Полезные трудности

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Полезные трудности — вывод (Бьёрк) о том, что более трудные, требующие усилий условия извлечения из памяти — распределение во времени, практика извлечения, чередование и генерация — обеспечивают более прочное долговременное обучение, чем более лёгкие условия массового повторения, — служит теоретическим противовесом ИИ, сглаживающему когнитивную работу. В эпоху ИИ этот принцип предупреждает: инструменты, устраняющие продуктивную борьбу, могут повышать непосредственные результаты, подрывая при этом долговременное обучение. «Полезные трудности», «когнитивное трение» и «продуктивное трение» используются как пересекающиеся синонимы этого намеренного усилия: база знаний рассматривает их как одну и ту же базовую идею, взглянутую с позиций разных областей, при этом нюансы между терминами раскрыты в разделе ниже. Тесно связанные понятия — замешательство и продуктивная борьба — обозначают зону, в которой ожидается (и желательно) протекание этой усиленной обработки.

Вопросы для размышления

• Когда-нибудь казалось, что вы что-то поняли, потому что это было легко и воспринималось гладко, — а потом вы не смогли это вспомнить? Это иллюзия компетентности. Что её вызвало в вашем случае?
• Полезные трудности утверждают, что условия, требующие усилий — распределение во времени, практика извлечения, чередование, — обеспечивают долговременное обучение лучше, чем лёгкие условия массового повторения. Где в собственном обучении вы сопротивлялись «более трудной» стратегии, которая, вероятно, сработала бы лучше?
• Генеративный ИИ по умолчанию является машиной по устранению трения: он отвечает мгновенно и выдаёт отполированный результат по требованию. Если устранение борьбы повышает непосредственные результаты, но подрывает долговременное обучение, как понять, помогает ИИ студенту или вредит?
• Эта страница различает полезные трудности (оптимизацию памяти из когнитивной психологии) и продуктивное/когнитивное трение (вовлечение Ограничители (guardrails) из UX-дизайна). Понятно ли, почему для одной и той же образовательной цели нужны оба — и в чём они разойдутся?
• Некоторые ИИ-репетиторы обнаруживают «переизбыток опоры» — устраняя именно ту усиленную обработку, которую требуют полезные трудности. Если бы вы оценивали ИИ-репетитора, какое конкретное поведение сказало бы вам, что он сохраняет продуктивную борьбу, а не скатывается к выдаче ответов?
• Замешательство здесь рассматривается как ресурс, а не ошибка: при продуктивном разрешении оно ведёт к глубокой обработке, но без внимания превращается во фрустрацию. Где граница между продуктивной борьбой, которую стоит сохранять, и фрустрацией, которая просто вредна?

Введение

Полезные трудности — это условия практики, из-за которых обучение в момент выполнения кажется более трудным (усиленное извлечение из памяти, генерация и объяснение, распределение во времени, чередование), но которые дают более прочное удержание и Перенос обучения, чем условия, воспринимаемые как лёгкие. То же явление появляется в литературе как когнитивное трение и продуктивное трение — обозначения, заимствованные из взаимодействия человека с компьютером и UX-дизайна, которые подчёркивают намеренное размещение сопротивления между учащимся и лёгким ответом; семейства этих понятий пересекаются, но не совпадают, и различия изложены ниже. Поскольку генеративный ИИ оптимизирован под отсутствие трения, это понятие стало первоочередной задачей проектирования, а не нишевой находкой: системы, отвечающие мгновенно, устраняют трудность, которая, возможно, и осуществляла обучение (Когнитивный оффлоадинг, Скаффолдинг).

Компромисс «усилие — обучение»

Полезные трудности опираются на понимание того, что условия, делающие обучение в данный момент более трудным (требующие усиленного извлечения, генерации или объяснения), часто дают более прочное удержание и перенос, чем условия, воспринимаемые как лёгкие. И наоборот: условия, воспринимаемые как лёгкие (гладкая подача, немедленные ответы), могут порождать иллюзию компетентности: Учащиеся кажется, что они знают материал, потому что узнавание проходило гладко, тогда как последующее свободное воспроизведение терпит неудачу. Это теоретическое ядро разрыва между результатами и обучением: то, что выглядит хорошим результатом во время практики, не равнозначно долговременному обучению.

Замешательство, когнитивное трение и продуктивная борьба

Три родственные конструкта описывают зону, в которой действуют полезные трудности:

• Замешательство — учебная эпистемическая эмоция (см. Аффективные вычисления и Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving), сигнализирующая о расхождении между ментальной моделью учащегося и поступающей информацией. Замешательство не является однозначно плохим: при разрешении через продуктивное исследование оно может вести к глубокой обработке, но без внимания может выродиться во фрустрацию или отключение. Системы ИИ всё чаще распознают замешательство (например, кнопки фиксации, аффективное зондирование), чтобы закрепить персонализированную поддержку — как в From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review, где отмеченные точки замешательства становятся опорами для повторения, а подсказки возвратного объяснения выявляют пробелы в понятиях.
• Когнитивное трение — намеренное сопротивление, которое учебная среда размещает между учащимся и лёгким ответом, заставляя его думать прежде, чем получить помощь. Инструменты ИИ, отвечающие мгновенно, устраняют это трение; замыслы, которые утаивают, намекают или дают опору, его сохраняют. Stop Writing for Me: Generative Refusal in AI Tools for Thought, Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning и Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher рассматривают, как намеренно сохраняемое трение поддерживает рассуждение.
• Продуктивная борьба — усиленная фаза решения задач, в которой учащийся борется с задачей до (или во время) получения поддержки. База данных доказательств фиксирует и её ценность, и её цену: Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build показывает, что устранение борьбы сократило время обучения, но ухудшило обучение, тогда как Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior и Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments исследуют, как репетиторы могут удерживать учащегося в зоне продуктивной борьбы, а не скатываться к выдаче ответов.

Продуктивная неудача — структурированная, опирающаяся на теорию версия этой идеи: продуктивная неудача Капура (ПН) формализует продуктивную борьбу как двухфазный замысел (генерация и исследование до инструктажа, затем консолидация и сборка знания). Литература об эпохе ИИ даёт базе знаний конкретный проектный словарь для сохранения полезной трудности: Kim и др. (2026) выводят принципы проектирования ИИ (коллаборация человека и ИИ, рефлексивный замысел, недирективная поддержка), которые не дают ИИ стереть борьбу; Puech и др. (2025) показывают, что репетиторами на Большие языковые модели (LLM) можно управлять так, чтобы они утаивали решения и выпрашивали множественные попытки; Wang и Shan (2026) формализуют «Разрыв безопасности» — расхождение между результатами с помощью ИИ и способностями без помощи ИИ — как цену устранения борьбы; а ProductiveMath использует ИИ, чтобы снизить бремя разработки задач ПН. Эти работы показывают, что принципы полезной трудности переводятся в конкретные проектные решения ИИ.

Полезные трудности против когнитивного трения против продуктивного трения

Поскольку ИИ устроен так, чтобы не создавать трения — мгновенно генерируя конспекты, решая уравнения и сочиняя эссе, — он может ненарок обойти ту самую борьбу, которая необходима студенту для обучения. Чтобы этому противодействовать, педагоги и технологи опираются на две пересекающиеся, но различные рамки: полезные трудности и продуктивное (или когнитивное) трение. Обе выступают за усложнение для учащегося, но происходят из разных областей и нацелены на разные части учебного процесса. В этой базе знаний они рассматриваются как синонимы одной и той же идеи намеренного усилия; таблица ниже раскрывает нюанс между обозначениями.

Признак	Полезные трудности	Продуктивное / когнитивное трение
Основная цель	Максимизация долговременной памяти и переноса знания	Предотвращение Когнитивный оффлоадинг и поддержание активного вовлечения
Научный корень	Когнитивная наука и психология (Бьёрк, 1994)	Взаимодействие человека с компьютером (HCI) и UX-дизайн
«Угроза»	Иллюзия компетентности (кажется, что знаешь, потому что сейчас это легко)	Предвзятость автоматизации (позволение машине думать за тебя)
Реализация в ИИ	Алгоритмы, распределяющие и структурирующие практику (распределение, чередование, извлечение)	Ограничители чат-бота и препятствия в интерфейсе, заставляющие учащегося выполнять работу

Полезные трудности: оптимизатор памяти. Рамка, предложенная Робертом и Элизабет Бьёрк (1994), происходит из когнитивной психологии. Её базовая идея состоит в том, что стратегии обучения, которые кажутся более трудными и замедляют начальные результаты, на деле дают лучшее долговременное удержание и перенос. Полезные трудности касаются того, как мозг кодирует и извлекает информацию: если обучение кажется слишком лёгким или гладким в момент выполнения (как при перечитывании выделенного учебника), мозг, вероятно, не выполняет глубокую обработку, необходимую для закрепления памяти. В ИИ инструмент, использующий эту рамку, меняет Педагогики и стратегии преподавания сеанса — например, просит студента извлечь материал из памяти прежде, чем предложить конспект (практика извлечения), планирует повторение непосредственно перед забыванием (распределение) или смешивает типы задач (чередование), вместо того чтобы группировать их по категориям. При этом польза этих усиленных стратегий сама зависит от содержания: Rachatasumrit, Koedinger и Carvalho (2025) показывают, что практика извлечения главным образом укрепляет дословную память (замедляя забывание), тогда как приобретение обобщаемого навыка требует интеграции разобранных примеров с практикой, — так что «трудность», которая помогает, должна соответствовать типу усваиваемого знания, а не применяться единообразно.

Продуктивное (когнитивное) трение: предохранитель вовлечения. Эта рамка происходит из UX и дизайна взаимодействия, где «трение» обычно является врагом (покупка в один клик, мгновенный поиск). В образовательных технологиях нулевое трение означает нулевое мышление: продуктивное трение вводит в программное обеспечение намеренные «лежачие полицейские», чтобы не дать пользователю переложить познание на машину. Речь идёт о взаимодействии между человеком и машиной: удержание пользователя в активном вовлечении и предотвращение предвзятости автоматизации — слепого доверия к результату ИИ без его оценки. В ИИ инструмент, использующий эту рамку, меняет своё поведение и замысел, чтобы предотвратить сокращения пути, — например, сократический предохранитель, который утаивает прямой ответ и спрашивает, какие символы заметил студент; контрольные точки усилия, отказывающиеся генерировать черновик, пока не введены тезис и план; или отложенная Обратная связь, требующая выбрать ответ и объяснить рассуждение прежде, чем будет раскрыто решение.

Короче говоря: продуктивное трение используется для того, чтобы студент действительно взаимодействовал с материалом, а не позволял ИИ делать тяжёлую работу; полезные трудности — чтобы структурировать как он взаимодействует с этим материалом, чтобы вспомнить его через месяц.

Полезные трудности в эпоху ИИ

Центральное напряжение в обучении с поддержкой ИИ состоит в том, что генеративный ИИ по умолчанию является технологией, устраняющей трение: он отвечает, генерирует и производит отполированные артефакты по требованию. В базе знаний это проявляется в двух направлениях:

• Цена устранения борьбы. Когда ИИ стирает распределение, извлечение и генерацию, учащиеся могут демонстрировать немедленный прирост результатов, но лишаются долговременного обучения и переноса. Это напрямую связано с выводами об чрезмерной опоре и Злоупотребление ИИ и вред обучению: ИИ, устраняющий полезную трудность, порождает разрыв между результатами и обучением, зафиксированный в базе доказательств. Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning прямо призывает к намеренному трению. Рандомизированное испытание Barcaui (2025) даёт принципу непосредственную отложенную проверку в условиях ИИ: 120 студентов, изучавшие темы ИИ/МО с неограниченным ChatGPT, набрали 57,5% на внезапном тесте удержания через 45 дней против 68,5% у традиционных учащихся (t(83) = −3,19, p = .002, Коэна d = 0,68), и этот дефицит сохранялся при контроле времени обучения (F(1, 82) = 7,89, p = .006). Ухудшение было наибольшим на технических темах (d = 0,92) — материале, где ИИ оказывал наибольшую помощь и где борьба, названная принципом продуктивной, наиболее необходима.
• Одна и та же модель, два предохранителя, противоположные исходы: студенты, получившие неограниченный GPT-4, использовали его как костыль и показывали худшие результаты, чем контрольная группа, после его отключения, тогда как студенты с репетитором под ограничителями показывали результаты, как контрольная группа, — трение, а не модель решало, помогает ли инструмент (Arthars и др. (2026)).
• Возвращение борьбы через замысел. Учебные замыслы могут намеренно сохранять продуктивную обработку: сначала черновик, обучение по намекам, а не по ответам, отложенная обратная связь и протоколы возвратного объяснения. Это конкретные опоры, исследуемые в рамках Снижение масштабов неправомерного использования ИИ и The Effects of Structured LLM-Generated Feedback on Programming Assignment Performance. Концептуальное развитие 2026 года (Gupta) продвигает ту же логику за пределы структурированных учебных задач — к трудностям внутри реляционных встреч: в образовании за рубежом оно утверждает, что образовательный вопрос состоит не в том, сколько генеративного ИИ присутствует, а в том, какие трудности он растворяет, и предлагает градиент посредничества, упорядочивающий виды использования по интерпретационной Автономность учащегося, передаваемой системе, а не по объёму использования.

Перевёрнутая U-образная зависимость и парадокс усилия. Zohar, Bloom и Inzlicht (2026) дают самое чёткое из недавних утверждений о том, почему устранение трения ИИ не является автоматически благим. Они отличают ИИ от прежних трудосберегающих технологий по двум основаниям: он нацелен на интеллектуальную и творческую работу, а не на физическую или канцелярскую, и его устранение трения крайне: прежние технологии устраняли избыточное трение, «утомительные или непреодолимые препятствия, дающие мало пользы для обучения или смысла», тогда как чат-бот позволяет учащемуся перейти от замысла к оценке «не прилагая значимых усилий, не подвергая сомнению результат и не включая когнитивные процессы, которые порождают причастность, удержание или критическое мышление». Их организующее утверждение состоит в том, что связь «усилие — смысл» криволинейна: умеренное трение усиливает смысл и мотивацию, тогда как чрезмерное трение подавляет, так что риск ИИ состоит в перелёте в сторону слишком малого трения, а не в избытке. Педагогически важны два следствия: само усилие является тренируемым навыком (вознаграждение процесса, а не продукта повышает склонность стремиться и упорствовать), и мотивационные выгоды усилия разрушаются именно в тех областях, где ИИ его подменяет, порождая цикл растущей зависимости (Когнитивный оффлоадинг, Мотивация).

Следствия для замысла

1. Не оптимизировать под безусильную гладкость. ИИ-репетитор, который всегда отвечает немедленно, может повышать удовлетворённость, снижая долговременное обучение; предпочитать вмешательства, требующие сначала извлечения и генерации.
2. Рассматривать замешательство как ресурс, а не ошибку. Распознавать точки замешательства и использовать их как персонализированные опоры для повторения, а не сглаживать их, — конкретным образцом является модель KnowLoop «Распознать→Разрешить→Закрепить».
3. Намеренно сохранять когнитивное трение. Использовать обучение по намекам, а не по ответам Скаффолдинг, последовательную обратную связь и отказ отвечать там, где целью является рассуждение, а не производство.
4. Соответствовать трения готовности учащегося. Полезные трудности приносят пользу учащимся, способным к усиленной обработке; чрезмерная нагрузка без поддержки рискует привести к фрустрации. Скаффолдинг должен удерживать учащегося в зоне продуктивной борьбы, а не выводить за её пределы.

TutorMoments реализует принципы полезной трудности как критерии оценивания: Zhang и др. (2026) проверяют, сохраняют ли ИИ-репетиторы продуктивную борьбу, давая опору для доступа (когда нужно) и требуя строгости (когда готовы), и обнаруживают, что репетиторы на языковых моделях по умолчанию склонны к переизбытку опоры — устраняя усиленную обработку, которую требуют полезные трудности.

Связанные понятия

• Педагогические паттерны — Почему усиленный порядок превосходит гладкий
• Обучение через преподавание
• Саморегулируемое обучение
• Метакогниция
• Перенос обучения
• Скаффолдинг
• Прирост в обучении
• Когнитивный оффлоадинг
• Злоупотребление ИИ и вред обучению
• Снижение масштабов неправомерного использования ИИ
• Аффективные вычисления
• Активное обучение
• Конструктивизм
• Мотивация
• Теории обучения
• Продуктивная неудача — Productive Failure
• Извлечение из памяти, распределение и чередование — операциональные техники, реализующие этот принцип: эффект тестирования, распределение, чередование

Связанные статьи

• ChatGPT as a cognitive crutch: Evidence from a randomized controlled trial on knowledge retention — ChatGPT as a cognitive crutch: a delayed randomized test of removing desirable difficulty (Barcaui 2025)
• Against frictionless AI — Against frictionless AI: the inverted-U argument for preserving beneficial friction
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning
• The Effects of Structured LLM-Generated Feedback on Programming Assignment Performance
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build
• Curiosity as Linguistic Intervention: Using LLM Tutoring Dialogues to Influence Exploratory Learning Behavior
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review
• Stop Writing for Me: Generative Refusal in AI Tools for Thought
• Assessing the Impact and Underlying Pathways of Sequenced AI Feedback on Student Learning
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher
• Ordered Network Analysis of Epistemic Emotions during Collaborative Problem Solving
• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Productive friction built into GenAI tools supports learning
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — When Help is Unhelpful: evaluating AI tutors for productive struggle
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Designing AI Systems to Support Productive-Failure-Based Learning
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Pedagogical Steering of LLMs for Productive Failure
• The Safety Gap: Restoring Productive Struggle Through Pedagogically Aligned Generative AI — The Safety Gap: Restoring Productive Struggle
• ProductiveMath: A Generative-AI-Powered App to Support Productive Failure Teaching — ProductiveMath: AI to Support PF Problem Design
• Making AI Annoying on Purpose: When Helpful Tools Don't Always Help — Making AI annoying on purpose: constraint in AI-supported writing (Konradt, Boote & Taub 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content
• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement