ИИ-аватары и синтетические преподаватели

Автоматический перевод данной английской страницы, не проверенный носителем языка.

ИИ-аватары и синтетические преподаватели — человекоподобные системы ИИ, занимающие преподавательскую роль: записанного лектора, говорящего репетитора, педагогического агента, симулированного пациента или студента, партнёра по ролевой игре или экзаменатора. Категорию определяет лицо и голос, замещающие человека, а не отдельная технология. Эта поверхность и делает такие системы привлекательными, и именно в ней сосредоточены их характерные проблемы: доверие крепится к сигналам идентичности, реализм не отслеживает эффективность, а учащиеся могут не знать, что симулируется человек.

Вопросы для размышления

Если лекционное видео представляет лицо, которое, как вы позже узнаёте, было синтезировано с облика вашего преподавателя, что для вас меняется — содержание, ощущение того, кто вас учил, или ничего?
С симулированным студентом, который бегло говорит, идёт навстречу и никогда не срывает занятие, легко разговаривать. К чему подготовила вас такая репетиция и что она тихо оставила за скобками?
Хотели бы вы, чтобы вам сказали до встречи, что пациент сгенерирован? Как изменило бы то, что вы узнали об этом после, то, что вы выносите из сессии?
Что представляет больший риск для честности: учащийся, обманывающий экзаменатора-ИИ, или экзаменатор-ИИ, неверно читающий учащегося?
Ролевая игра со сверстниками бесплатна, привычна и социально требовательна. Что должен был бы добавить аватар, чтобы вы выбрали его вместо неё?

Введение

ИИ-аватар — это отрисованное или анимированное человеческое представление, управляемое моделью; синтетический преподаватель — это то же представление, помещённое в преподавательскую роль. Ни то, ни другое не тождественно агенту. Theelen и др. (2026) разделяют представление и агентность: аватар — это то, что видит участник, тогда как актёр за ним может быть сверстником, специалистом по симуляции, сценарием, системой на правилах или LLM. Поэтому два одинаковых виртуальных студента могут предложить совершенно разные встречи.

Эта страница организована по ролям: какую роль занимает синтетический человек, какие есть доказательства для неё и что эта поверхность делает с отношением учащегося к системе. Литература ниже охватывает лекционное видео, репетиторство, клиническую симуляцию, репетицию преподавателя, ролевую игру и оценивание.

Шесть ролей, которые может занимать синтетический человек

Преподаватель на экране. Клонированный ведущий проводит записанное видео. В большом онлайн-курсе для бакалавриата Tomlinson и др. (2026) отрисовали три адаптированных к предметной области варианта каждой темы с аватаром HeyGen, клонированным с преподавателя, проверили их до публикации и выложили в LMS.

Репетитор или педагогический агент. ELEVATE строит 3D-аватара-репетитора, работающего целиком на локальном оборудовании, со слоем для преподавателя, управляющим персоной, голосом, позицией и темпом. ACLIME описывает ту же роль в иммерсивных медиа: агент, который направляет, задаёт вопросы и объясняет.

Симулированный пациент или клиент. SOPHIE 2.0 предлагает 24 браузерных клинических сценария с говорящим аватаром-пациентом. Riachi и др. (2026) применяют этот паттерн к терапии принятия и ответственности, оценивая точность следования протоколу у стажёра ход за ходом.

Симулированный студент. Hauk и др. (2026) дали 21 будущему учителю десятиминутный голосовой разговор с «Marco», учеником младшей средней школы, который пренебрежительно высказывается об иммигрантах.

Партнёр по ролевой игре. REMind предлагает детям управлять роботизированным аватаром, чтобы отрепетировать вмешательство свидетеля. ACLIME называет это вторым режимом взаимодействия: агент, удерживающий заданную роль для ситуированного диалога.

Собеседник при оценивании. Судья SOPHIE оценивает транскрипты по рубрике коммуникации. Tamme и др. (2026) предлагают голосового агента, который интервьюирует студентов о курсе вместо проведения письменного опроса.

Что подтверждают доказательства, роль за ролью

Доказательства сильнее всего там, где синтетический человек — партнёр в практике, и слабее всего там, где он — замена обучения.

Для записанного обучения измеряемый результат — предпочтение, а не достижение. В двух потоках и среди 493 респондентов персонализированные видео, сгенерированные ИИ, обошли неперсонализированные, записанные с людьми (средний ранг 2,26 против 2,69, p < 0,001). Условие с самым высоким рангом — персонализированное видео, записанное с человеком, — никогда не существовало, поэтому этот рейтинг смешивает опыт с воображением. Авторы сообщают, что объективные результаты обучения будут представлены позже.(Students prefer personalized, AI-generated educational videos over non-personalized, human-recorded videos)

Для репетиторства доказательство — инженерная осуществимость. ELEVATE достиг примерно пяти-шести секунд до первого звука на потребительском оборудовании за счёт потоковой передачи речи, что маскировало большую часть воспринимаемой задержки. Контролируемое исследование пользователей не проводилось, поэтому эффекты для обучения и поиска помощи остаются открытыми.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education)

Для клинической коммуникации доказательства наиболее развиты и всё же не доходят до переноса. Судья SOPHIE, читая только транскрипты, достиг Pearson 0,759 и ICC(A,1) 0,746 против консенсуса человеческих оценщиков — внутри разброса отдельных людей, а не вне его. В дистанционном исследовании 59 клиницистов и студентов 92% нашли его увлекательным, а 83% сочли клинически релевантным. Баллы выросли между двумя встречами, но без контрольной группы этот рост нельзя приписать обучению.(Scalable AI-based clinical communication training and automated assessment)

Для симулированных студентов доказательства касаются качества взаимодействия, а не результатов. Участники Hauk оценили диалог как явно функциональный (M = 5,37) и лишь умеренно достоверный (M = 3,71) — расхождение, которое транскрипты воспроизвели на уровне 87,1% против 37,4% охвата. Аватар нёс работу вызова, 51,1% своего текста, тогда как преподаватели развёртывали и обосновывали. Двадцать один доброволец в одной программе, одна сессия, без сравнения с живой ролевой игрой.(Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program)

Для ролевой игры REMind сообщает о значимом приросте от до к после в воспринимаемой детьми самоэффективности защиты, с лучше откалиброванными представлениями о том, останавливает ли противостояние хулигану. Это 18 детей девяти-десяти лет в контексте игрового тестирования, что поддерживает перспективность, а не устойчивое изменение поведения.(Play-testing REMind: Evaluating an educational robot-mediated role-play game)

Для оценивания судья SOPHIE — самый ясный результат, а голосовой интервьюер — самый слабый. Предложение Tamme сообщает о техническом пилоте и данных, ещё не проанализированных формально; всякое утверждение о том, что вызывает голос, остаётся гипотезой.(Voice-Based AI Feedback in Higher Education: A Field Study on Quality and Actionability)

Доверие идёт через лицо

Лицо — не нейтральный контейнер для педагогического содержания. В двух экспериментах с общим числом 396 участников Anthis и Kyriakidou-Zacharoudiou (2026) обнаружили, что сигналы идентичности аватара формировали и оценку, и фактическое принятие. Белые аватары — а в контекстах STEM аватары азиатских мужчин — оценивались как более достоверные и компетентные. Пожилые чернокожие женщины-аватары сталкивались с усугублёнными штрафами по всем мерам. Участники охотнее принимали руководство от аватаров, совпадающих с их расовой ингруппой или со стереотипом экспертизы.

Две детали превращают это в проектную проблему. Предметная область модерировала эффект: задачи STEM и процедурные задачи усиливали перекос, а рефлексивные и межличностные ослабляли его. И перекос действовал на поведение, а не только на высказанные установки, а значит, самоотчётное доверие его бы упустило. Авторы рекомендуют стилизованные или менее антропоморфные аватары, ротацию разнообразных аватаров между задачами и оценку принятия, а не удовлетворённости.(Face value: How avatar identity shapes epistemic trust in AI-mediated learning)

Авторитет также приходит через тело. Дизайнеры ELEVATE предупреждают, что тело и голос усиливают авторитет репетитора. Они рекомендуют, чтобы аватар сигнализировал неуверенность и приглашал к сверке с конспектами или учебниками.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education) SOPHIE добавляет осложнение: за одним и тем же аватаром модель, ранее признанная более человекоподобной, потеряла это преимущество, а коммуникационные результаты оказались идентичны между бэкендами (0,437 против 0,438). Человекоподобие принадлежало взаимодействию — голосу, задержке, поочерёдности речи, — а не модели.(Scalable AI-based clinical communication training and automated assessment)

Контрсвидетельство состоит в том, что студентов можно научить не принимать человеческую рамку, даже когда промпт её предлагает. Stillman и др. (2026) спросили 654 студента-пишущего, ощущается ли чат-бот как репетитор, соавтор или что-то иное, и лишь около половины (51,7%) выбрали один из антропоморфных вариантов. Студенты называли его инструментом или программой, сравнивали с роботом или компьютером или изобретали метафоры вроде автомата с обратной связью, выдающего текст за данные. Авторы трактуют этот отказ от человеческой рамки как результат обучения грамотности, что относит эффект к инструкции, а не к интерфейсу.

Присутствие, реализм и зловещее

Реализм — не лестница. ACLIME считает поведенческий реализм решающим предиктором социального присутствия и предупреждает, что более высокая визуальная точность рискует зловещей долиной, где почти человеческий агент вызывает внезапное отторжение. Он же оценивает компромисс: погружение и реализм агента повышают постороннюю когнитивную нагрузку, тогда как взаимодействие может снижать внутреннюю нагрузку через коллективную рабочую память. Его главное предостережение прямо: примерно 42% пользователей VR-шлемов сообщают о киберукачивании, а последствия длятся от примерно десяти минут до нескольких часов.(Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME))

Исследования практики в основном поддерживают скромную версию этого утверждения. Авторы Hauk читают умеренную достоверность как соответствие точности функции. Диадическая репетиция только голосом стабилизирует рутины для новичков, а динамику сверстников и невербальные сигналы можно добавить позже.(Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program) В SOPHIE 47% участников всё же сочли трудным испытывать настоящую эмпатию к пациенту-ИИ, хотя 66% нашли разговор с ним менее стрессовым, чем с человеком.(Scalable AI-based clinical communication training and automated assessment)

Учащиеся не хотят большего реализма единодушно. В поисковом исследовании TriKoNet студенты единогласно отвергли фотореалистичное представление. Они использовали модульное проектное пространство, чтобы создавать собственные концепции ролей вместо предложенной персоны.(TriKoNet: The Trivalence Model of Potential Co-Creativity in Socio-Technical Networks) ELEVATE отмечает, что воплощённость — барьер для некоторых учащихся, например для тех, у кого есть сенсорная чувствительность или дискомфорт от антропоморфных агентов, что делает настройку аватара требованием, а не предпочтением.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education)

Согласие, раскрытие и риск дипфейков

Во всех этих описаниях раскрытие выступает как проектное решение, а не измеряемая переменная. Сценарий Hauk был на грани разжигания ненависти, и его гарантии были процедурными. Дизайн включал ориентировку, правила модерации, непрерывное наблюдение преподавателя, возможность немедленно остановиться, структурированный разбор и псевдонимизированный агрегированный анализ.(Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program) Рамка Theelen требует, чтобы учащиеся и преподаватели знали, какие части симуляции контролируются людьми, сценариями или ИИ, и трактует эту прозрачность как условие защитимой адаптации.(Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI)

Более трудный вопрос — не является ли симуляция человека сама по себе малым обманом. Учащийся, который верит, что борющийся пациент настоящий, может вложить заботу, которую раскрытая симуляция не вызвала бы, и затем почувствовать, что его ввели в заблуждение. Умеренные оценки достоверности у Hauk позволяют предположить, что участники не обманывались природой аватара; находка SOPHIE о 47% эмпатии говорит о том, что некоторые были вовлечены, зная правду. Ни одно исследование не проверяет раскрытие напрямую.

У раскрытия есть и производственная сторона. Конвейер Tomlinson клонировал облик и голос преподавателя. Часть студентов высказала принципиальные возражения против генеративного ИИ — экологическая цена, труд, автоматизация, честность, — на которые лучший рендеринг не ответит.(Students prefer personalized, AI-generated educational videos over non-personalized, human-recorded videos) Согласие преподавателя на клонирование — отдельный вопрос от согласия студента учиться у клона, и ни одно исследование здесь не измеряет ни того, ни другого.

Грамотность в отношении дипфейков — обратная сторона той же способности. В австралийской выборке из 199 учащихся средних школ юноши значительно чаще создавали или распространяли дипфейк-контент (23,2% против 10,0%). Авторы ратуют за просвещение по безопасности, явно нацеленное на них.(Gender Differences in AI Literacy Workshop Outcomes and Deepfake Engagement) Как только учреждение может генерировать убедительного преподавателя, убедительного пациента или убедительного студента, проверка того, кто говорит, становится вопросом академической честности не меньше, чем грамотности. Устные защиты и процессные доказательства, которые авторы ELEVATE рекомендуют, как только репетиторство по запросу станет доступным, решают ту же базовую проблему.(ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education)

Честное состояние доказательств

Почти каждое исследование здесь мало и коротко. У Hauk 21 доброволец и одна сессия. У SOPHIE 59 завершивших и нет контрольной группы. В оценке психотерапии два психолога, примерно по 90 минут каждый. В пилоте PBL 26 студентов и один случай. ACLIME и Theelen — концептуальные рамки, а база TriKoNet — восемь групп в единичных сессиях.(Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study)(Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars)(Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME))(Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI)(TriKoNet: The Trivalence Model of Potential Co-Creativity in Socio-Technical Networks)

Большие выборки касаются установок и предпочтений — 396 участников по идентичности аватара, 493 респондента по предпочтению видео, — и обе являются выборками удобства или одного курса. Ни одно исследование в этом наборе не показывает, что синтетический преподаватель даёт лучшее обучение, чем человек. Защитимое утверждение уже: эти системы могут приблизить учебную встречу, могут быть оценены против человеческих оценщиков с приемлемым согласием в одной области и могут менять то, как учащиеся оценивают источник обучения.

Эта узость важна. Авторы Theelen говорят прямо: беглость и ощущение присутствия не являются свидетельством валидности.(Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI) Звучать как преподаватель — самый лёгкий порог в комнате.

Распространённые заблуждения

«Более реалистичный аватар учит лучше». Реализм и эффективность расходились везде, где измерялись обе. Два бэкенда SOPHIE дали идентичные коммуникационные баллы за одним и тем же аватаром, а студенты TriKoNet наотрез отвергли фотореалистичные персоны.

«Если аватар убедителен, учащиеся будут относиться к нему как к человеку». Студенты-медики опрашивали пациента-генеративный ИИ как поисковую базу вопросов, в основном закрытыми запросами, даже высоко оценивая опыт.(Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study) Убеждённость и стиль взаимодействия — разные результаты.

«Синтетические преподаватели — одна технология, поэтому находки переносятся». Клонированный лектор, оптимизирующий предпочтение, репетитор, оптимизирующий задержку, и пациент, оптимизирующий клиническую точность, — разные артефакты с разными режимами отказа. Доказательства из одной роли не дают права на утверждения о другой.

«Внешность аватара — косметика». Сигналы идентичности меняли оценки достоверности и фактическое принятие руководства, причём штрафы усугублялись для пожилых чернокожих женщин-аватаров.(Face value: How avatar identity shapes epistemic trust in AI-mediated learning) Конфигурация — педагогическое решение и решение о равенстве.

«Симулированный пациент — это стандартизированный пациент минус стоимость». Стажёры-психологи нашли своего виртуального пациента сговорчивым и уже продвинутым в терапии — «идеальный» случай, который недооценивает поведенческую негибкость.(Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars) Стоимость падает; валидность случая автоматически не следует.

Связанные понятия

Связанные статьи

Face value: How avatar identity shapes epistemic trust in AI-mediated learning — сигналы идентичности аватара сдвигают достоверность и принятие руководства (Anthis & Kyriakidou-Zacharoudiou 2026)
Authentic and functional dialogue with AI-based student avatars: Evidence from a practice-based teacher education program — аватары студентов в диалоге практико-ориентированной подготовки учителей (Hauk et al. 2026)
Gender Differences in AI Literacy Workshop Outcomes and Deepfake Engagement — создание и сообщение о дипфейках по полу на мастер-классе по грамотности в ИИ
ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education — локальные 3D-аватары-репетиторы со слоем управления для преподавателя (ELEVATE)
Scalable AI-based clinical communication training and automated assessment — аватары-пациенты с судьёй на LLM для клинической коммуникации
Using Generative AI to Simulate Patient History-Taking in a Problem-Based Learning Tutorial: A Mixed-Methods Study — аватар пациента-генеративного ИИ в учебном занятии по сбору анамнеза в PBL
Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars — аватары пациентов для отработки точности ACT в подготовке психотерапевтов
Learning with pedagogical agents in extended reality: A conceptual research-based framework of agent-centered learning in immersive media environments (ACLIME) — педагогические агенты в расширенной реальности: присутствие, реализм и нагрузка (ACLIME)
Play-testing REMind: Evaluating an educational robot-mediated role-play game — опосредованная роботом ролевая игра с управляемым аватаром для вмешательства свидетеля
Students prefer personalized, AI-generated educational videos over non-personalized, human-recorded videos — персонализация видео с клонированным преподавателем и предпочтения студентов
Classroom simulations for social-emotional learning and inclusive teacher education: a four-layer conceptual framework in the age of AI — четырёхуровневая рамка, разделяющая представление и агентность в классной симуляции
Voice-Based AI Feedback in Higher Education: A Field Study on Quality and Actionability — предложенный разговорный голосовой агент для интервью об обратной связи по курсу
TriKoNet: The Trivalence Model of Potential Co-Creativity in Socio-Technical Networks — совместно создаваемые педагогические аватары в социотехнических сетях (TriKoNet)
Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies — лишь 51,7% из 654 студентов приняли предложенные антропоморфные роли; один назвал это автоматом с обратной связью

Метаданные

Дисциплина	Medical Education
Уровень	Higher Ed, Teacher Education
Целевая аудитория	Instructors, Instructional Designers
Обучение и преподавание	Обучение на рабочем месте, Опытное обучение, Ситуативное обучение, Видео в образовании
Технологии и методы	Генеративный ИИ, Большие языковые модели (LLM), Педагогический агент, Моделирование, Моделирование учащихся, Виртуальная и дополненная реальность, Диалоговый ИИ
Оценивание и измерение	Автоматизированное оценивание, Валидность оценивания, Обратная связь
Справедливость, этика и ответственное использование	Доверие, Заявления об использовании ИИ и раскрытии информации, Снижение перекосов (bias mitigation), Инклюзивное обучение
Основы ИИ в образовании	Коллаборация человека и ИИ, Преподавание, Академическая добросовестность

Источник История Редактировать Чат