задача активного обучения. Zangari et al. (2026) инвертировали обычную схему ИИ-тьютора: вместо использования тьютора 345 студентов в курсе по программному обеспечению на 700 студентов каждый спроектировал разговорного агента, обучающего трём паттернам проектирования сверстника, так что работой активного обучения была конструкция агента — предвосхищение потребностей пользователя, перевод абстрактных понятий в обучаемые части. Студенты ценили свободу открытого проектирования (22.3% в топовой позитивной теме), но топовой жалобой были неясные инструкции (23.7%), и авторы предостерегают, что дизайн без контрольной группы и с выборкой волонтёров поддерживает только утверждения о вовлечённости.
• Проектируйте вокруг ошибок модели. Пятишаговая последовательность (независимый анализ, стандартизированный промпт ChatGPT, критическая оценка результата, доработка и обсуждение в классе) работает потому, что ИИ предсказуемо ошибается: ChatGPT ошибочно маркирует неэластичный спрос в тексте песни как «совершенно эластичный», и расхождение учит студентов проверять результат (Beck & Brodersen, 2025).
• Педагогически спроектированный ИИ-тьютор может превзойти сам класс активного обучения. Перекрёстный РКИ во вводном курсе физики Гарварда сравнил кастомного ИИ-тьютора с собственными занятиями активного обучения курса — той же научно-обоснованной педагогикой, а не лекцией, — и обнаружил значимо больше обучения за меньшее время: медианный пост-тест 4.5 против 3.5, размер эффекта 0.63 по линейной регрессии, при медианных 49 минутах на задачу против 60 в классе (Kestin et al., 2025). Авторы приписывают это заслугу проектирования, а не среде, поскольку тьютор был спроектирован так, чтобы нести те же семь научно-обоснованных практик, что и класс, и добавлял только персонализированную обратную связь по требованию и самостоятельное задание темпа.

Рамка ICAP как организующая линза

Активное обучение точно операционализируется ICAP framework (Interactive–Constructive–Active–Passive), которая классифицирует поведение учащегося по режиму когнитивного вовлечения и изменения знания. При ICAP то, что в разговорной речи называется «активным обучением», фактически охватывает три различных, упорядоченных уровня вовлечения: активное (действие над материалом, например, ведение заметок или ответ на промпт), конструктивное (генерация нового результата за пределами данного, например, самообъяснение или рисование) и интерактивное (совместное построение смысла через диалог). Это важно для ИИ в образовании, потому что инструмент ИИ может маскироваться под «активный», удерживая учащихся в самых поверхностных режимах: клик по дашборду или принятие сгенерированного ответа — в лучшем случае активно, не конструктивно и не интерактивно. ICAP тем самым заостряет центральную цель проектирования активного обучения — двигать учащихся от активного к конструктивному и интерактивному вовлечению — и предостерегает против систем ИИ, которые отвечают за учащегося, удерживая его пассивным.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy) Это связывает активное обучение напрямую с Фреймворк ICAP, Вовлечённость студентов и Совместное обучение, чей высший режим ICAP — интерактивный диалог.

Практическое руководство

• Удерживайте учащегося в контуре. Проектируйте взаимодействия с ИИ так, чтобы студенты действовали над результатом и вместе с ним (интерактивные, скаффолдированные режимы), а не получали готовые ответы; полная автоматизация измеримо снижает когнитивное вовлечение.
• Закрепляйте поддержку ИИ в собственной деятельности учащихся. Точки замешательства, ведомые учащимся вопросы и формулировка задач дают персонализированные точки входа для повторения и исследования.
• Используйте пересказ и объяснение. Побуждайте учащихся формулировать то, что они понимают; выявление пробелов через объяснение активнее, чем пассивное перечитывание.
• Сочетайте активное вовлечение с откалиброванным скаффолдингом. Поддержка должна сниматься по мере роста компетенции — Скаффолдинг, который никогда не отступает, сам может стать пассивной опорой.
• Предпочитайте инструменты, делающие мышление видимым. Исследовательские симуляции, инструменты мышления и интерактивные пространства задач поддерживают прослеживание причинности и сравнительное рассуждение в сердце активного обучения.

Связи с родственными концепциями

Активное обучение глубоко связано с Совместное обучение (многое активное обучение социально), Обучение через преподавание (объяснение другим — максимально активно), Проектное обучение и Опытное обучение (учение через делание в аутентичных контекстах), Телесное обучение (Embodied Learning) (физическое вовлечение), Обучение на основе игр и Моделирование. Оно опирается на Скаффолдинг и своевременную Обратная связь, и ему угрожает over-reliance, когда ИИ заменяет усилие. Будучи основанным на Конструктивизм и Теории обучения, оно охватывает Высшее образование, K-12 образование и STEM-образование.

Активное обучение — один из сильнейших рычагов на learning gains в эпоху ИИ. Поскольку активные стратегии строят понимание через усиленное делание, они наиболее устойчивы к короткому замыканию со стороны ИИ — и доказательства базы знаний показывают, что сохранение этого усилия защищает долговременное обучение, тогда как позволение ИИ поглотить его разрушает его (reduced study time, the learning penalty, hint abuse). Преподаватели, сочетающие проекты активного обучения с measured gains на результатах без помощи, получают яснейшую картину того, действительно ли деятельность с помощью ИИ улучшила обучение.

Связанные концепции

• Прирост в обучении
• Обучение, основанное на проблемах
• Обучение через преподавание
• Скаффолдинг
• Конструктивизм
• Дизайн обучения
• Интеллектуальное тьюторство
• Опыт студентов
• Высшее образование
• K-12
• STEM-образование
• Генеративный ИИ
• Обратная связь
• Когнитивный оффлоадинг
• Совместное обучение
• Теории обучения
• Фреймворк ICAP
• Вовлечённость студентов
• Проектное обучение
• Опытное обучение
• Телесное обучение (Embodied Learning)
• Моделирование
• Обучение на основе игр
• Поиск помощи
• Педагогики и стратегии преподавания — Зонтик: педагогики и стратегии преподавания в ИИ-образовании

Связанные статьи

• AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting — ИИ-тьюторинг превосходит активное обучение в классе: РКИ, вводящий новое научно-обоснованное проектирование в аутентичную образовательную среду (Kestin et al. 2025)
• AI-Supported Problem-Based Learning for Enhancing Computational Thinking
• Fostering Generative AI Literacy in Economics: A Hands-on Approach — Рамка активного обучения GenAI для экономики (Beck и Brodersen 2025)
• Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems
• The efficiency-gain illusion: People underestimate the rate of AI use and overestimate its benefits on simple tasks
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Generative AI (GenAI) as a mindtool that supports generative learning (GL)
• Test-Driven, AI-Assisted Learning: Replacing Lectures with Weekly Closed-Book Tests
• Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing
• An exploratory behavioral and electroencephalographic study of artificial intelligence-assisted learning modes in high school students — Исследование с ЭЭГ режимов взаимодействия с ИИ (интерактивный > автоматический)
• SupplyNet: Supporting Visual Exploratory Learning in Supply Chain via Contextual Multi-Agent Simulation — SupplyNet: визуальное исследовательское обучение через мультиагентную симуляцию
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review — KnowLoop: поэтапное разговорное повторение после лекции
• Academic League of Artificial Intelligence: An Integrative Perspective of Teaching, Research, and Extension — Академическая лига ИИ: проектное активное обучение
• Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics — Поддержанное ИИ исследовательское обучение и творческая математическая результативность
• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Характеристики учащегося × взаимодействия в формате диалога с TTS