AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Информатика (CS) в образовании

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Информатика (CS) в образовании — образование в области science education — наиболее исследованная STEM-подобласть в базе знаний, выигрывающая от естественного согласования между инструментами ИИ и задачами программирования. Генерация кода, помощь при отладке и автоматический ревью кода — его основные применения ИИ. Поскольку студенты учатся строить те самые инструменты, которыми пользуются, образование в области CS находится в центре дискуссий об ИИ-грамотности, перестройке учебного плана, агентной разработке программного обеспечения и границе между подлинным обучением и over-reliance.

Вопросы для размышления

  • Если ИИ теперь может писать код, проходящий настоящие экзамены по программированию, что студенты всё ещё должны учиться делать вручную — и чему учебный план должен перестать учить?
  • Research обнаружило, что более высокое доверие к ИИ-ассистенту по программированию предсказывало ХУДШУЮ способность отличать верные предложения от вводящих в заблуждение. Чем доверие отличается от уместной опоры, и как бы вы учили последней?
  • В со-программировании студент–ИИ почти 80% взаимодействий опирались на необучающие стратегии, такие как передача ответов наружу, и лишь примерно 1 из 9 демонстрировали глубокое эпистемическое engagement. Почему подлинное обучение редко происходит по умолчанию, когда доступен ИИ?
  • Агент Обучение через преподавание, который был слишком компетентен, подорвал практику отладки у студентов. Сделали бы вы ИИ-тьютора намеренно способным ошибаться — и если да, то как?
  • По мере автоматизации ИИ реализации учебные планы смещаются от написания кода к верификации и направлению сгенерированных ИИ артефактов. Каких новых компетенций это требует и что может быть утрачено в этом сдвиге?
  • Студенты строят те самые инструменты, которыми пользуются. Как быть одновременно строителем и пользователем ИИ меняет то, что они должны узнать о его пределах — и его этике?

Введение

ИИ в образовании по информатике

  • Генерация и завершение кода: CS1 code review, DURA for CS2 и NL programming mistakes исследуют, как студенты используют ИИ для генерации кода и что они узнают из этого.

  • Диалоговые агенты для новичков (scoping review): Barzanji & Loitsch (2025) картируют 23 исследования (2019–июнь 2024) conversational agents для программистов-новичков, документируя сдвиг от rule-based чат-ботов к агентам на базе Большие языковые модели (LLM) и RAG (генерация с дополненным поиском) (причём retrieval-augmented generation снижает hallucination) и персонализированную поддержку тьюторинга (например, InfoBot, ProbSol-Bot, Lint Bot, Profe Alex). Примечательно, что лишь 4 из 23 исследований основывают проектирование на learning theory, а 17 из 23 прототипов работают только на английском, хотя большинство исследований происходит из неанглоязычных стран, — что указывает на слабое pedagogical обоснование и разрыв в инклюзивности для будущего проектирования CA во вводном программировании.

  • Поддержка отладки: Debugging tools, human-AI debugging collaboration и dyadic pair-programming modeling используют ИИ для идентификации и починки ошибок.

  • Тьютор с инструментальной надстройкой, резидентный в браузере, — это архитектура, к которой сходится поле. Конструкция SLM с инструментальной надстройкой соединяет небольшой дообученный планировщик (1B–7B) с четырьмя детерминированными инструментами — исполнителем кода, запускалкой тестов, модулем поиска по документации, модулем knowledge tracing — за политикой эскалации из четырёх уровней (сначала инструменты, затем SLM на устройстве, затем облачная LLM с согласия, затем преподаватель), смещая педагогический контроль с модели на аудируемую политику; предварительная модель завершения объёмом ~150M достигает 10,97% pass@1 на HumanEval, выше нескольких базовых линий для кода объёмом 100M–150M (Suvernev et al. (2026)).

  • Небольшой дообученный тьютор может превзойти по скаффолдингу более крупную общую модель. Дообучение Qwen2.5-Coder-7B-Instruct на 1 213 синтетических диалогах обучения снизило преждевременное раскрытие решения с 7,43% до 1,88% ходов тьютора и подняло пошаговый скаффолдинг и качество отладочных вопросов выше уровня GPT-4o, хотя надёжная генерация педагогических планов осталась открытой проблемой (Kopytskyi et al. (2026)).

  • Автоматическое оценивание: Linux Bash grading, a large-scale 18-model grading comparison и LLM intervention review оценивают автоматическую проверку кода. Безопасность этого рабочего процесса — отдельный вопрос: Humble (2026) провёл red-team рутинной задачи оценивания с ИИ и обнаружил, что инструкции, спрятанные внутри сданного файла, повышали оценку провального эссе без видимого предупреждения — в 9 из 9 итераций для одной стратегии и в 17 из 18 для другой, — свидетельство, что устойчивость оценщика принадлежит списку проверки Валидность оценивания наряду с точностью.

  • Однопредложной промпт для оценщика может обрушить LLM, а тонкая настройка её исправить. Habibullah et al. (2026) оценили практический экзамен по компьютерному зрению (570 студентов с двойным оцениванием) в 171 конфигурации и экзамен по машинному обучению (1 038 студентов) ещё в 162: короткая преамбула «строгий оценщик» вывела 14 из 17 моделей с открытыми весами из оцениваемой полосы (MAE ≥ 8), причём три вообще прекратили оценивание, и ущерб отследился до двух предложений политики удержания кредитов, чьё направление не переносилось на второй экзамен (семь моделей улучшились). Один адаптер LoRA на примерно 3 900 объединённых оценённых примерах привёл пять малых открытых моделей к паритету с оценщиком-человеком.

  • Сгенерированные ИИ учебные медиа: Generated Animated Traces показывают, что сгенерированные ИИ визуализации могут помогать немедленному обучению, но должны быть персонализированы — студенты среднего уровня испытали снижение результативности, согласованное с эффектом обращения экспертизы.

  • Критика аналогий GenAI как учебный ресурс: Bernstein & Sibia (2026) основывают восприятие аналогий GenAI в CS2: десять студентов, уже прошедших CS2, аудировали сгенерированные GenAI аналогии для связных списков и рекурсии и отвергли отображения, не проходившие структурного соответствия — аналогию остров-маршрут, отображавшуюся на кольцо, а не на односвязный список, или ралли в бадминтон, предложенное для рекурсии, несмотря на отсутствие гарантированного уменьшающегося ввода, причём один студент предложил гольф. Работа утверждает, что критика аналогий сама по себе является проверкой концептуального понимания, делая ошибочные аналогии ИИ полезным учебным ресурсом, а не опасностью, которую надо отфильтровывать, и рекомендует назначать их как объекты для осмотра и починки.

  • Моделирование Misconception: a taxonomy of conditionals/loops misconceptions даёт автоматическим системам точный словарь для диагностики ошибок новичков.

  • Моделью генерируемые стратегические заблуждения: Miličević et al. (2026) построили SocraticTrap-CS вокруг 35 концептов из учебного плана ACM/IEEE CS2023 — алгоритмы, языки программирования, базы данных, сети и операционные системы — и попросили семь моделей с открытыми весами дать беглое, авторитетное объяснение, опирающееся на тонкую ошибку. Шесть из семи произвели подтверждённое экспертами стратегическое заблуждение для 91% и более запрошенных концептов (221 из 241 сегмента, 91,7%) без значимых различий между областями CS; концептуальные ошибки доминировали (66,5% концептуальных против 33,5% фактических, и ни одной чисто логической), а убедительность и тип ошибки различались по областям. Поэтому авторы рекомендуют доменно-чувствительные контрмеры — проверки, ориентированные на рассуждение, в программирование-интенсивных курсах, перекрёстные ссылки на спецификации протоколов в сетях, — и оценку Автоматическая генерация вопросов и написанных ИИ объяснений по педагогической trustworthiness, а не только по правильности.

  • Результативность Аутентичное оценивание: Lepp & Kaimre (2026) показывают, что системы GenAI 2026 года превосходят средний студенческий когорт на аутентичных вводных assessments по ООП и часто получают полный балл на более длинных задачах программирования, но всё ещё затрудняются с интерфейсами, абстрактными классами, наследованием и вопросами с изображениями — повторяющиеся паттерны ошибок, которые преподаватели могут использовать при проектировании оценивания. Продольное исследование CS1 усиливает сторону возможностей: Ye et al. (2026) измерили frontier-модели на 98,93–99,99% на лабораторных работах против 76,37–88,03% для студенческих сдач.

  • Предиктивное моделирование для поддержки групп риска: Zhang, Jeffries & Koprinska (2025) показывают, что внутренне интерпретируемые деревья решений, обученные на признаках журналов взаимодействия с контентом, точно предсказывают прогресс на уровне модулей в крупномасштабных онлайн-курсах программирования (85–91% точности в четырёх курсах K-12) и помечают исходы отсева «нет сдачи», давая педагогам окно в 7–8 дней, чтобы intervene с испытывающими трудности и отстранёнными Учащиеся до крайного срока модуля, — дополняя работу по автоматическому оцениванию и предсказанию отсева выше.

  • Поддержка на основе retrieval для теоретической CS годится только для асинхронной учёбы. AlgoRAG ответил на все 179 авторских экзаменационных вопросов в пределах таймаута 240 секунд, в среднем по 38,0 секунды каждый, и его BLEU-4 = 0,0000 на всём наборе — свойство n-граммного сопоставления на математических доказательствах, а не отказ системы (Adhikari (2026)).

  • Внедрение отслеживает задание, а не подобласть. Среди семи заданий и 211 студентов Nizamani et al. (2026) измерили использование LLM от 89,6% в алгоритмах до 15,2% в разработке ПО, объясняя разброс сложностью задания, проверяемостью и скаффолдингом, а не самим предметом.

  • Обратную связь можно ступенчато подавать так, чтобы диагноз оставался скрытым. Riazi & Rooshenas (2026) отделяют основанную на артефакте диагностику схемы базы данных студента от рабочего процесса, который её выпускает, причём педагоги авторят ступени; в 383 эпизодах 71,1% обратной связи достигали целевого уровня.

Педагогика программирования: от блоков к воплощённому игровому обучению

Образование в программировании охватывает вводное блочное программирование до продвинутой разработки ПО и всё более основывает абстрактный код в конкретных, наблюдаемых результатах.

  • Блочное визуальное программирование: среды вроде Scratch и Blockly позволяют начинающим соединять графические блоки, а не вводить текст, устраняя синтаксические ошибки и делая структуру программы видимой — особенно ценно для юных учащихся и для управления educational robots. В эпоху ИИ они всё чаще сочетаются с диалоговыми ИИ-агентами (например, Micro:bit + MakeCode in teacher training, small-language-model tutors).
  • Embodied блочное программирование: RoboBlockly Studio сочетает блочное программирование с диалоговым ИИ-агентом преподавания и воплощённым исполнением роботом, создавая итеративный цикл авторство–исполнение–наблюдение–пересмотр, который сохраняет Автономность учащегося учащегося.
  • Управление роботами на естественном языке: EduSim-LLM позволяет начинающим управлять симулированными роботами через инструкции на естественном языке, снижая барьер к робототехническому программированию без необходимости экспертизы в низкоуровневом коде.
  • Робототехника и вычислительное мышление: Valls i Pou связывает вычислительное мышление с образовательной робототехникой в школьных учебных планах STEAM, а teacher-training research утверждает, что робототехнические и ML-деятельности следует встраивать в Профессиональное развитие преподавателей.
  • Игровое и геймифицированное обучение: A systematic review сравнивает игровое обучение (годящееся к неформальным условиям) и геймификацию (годящуюся к формальным аудиториям) в робототехническом образовании, которое акцентирует вводное программирование и модульные наборы.
  • Робототехника на основе проектов: Bots and Blocks учит программированию роботов через гибкий, растянутый на семестр project, решая разрыв между теорией и практикой в высшем образовании.
  • Влияние LLM на learning outcomes: Jošt et al. (2024) и a meta-analysis of GenAI and programming learning исследуют, помогают ли инструменты с ИИ достижениям в программировании или подрывают их.

Трансформация учебного плана в эпоху ИИ

Вопрос «что студенты должны всё ещё учить вручную?» теперь переустраивает компьютерные программы.

  • От реализации к верификации: Reshaping Undergraduate CS Education утверждает, что по мере автоматизации GenAI программирования, отладки и тестирования на уровне реализации, учебные планы должны сместиться к пониманию и верификации сгенерированных ИИ артефактов, сохраняя проектирование систем, абстракцию и critical evaluation, снижая акцент на деталях низкоуровневой реализации. Это согласуется с рамками ИИ-грамотность, которые ценят оценивание выше генерации.
  • Агентная разработка ПО как дисциплина: ASE-26 формализует направление агентов, а не написание кода — обучая аудируемости, инжинирингу контекста, верификации, мультиагентным рабочим процессам и AgentOps, — и позиционирует компетентность в agentic AI как структурированный, скаффолдированный учебный план, а не освоение синтаксиса.
  • От производства к суждению: долг понимания и AASEE. Mahmoud (2026) утверждает, что поле должно сместиться от модели, центрированной на производстве, к модели, центрированной на суждении, и распространяет долг понимания — отложенное обучение и издержки сопровождения, когда производство с ИИ опережает способность учащегося объяснить, протестировать, модифицировать и обосновать программное обеспечение, — на линзу Оценивание, основанную на 621 рефлексивном дневнике от 207 студентов. Обзор уточняет рамку AASEE до пяти нелинейных уровней интеграции, пересечённых четырьмя обязательствами свидетельств — объясни, верифицируй, модифицируй и отчитайся, — и сообщает об условной доказательной базе: STEM meta-analysis с крайней неоднородностью (I² = 96,32%) теряет свою объединённую выгоду после коррекции на смещение публикаций, а синтезы 76, 72 и 64 исследований показывают краткосрочные приобретения в эффективности, которые не transfer на результативность без помощи.
  • Новые педагогики и модели оценивания: Test-Driven AI-Assisted Learning заменяет лекции self-directed обучением с помощью ИИ, воротами которого служат еженедельные закрытые тесты, сохраняя индивидуальную ответственность, тогда как ИИ-агенты масштабируют производство материала и оценивание под human oversight.
  • Преподавайте механику модели офлайн. Набор ресурсов для практиков преподаёт полный конвейер обучения→генерации LLM без сети — вручную посчитанные n-граммные сетки и сэмплирование на кубиках, без предположений о программировании или математике — и сообщает о доставке примерно 400 участникам, причём вовлечённость начинается только на стадии генерации (Swift (2026)).
  • Что предсказывает успех в Вайб-кодинг — и что продолжать учить: A preregistered CHI 2026 study (N=100) чистого «беcкодового» вайб-кодинга обнаружило, что и достижения в области компьютерных наук (r = .39), и владение письменной коммуникацией (r = .29) независимо предсказывали результативность, причём достижения в CS оставались значимыми даже после контроля общедоменной когнитивной способности и давали примерно вдвое большую уникальную дисперсию, чем письменный навык. Поскольку среда скрывала сгенерированный код, знание CS могло помогать только косвенно (декомпозиция задачи, алгоритмическое мышление), — делая оценку CS нижней границей для рабочих процессов с ИИ, которые также разрешают редактирование. Авторы утверждают, что учебные планы должны взвешивать письменную коммуникацию наряду с основами CS, а не трактовать вайб-кодинг как освоение синтаксиса, устаревшее.

ИИ-грамотность, субъектность и риск чрезмерной опоры

Поскольку программирование — это место, где помощь ИИ сильнее всего, там же и режимы отказа видны лучше всего.

  • Доверие ≠ уместная опора: Trust and reliance on AI (Pitts et al.) обнаружили, что более высокое доверие к ИИ-ассистенту предсказывало худшее различение между верными и вводящими в заблуждение предложениями при Решение задач на Python — с модерацией через ИИ-грамотность и потребность в познании. Цель — калибровка, а не уверенность.
  • Эпистемическая ИИ-грамотность: Wu (2026) показывает, что в со-программировании студент–ИИ 78,8% взаимодействий опирались на неориентированные на освоение цели и ненадёжные стратегии (передача ответов наружу, поиск верификации), причём лишь 11,1% демонстрировали высокое эпистемическое вовлечение, — подлинное обучение редко возникает без намеренной поддержки проектирования.
  • ИИ-запросы узки и следуют паттернам генерации. Классифицируя 830 промптов CS2 против таксономии Грассера, Amoozadeh and Alipour (2026) обнаружили, что утвердительные, верификационные и инструментальные промпты доминировали в обеих сессиях и что студенты первого поколения задавали меньше вопросов и опирались на верификацию, тогда как сверстники, продолжающие образование, использовали ИИ как активного партнёра по решению задач.
  • Структурные интервенции против опоры на копипаст: Soft barriers for copying in AI-assisted programming оценивают лёгкие проектные интервенции (например, механизмы, отговаривающие от слепого копипаста результата ИИ) и обнаруживают, что они могут снизить чрезмерную опору, не блокируя помощь ИИ, — свидетельство, что риск over-reliance в образовании по CS поддаётся исправлениям через проектирование обучения, а не только через обучение учащихся или запреты.
  • Обучаемые агенты и продуктивная практика: Learning-by-teaching with ChatGPT улучшило приобретение знаний и качество кода, но подорвало практику исправления ошибок, потому что агент слишком компетентен, — проектный урок: делайте агентов намеренно способными ошибаться, чтобы отладка сохранялась.
  • Управление помощью: a scoping review of 90 systems вводит рамку PEA (Policy, Enforcement, Authority) для ограничения и контроля помощи LLM — сравнительный словарь для проектирования Скаффолдинг, ограничивающего чрезмерную опору.
  • Соответствие управления, а не строгость. Dickey (2026) предлагает профиль управления из шести измерений — педагогическое обоснование, инструктивный авторитет ИИ, человеческая ответственность, субъектность учащегося, границы контекста и видимость оценивания, — и показывает на семи внутренних инструментах и четырёх опубликованных системах программирования, что одна и та же модель может распределять авторитет и ответственность очень по-разному; что предсказывает ответственное масштабирование, так это соответствие управления инструктивной функции, а не строгость инструмента.
  • Поведенческий контекст для адаптивного тьюторинга с ИИ: Barron et al. (2026) представляют TutorTrace — набор данных и конвейер, делающий поведенческий контекст учащихся вычислимым в реальном времени из телеметрии IDE в курсах Python с ИИ (N=480). Он выводит таксономию деятельности до, между и через ИИ-запросы, и может классифицировать, отражает ли предстоящий запрос направленный или зависимый Поиск помощи (AUROC=.717), и предсказывать неизбежные запросы (AUROC=.726); учитывающие поведение промпты снизили интервалы запросов без самостоятельной работы с 50,0% до 20,7% в предварительной оценке. Это показывает, как поведенческая телеметрия может сделать AI programming tutors адаптивными к фактическим усилиям учащихся, а не только к их явным запросам.
  • Двойственность постройки того, что используешь: уникальная позиция студентов CS создаёт и meta-cognitive осведомлённость о пределах ИИ, и реальный риск Over-Reliance на сгенерированный ИИ код. Code review interviews и critical engagement studies адресуют это напряжение прямо.
  • Агентное кодирование и понимание в командном PBL: Tanaka et al. (2026) ввели Spec-Driven Development с AI agents в проектный курс по разработке ПО для бакалавриата и обнаружили, что пропускная способность реализации (добавленные LOC) выросла в 2022–2025 годах, тогда как интенсивное использование ИИ совпало с провалами в понимании кода, восстанавливавшимися только после индивидуальных проверок преподавателем, — прямое свидетельство, что приобретения в пропускной способности не гарантируют понимания и что over-reliance при кодировании с ИИ поддаётся мониторингу в обучении.

Равенство, культура и кто попадает в компьютерные науки

  • Расширение участия: SuaCode документирует мотивации к программированию на смартфонах среди африканских студентов (менее 1% выпускников средней школы обладают фундаментальными навыками кодирования), информируя доступные поддерживаемые ИИ MOOC для low-resource contexts.
  • Нейрорасходимость и коллаборация: Neurodivergent computing students сообщают о дискомфорте с неоднозначными структурами коллаборации; структурированные задания, меньшие постоянные команды и явные роли улучшают Доступность — проектные уроки для ИИ-инструментов, входящих в аудитории информатики.
  • Культура формирует воспринимаемую этику: Canadian vs. South Korean computing students оценивали идентичные практики кодирования с ИИ по-разному, несмотря на функционально идентичную политику, — гармонизация политик не производит гармонизацию восприятия, что является проблемой Академическая добросовестность и Справедливость.
  • Прозрачность transparency: Graf et al. обнаруживают, что рассогласованные убеждения партнёров об использовании ИИ друг другом предсказывают более низкие оценки проекта, особенно для менее успевающих студентов, — механизмы прозрачности (раскрытие, общие журналы) могут понадобиться в коллаборативном программировании.

Этика и рабочая сила

  • Разрыв между этикой и поведением: the "Cost-of-Ethics Crisis" показывает, что студенты CS, несмотря на современное образование по этике, приоритизируют вознаграждение, расположение и культуру над ethical соображениями в поиске работы — критический разрыв в переносе обучения этике на поведение.
  • Переустройство рабочей силы: a systematic review of U.S. gray literature формулирует «проблему двойного поезда» — быстрое изменение ИИ, обгоняющее institutional приспособление, — и призывает к устойчивым компетенциям в ИИ, этике/управлении и компетенционно-основанным подтверждениям квалификации, согласованным с возникающими ролями (например, Промпт-инжиниринг, аудит ИИ, AI policy).

Связи

Образование по CS связано с Вычислительное мышление, STEM-образование, Automated Grading, Промпт-инжиниринг, ИИ-грамотность, Агентный ИИ, Проектирование учебного плана, Коллаборация человека и ИИ, Высшее образование, K-12 и Обучение на рабочем месте. Его ближайший прикладной сосед — Образование в области информационных технологий: образование по CS берёт программу и алгоритм как свой объект, тогда как образование по IT берёт развёрнутую организационную систему и суждение практика о ней, — почему эти два поля обсуждают разные опасности ИИ, эрозию навыка программирования генерацией кода против эрозии диагностического навыка решением проблем ИИ, и задают разные вопросы о своих выпускниках, могут ли они построить систему против могут ли они управлять системами, которые администрируют. Это область, где инструменты AIED и используются, и строятся, делая её испытательным полигоном для Интеллектуальное тьюторство, Роботы в образовании (Robots in Education), Совместное обучение, Обучение на основе игр и рисков Over-Reliance.

Синтез 72 исследований и рамка VIE. Kumar, Wongsirichot and Nanthaamornphong (2026) рассмотрели эмпирическую литературу о генеративном ИИ в образовании по вычислениям и программированию (январь 2022 – апрель 2026, 72 исследования, 33 площадки) и выдвинули на первый план именно ту структурную особенность, которая делает дисциплину отличительной: ИИ генерирует сам оцениваемый артефакт, поэтому использование инструмента, обучение навыку и оценивание сворачиваются в одно нажатие клавиши. Их синтез 14 тем обнаруживает, что наиболее воспроизводимый эффект поля — краткосрочные приобретения в эффективности и завершении (36 исследований) — является также и наиболее обманчивым: эти приобретения не transfer на результативность без помощи (21 исследование), и prior knowledge модерирует, превращается ли помощь в устойчивый навык или в костыль. Исследования Detection тонки (3 исследования), тогда как перестройка курса сравнительно хорошо свидетельствована (25 исследований), и обзор консолидирует корпус в три взаимозависимых требования проектирования — Verification, Implementation и Equity, — где критическое вовлечение с результатом ИИ должно быть оцениваемым, наблюдаемым компонентом работы студента, а не стремлением, оставленным на усмотрение студента (Скаффолдинг, Валидность оценивания).

Следствия для преподавателей информатики

  • Проектируйте оценивание, через которое ИИ не может пройти по инерции. Используйте повторяющиеся паттерны отказа GenAI (интерфейсы, абстрактные классы, наследование, задачи с изображениями) вместо прямого запрета инструментов — GenAI systems still struggle there.

  • Автопроверяемые домашние задания не дали сопротивления завершению. Kaltchenko & Tiwana (2026) провели 50 сессий ChatGPT на задание Qiskit, и все 150 артефактов исполнились и прошли оценщика, потому что персонализация варьировала параметры, а не структуру задания; средство — прямое оценивание понимания — контролируемая модификация или устная защита.

  • Калибруйте доверие, не просто стройте его. Trust-reliance research показывает, что более высокое доверие предсказывало худшее различение вводящих в заблуждение предложений ИИ; учите верификации и критическому оцениванию, с модерацией через ИИ-грамотность и потребность в познании.

  • Сохраняйте отладку и productive struggle живыми. Выбирайте инструменты или намеренно способных ошибаться агентов (learning-by-teaching), которые сохраняют практику исправления ошибок, и персонализируйте сгенерированные ИИ медиа, чтобы избежать эффектов обращения экспертизы (expertise-reversal).

  • Управляйте помощью ИИ явно. Определяйте политику, принуждение и авторитет для поддержки LLM (PEA), а не оставляйте границы неявными.

  • Сдвигайте учебные планы к верификации и направлению агентов. По мере автоматизации GenAI реализации учите пониманию/верификации ИИ-артефактов (reshape curricula) и структурированным навыкам агентной разработки ПО (ASE-26).

  • Структурируйте коллаборацию для всех учащихся. Меньшие постоянные команды, явные роли и прозрачность использования ИИ поддерживают neurodivergent студентов и честную коллаборацию, особенно где рассогласованные убеждения об использовании ИИ снижают оценки проекта.

  • Адаптивные к LLM объяснения ошибок программирования (2026): краудсорсинговое исследование (N=103) обнаружило, что переписанные LLM сообщения об ошибках улучшают читаемость, но объективная результативность отладки зависит от соответствия стиля объяснения (прагматического против условного) навыку программиста — понимание скаффолдинга для образования по программированию с ИИ (Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors).

Связанные концепции

Связанные статьи

Связанные ресурсы

  • LiaScript
    Открытый диалект Markdown, который превращает обычный текстовый файл в интерактивный курс в браузере, с викторинами и исполняемым кодом, а также мультиагентный ассистент для создания курсов с его помощью.

Метаданные

ДисциплинаStem Education, Cs Education
УровеньHigher Ed, K 12
Технологии и методыГенеративный ИИ, Большие языковые модели (LLM), Промпт-инжиниринг
Оценивание и измерениеАвтоматизированное оценивание
Основы ИИ в образованииИИ-грамотность, Вычислительное мышление
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.