AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Совместное обучение

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Совместное обучение — подходы к обучению, при которых студенты работают вместе, чтобы решать задачи, выполнять задания или строить знание, при поддержке или опосредовании инструментами ИИ. В сфере AI in education исследования совместного обучения research охватывают ИИ как партнёра по сотрудничеству, ИИ как посредника человеческого сотрудничества и проектирование совместных систем ИИ-тьюторства.

Вопросы для размышления

  • Вспомните случай, когда вы глубоко усвоили что-то в группе. Что сделало это возможным? Теперь представьте, что к группе присоединяется chatbot ИИ — как он мог бы усилить или тихо подорвать то, что вы пережили?
  • Исследования находят компромисс: делегирование рассуждений ИИ даёт наилучшее выполнение задания, но наименьшую саморегуляторную вовлечённость, тогда как режим, развивающий саморегуляцию regulation, отстаёт в выполнении задания. Если бы вам пришлось выбирать, что бы вы защищали — результат или борьбу?
  • Рамки ICAP ставят «интерактивное» сотрудничество на место самой глубокой формы вовлечённости. Может ли ИИ, отвечающий за группу, на самом деле понизить сотрудничество с интерактивного до чисто пассивного — даже если студенты чувствуют большее удовлетворение?
  • Одно исследование обнаружило, что посредникам-ИИ доверяют только пока они остаются нейтральными; когда ИИ переходит к советам или вызовам, это доверие разъедается. Насколько нейтральным должен быть на самом деле посредник-ИИ группы?
  • Когда учащиеся используют ИИ для создания отполированного артефакта, они могут пропустить эпистемическое усилие, строящее понимание. Как бы вы спроектировали партнёра-ИИ, который выводит на поверхность разногласие и конфликт вместо их сглаживания?
  • Нейроотличные студенты сообщают о необходимости структурированных заданий, небольших стабильных команд и явных ролей. Если инструменты ИИ-сотрудничества построены для «среднего» учащегося, кого они могут оставить за бортом — и как бы вы спроектировали иначе?

Введение

Совместное обучение опирается на sociocultural theories обучения, которые позиционируют построение знания как принципиально социальный процесс. ИИ вносит новую динамику: ИИ может служить сверстником, фасилитатором или участником совместных процессов. Статьи в этой базе знаний исследуют, как опосредованное ИИ сотрудничество влияет на learning outcomes, эпистемическую вовлечённость и equity — и как совместные структуры должны проектироваться с учётом разнообразных учащихся.

Сотрудничество как конструкт в сравнении с групповой работой как структурой. Совместное обучение — более широкая теория: знание строится совместно через общую деятельность и диалог. Group work — его наиболее конкретная формальная реализация — команда, создающая общий результат, а часто и общую оценку. Два понятия тесно связаны, но не идентичны: группа может работать без подлинного сотрудничества (задание разбито на независимые части, работа просто сведена вместе), а сотрудничество может происходить и без формальных групп (пары, диалог всего класса или взаимодействие человека с AI interaction). ИИ давит сильнее всего именно на этот зазор — Chen and Zou (2026) обнаружили группы, чья индивидуальная практика GenAI никогда не становилась коллективной способностью, потому что задание никогда не требовало совместной работы, наряду с группами, где общая оценка превращала использование GenAI в проблему координации. Страница group work рассматривает эти динамики подробно; настоящая страница сохраняет более широкий фокус на совместном обучении в целом.

ИИ как партнёр по сотрудничеству исследует роль ИИ в групповом обучении. Kimmerle концептуализирует риск снижения эпистемического усилия, когда учащиеся используют ИИ для создания отполированных артефактов знания, выступая за ИИ, структурированный как аргументативный партнёр, сохраняющий когнитивный конфликт. Проверяя это в масштабе учебного класса, Oppenheimer, Cash & Connell Pensky (2025) дали студентам вводного курса социальных наук (n = 154) писать аргументативные эссе, получать критические замечания от LLMs вроде ChatGPT, Gemini или Claude, а затем включать или опровергать их; слепые кодировщики обнаружили рефлексию в 92,7% и активное опровержение утверждений LLM в 87,8% ответов (межэкспертные κ = 0,81–0,89) — свидетельство того, что учащиеся вели себя как critical потребители, сохранявшие, а не сдававшие когнитивный конфликт критики. Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving рассматривает, как эмоции формируют совместное Решение задач с ИИ. Systematic Review of Collaborative Learning Activities for Promoting AI Literacy исследует совместные подходы к развитию AI literacy.

Одобрение фасилитатором — самый сильный наблюдаемый рычаг влияния на то, принимают ли студенты агента-контраргументатора: в двенадцати межпрофессиональных командах те, чей академический фасилитатор влиял на их интеграцию ИИ, оценивали его как более составную часть команды (M = 3,08 против 2,64), а его обратную связь — как более полезную (M = 3,44 против 2,93) (Wiss et al. (2025)).

Опосредованное ИИ сотрудничество сверстников рассматривает, как ИИ scaffolds сотрудничество между людьми. ProPACT: A Proactive AI-Driven Adaptive Collaborative Tutor for Pair Programming и Exploring How Agent Voice Accents Shape Human-AI Collaboration in K-12 Group Learning исследуют, как характеристики агентов-ИИ влияют на динамику группы. When AI Agents Teach Each Other: Discourse Patterns Resembling Peer Learning in the Moltbook Community документирует, как AI agents, обучающие друг друга, производят паттерны дискурса, напоминающие обучение человеческих сверстников. Системы уровня учебного класса расширяют это до реляционного измерения сотрудничества: CoBi использует распознавание речи и понимание языка для обнаружения «возвышающего» малогруппового дискурса (уважительность, равноправие, приверженность сообществу, продвижение мышления вперёд) и возвращает неоценочные Визуализация уровня класса для поддержки построения сообщества и навыков сотрудничества, намеренно утаивая обратную связь на уровне студента или группы, чтобы защитить Приватность и Доверие.

Нейроотличные перспективы на сотрудничество раскрывают критические требования к проектированию. Zastudil et al. обнаружили, что нейроотличным студентам нужны структурированные задания, небольшие стабильные команды с явно определёнными ролями и предсказуемые паттерны взаимодействия — требования, которые должны учитывать инструменты ИИ-сотрудничества. Это связывает совместное обучение с Инклюзивное обучение и Нейроразнообразие.

Сотрудничество преподавателя и ИИ рассматривает, как преподаватели и ИИ работают вместе. Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing и Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence исследуют рамки совместного преподавания человека и ИИ, связываясь с Преподавание и Человек в контуре.

ИИ как pedagogical посредник переосмысливает роль ИИ в сотрудничестве за пределы инструмента или сверстника. Опираясь на социокультурную теорию и distributed cognition, Niari позиционирует ИИ как активного участника оркестровки взаимодействия, эпистемического осмысления и регуляторных процессов, перераспределяя агентность, авторитет и ответственность между человеческими и нечеловеческими акторами, не вытесняя при этом агентность учащегося или преподавателя. Это основывает совместное обучение на социально опосредованном, сорегулируемом взгляде на ИИ, а не на индивидуалистическом.

Режимы сотрудничества и компромисс между эффективностью и регуляцией. Эмпирические исследования студентов колледжа, сотрудничающих с ИИ при решении сложных задач, выявляют три различных режима — Делегированное рассуждение, Согласованная интерпретация и Делегированная разработка. Самый эффективный режим (делегированное рассуждение) даёт наивысшее выполнение задания, но самую низкую саморегуляторную вовлечённость учащихся, тогда как режим с наибольшей саморегуляцией (согласованная интерпретация) отстаёт в результатах задания.(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) Это центральное напряжение проектирования: среды совместного обучения должны балансировать эффективность распределённой системы «человек–ИИ» против глубины regulatory вовлечённости учащихся.

Единственный доступный метааналитический контраст для поддержанного ИИ совместного обучения находится внутри интервенций PBL/PjBL с GenAI, где сотрудничество сверстников в объединённой оценке дало g = 0,885 против g = 0,416 для индивидуальной работы, но различие достигло лишь маргинального тренда (QM = 3,675, p = .055), а сторона индивидуальной работы опирается на два исследования, — так что объединённые свидетельства о том, что сотрудничество превосходит работу в одиночку с GenAI, скорее предположительны, чем установлены (Chen et al. 2026).

Обзор 18 исследований отображает тот же компромисс в групповой работе: GenAI поддержал развитие знания, генерацию идей и эффективность коммуникации, одновременно снижая потребность во взаимодействии сверстников, согласовании и коллективном осмыслении, а рандомизированные свидетельства обнаружили более инновационные предложения ИИ без значимого прироста общей инновационности участников (Wei and Perkins (2026)).

Проектирование ролей — рычаг влияния на качество, а не объём совместного построения знания. Cheng et al. (2026) назначали ротирующиеся роли модератора, аналитика и аргументатора среди 58 graduate students и их партнёра-ИИ в 16 группах и обнаружили, что структура подняла содержание групповых интеллект-карт почти на полную полосу SOLO (M = 3,65 до 4,59, z = 3,771, p < 0,001), тогда как число узлов и ветвей осталось неизменным — организация, а не покрытие, — ценой умеренного роста совместной cognitive load (p = 0,023). Lag sequential analysis добавил само-переход оценивания и путь «конфликт → защита», которых не производил один инструмент, позиционируя human-AI collaboration как проблему проектирования, а не проблему инструмента.

GenAI как агент и пространство в малых группах — режим имеет значение. Xu et al. (2026) наблюдают, что как команда получает доступ к GenAI, формирует сотрудничество: при единственном общем интерфейсе в синхронной работе команды совместно строят «коллективные промпты», проходят цикл «поверхность → оценивание → внедрение» и относятся к чату как к общей памяти; в асинхронной работе частный промптинг и «разметывание» результатов дробят transparency и повышают стоимость поддержания общей когнитивной модели. Их линза GenAI-Supported Cooperative Work (GSCW) обрамляет GenAI как настраиваемого агента (от индивидуального ассистента до члена команды) и интерактивное совместное пространство — связывая конфигурацию доступа непосредственно с ICAP-значимым качеством интерактивной вовлечённости.

GenAI как инфраструктура групповой координации — и риск выпрямленного сотрудничества. Chen and Zou (2026) показывают, как пятнадцать групп будущих преподавателей обращались с GenAI в оцениваемой групповой презентации, и разделение идёт против обычного допущения, что давление группы увеличивает опору на ИИ. Пять групп усилили использование, чтобы решить знакомую проблему сотрудничества — незнание того, что содержат разделы товарищей, — подавая эту работу в чат-бот, чтобы сделать её понятной и согласовать собственную часть, причём одна группа перестроила свой цикл в обсуждение → экстернализация в GenAI → коллективный разбор → повторное обсуждение. Авторы читают это как нечто большее, чем cognitive offloading, поскольку студенты сохраняли суждение, пока инструмент поглощал координацию, но отмечают, что более гладкий рабочий процесс может обходить то разногласие, через которое по традиции строится сплочённость, делая реляционный труд открытым вопросом. Семь групп вместо этого сократили использование GenAI, защищая situated знание, построенное в общих аудиториях («ИИ знает только тот момент, когда вы печатаете»), fairness к товарищам по группе, оригинальность между группами и разнообразие перспектив, которое группа уже имела. Три группы не увидели изменений вовсе: при разбиении задания на независимые разделы индивидуально изощрённая практика GenAI никогда не становилась коллективной способностью, хотя связность была явным критерием. Картина предполагает, что нормы группы, а не инструмент, решают, что группа делает с ИИ, — и что коллективное внедрение может снижать воспринимаемый risk of misuse, а не повышать приверженность.

Сотрудничество как объект обучения. ProPACT — это управляемый ИИ adaptive tutor для парного программирования, который рассматривает диаду — а не индивида — как единицу анализа, моделируя совместное визуальное внимание, совместное умственное усилие и сигналы на основе зрачков в реальном времени, чтобы предсказывать сбои сотрудничества за 30 секунд до их возникновения и вмешиваться до того, как они произойдут. Диады, получавшие проактивную обратную связь, достигали существенно более высокого успеха в отладке и завершали задания более эффективно, а также демонстрировали устойчивые приросты в совместной регуляции после — свидетельство того, что ИИ может учить самому сотрудничеству, а не только поддерживать задание. Измерение совместной компетентности ставит дополнительную задачу оценивания навыка совместного решения проблем (CPS) в масштабе, который традиционно требует ручного кодирования данных процесса из моделируемых задач в поведения CPS — трудоёмкого и непрактичного в масштабе; context-aware prompting предварительно обученных языковых моделей автоматизирует это кодирование, моделируя контекстные зависимости и сливая когнитивные и социальные способности, достигая превосходства над сильными базовыми линиями.

Скаффолд по порядку группового разговора, а не по его частоте. Wong, Bulathwela & Cukurova (2026) проанализировали последовательности диалогов в триадах 65 студентов и обнаружили один порядок — перефразирование, затем предложение, затем questioning — отслеживался улучшением, тогда как обратный порядок — нет; максимальный скаффолд повышал поведение в рамках задания, но также скриптовость и уменьшал показателей решения задач.

ИИ как нейтральный посредник — и напряжение, когда он перестаёт быть нейтральным. Spritz — это Discord-зонд на Большие языковые модели (LLM), который опосредует границы дисциплин в междисциплинарных студенческих командах, выявляя имплицитные допущения и возвращая анонимизированные синтезы в общее обсуждение. Студенты ценили его и как когнитивную поддержку, и как реляционный буфер, но возникло центральное напряжение: воспринимаемая нейтральность ИИ была несущей конструкцией и разъедалась, как только ИИ переходил от нейтрального посредника к советчику или вызывающей стороне — ключевое ограничение проектирования для agents, которые опосредуют сотрудничество, сохраняя при этом Коллаборация человека и ИИ и Калибровка доверия.

Структурированный протокол фасилитатора — и его риск подхалимажа. Seo et al. (2026) расширяют совместную learning design структурированным протоколом «расхождение → совещание → схождение»: фасилитатор-LLM расставляет речевые ходы, отсчитывает фазы и суммирует инкрементально — формат, который 45 студентов нашли простым и похожим на обсуждение и который снизил потребность во внешнем фасилитовании. Конструкция повёрнута на напряжении, которое исследование измерило напрямую: агенты поддержали широту перспективного принятия (группы производили большие, более расходящиеся наборы заинтересованных сторон и решений, и агенты последовательно озвучивали мнения меньшинства), однако sycophantic, свободное от рассуждения согласие выпрямляло когнитивный конфликт, из-за которого сотрудничество углубляет мышление. Участники просили выдачу агента, которая обнажает промежуточные шаги совещания, а не только заключения, и контраргументы, сохраняющие подлинное разногласие.

Совместные структуры для образования в области ИИ. The Academic League of AI организует образование в области ИИ через демократическое студенческое Управление ИИ и проектные команды, внедряя Активное обучение и Проектное обучение в совместную, связанную с сообществом структуру.

Рамки ICAP: сотрудничество как высший режим вовлечённости

Совместное обучение занимает вершину ICAP framework (Interactive–Constructive–Active–Passive): интерактивный режим — совместное построение смысла через диалог, защиту позиции или совместное решение — производит самое глубокое изменение знания в таксономии Чи. Это делает ICAP и оправданием совместных педагогик, и ограничением проектирования для ИИ. ИИ, опосредующий обсуждение (как это делают Spritz или ProPACT), ценен именно тогда, когда он поддерживает интерактивную вовлечённость; ИИ, отвечающий за группу или сглаживающий когнитивный конфликт, может понизить сотрудничество до простого активного или пассивного режима. Аннотация на основе ICAP (см. extended ICAP measurement of collaborative dialogue) и исследования тайминга фасилитации одинаково рассматривают качество интерактивного дискурса как интересующий результат, основывая совместное обучение в Вовлечённость студентов и иерархии ICAP.(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents)(To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions)

Практические рекомендации

  • Моделируйте сотрудничество, а не только индивида. Инструменты, отслеживающие состояние диады или группы (как это делает ProPACT), могут скаффолдить само сотрудничество, предсказывая и предотвращая сбои, а не реагируя на них.
  • Сохраняйте когнитивный конфликт. Структурируйте ИИ как аргументативного партнёра, выявляющего разногласия и имплицитные допущения, избегая проблемы отполированных артефактов, где ИИ сглаживает хрупкую эпистемическую вовлечённость.
  • Персоны-контраргументаторы имеют аффективные издержки. В 97 триадах контраргументирующий ИИ сдвигал дискурс к вызову и рефлексии, но понижал удовлетворение командной работой (ε² = .062) и психологическую безопасность (ε² = .114), не повышая творческой выдачи (Jin et al. (2026)).
  • Согласуйте функцию агента с результатом, который вы намерены получить. Обзор 46 исследований агентов ИИ в компьютерно-поддерживаемом совместном обучении обнаружил последовательные сообщения о когнитивных приростах, тогда как поведенческие, социальные и эмоциональные результаты оставались контекстно-зависимыми, с сильнейшим согласованием между функцией агента и результатом внутри одной и той же области (Ba et al. (2026)).
  • Отдельная роль фасилитатора снижает доминирование, а не отзывчивость. В Oyelere's (2026) добавление агента-фасилитатора рядом с тьютором снизило дисбаланс ходов и слов в диаде (M = 0,103 и 0,105 против 0,183 и 0,182), не изменяя взаимной вовлечённости — хотя учащиеся были синтетическими персонами, а не реальными диадами.
  • Балансируйте эффективность против саморегуляции. Совместный ИИ, максимизирующий эффективность задания (делегированное рассуждение), может подрывать регуляторную вовлечённость учащихся; проектирование должно намеренно защищать пространство для согласованной интерпретации.
  • Уважайте ограничение нейтральности. Посредникам-ИИ доверяют, пока они нейтральны; переход к советующим или вызывающим ролям дестабилизирует это доверие, поэтому переключения ролей должны быть явными и настраиваемыми.
  • Учитывайте нейроотличных учащихся. Структурированные задания, небольшие стабильные команды и явные определения ролей — требования, которые инструменты ИИ-сотрудничества должны поддерживать.
  • Предпочитайте неоценочную обратную связь уровня класса. При поддержке реляционного измерения сотрудничества агрегированная обратная связь на уровне класса защищает Приватность и student agency там, где индивидуальная оценка ощущалась бы как наблюдение; студенты CoBi предпочитали qualitative визуализации (органическое дерево) quantitative (радарная диаграмма), а преподаватели ценили использование замечаний системы для пробуждения рефлексии выше, чем живой показ.
  • Проектируйте для того просмотра и внимания, которое предшествует вкладу. Совместное обучение в форумах online discussion зависит не только от размещения сообщений, но и от чтения, которое ему предшествует. Hao & Cukurova (2026) показывают, что сгенерированные LLM сводки обсуждений и примерные сообщения могут действовать как навигационные scaffolds, расширяющие экспозицию студентов к вкладам сверстников и сетевые условия для наведения (слабой связи) социального капитала — поддержку, которая должна дополнять, а не заменять социально-педагогические стратегии поддержания вовлечённости при академической нагрузке.
  • Социальная сторона показывает разрушение без компенсирующего прироста. В пяти процессах сотрудничества консенсус 30 экспертов достиг только уязвимости, при оценках улучшения ниже порога: Социальная связь (3,80 против улучшения 1,90), Социально-эмоциональное развитие (3,60 против 2,00), Социальное обучение, Совместное обучение и Чувство причастности (все 3,30) (Kendeou, Greene & Nixon et al., 2026). Отчёт рассматривает эту асимметрию как цель проектирования, поскольку совместное решение проблем привязано к общему продукту, тогда как совместное обучение не имеет видимого референта и может разъедаться незамеченным.

Связанные концепции

Связанные статьи

Связанные FAQ

Метаданные

УровеньK 12, Higher Ed
Целевая аудиторияLearners
Обучение и преподаваниеСовместное обучение, Скаффолдинг
Справедливость, этика и ответственное использованиеСправедливость
Основы ИИ в образованииИИ в образовании
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.