AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Цифровой разрыв

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Цифровой разрыв — неравное распределение доступа к цифровым (и всё более ИИ-) технологиям, навыков их использования и получаемых от них благ между людьми, сообществами и нациями. В ИИ в образовании цифровой разрыв является центральной проблемой справедливости: генеративный ИИ быстро преобразует обучение, и разрыв между теми, кто может использовать его эффективно и критически, и теми, кто не может, угрожает углубить существующее образовательное неравенство.

Вопросы для размышления

  • Цифровой разрыв часто описывают на трёх уровнях: доступ, навыки и то, кто на самом деле получает выгоду. Какой уровень, по-вашему, большинство людей имеют в виду, говоря о «закрытии цифрового разрыва», — и почему это может быть неполным?
  • Выдать каждому студенту устройство и доступ в интернет — это не означает автоматически, что он сможет эффективно или критически использовать ИИ. Что отличает наличие доступа от способности извлекать пользу?
  • ИИ добавляет новые слои неравенства: алгоритмическая предвзятость может непропорционально вредить маргинализованным Учащиеся, а сама ИИ-грамотность определяет, расширяет технология разрывы или сужает их. Чем это отличается от разрывов более ранних технологий?
  • Разрыв простирается и на то, КАКИЕ сообщества, языки и перспективы представлены в системах ИИ и обслуживаются ими. Как представленность сама является формой доступа — или исключения?
  • Если закрытие разрыва — это «вопрос справедливости и участия», кто несёт ответственность: платформы, школы, правительства или все вместе, — и как на деле выглядело бы справедливое распределение благ ИИ?

Введение

Цифровой разрыв обычно понимается как действующий на трёх уровнях (van Deursen & van Dijk, 2014): разрыв первого уровня касается доступа к технологиям и инфраструктуре (связность, устройства, поддерживающие среды); разрыв второго уровня касается навыков и компетенций (неравной способности использовать инструменты эффективно и осмысленно); а разрыв третьего уровня касается результатов и благ (кто на самом деле выигрывает от использования технологий, причём ИИ потенциально усугубляет социальные, культурные и экономические диспропорции). Обрамление ИИ-грамотности через эту призму даёт понять, что справедливость требует большего, чем закрытие разрыва в устройствах и инфраструктуре, — она требует выстраивания навыков эффективного и критического использования ИИ, чтобы его блага распределялись справедливо, а не закрепляли существующее неравенство.

Как цифровой разрыв проявляется в исследованиях

  • ИИ-грамотность как механизм справедливости: рамка SAIL была явно спроектирована для решения проблемы разрывов второго и третьего уровней, предоставляя ступенчатый, независимый от возраста путь к равной ИИ-грамотности на всех стадиях образования, опираясь на аргумент о том, что ИИ-грамотность неотделима от справедливости и участия.
  • Политика и инфраструктура: OECD Digital Education Outlook 2026 помещает цифровой разрыв в контекст национальной образовательной политики, рассматривая, как различается доступ к цифровым технологиям и ИИ и что могут сделать системы для закрытия разрывов.
  • Грамотность в ответственном использовании и промптах: исследование грамотности в промптах для K-12 решает проблему разрыва второго уровня, уча студентов навыкам ответственного использования чат-ботов ИИ, исходя из понимания, что доступ сам по себе не даёт способности хорошо использовать ИИ.
  • Навык формулировки — это собственный разрыв второго уровня. На MedQA точность росла вместе с изощрённостью промпта (82,4% при формулировке низкой грамотности против 83,4% при экспертной формулировке), а Prompt Equity Transformer, переписывающий запросы в эквивалентные, более ясные формулировки, закрывал разрыв — перенося бремя эффективного промптинга с учащегося на систему (Jin и др. (2026)).
  • Представленность и структурное молчание: исследование недопредставленных языков показывает, как цифровой разрыв простирается на то, какие сообщества, языки и перспективы представлены в системах ИИ и обслуживаются ими, — культурное и эпистемическое измерение неравенства.
  • Переключение кодов — это собственное исключение. Большинство лекционных инструментов на LLM предполагают односторонне английское аудио и надёжный интернет, исключая аудитории, смешивающие английский и домашний язык; данные индийской UDISE+ показывают доступ школ в интернет около 54% с разрывом «город — село» в 24 пункта, а двуязычный компаньон отвечает с помощью транскрипции на устройстве и локального хранения (Malhotra, 2026).

ИИ углубляет (и может закрывать) разрывы

ИИ добавляет новые слои к последствиям технологий для справедливости. Алгоритмическая предвзятость может непропорционально влиять на учащихся из маргинализованных сообществ, а ИИ-грамотность — способность понимать, критически оценивать и смягчать предвзятости и риски ИИ, — сама является ключевым фактором того, расширяет ИИ разрывы или сужает их. Исследование показывает, что педагоги с более высокой ИИ-грамотностью эффективнее выявляют и смягчают предвзятые результаты. Поэтому цифровой разрыв в эпоху ИИ — это не просто проблема технического обеспечения, а вопрос справедливости и участия: кто может получить доступ к ИИ, кто может использовать его критически и кто получает выгоду.

Долгое время существующее направление литературы прослеживает, как само понятие сдвинулось от доступа к цифровой справедливости, определяемой теперь по четырём измерениям — цифровая грамотность, доступность по цене, учитывающее группы содержание и доступность инфраструктуры, — и рассматривает потребительский ИИ как новую волну разрыва, благоприятствующую пользователям, уже способным проверять машинный вывод (Rose (2026)).

На разрыв в эпоху ИИ влияет личность, а не только СЭС. Wang и др. (2026) проанализировали данные опроса и национального реестра по 4497 ученикам 6-го класса в Нидерландах, разделив два опосредующих пути — использование ИИ и цифровую грамотность, — связывающие происхождение и личность студента с учебной успеваемостью. Их ключевая находка переосмысляет классический разрыв: медиатором является цифровая грамотность, а не интенсивность использования ИИ, связи между личностью и результатами, и возникает новый разрыв в цифровых навыках, который определяется чертами личности в большей степени, чем социально-экономическим статусом. Преимущества СЭС в результатах действовали независимо от вовлечения в ИИ engagement. Это усложняет обрамление цифрового разрыва через доступ и СЭС, указывая на формирование навыков и поддержку диспозиций как значимые для справедливости рычаги наряду с доступом к устройствам и инструментам.

У разрыва есть метакогнитивный слой. Поскольку продуктивное использование ИИ требует предшествующих знаний и саморегуляции, студенты, уже ими обладающие, получают больше выгод, тогда как те, кому практика нужнее всего, делегируют само обучение — «разрыв в метакогнитивной справедливости», способный расширять разрывы в достижениях даже при равном доступе (Lodge & Loble (2026)).

Структурированное школьное обучение ИИ является психологическим катализатором, но не когнитивным выравнивателем: у 752 студентов средней школы Гонконга годичная учебная программа сузила разрывы в уверенности и мотивации, но оставила объективные различия в ИИ-грамотности между учащимися с высокой и низкой агентивностью неизменными (Liang et al. (2026)).

Разрыв действует и на институциональном уровне. Adeniranye et al. (2026) показывают, что в системе высшего образования Нигерии возможности интеграции ИИ концентрируются в более старых учреждениях юго-западного региона и нарастают через взаимно усиливающие сетевые связи (международные коллаборации × партнёрства с индустрией, r = 0,74), — то есть институциональные «неимущие» (обычно более новые государственные университеты) сталкиваются со структурными барьерами на пути вступления в те самые сети, которые помогли бы им догнать остальных. Таким образом, цифровое неравенство воспроизводится не только между отдельными учащимися, но и через институциональные структуры, определяющие, кто может участвовать в преобразованной ИИ экономике знаний.

У разрыва есть и география, а наставничество — его механизм. Jacobson и др. (2026) документируют асимметрию восстановления в участии в FIRST LEGO League в Индиане: и городское, и сельское участие упало в удалённом сезоне 2020 года, но восстановилось только городское, а сельское оставалось около своего пост-2020 уровня в течение 2025–2026 годов. Механизм, который они называют, — это доступ к техническому наставничеству: людям, обладающим достаточными знаниями в программировании и робототехнике, чтобы создать и поддержать команду, — которого сельским школам может не хватать даже при заинтересованности студентов и преподавателей, что делает его предусловием пути в робототехнику и ИИ, а не его особенностью. Их ответ состоит в том, чтобы спроектировать распространение этого наставничества: базовые центры колледжей обучают студентов бакалавриата и проводят воркшопы, зрелые школьные программы становятся вторичными центрами, наставляющими соседние школы, а пространственная симуляция Маркова по 1925 государственных школам Индианы проецирует 992 программы через 40 лет при умеренных допущениях против 161 без ARC, включая 341 сельскую программу против 60. Читаемое рядом с результатом об институциональных сетях выше, это говорит о том, что разрывы сохраняются через структуру того, кто может поставлять экспертизу где, и что намеренное её предоставление — а не допущение близости к университету — является политическим рычагом.

Доступ и эпистемическая иерархия — это разные проблемы. Sithole (2026) чётко проводит это различие, опираясь на интервью с разработчиками академических программ в двух южноафриканских Historically Disadvantaged Institutions: цифровое неравенство дистрибутивно — устройства, связность, бюджеты, цифровая грамотность, — и в принципе разрешимо через перераспределение, тогда как алгоритмическая колониальность эпистемична и сохраняется даже при условиях полного доступа, потому что присуща тому, что системы кодируют и чьё знание они ставят в центр. Участники исследования переживают оба сразу, описывая это как «просьбу построить цифровое будущее на аналоговых основаниях»: основания называют материальный регистр разрыва, а импортированное будущее приходит уже загруженным эпистемическими допущениями контекстов, которые его спроектировали. Практическое следствие для работы над справедливостью состоит в том, что закрытие разрыва в доступе само по себе не расшатывает иерархию — эти два явления действуют в разных регистрах и требуют разных ответов.

Замысел может обойти разрыв в устройствах, а не ждать его закрытия. Rodrigues и др. (2026) проверяют, могут ли студенты, никогда не прикасавшиеся к компьютеру, всё же получать поддержку в стике интеллектуального репетитора, используя парадигму, которую они называют «AIED unplugged», где преподаватель является посредником между учащимся и системой: студенты продолжают работать с бумагой и ручкой, преподаватель фотографирует их решения на смартфоне, а система возвращает персонализированные списки упражнений, автоматизированную оценку и обратную связь по конкретным ошибкам. Их кластеризованный квази-эксперимент в 19 классах бразильских государственных школ, по их словам, является первой квази-экспериментальной оценкой такой системы в аутентичных аудиториях, а не в прототипе, и приложение работало на собственных телефонах преподавателей при прерывистой связности, типичной для этих школ. Поэтому замысел является отдельной стратегией справедливости, отличающейся от приведённых выше: вместо того чтобы закрывать разрыв первого уровня в устройствах и пропускной способности прежде, чем обучение с ИИ-репетитором сможет дойти до кого-либо, или повышать навыки второго уровня как входной билет, он доходит до студентов, с которыми ИИ никогда не взаимодействует напрямую. Вместе с тем то же исследование показывает, что этот путь не свободен от разрыва, который он обходит. Преимущество в обучении по сравнению с обычной практикой относилось к подготовке преподавателей, а не к технологии — условия «только подготовка» и «полная система» не различались по приростам, — а положительный косвенный эффект системы на обучение действовал через снижение усилий преподавателей, при этом большая нагрузка ассоциировалась с меньшими приростами. Таким образом, обход разрыва в доступе не растворяет проблему справедливости; он перемещает связывающее ограничение на возможности и время преподавателя.

  • Ограничение по оборудованию может исчезать, а не закрываться разрыв в доступе. Guo и др. (2026) утверждают, что связывающим ограничением справедливого изучения языка теперь является программное обеспечение, а не оборудование: полный стек синтеза–распознавания–перевода умещается в 4 ГБ, измерения сообществ дают 4–9 токенов в секунду для модели 3B на одноплатном компьютере за $80, а пять лет ежедневной практики стоят около $18 электроэнергии против $1200 за облачную подписку и $2600 за еженедельное репетиторство.

  • Сжатие модели — ещё один путь к ограниченному оборудованию. Адаптивный репетитор по нигерийскому пиджину, дообученный на корпусе из 416 343 записей, сохранил семантическую структуру и связность при 8-битном квантовании, тогда как 4- и 5-битные версии сократили задержку вывода при лишь минимальной деградации качества инструктажа, причём носители языка проверили культурную приемлемость, а не только метрики (Nwogo et al., 2026).

  • Смоделированная лаборатория может воспроизвести счёт за оборудование, которого она должна была избежать. Систематический обзор 11 исследований цифровых двойников в STEM-высшем образовании обнаружил затраты на оборудование от $2000 до $15 000 за функциональный узел рабочей станции в четырёх исследованиях, причём физические сущности ограничивали доступ 1–3 одновременными студентами в пяти, и ни одно включённое исследование не представило анализа возврата инвестиций (Pelayo-Gonzalez и др. (2026)). Обзор сопоставляет эту цену входа с физическими установками для характеризации, стоящими от $30 000 до более $150 000.

Связи с родственными понятиями

Цифровой разрыв является ключевой проблемой исследований Справедливость, тесно связан с ИИ-грамотность (которая позиционируется как центральный механизм решения структурных барьеров), а также с Этика и Снижение перекосов (bias mitigation) (поскольку алгоритмическая предвзятость непропорционально влияет на маргинализованные группы). Он связан с ИИ в образовании и Высшее образование как с условиями, где проявляются разрывы в доступе и возможностях, и относится к Опыт студентов, поскольку определяет, кто может осмысленно участвовать в обучении, формируемом ИИ.

Связанные понятия

Связанные статьи

Поворот к выводам на устройстве добавляет аппаратное измерение к разрыву первого уровня. Когда обучение идёт в браузере, а не в облаке, — SLM-тьюторы, резидентные в браузере, через WebLLM, — барьер стоимости подписки исчезает, но на его место приходит барьер возможностей: на потребительском ноутбуке та же система тратила примерно 180 секунд на попытку против 10–58 секунд для удалённого API, а устройства класса Chromebook не могут запустить модель 8B вовсе. Студенты с современным железом получают быструю беспрепятственную генерацию, тогда как студенты на старых устройствах сталкиваются с задержкой или исчерпанием памяти, поэтому локальное и дешёвое по умолчанию не равно справедливому.

Связанные FAQ

Метаданные

Справедливость, этика и ответственное использованиеДоступность, Справедливость
Основы ИИ в образованииИИ в образовании, ИИ-грамотность
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.