Культурно релевантная педагогика

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Культурно релевантная педагогика — введённая Глорией Лэдсон-Биллингс (1995), ставит культурные референсы маргинализированных студентов в центр разработки учебного плана. Она опирается на три опоры: академическую успешность (строгие стандарты, уважающие культурную идентичность), культурную компетентность (критическое осознание культуры и власти) и социополитическое сознание (расширение возможностей студентов бросать вызов несправедливым системам). По мере того как ИИ-инструменты входят в учебные аудитории, КРП (CRP) стала центральной оптикой для оценки того, усиливает ли ИИ недоминирующие культурные знания или стирает их.

Вопросы для размышления

Культурно релевантная педагогика опирается на академическую успешность, культурную компетентность и социополитическое сознание. Какую из этих опор труднее всего достичь с помощью ИИ-инструментов — и почему?
Одно исследование показало, что 94% сгенерированных ИИ планов уроков не содержали различимого мультикультурного содержания, и почти ни один из них не достигал уровня трансформации или социального действия. Если ИИ по умолчанию выдаёт монокультурный результат, чья это ответственность — вносить недостающие перспективы?
Обучающие данные ИИ преимущественно западные и англоязычные. Что означает для системы «активно маргинализировать» способы познания — и чем это отличается от простого отсутствия доступа?
Обучение ИИ на базе сообществ предлагает, чтобы собственные «живые» эпистемологии учащихся были стандартом оценки выдачи ИИ, причём отказ и неиспользование рассматриваются как валидные реакции. Как вы бы сделали знание сообщества судьёй релевантности и вреда ИИ?
Культурно обоснованные данные могут кардинально улучшить релевантность ИИ — один датасет индийского знания поднял небольшую модель с почти нуля до уровня, соперничающего с гораздо более крупной моделью общего назначения. Если лучшее данные — это решение, кто должен их строить и владеть ими?
Межкультурное исследование показало, что идентичное поведение при использовании ИИ оценивалось как этичное в одной стране и неэтичное в другой, независимо от письменной политики. Что это говорит вам о попытках регулировать использование ИИ единообразными правилами?

Введение

Двойственная роль ИИ в КРП

ИИ может поддерживать преподавателей в том, чтобы обучение было культурно отзывчивым, но его выдаваемые по умолчанию результаты также рискуют усиливать доминирующие нарративы, если их не направлять явными запросами.

Поддержка преподавателей: Wang et al. (2025) создали CulturAIEd — систему на базе LLM, которая помогает преподавателям K-12 разрабатывать культурно отзывчивые занятия по ИИ-грамотность, сочетая демографическую информацию о студентах с руководством на основе рубрик (чек-лист CRT, встроенный в генерацию). В пилоте с четырьмя преподавателями инструмент повысил уверенность преподавателей в выявлении возможностей для культурной отзывчивости и в модификации существующих занятий, при этом 78% сочли предложения ИИ полезными для диверсификации материалов. Инструмент напрямую нацелен на барьеры времени, подготовки и ресурсов, которые блокируют внедрение КРП.
Риск монокультурной выдачи: Trust et al. (2025) проанализировали 310 сгенерированных ИИ планов уроков по основам гражданственности (2 230 активностей): 94% не содержали различимого мультикультурного содержания, а из 144, которые содержали, 137 находились на самом низком уровне «Аддитивный» — только один достиг «Трансформации» и ни один не достиг «Социального действия». Все три чат-бота выдавали структурно идентичные, монокультурные шаблоны уроков. Это конкретное свидетельство того, что ИИ по умолчанию склонен к гомогенизированным учебным планам, если преподаватели активно не вмешиваются.

Эпистемическая маргинализация в ИИ-системах

Помимо генерации уроков, КРП связана с более глубокой критикой: обучающие данные и процессы проектирования ИИ кодируют западные, англоязычные эпистемические рамки, которые маргинализируют другие способы познания.

Эпистемическая колониальность: Tali-Otmani (2026) утверждает, что системы GenAI не являются эпистемически нейтральными — преимущественно западные обучающие данные активно маргинализируют миноритизированные знания, порождая «двойную маргинализацию» для учащихся с ограниченными возможностями, чьи эпистемологии одновременно недопредставлены в обучающих данных и исключены из проектирования. Это расширяет разговор о справедливости с доступа на чьё знание получает признание.
Перераспределение эпистемического авторитета: Ojeda-Ramirez, Gyles & Peppler (2026) предлагают обучение ИИ на базе сообществ — фреймворк, который позиционирует «живые» и основанные на сообществе эпистемологии учащихся как оценочный стандарт по отношению к выдаче ИИ. Его три обязательства — эпистемическая донастройка, перераспределение авторитета и ситуативная проницательность — калибруют доверие с учётом локальных историй и экспертизы сообщества, рассматривая отказ и стратегическое неиспользование как валидные ответы КРП на ИИ.

Культурно обоснованные данные и оценивание

Ряд работ, опирающихся на базу знаний, рассматривает пробелы в содержании и оценивании, лежащие в основе КРП.

Незападные обучающие данные: IKS-Instruct предоставляет многоязычный инструкционный датасет из 24 795 примеров для обучения LLM индийским системам знания на семи языках с применением 41 педагогической техники. Компактная дообученная под домен модель 7B достигла медианной оценки судей 6,39 (против 6,54 у гораздо более крупной модели общего назначения), тогда как базовая модель набирала почти ноль по специфичным для IKS измерениям, что показывает, насколько культурно обоснованные данные улучшают релевантность.
Бенчмарки стран Глобального Юга: бенчмарк NSMQ Riddles опирается на 1,8 тыс. научных/математических загадок, собранных за 11 лет Национальной научно-математической викторины Ганы, — это один из первых образовательных бенчмарков стран Глобального Юга, — и показал, что современные LLM уступают лучшим участникам-студентам, что обнажает географическую предвзятость в способах оценки моделей.
Культура важнее политики: межкультурное исследование канадских и южнокорейских студентов вычислительных направлений показало, что восприятие этичности использования ИИ определяла культура, а не текст политики — идентичное поведение оценивалось по-разному в разных когортах, что подкрепляет необходимость культурно осведомлённой коммуникации вместо абстрактных правил.
Культурная навигация — область, где поддержка ИИ слабее всего: международные студенты оценивали разговорный ИИ выше всего за грамматику, структуру и пересказ (среднее 4,27) и ниже всего за культурную навигацию (среднее 3,49) (Nourian et al. (2026)).
Культурная адаптация как ходы проектирования: Bashir and Afzal (2026) операционализируют культурную релевантность в системе ИИ-поддержки Благополучие (Sukoon) с помощью трёх ходов: двуязычной оценки из 20 вопросов с параллельными метками на английском и урду; системного промпта, инструктирующего модель отвечать в соответствии с пакистанскими социальными и культурными нормами и использовать выражения на урду и романском урду там, где это уместно; и явной чувствительности к локально значимым стрессорам (ожиданиям семьи, финансовому давлению, иерархическим отношениям преподаватель—студент). Их обоснование эмпирическое, а не только этическое — важность признаков поставила отношения преподаватель—студент на второе место среди предикторов стресса, — но они признают, что адаптация живёт в промпте, а не в NLP-конвейере, и что культурная уместность оценивалась только неформальным тестированием, а не студентами, на которых система нацелена.

Практические рекомендации

Основываясь на собственных статьях базы знаний, педагоги и проектировщики могут применять КРП к ИИ:

Относитесь к ИИ как к генератору черновиков, а не к авторитету. Результаты по основам гражданственности Trust et al. показывают, что преподаватели должны вносить мышление высшего порядка и мультикультурные перспективы, которые ИИ упускает; человеческая оценка остаётся необходимой для культурной достоверности и согласованности с сообществом.
Встраивайте демографический и культурный контекст в промпты и инструменты. CulturAIEd и ConnectED (вьетнамская система планирования уроков, согласованная с учебным планом) показывают, что структурированные, локально обоснованные шаблоны промптов плюс валидационные фильтры со стороны преподавателей улучшают культурное соответствие по сравнению с общей генерацией.
Сделайте знание сообщества оценочным стандартом. Следуя модели обучения ИИ на базе сообществ, пусть учащиеся оценивают выдачу ИИ по локально обоснованным критериям релевантности, вреда и полезности и уважают контекст, в котором отказ или неиспользование — правильный выбор.
Принимайте и оценивайте культурно обоснованные датасеты. IKS-Instruct и NSMQ Riddles показывают, что доменно-специфичные, незападные данные существенно улучшают как релевантность, так и честность оценивания.

Связанные концепции

Связанные статьи

LLMs to Support K-12 Teachers in Culturally Relevant Pedagogy: An AI Literacy Example — LLMs for Culturally Relevant K-12 Pedagogy
Civic education in the age of AI: Should we trust AI-generated lesson plans — AI-Generated Lesson Plans in Civic Education
Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education — Community-Based AI Learning
Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — Generative AI and the marginalization of minoritized knowledges
NSMQ Riddles: A Benchmark of Scientific and Mathematical Riddles for Quizzing Large Language Models — NSMQ Riddles: Ghana STEM Benchmark
Did Alice Do Wrong? Cross-Cultural Differences in Student Perceptions of Generative AI Use in University Computing Education — Cross-Cultural Perceptions of GenAI Use
Understanding How International Students in the U.S. Are Using Conversational AI to Support Cross-Cultural Adaptation — International Students and Conversational AI
ConnectED: A Curriculum-Aligned AI System for Vietnamese Instructional Lesson Planning and Student Learning — ConnectED: Vietnamese Lesson Planning
An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning

Метаданные

Уровень	K 12, Higher Ed
Целевая аудитория	Learners
Технологии и методы	Генеративный ИИ, Интеллектуальное тьюторство, Большие языковые модели (LLM)
Справедливость, этика и ответственное использование	Справедливость, Инклюзивное обучение
Основы ИИ в образовании	ИИ-грамотность, Проектирование учебного плана

Source History Edit Chat