AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Диалоговый ИИ

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Агенты диалогового ИИ (CAI) — управляемые ИИ речевые или текстовые агенты, которые симулируют и автоматизируют диалоги: от rule-based чат-ботов до NLP/ML- и Мультимодальный ИИ ассистентов на базе LLM, — относятся к наиболее широко используемым интерфейсам ИИ в образовании, ценясь за поддержку в teaching, психологическую и метакогнитивную помощь, даже несмотря на сохраняющиеся технические, когнитивные и ethical проблемы.

Вопросы для размышления

  • Когда вы пользовались чат-ботом или ИИ-ассистентом, воспринимали ли вы его как преподавателя, поисковую систему или что-то иное? Как эта рамка влияла на то, сколько вы действительно узнали благодаря ему?
  • Диалоговый ИИ описывает ТО, КАК агент ведёт диалог, а не то, для чего он создан. Может ли чат-бот быть диалоговым, но совершенно непедагогичным — и по каким признакам вы бы заметили разницу?
  • Одно исследование показало, что ИИ-грамотность — а не общее техническое умение — предсказывала готовность и способность студентов использовать чат-бот. Почему понимание того, как работает ИИ, может быть важнее, чем «быть на „ты“ с компьютерами»?
  • Обычный общий чат-бот может прерывать рассуждения, отвечая сразу, тогда как структурированный тьютор сохраняет продуктивную борьбу, удерживая ответы. Какие проектные решения определяют, с каким типом агента сталкивается студент?
  • Студенты курса по праву вели треть своих взаимодействий с чат-ботом вне учебного времени — свидетельство того, что круглосуточная доступность даёт реальную выгоду. Но несёт ли постоянный доступ риски, против которых вы бы хотели проектировать защиту?
  • Главным барьером внедрения чат-бота в одном исследовании оказался плохо спроектированный всплывающий элемент, а не недоверие или опасения по поводу академической честности. О чём это говорит о том, где на самом деле проваливаются инвестиции в ИИ в образовании?

Введение

Диалоговый ИИ (CAI) — это обобщающий термин для управляемых ИИ агентов, которые ведут устный или письменный диалог, чаще всего реализуемых как чат-боты, а в последнее время и как generative ассистенты на базе Большие языковые модели (LLM), такие как ChatGPT, Claude, и мультимодальные образовательные аватары. Современные агенты CAI делятся на основанные на Машинное обучение, NLP-основанные и гибридные категории, при этом в образовании наиболее распространены текстовые агенты. Как инструменты обучения они функционируют как intelligent tutors, источники Обратная связь, interaction partners и административные помощники — пересекаясь с pedagogical agents, но охватывая более широкий набор применений.

Как диалоговый ИИ представлен в базе знаний

Синтез umbrella-обзора. umbrella review of CAI agents (34 обзорные статьи) показывает, что использование CAI сосредоточено в поддержке преподавания и обучения (97,1% обзоров), психологической и мотивационной поддержке (91,2%) и metacognitive поддержке и личностном развитии (88,2%), тогда как административная поддержка, управление research и образование в области здравоохранения отстают. Обзор документирует, что проблемы в отношениях между человеком и ИИ сохраняются во всех поколениях CAI, причём Академическая добросовестность и конфиденциальность Приватность emerge как новые этические вопросы, и призывает к HCI-обоснованному, опирающемуся на свидетельства проектированию и более сильной поддержке ИИ-грамотность.

От чат-ботов к тьюторам-агентам. База знаний прослеживает эволюцию CAI от rule-based FAQ-чат-ботов к tutoring-focused-ориентированным agents. conversational AI tutors framework утверждает, что доказанные technologies интеллектуальных тьюторинговых систем (Трассирование знаний, детекция аффекта, student modeling) должны служить основой генеративных тьюторов, тогда как Генеративный ИИ обеспечивает гибкий диалог. Исследования о том, whether LLM tutors teach or solve, и о tutoring-specific vs general AI показывают, что педагогически спроектированные Ограничители (guardrails) имеют значение: обычные общие чат-боты могут прерывать рассуждения, тогда как структурированные тьюторы сохраняют productive struggle.

Бенчмарки могут преувеличивать, насколько широко используется скаффолдинг: на данных 9 490 диалогов из девяти наборов данных студенты в реальных внедрениях обходили педагогическую рамку чат-бота при малых межличностных издержках, направляя взаимодействие к собственным целям, — инструментальный Поиск помощи, а не отстранённость (Neagu et al. (2026)).

Взаимодействие и коллаборация. Диалоговые агенты всё чаще рассматриваются как партнёры по взаимодействию, а не как источники ответов. Взаимодействие студента и ИИ описывает, как учащиеся на практике формулируют промпты, задают вопросы и проверяют информацию вместе с CAI. В Совместное обучение агенты опосредуют участие и совместную Регулирование ИИ в образовании, а в Изучение языков обеспечивают практику разговорной речи в реальном времени. Направление Коллаборация человека и ИИ рассматривает, когда это партнёрство сохраняет, а когда заменяет когнитивную работу учащегося. LLM как партнёры по критике иллюстрируют сторону сохранения конкретно: Oppenheimer, Cash & Connell Pensky (2025) заставили ChatGPT, Gemini или Claude критиковать аргументационные эссе студентов в течение семестра, и учащиеся улучшили результаты в письме, prompt engineering и ответах на обратную связь, оценивая обмен как полезный, увлекательный и приятный — при активном оспаривании утверждений модели (87,8%), что показывает критическое, а не пассивное отношение к разговорному партнёру.

Диалоговые агенты используются и для оценивания, и их оценочное поведение расходится с человеческим: ChatGPT был самым мягким из трёх оценщиков одних и тех же 52 студенческих проектов (M = 91,46 против 83,13 у преподавателя) и не разделял логику оценивания с коллегами (r = 0,05), хотя студенты высоко ценили его диалогическую интерактивность (Usher & Faraon (2026)).

Скаффолдинг на стороне студента. Jin et al. (2026) добавили в интерфейс чата монитор специфичности вопросов и шаблон доработки и вмешиваются только при расплывчатых вопросах: в исследовании с разными субъектами с участием 40 студентов колледжа, изучающих веб-программирование, пользователи HelpCoach задавали значительно более конкретные первые вопросы (57,3% против 40,5%) и сохраняли больше знаний через неделю (средний прирост 1,9 против 0,3 из 6, d = 1,100). Выгода в удержании не проходила через более адресные ответы чат-бота, которые не различались по условиям, — оставляя механизм открытой гипотезой, а не доказанной причинной связью.

Роль агента формирует взаимодействие. Проектирование CAI не нейтрально к его персоне: Liao (2026) обнаружил, что фиксированный компаньон в роли «студента-сверстника» в беседах о прочитанном в начальной школе поддерживал более долгие взаимодействия, но доминировал в разговоре (меньшая доля слов и предложений студента) и упирался в «аффективный потолок» — сравниваясь с живым преподавателем в фактическом припоминании, но уступая в эмоциональном и ориентированном на будущее осмыслении, — и утверждал, что CAI должен адаптировать свою роль (сверстник, ассистент преподавателя, советник родителей), а не оставаться монолитным. Xu et al. распространяют это на малые группы, показывая, что генеративный ИИ действует и как агент, и как коллаборативное пространство в синхронных и асинхронных коллаборативных процессах, где проектирование взаимодействия решает, служит ли он опорой групповому познанию или вытесняет его. Тон может задаваться и внешним классификатором, а не только самим разговором: Sukoon (Bashir & Afzal, 2026) обучает Random Forest на 20 признаках из опроса для присвоения низкого, умеренного или высокого уровня стресса, и этот результат выбирает один из трёх уровней ответов, вдохновлённых моделью Stepped Care — тёплый и поощряющий при низком стрессе, заземляющий и неосуждающий при высоком, — после чего Открытый код LLM (GLM-4.5-Air через OpenRouter) берёт на себя диалог с полной историей разговора и культурно адаптированным системным промптом, отправляемым заново на каждом ходу. Авторы намеренно выбрали модель со свободным доступом и multilingual, чтобы сохранить осуществимость внедрения в региональных университетах, и отмечают, что урду проявляется через промпт-инжиниринг, а не через подлинно двуязычный конвейер, — ограничение, которое важно всякий раз, когда культурная уместность заявляется как свойство системы, а не как оценённый результат.

Разговорное поведение отслеживает провайдера, а не тонкую настройку. Среди 1 971 расшифровки ИИ и 135 человеческих, оцененных по шести фиксированным правилам, взятым из наук об обучении, модели одного провайдера группировались вместе без пересечения диапазонов между семействами, что авторы трактуют как поведение в преподавании, следующее практике обучения в масштабах провайдера, а не индивидуальной настройке моделей (Northcutt et al. (2026)).

Согласованность ответов — инфраструктурная проблема, а не проблема промптинга: сходство ответов внутри модели составляло 0,715–0,795 против 0,443–0,604 между моделями, а добавление истории чата меняло содержание ответа даже для того же фокусного сообщения (Hao (2026)). Взгляд студентов. Реальное использование показывает, что внедрение зависит от ИИ-грамотность и user experience больше, чем от технических возможностей. Ориентированное на человека mixed-methods исследование «Jordan Chatbot» — pedagogical агента на базе GPT-4o в курсе по праву в Австралии — обнаружило, что студенты сохраняют позитивное отношение и отмечают прирост знаний, решительно поддерживая при этом требования Академическая добросовестность; более трети взаимодействий происходило вне рабочего времени, подтверждая ценность доступности 24/7 (Colbran, Jha & Schiavone 2026). Примечательно, что ИИ-грамотность — а не общее владение технологиями — предсказывала готовность и уверенность в использовании чат-бота, а удобство использования (навязчивый дизайн всплывающего окна) было крупнейшим барьером среди не-пользователей, опережая доверие, предпочтение персонала и опасения по поводу академической честности.(Understanding student perspectives on generative AI chatbots: a human-centred mixed-methods study in higher education) Исследование рекомендует ориентированное на человека проектирование, явные политики в отношении ИИ и маркировки оценивания, обучение персонала и студентов и непрерывный мониторинг ошибок — свидетельство того, что эффективное внедрение CAI является в той же мере проблемой проектирования и грамотности, как и технической. На другом конце возрастного спектра Vahedian Movahed & Martin (2025) изучали детей 6–14 лет, взаимодействующих с AMA — чат-ботом, ограниченным тематикой и адаптированным по возрасту (астрономия, кроссовки и обувь, динозавры), — обнаружив широкую открытость и высокое доверие к ИИ как к источнику информации — дети даже проверяли его достоверность вопросами с известными ответами — наряду с пробелами в критическом взаимодействии и осведомлённости о цифровой безопасности, что говорит в пользу возрастно-чувствительного, учитывающего доверие проектирования conversational-ai и явного обучения Приватность.

Состав пользователей агента тоже различается: среди 97 студентов магистратуры по статистике более четверти никогда не пользовались чат-ботом StatBot, а студентки пользовались им значимо чаще (W = 679,5, p = .015), что авторы трактуют как снижение диалоговым ИИ воспринимаемого социального риска задавать вопросы (Lee and Wu (2026)).

Внедрение неоднородно: кластеризация 192 ответов студентов и преподавателей даёт четыре персоны — «Осторожные достигающие», «Скептичные утилитаристы», «Отстранённые сомневающиеся» и «Вовлечённые энтузиасты», — которые скрыты в моделях принятия, основанных на средних эффектах, причём студенты приоритизируют немедленную Обратная связь, а преподаватели — точность содержания и Академическая добросовестность (Saihi & Ahmed (2026)). Долговечность наблюдалась для одного институционального внедрения. Четырёхлетняя рандомизированная оценка негенеративного чат-бота на базе базы знаний в Университете штата Калифорния, Нортридж (N = 8 708), показала, что студенты оставались восприимчивы в течение восьми семестров — ежегодные уровни отказа никогда не превышали 4%, — при этом эффекты концентрировались в чувствительных ко времени административных задачах, таких как ранняя регистрация на курсы (на 34 процентных пункта выше вероятность зачисления к крайнему сроку), и значимых статистических эффектов на среднем балле, зачётных единицах или персистентности не появилось (Mata, Russell & Page 2026, рабочий документ). Его урок об измерении касается того, как учитывается вовлечённость в CAI: при почти нулевом отказе наряду с примерно 5% активного участия в интерактивных кампаниях выводы об устойчивой вовлечённости зависят от того, учитывает ли исследование только прямые ответы или также пассивное участие, когда студенты действуют на основе информации, не отвечая текстом.

Риски и этика. Агенты CAI несут устойчивые риски over-reliance и cognitive offloading (ведущая этическая проблема в umbrella-обзоре), а также технические ограничения, hallucination, предвзятость, plagiarism и барьеры equity. Эти проблемы питают ИИ-грамотность и Снижение масштабов неправомерного использования ИИ и требуют ответов в виде policy и этического Управление ИИ. Дальнейшая проблема доверия возникает вокруг советов по внедрению, которые всё чаще получает персонал: сотрудников призывают консультироваться с диалоговым ИИ о том, стоит ли внедрять ИИ, хотя такие системы создаются организациями, коммерчески заинтересованными во внедрении. Аудит десяти frontier LLM показал, что большинство признаёт опасения скептичных пользователей, прежде чем перенаправлять разговор в русло вовлечения, что ставит вопросы о нейтральности советов по внедрению ИИ.

Диалоговые агенты в играх. Помимо тьюторинга, диалоговые агенты внедряются в цифровое обучение на основе игр. Wenzel, Geiger и Liening (2026) с помощью action design research выводят фреймворк CAIS-GBL — четыре принципа проектирования и пятнадцать проектных особенностей для диалоговых агентов ИИ в цифровом игровом обучении, — основанный на теоретически обоснованных метатребованиях, охватывающих когнитивное, мотивационное, affective и socio-cultural engagement, а также позицию равенства через проектирование. Их реализованный агент (Лара) в бизнес-Моделирование игре был положительно встречен за когнитивное и social presence и поддержку self-regulated learning, оценённый со студентами-педагогами и в полевом исследовании, — практический план для adaptive instructional support через conversational agents in serious games.

Связь с педагогическими агентами и интеллектуальным тьюторингом

Диалоговый ИИ лучше всего понимать как модальность взаимодействия, которая пересекается — но не совпадает — с двумя более устоявшимися конструктами базы знаний: pedagogical agents и intelligent tutoring systems (ITS).

Диалоговый ИИ как среда, а не педагогика. CAI называет то, как агент общается (естественно-языковой диалог, устно или письменно). Сам по себе он мало говорит о том, для чего агент построен. Педагогические агенты, напротив, определяются их инструктивной ролью — компонентом ИИ, который вовлекает учащихся через диалог, вопросы или промпты для поддержки metacognitive processes, Обратная связь и Скаффолдинг. Intelligent tutoring systems определяются их архитектурой и моделированием — диагностической основой из Трассирование знаний, student modeling и педагогической логики принятия решений, которая отслеживает, что знает учащийся, и адаптирует обучение. Один агент может быть всеми тремя одновременно: например, conversational AI tutor — это агент CAI (интерфейс диалога), который функционирует как педагогический агент (стратегии тьюторинга), построенный на основе ITS (моделирование студента). Различие важно, потому что агент CAI вовсе не обязательно педагогически обоснован — простой FAQ-чат-бот является диалоговым ИИ, не будучи педагогическим агентом или тьютором.

Оптика педагогического агента. Педагогические агенты используют разговорную среду для реализации стратегий преподавания — провоцирования самооценок, Socratic questioning, ролевой специализации в multi-agent проектах (Учитель, Ассистент, Одноклассник, Анализатор). Не каждый агент CAI является педагогическим агентом, но эти два множества сильно пересекаются: umbrella-обзор агентов CAI обнаружил, что в применениях CAI доминируют поддержка преподавания и обучения (97,1%) и метакогнитивное развитие (88,2%), что означает, что большинство образовательно-ориентированных агентов CAI функционирует педагогически. novice-programmer scoping review уточняет: лишь 4 из 23 диалоговых агентов явно основывали проектирование на learning theory — большинство были педагогическими по намерению, но не по обоснованию.

Оптика ITS. Интеллектуальный тьюторинг вносит механизмы *cognitive diagnostic, которых не хватает сырым разговорным моделям. conversational AI tutors framework утверждает, что доказанные технологии ITS должны служить основой генеративных тьюторов: трассировка знаний, детекция аффекта и моделирование студента обеспечивают структуру, тогда как Генеративный ИИ и LLMs обеспечивают гибкий диалог. Это ключевое проектное напряжение — диалоговый ИИ даёт естественное, масштабируемое взаимодействие, но без ITS-подобной структуры он рискует привести к over-scaffolding, галлюцинациям или обходу продуктивной борьбы учащегося. Исследования вроде Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact и The Evidence Base on AI in K-12: A 2026 Review показывают, что педагогически-ориентированные критерии (наводящие вопросы, калиброванные подсказки) должны проектироваться явно.

Коротко: диалоговый ИИ — это интерфейс/среда, педагогические агенты — роль, а интеллектуальный тьюторинг — лежащее в основе моделирование и логика обучения. Образовательно ценные агенты CAI находятся на пересечении всех трёх — разговорные в интерфейсе, педагогические в намерении и тьютороподобные в моделировании учащегося.

Практические рекомендации

Выбирайте диалоговых агентов для поддержки преподавания, Мотивация и Метакогниция, а не просто для ответов на вопросы, и проектируйте ориентированное на HCI, партисипативное и центрированное на пользователе взаимодействие. Противодействуйте over-reliance, сочетая CAI с обучением ИИ-грамотность и Обратная связь, которая сохраняет когнитивную продуктивность учащегося. Уделяйте ИИ-грамотности и удобству использования явное внимание — поскольку именно они, а не общие цифровые навыки, определяют внедрение и неиспользование (Colbran, Jha & Schiavone 2026) — и сочетайте внедрение с ясными политиками использования ИИ, маркировками оценивания и обучением. Оценивайте CAI по педагогическим результатам, а не только по выполнению задач, и планируйте равный доступ и Доступность с самого начала, а не как запоздалую мысль.

  • Как студенты на самом деле разговаривают с диалоговыми агентами — схема отстранённости из шести категорий: Rho et al. (2026) встроили обучаемого агента на GPT-4-Turbo (позиционированного как испытывающего трудности школьника средней школы, основанного на RAG над графом знаний и соединённого с агентом-наставником, который критиковал объяснения студентов) в уроки алгебры и геометрии Math Nation и закодировали 5 522 высказывания от 246 студентов. Помимо вовлечённости (75,7% высказываний), они выделили Ложные ответы (12,8%), Уклонение (8,9%), Случайные/шумные (2,1%), Зеркалирование (0,6%), Издевательство (0,3%) и Исчезновение (0,2%), — при этом Зеркалирование (копирование текста агента) было выявлено индуктивно из данных. Классификация велась с человеком в цикле: 1 682 высказывания размечены двумя экспертами (κ = 0,704–0,905 на категорию) обучили дообученный классификатор LLaMA 3 (взвешенный F1 = 0,910 на отложенных тредах), который разметил остальные 3 840 высказываний. Анализ конкурирующих рисков на уровне процесса затем показал, что большинство случаев отстранённости разрешается за несколько ходов, кроме Уклонения, которое сохраняется, — сигнал, вокруг которого стоит проектировать ответы агента.

Связанные концепции

Связанные статьи

Цитирование

Ganguly, A., Mehjabin, N., Malik, A., & Johri, A. (2025). Conversational AI agents in education: an umbrella review. AI and Ethics, 6, 72.

Метаданные

Технологии и методыДиалоговый ИИ, Генеративный ИИ, Интеллектуальное тьюторство, Большие языковые модели (LLM), Педагогический агент
Основы ИИ в образованииИИ-грамотность, Коллаборация человека и ИИ
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.