Технологии

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Технологии — модели, архитектуры и методы, которые приводят в действие системы ИИ-образования, и зонтичный концепт для покрытия технического слоя базой знаний. Там где Педагогики и стратегии преподавания и Теории обучения касаются того, как происходят преподавание и обучение, а Оценивание ИИ-образования касается того, работает ли ИИ, эта страница закрепляет техническое направление: системы ИИ (большие языковые модели, генеративный ИИ, мультимодальные модели, роботы) и техники, используемые для их построения, контроля и внедрения (Промпт-инжиниринг, генерация с извлечением, Обучение с подкреплением, Обработка естественного языка в образовании (Educational NLP), графы знаний, агентная оркестровка).

Вопросы для размышления

Вы можете быть прекрасным преподавателем, не умея строить LLM, — но эта страница утверждает, что ваши технические выборы всё же формируют то, что ИИ может и чего не может делать в вашей аудитории. Каким образом лежащая в основе инструмента ИИ технология могла бы тихо изменить то, как учатся ваши студенты, даже если вы никогда не увидите код?
Обычное допущение состоит в том, что модель — это вся история, — но техники вроде генерации с извлечением (RAG) и инженерии промптов существуют именно для того, чтобы контролировать и обосновывать результаты LLM. Прежде чем читать дальше: когда вы просите ИИ «быть точнее» или «использовать этот источник», что, как вы думаете, реально происходит под капотом?
RAG описывается как ключевая техника снижения галлюцинаций и улучшения безопасности. Почему вы думаете, что извлечение релевантного знания для «обоснования» ответа ИИ имело бы большее значение для образования, чем, скажем, для непринуждённого чата, — и что могло бы пойти не так, если бы это обоснование провалилось?
Страница утверждает, что технические выборы воплощают педагогические допущения: тьютор, построенный на сократическом промптинге, рассуждает вместе с учащимися, тогда как модель, генерирующая ответы, может просто вручать решения. Можете ли вы вспомнить инструмент ИИ, которым вы пользовались и который, казалось, «предполагал» конкретную философию преподавания, — и согласовывалось ли это с тем, как вы реально хотели преподавать или учиться?
За рамками сырой точности эта страница предполагает, что системы ИИ следует оценивать по надёжности, педагогике и справедливости. Какую заголовочную метрику, как вы подозреваете, выбирают по умолчанию большинство людей (включая многих преподавателей), когда судят, «работает» ли инструмент ИИ, и почему эта метрика может скрывать больше, чем раскрывает?
Агентный ИИ описывается как сдвигающий ИИ «от инструмента, отвечающего на промпты, к проактивному соратнику». Как могла бы система, которая сама инициирует и оркеструет многошаговые рабочие процессы, изменить то, за что вы как преподаватель или учащийся отвечаете, — и кто привлекает её к ответственности?

Введение

ИИ в образовании работает на специфическом техническом стеке, и его понимание имеет значение для преподавателей и исследователей, даже когда они не строят системы сами, — потому что технические выборы формируют то, что ИИ может и чего не может делать в аудитории, риски, которые он несёт, и то, как его оценивать. Эта страница организует покрытие технических концепций базой знаний: системы ИИ, техники, которые адаптируют и контролируют их, и то, как технический слой соединяется с педагогикой, оцениванием и оценкой.

Системы ИИ в образовании

Большие языковые модели (LLM). Вычислительный хребет большинства современных ИИвО — LLM генерируют человекоподобный текст для тьюторства, оценивания и генерации контента и являются самой упоминаемой технологией в базе знаний. Обучение и дообучение адаптирует общие LLM для образовательного использования.
Генеративный ИИ. Более широкая категория систем, которые производят текст, код, изображения и другой контент, — генеративный ИИ (движимый главным образом LLM) является технологией, стоящей за текущей волной исследований ИИвО. См. также мультимодальные модели (текст, изображение, аудио) и Моделирование.
Роботы и воплощённые системы. Роботы в образовании добавляют воплощённое и часто социальное присутствие — программируемые наборы для вычислительного мышления и гуманоидные/социальные роботы для тьюторства, сторителлинга и ролевой игры. Робототехника — это отдельное техническое направление, которое перекрывает агентный ИИ и человека в цикле дизайн.
Основанные на знании системы. Графы знаний и образовательный NLP представляют и обрабатывают предметное знание, всё чаще объединяясь с LLM для обоснованного, объяснимого тьюторства.

Техники и методы

Инженерия промптов. Инженерия промптов — это то, как преподаватели и разработчики формируют результаты LLM, — основной механизм, посредством которого разгрузка и контроль реализуются во взаимодействиях с LLM.
Генерация с извлечением (RAG). RAG обосновывает результаты LLM в извлечённом знании, снижая галлюцинации и улучшая точность, — ключевая техника для безопасного образовательного внедрения.
Обучение с подкреплением. Обучение с подкреплением обучает агентов оптимизировать поведение со временем и используется в адаптивных системах и игровом обучении.
Агентная оркестровка. Системы агентного ИИ планируют и исполняют многошаговые рабочие процессы — часто оркеструя несколько специализированных агентов (см. многоагентные системы), — и переосмысливают ИИ от инструмента, отвечающего на промпты, к проактивному соратнику.
Образовательный стек агентов отстаёт от передовой границы. Wang et al. (2026) отобразили 474 исследования и обнаружили, что модели серии GPT и LangChain доминируют, тогда как управляемая оркестровка инструментов, устойчивая память и долгосрочное планирование были по большей части отсутствующими, — и только 138 из 474 (29%) опирались на образовательную теорию.
Обучение и адаптация модели. Обучение и дообучение LLM, образовательное выравнивание и адаптация моделей малого языка делают общие модели специфичными для образования, — хотя свидетельства в базе знаний ставят извлечение и промптинг впереди обучения в порядке решений, поскольку хорошо обоснованный промпт дешевле адаптированной модели.

Как технический слой соединяется с полем

Техническое направление неотделимо от других тем базы знаний:

Педагогика: технические выборы воплощают педагогические допущения — тьютор, построенный на сократическом промптинге, рассуждает вместе с учащимися, тогда как модель, генерирующая ответы, может по умолчанию переходить к прямому предоставлению (см. педагогики и стратегии преподавания).
Оценивание и оценка: Оценивание ИИ-образования и бенчмарки определяют, действительно ли системы ИИ работают; Оценивание и Автоматизированное оценивание используют технический стек, чтобы оценивать и генерировать.
Ответственное использование: технические техники центральны для снижения злоупотребления ИИ — обоснование RAG (генерация с дополненным поиском), предохранители, Промпт-инжиниринг Скаффолдинг и человеческий надзор формируют то, поддерживает ли ИИ обучение или подрывает его (Когнитивный оффлоадинг, Риск галлюцинаций).

Следствия для ИИ в образовании

Техническая грамотность поддерживает критическое использование: понимание лежащих в основе моделей и техник помогает преподавателям и учащимся хорошо использовать ИИ и критически его оценивать (см. ИИ-грамотность).
Выбирайте технологию по педагогическому намерению: система ИИ и техника должны следовать стратегии преподавания, а не наоборот.
Оценивайте технический слой: исследования Оценивание ИИ-образования и Бенчмарк оценивают системы ИИ по надёжности, педагогике и справедливости, а не только по заголовочной точности.
Роботы и агенты — часть стека: воплощённые и агентные системы расширяют технический репертуар за пределы текста, — и приносят собственные соображения дизайна и безопасности.

Связанные концепции

Связанные статьи

A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw — Обзор охвата агентного ИИ в образовании
A meta-analysis of the effect of generative AI on productivity and learning in programming — Метаанализ эффекта GenAI на производительность и обучение в программировании
CSTutorBench: Benchmarking Small Language Models as Tutors for Block-Based Programming — Small language model tutoring benchmarks
Knowledge without Wisdom: Measuring Misalignment between LLMs and Intended Impact — Aligning LLMs for education
EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — Guardrailing RAG-based LLM tutors
SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — AI tutor safety and harms
ELBench: A Multi-Dimensional Benchmark for Education-Facing Large Language Models — Education LLM benchmark
Teachy Mini: Development and Preliminary Evaluation of a Knowledge-Based Generative Social Robot for Higher Education — Teachy Mini generative social robot
Leveraging AI for Rapid Generation of Physics Simulations in Education: Building Your Own Virtual Lab — LLM-generated physics simulations for the classroom

Метаданные

Технологии и методы

Технологии, Обработка естественного языка в образовании (Educational NLP), Роботы в образовании (Robots in Education), Генеративный ИИ, Граф знаний, Большие языковые модели (LLM), Мультимодальный ИИ, Промпт-инжиниринг, RAG (генерация с дополненным поиском), Обучение с подкреплением, Моделирование

Основы ИИ в образовании

Агентный ИИ

Source History Edit Chat