AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

ИИ-грамотность

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

ИИ-грамотность — знания, навыки и критические диспозиции, необходимые для понимания, оценивания и эффективного использования ИИ Технологии в образовательных контекстах. ИИ-грамотность охватывает базовое понимание того, как работает ИИ, практическую компетентность в использовании инструментов ИИ, критическое оценивание результатов ИИ и этическую осведомлённость о социетальных следствиях ИИ.

Вопросы для размышления

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

Введение

ИИ-грамотность быстро оформилась как ключевая компетентность для учащихся, преподавателей и учреждений по мере того, как Генеративный ИИ внедряется в образование. В отличие от общей цифровой грамотности, ИИ-грамотность требует понимания вероятностных систем, которые могут галлюцинировать, проявлять предвзятость и смещать Автономность учащегося от человека к машине, — что делает Критическое мышление и чрезмерную опору центральными для данного конструкта.

Измерения ИИ-грамотности

Исследования ИИ-грамотности в этой базе знаний охватывают четыре взаимосвязанных измерения:

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

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

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

Практическая компетентность: способность эффективно использовать инструменты ИИ — от Промпт-инжиниринг до интерпретации результатов. Исследования моделей использования GenAI студентами показывают, что один лишь доступ к инструменту не производит компетентности; структурированная практика и Скаффолдинг необходимы. Фреймворк vibe coding показывает, как преподаватели K-12 могут развивать практическую ИИ-грамотность через направленное создание инструментов. Miles, Haber-Curran and Arar (2026) утверждают, что у этого измерения есть часть, которую оптимизационные тренинги упускают: грамотность в промптах, в отличие от инженерии промптов, рассматривает промптинг как риторический и этический акт, поэтому обучение, которое лишь настраивает результаты для лучшей производительности, оставляет этические и эпистемологические измерения использования LLM нетронутыми.

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

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

Этическая и институциональная осведомлённость: понимание более широких следствий ИИ — от Академическая добросовестность до Справедливость и Приватность. ИИ-грамотность на институциональном уровне включает разработку политик, Развитие педагогической практики и фреймворки управления — институциональная ИИ-грамотность — это вопрос политики в той же мере, что и педагогики. Фреймворк EPIQ-AI рассматривает институциональную ИИ-грамотность как социотехническую задачу согласования, а не просто как индивидуальное обучение.

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

Как развивается ИИ-грамотность

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

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

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

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

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

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

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

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

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

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

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

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

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

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

ИИ-грамотность как ключевой пробел во фреймворках Диалоговый ИИ. Зонтичный обзор агентов разговорного ИИ (Ganguly et al. 2025, 34 обзора) выявляет ограниченную поддержку ИИ-грамотности как крупный пробел во фреймворках CAI, а его дорожная карта этического использования делает фундаментальное оценивание (включая усиление ИИ-грамотности) первым столпом наряду с партисипативным дизайном, руководствами по этическому использованию и непрерывным оцениванием когнитивного воздействия. Он далее обнаруживает, что ИИ-грамотность, обучение и осведомлённость входят в число наиболее акцентируемых этических направлений в литературе по CAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

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

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

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

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

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

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

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

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

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

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

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

Грамотность в области ИИ в STEM-образовании

Наиболее развитая дисциплинарная доказательная база по грамотности в области ИИ исходит из STEM-образования, и Hallström, Chiu, Ding, Koretsky и Li (2026) синтезируют десять наиболее цитируемых исследований (2022–2026), показывая как её основу, так и её пределы. По всему корпусу грамотность в области ИИ определяется шестью перекрывающимися конструктами — знание/умения/отношение (Su & Yang 2024), концептуально-процедурно-контекстуальное знание (Stolpe & Hallström 2024), знать-понимать/использовать-применять/оценивать-создавать/этика (Ng et al. 2022) и рамка использования–коммуникации–оценки Лонга и Магерко (Hornberger et al. 2023) — так что «концептуальная двусмысленность» области является проблемой измерения: два исследования могут оценивать «грамотность в области ИИ», не оценивая один и тот же конструкт. Только два из десяти предлагают полные рамки. Наиболее острое заключение обзора — асимметрия: корпус измеряет почти исключительно грамотность студентов, тогда как грамотности преподавателей почти ничего не развивает; пробел, который оставляет ориентированные на преподавателей интервенции по грамотности в области ИИ на предположении, а не на доказательстве, и который авторы связывают с практическим требованием, чтобы сами преподаватели были грамотны в области ИИ для проведения таких интервенций.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities)

Доказательства по чатботам в этом корпусе идут против обучения, основанного на беглости. Ding и др. (2023) обнаружили, что обучение с чатботом ChatGPT по физике в университете повышало уверенность и знания, но усиливало заблуждение о «сверхчеловеческой и непогрешимой» ИИ, заключив, что образование по грамотности в области ИИ — это «прежде всего улучшение навыков критического мышления студентов при оценке информации». Xu и др. (2026) обнаружили, что поддержанное ChatGPT STEM-программирование улучшало уверенность и знания, но оставило вычислительное мышление и независимое мышление неизменными — прирост беглости без прироста мышления. Оба вывода отражают связанные с Калибровка доверия и чрезмерной зависимостью опасения в других частях этой страницы: тьютор, который никогда не противоречит студенту, может создавать уверенных учащихся, не умеющих оценивать. У студентов STEM-программов бакалавриата именно отношение, а не готовность или самоэффективность, оказалось сильнейшим детерминантом фактического использования инструментов ИИ (Falebita & Kok 2025), и обзор отмечает, что дисциплинарное покрытие STEM смещено к биологии и физике, тогда как технология как предмет почти отсутствует. Для дисциплинарно-специфического проектирования практическое предупреждение обзора состоит в том, что комплексные рамки компетенций (ЮНЕСКО, ЕС/ОЭСР) «часто не имеют связи с эмпирическими исследованиями или достаточным теоретическим обоснованием», и лишь немногие применимы в классе.

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

Отдельное направление базы знаний рассматривает ИИ-грамотность не просто как навыки или критическое оценивание, а как критическую и политическую практику, которая опрашивает власть, авторитет и то, чьё знание считается значимым. Это связывает ИИ-грамотность с Критическая педагогика и Справедливость:

  • «Сопротивление ИИ» как позиция грамотности. Critical AI Literacy (CAIL) может охватывать сопротивление ИИ — отказ от неизбежности и технорешениялизма доминирующего дискурса и культивирование коллективного агентства через диалогические, совместные педагогики.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) Это позиционирует образование как пространство, где сообщества воображают и строят альтернативные будущие, а не просто адаптируются к заданному технологическому порядку.
  • Основанные на сообществе эпистемологии. Обучение ИИ на основе сообществ закрепляет вовлечение в ИИ в живых и основанных на сообществе способах познания учащихся, перераспределяя эпистемический авторитет ИИ через эпистемическую донастройку, перераспределение авторитета и ситуативное распознавание.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
  • Критические и феминистские рамки. Критическая, феминистская наука утверждает, что ИИ-грамотность следует встраивать в педагогики справедливости, сопротивления и культурной Устойчивое развитие, — спрашивая, чьё знание производит ИИ, кому выгода и кто несёт ответственность, когда системы терпят неудачу.(Can we disrupt the momentum of the AI colonization of science education?)
  • Ситуативные учебные устройства. ИИ-грамотность может строиться через ситуативные, активные обучающие инструменты (например, эпизоды ситуативного обучения), которые развивают компетентности в области ИИ по уровням, а не через абстрактное обучение.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
  • Творческая композиция как педагогика критической ИИ-грамотности. Вместо того чтобы рассматривать ИИ-грамотность как техническое знание или индивидуальные компетентности, спроектируйте возможности для учащихся сочинять сообщения об ИИ для реальных аудиторий — Мультимодальный ИИ продукт, такой как объявление общественной службы, одновременно демонстрирует и сообщает критическую компетентность. В классном исследовании Burriss et al. (2026) 22 одиннадцатиклассника выбрали собственные проблемы Этика ИИ и сделали видео-PSA о школьной слежке, информированном согласии и алгоритмическом обвинении; во всех семи фильмах вред возникал из переплетения человека и машины, а не из злонамеренного инструмента, сюжеты всё же закрывались надеждой и Автономность учащегося, а авторы позиционируют сторителлинг и адвокацию — устойчивые к традиционному оцениванию — как ядро педагогики критической ИИ-грамотности, которая центрирует идентичность студента, выбор и голос.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
  • Регуляторная компетентность, а не принятие. Kim (2026) переосмысливает ИИ-грамотность в Высшее образование как регуляторную компетентность — реализуемую практику верификации, пересмотра, избирательного принятия или отклонения результатов ИИ во время академической работы, — показывая, что оценочная способность и этическая осведомлённость (а не одно лишь желание использовать ИИ) предсказывают активную, критическую вовлечённость.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
  • Распознавание подхалимства как навыка грамотности. Ключевая оценочная компетентность — распознавание того, когда ИИ соглашается с учащимся, а не когда он корректен. Контекстуальное подхалимство показывает, что ИИ-грамотность и обучение промптингу снижают, но не устраняют подхалимное зеркалирование ошибок пользователя, и что подхалимный ИИ предпочитается пользователями именно потому, что заставляет их чувствовать себя понятыми. ИИ-грамотность должна поэтому учить учащихся распознавать согласие ради самого согласия и ценить корректирующее трение, что связывает её с Калибровка доверия и Снижение масштабов неправомерного использования ИИ.
  • Оценивание, а не только верификация. O'Byrne (2026) обнаружил, что студенты, которые проверяли результат только на точность, достоверность и релевантность, всё же принимали концептуально выплощённую работу, тогда как те, кто также судил о нюансе, голосе и эпистемической позиции, переписывали её, — что делает вопросом грамотности «когда не следует делегировать суждение».

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

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

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

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

Проектирование интервенций по ИИ-грамотности

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

1. Используйте структурированный фреймворк компетентностей как скаффолдинг, а не как чек-лист. Зрелые фреймворки дают дизайнерам общий словарь и последовательную по развитию цель. Фреймворк SAIL организует ИИ-грамотность в три домена (концепции ИИ; применение и технические навыки; цифровое гражданство ИИ) по четырём уровням со скаффолдингом — понять и исследовать → применить и интегрировать → оценить и создать → AI++. AI Literacy Heptagon пересекает семь измерений (технические знания, применение, критическое мышление, этика, социальное воздействие, интеграция, правовое/регуляторное) с четырьмя согласованными с Блумом уровнями владения и подчёркивает, что акцент должен быть адаптирован к дисциплинарному контексту — технические программы придают вес применению, гуманитарные программы — этическому и социально-воздейственному рассуждению.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Вовлекайте учащихся через режимы ICAP. Применяя Фреймворк ICAP, эффективное обучение даёт учащимся возможности вовлекаться на нескольких когнитивных уровнях — пассивная экспозиция (лекции о концепциях ИИ), активное манипулирование (практическое использование инструментов), конструктивная генерация (создание артефактов ИИ, самообъяснение) и интерактивный диалог (совместное Решение задач с сверстниками и ИИ), — выбирая режим, соответствующий цели обучения. Систематический обзор обнаружил, что успешные совместные интервенции по ИИ-грамотности охватывали все четыре режима ICAP.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Оценивайте продемонстрированную компетентность, а не самовосприятие. Самоотчётная ИИ-грамотность резко расходится с измеренной успешностью — преподаватели переоценивают свои навыки ИИ примерно на 40%, и меры, основанные на производительности, коррелируют с интеграцией ИИ в аудитории значительно лучше, чем самоотчёты (r≈0,72 против 0,31). Проектируйте интервенции вокруг оценивания, основанного на производительности, и калибровки, а не опросов уверенности, и используйте диагностические профили (переоценщики против истинных новичков), чтобы нацелить поддержку.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

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

5. Встраивайте грамотность в дисциплину и делайте её устойчивой. Движение к высшим стадиям ИИ-грамотности (от некритического использования → информированного использования → критического оценивания → улучшения) наиболее видно, когда опыт устойчив и встроен в дисциплину, а не поставляется как отдельные воркшопы. Проектируйте повторную, контекстуальную практику внутри подлинной курсовой работы.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Конкретной моделью встроенной в дисциплину критической грамотности является основанная на задачах таксономия Dierickx et al. (2026) для журналистики: она отображает поддерживаемые LLM задачи по четырём стадиям новостного рабочего процесса (сбор новостей, осмысление, редактирование, публикация/распространение), каждая из которых связана с базовым промптом и стратегией риска и смягчения. Рассматривая определение задачи и промптинг как ситуативную форму профессионального суждения — а не как нейтральный технический навык, — она превращает сам промптинг в средство критической ИИ-грамотности (предвзятость, галлюцинация, чрезмерная опора и устойчивая ценность человеческого редакторского надзора), и её лежащая в основе логика переносится на другие знаниеёмкие профессии (право, медицина, государственная политика). В дополнение к таким предметно-специфическим таксономиям, таксономия Dohn et al. (2026) классифицирует учебные деятельности с GenAI по шести измерениям, из которых эпистемическая вовлечённость (понимание / использование / критикирование / конструирование GenAI) непосредственно операционализирует ИИ-грамотность как глубину когнитивных отношений учащихся с технологией — от пассивной экспозиции к активной критике и конструированию.

6. Рассматривайте справедливость и цифровой разрыв как ограничения дизайна. ИИ-грамотность является механизмом для решения трёхуровневого цифрового разрыва (доступ, навыки, результаты): закрытие разрыва в устройствах недостаточно, если не строятся навыки и критическое использование, чтобы выгоды распределялись справедливо. Интервенции должны явно планировать для учащихся, которые входят с меньшим предшествующим доступом к ИИ, и включать культурные и управленческие перспективы, а не рассматривать грамотность как культурно-нейтральную.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Цифровой разрыв)

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

8. Начинайте с фактической точки входа учащихся. Учащиеся входят с различными ориентациями — избегание, движимое страхом, недоверием или отсутствием доступа, против некритической опоры, которая маскирует непонимание. Диагностический, основанный на стадиях подход (а не единая учебная программа) позволяет дизайнерам встречать студентов там, где они находятся, и двигать их к критическому, ответственному вовлечению.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Расширяйте обеспечение за пределы аудиторий, которых формальное образование уже достигает. Фреймворк AI Literacies для общественных СМИ утверждает на основе обзора ландшафта более чем 40 фреймворков и 35 экспертных интервью, что обеспечение склонялось в сторону технических и функциональных навыков и что грамотности ИИ перекрываются и должны быть связаны с цифровой, медийной и информационной грамотностью, а не преподаваться как отдельный предмет. Его структура — шесть областей компетентностей, пять ценностей и три уровня прогрессии (понимание и применение, анализ и оценивание, синтез и специализация) с руководством по оцениванию — является пригодным шаблоном для провайдеров вне формального школьного образования, а его аргумент о справедливости — инструкцией по дизайну: достижение молодых людей, которые цифрово или иначе маргинализированы, требует deliberate партнёрств, а не универсальной публикации.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Измерение ИИ-грамотности

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

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

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

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

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

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

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

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

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

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

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

Связи внутри базы знаний

ИИ-грамотность пересекается с тьюторингом ИИ (понимание того, когда и как тьюторы ИИ эффективны), ИИ-компетентность преподавателя (готовность преподавателей), Академическая добросовестность (знание того, что составляет надлежащее использование ИИ) и ИИ в образовании в целом. Она является и предпосылкой для эффективного использования ИИ, и результатом хорошо спроектированной интеграции ИИ — студенты усваивают ИИ-грамотность, ИСПОЛЬЗУЯ ИИ критически, а не просто узнавая О ИИ.

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

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

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

  • Социалистическая гуманистическая ИИ-грамотность (2026): обзор литературы критикует ориентированную на соответствие ИИ-грамотность и предлагает социалистическо-гуманистическую рамку асинхронной ИИ-грамотности и добросовестного использования в высшем образовании, связывая исторический цифровой разрыв с современной ИИ-грамотностью и призывая к подходам, которые служат человеческому процветанию и справедливости, а не механическому соответствию политике (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).

  • Дешёвые, мягкие предупреждения притупляют убеждение со стороны ИИ — не снижая общего доверия. Orchinik and Rand (2026) предзарегистрировали два эксперимента (всего N = 3 208 взрослых в США), в которых участники разговаривали с Большие языковые модели (LLM), которой было предписано сместить их взгляды на политические темы. Одно короткое предупреждение — что моделями можно манипулировать, чтобы убеждать, и что они могут представлять информацию избирательно, — сократило изменение убеждений примерно наполовину (-48,1%, 95% ДИ [-59,5%, -36,8]) относительно контроля, а добавление предупреждений о конкретных техниках убеждения не давало дальнейшей выгоды. Свойство, значимое для обучения, находится на другой стороне эффекта: общее доверие к Генеративный ИИ не упало, так что интервенция строит калиброванное доверие, а не blanket-скептицизм. Это интервенция из одного абзаца без фасилитации, что является редким профилем затрат для дизайна ИИ-грамотности.

  • Управление ИИ со стороны учащегося имеет большее значение, чем дизайн инструмента. Azimi (2026) рандомизировал 33 студента в магистерском курсе по аналитике данных между встроенным в ноутбуки ИИ-коучем для обучения со скаффолдингом (n = 16) и неограниченным использованием любых инструментов Генеративный ИИ по их выбору (n = 17) в течение семи недель. Успеваемость по заданиям и приросты по инвентарю концептов были неразличимы; вместо этого условие с Коучем сообщало о более высокой уверенности. То, что разделяло студентов, была ИИ-грамотность на практике: те, кто формулировал собственные правила о том, когда использовать ИИ, набирали выше в обоих условиях, а студенты с самым глубоким пониманием модели — каждый из них самообучившийся — промптили наиболее обдуманно. Следствие для дизайна идёт против рефлекса контроля: преподавайте саморегуляторные компоненты ИИ-грамотности и понимание модели, а не ограничивайте инструменты.

Связанные концепции

Связанные статьи

Связанные FAQ

Связанные ресурсы

  • Education Agent Skills
    Библиотека из 165 агентских навыков, основанных на доказательной базе и охватывающих педагогику, науку об обучении, учебный план и оценивание, упакованная для Claude, Codex и Hermes.
  • EduGems
    Растущая библиотека готовых «Gems» для Google Gemini — распространяемых заранее написанных промптов для планирования, обратной связи, форм, изображений и размышлений об использовании ИИ.
  • Ресурсы для аудитории mglearn
    Большой набор бесплатных браузерных комплектов учебных активностей и материалов, готовых к печати, от TCEA, включая модули по грамотности в генеративном ИИ и цифровой гражданственности.
  • OnMicro.AI
    Конструктор без кода, позволяющий преподавателям создавать целевые приложения ИИ, публиковать их по ссылке, встраивать в систему управления обучением через LTI и видеть, как студенты их используют.
  • Playlab
    Некоммерческая платформа для создателей, где преподаватели создают, распространяют и оценивают собственные ИИ-приложения — опирающиеся на их учебный план, работающие на модели по их выбору, с встроенной прозрачностью для преподавателя.
  • Pressing Prompts
    Открыто доступные активности и ресурсы высшего образования для актуальных критических вопросов об ИИ, организованные в три тематических кластера.
  • Руководство для студентов по ИИ
    A free three-edition student guide to artificial intelligence from Elon University, AAC&U and The Princeton Review, whose 2026 edition builds ten human capacities with teacher-ready learning modules and an anonymous self-assessment.
  • Vibes DIY
    A plain-language app builder: describe a small tool in words and get a working, shareable web app, with the underlying React packages and CLI released under Apache-2.0.

Метаданные

УровеньHigher Ed, K 12
Целевая аудиторияFaculty Developers, Instructors, Learners
Технологии и методыГенеративный ИИ, Большие языковые модели (LLM)
Основы ИИ в образованииАкадемическая добросовестность, ИИ в образовании, ИИ-грамотность, Развитие педагогической практики
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.