AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

AIEd в дисциплинах

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

AIEd в дисциплинах — применение искусственного интеллекта к преподаванию и обучению в рамках конкретных академических предметов, где собственные педагогики, методы, теории и предметы озабоченности каждой дисциплины определяют, как ИИ проектируется, используется и оценивается. Вместо того чтобы рассматривать ИИ в образовании как единое родовое явление, этот обзор организует охват базы знаний по отдельным дисциплинам и выявляет сквозные темы, пронизывающие исследования AIEd в предметных областях.

Вопросы для размышления

  • Репетитор по математике, преуспевающий в обратной связи «верно/неверно», может потерпеть неудачу в гуманитарных науках, где интерпретация и авторство значат больше, чем правильность. Как ваша собственная дисциплина определяет, что считается «хорошей обратной связью»?
  • Исследование 560 студентов обнаружило, что дисциплинарная принадлежность предсказывает, как часто и открыто студенты используют генеративный ИИ. Почему дисциплина может действовать как цельная «система деятельности», формирующая использование ИИ, — а не быть просто нейтральным инструментом повсюду?
  • «Когнитивный акт», перекладываемый на ИИ, специфичен для дисциплины: вычисления в математике, код в CS, сочинение в письме. Если чрезмерная опора выглядит по-разному в каждой области, как вы бы обнаружили её в своей?
  • Что значит ИИ для дисциплины, чья отличительная педагогика — практическая лабораторная работа или интерпретирующее созидание смысла, а не Решение задач? Есть ли предмет, где ИИ должен играть малую роль?
  • Несколько дисциплин — право, история, искусства — остаются разреженными в исследованиях ИИ в образовании. Использование какой дисциплины более всего заслуживает внимания и что должен уважать хороший ИИ в этой области, чего не делают родовые инструменты?

Введение

ИИ в образовании проявляется по-разному в разных дисциплинах, потому что у каждой области есть своя отличительная педагогика — характерные способы, которыми знание строится, практикуется и преподаётся. ИИ-репетиторы, сияющие в математике, могут потерпеть неудачу в гуманитарных науках, где интерпретация и авторство значат больше, чем правильные ответы. Эта страница является зонтичной картой для этих дисциплинарных направлений, которые теперь простираются от школьных предметов через профессиональную и прикладную подготовку к студийной практике. Один участник направления вообще не является преподаваемым предметом: Науки об обучении — это исследовательская область вокруг ИИ в образовании, поставляющая механизмы, которые операционализируют системы ИИ, и стандарты, по которым они судятся, — она занимает сквозную позицию, вопреки посылке этой страницы о том, что именно предметное содержание меняет то, что должна делать поддержка.

Дисциплинарные понятия

База знаний имеет отдельные страницы понятий для нескольких предметных областей:

  • Преподавание математики — обучение с ИИ-репетитором, адаптивное решение задач и концептуальная диагностика в математике.
  • Физическое образование — симуляция ИИ, чат-боты и порождение задач в изучении физики.
  • Химическое образование — ИИ в лабораторном/экспериментальном замысле, опосредованное ИИ формирующее оценивание, контекстный и исследовательский инструктаж, технические пределы Большие языковые модели (LLM) на химических задачах и философия экспериментирования.
  • Образование в области биологии — ИИ в лабораторном инструктаже, ИИ-грамотность, встроенная в биологические учебные планы, критическое мышление в эпоху ИИ и специализированные инструменты (идентификация видов, биоимиджинг, предиктивное моделирование).
  • Информатика (CS) в образовании — ИИ для генерации кода, отладки и поддержки начинающих программистов.
  • Образование в области информационных технологий — прикладное крыло вычислений, готовящее практиков к выбору, защите, администрированию и управлению развёрнутыми системами, которые организации эксплуатируют: его единицей анализа является развёрнутая система и суждение практика о ней, тогда как образование в области компьютерных наук берёт своими объектами программу и алгоритм.
  • Письменная речь — сочинение с помощью ИИ, автоматизированное оценивание эссе и обратная связь по письму.
  • Изучение языков — собеседники ИИ, обратная связь по произношению и разговорная практика на втором/иностранном языке.
  • Образование в области английского языка (EAP / EFL / ESL) — английский для академических целей (EAP) и преподавание английского языка (EFL/ESL/L2): регистр академического английского, письмо на основе жанров и специфичная для английского обратная связь и оценивание — в отличие от общего изучения языка и общего письма.
  • STEM-образование — междисциплинарный зонтик для науки, технологий, инженерии и математики.
  • Профессиональное развитие преподавателей — подготовка и профессиональное развитие преподавателей (до начала службы и во время службы), дисциплина в своём праве, чьи исследования ИИ сосредоточены на ИИ-грамотности преподавателя, интеллектуальном Технологические педагогические знания о содержании (TPACK) и готовности интегрировать ИИ.
  • Образование в медицине и здравоохранении — клиническая симуляция, обучение с подкреплением и базовые принципы обучения в образовании для медицинских профессий.
  • Образование в области сестринского дела — самая плотная эмпирическая запись в клиническом направлении: симуляция с виртуальными пациентами, поддержка рассуждения на LLM и адаптивные платформы, обрамлённые формированием профессиональной идентичности в той же мере, что и компетентностью, и достаточно узкие, чтобы назвать границу, где документированные выгоды ИИ заканчиваются (сложный психомоторный навык и эмоционально насыщенное взаимодействие), вместо того чтобы рассматривать медицинские профессии как один случай.
  • Профессиональное образование и подготовка — начальная подготовка к названным ремёслам и техническим занятиям, организованная по рамкам квалификаций и оцениваемая по тому, что учащиеся могут делать с оборудованием: она выходит за пределы профессиональной подготовки и повышения квалификации на рабочем месте, которую охватывает Обучение на рабочем месте, — к тем, кто ещё не трудоустроен, а её повторяющийся проектный вопрос состоит в том, какие дорогостоящие в кадровом отношении части практики ИИ может поглотить, не вытесняя повторение, которое порождает компетентность.
  • Дизайн-образование — студийное профессиональное формирование в продуктовом, сервисном, интерактивном, интерьерном и архитектурном дизайне, где оцениваемым объектом является видимый процесс и где генеративные инструменты делают отполированный артефакт дешёвым: она сужает студийные дисциплины, которые охватывает Образование в области искусств, дизайна и медиа, до профессионального дизайн-пайплайна, так что критику, портфолио и регулирование, а не материальную и перформативную практику, несёт аргумент.
  • Инженерное образование (Engineering Education) — профессиональное формирование, проектирование и практическое обучение, этическое использование ИИ, воплощённое оценивание и подготовка кадров в инженерии.
  • Бизнес-образование — ИИ в образовании по бизнесу, экономике и менеджменту: информированные студентами рамки GenAI, интеграция учебного плана через конструктивное согласование и подготовка к профессиональной практике с интегрированным ИИ.
  • Гуманитарное и социально-научное образование — интерпретирующее познание, авторство и созидание смысла в гуманитарных и социальных науках.
  • K-12 и Высшее образование — образование об ИИ и с ИИ на каждом уровне.

Междисциплинарные темы

Несколько нитей прорезают все дисциплины, хотя разыгрываются они в каждой по-разному:

  • Дисциплина как система деятельности. Jiang и др. (2026) показывают на 560 студентах бакалавриата в пяти академических областях, что дисциплинарная принадлежность значимо ассоциирована с частотой использования GenAI и практиками раскрытия информации — дисциплины функционируют как системы деятельности, чьи нормы, политики и ожидания ролей формируют, как студенты взаимодействуют с GenAI и раскрывают информацию о нём. Это прямое доказательство посылки базы знаний о том, что ИИ в образовании не является дисциплинарно-нейтральным.
  • Сама форма «междисциплинарности» определяется дисциплиной. Обзор Xia и др. (2026) по PRISMA 59 исследований каталогизирует шесть форм междисциплинарного образования, в которых фигурирует ИИ: STEM-интеграция (n = 26), когорты с междисциплинарным происхождением студентов (n = 14), не-STEM области (n = 10), междисциплинарное учебное содержание (n = 10), меж-STEM интеграция (n = 8) и STEAM (n = 2). Распределение является находкой на уровне дисциплины, а не инструмента: междисциплинарность с поддержкой ИИ в overwhelming мере размещена в STEM, а когорты с междисциплинарным происхождением изучаются чаще, чем не-STEM области, которые эти когорты призваны связать. Обзор далее показывает, что одни и те же функции ИИ повторяются в этих условиях — ассистент (n = 43), оцениватель (n = 22), агент (n = 14), монитор (n = 9), — тогда как их когнитивные, поведенческие и аффективные эффекты различаются по дисциплине и заинтересованной стороне, причём студенты являются наиболее изученными с большим отрывом (n = 57), затем преподаватели (n = 26) и административный персонал, изученный едва ли вообще (n = 4).
  • Обучение с репетитором и обратная связь. Системы обучения с ИИ-репетитором (обучение с ИИ-репетитором, Интеллектуальное тьюторство, Обратная связь, Качество обратной связи ИИ) появляются почти в каждой дисциплине — от репетиторов по математике и физике до обратной связи по письму и языку. Дисциплина формирует то, что считается хорошей обратной связью, — верно/неверно в математике, качество аргумента в письме, беглость в языке.
  • Оценивание и оценка. Автоматизированное оценивание, автоматизированное оценивание, Автоматизированное оценивание эссе и Формативное оценивание переосмысляются ИИ во всех дисциплинах, но конструкты оценивания различаются (процедурная точность против глубины интерпретации против коммуникативной компетентности).
  • Когнитивное перекладывание и чрезмерная опора. Риск Когнитивный оффлоадинг и чрезмерной опоры появляется в математике, CS и письме, хотя «когнитивный акт», перекладываемый на ИИ, специфичен для дисциплины — вычисления против кода против сочинения.
  • ИИ-грамотность и критическое использование. ИИ-грамотность, Критическое мышление и Критическая педагогика лежат в основе ответственного использования в каждом предмете.
  • Дисциплинарное обоснование обусловливает поддерживаемую ИИ метакогницию. В семинаре по лингвистике текста новички размышляли метакогнитивно с LLM главным образом там, где предметное знание было уже консолидировано, и большинство приписывало плохие результаты модели, а не своему собственному промпту, — доказательство того, что замысел промпта должен преподаваться явно в рамках дисциплины (Brocca & Garassino (2026)).
  • Справедливость и доступ. Справедливость, Цифровой разрыв и Культурно релевантная педагогика касаются всех дисциплин.

Отличительные педагогики, методы и теории по дисциплинам

Каждая дисциплина приносит характерные педагогические традиции, с которыми взаимодействуют исследования ИИ:

Дисциплины, представленные в базе знаний

Сильнейший дисциплинарный охват базы знаний приходится на STEM в целом — особенно Преподавание математики, Физическое образование, Химическое образование, Образование в области биологии и Информатика (CS) в образовании, — за которыми следуют Письменная речь, Изучение языков (с отдельным направлением Образование в области английского языка (EAP / EFL / ESL) для EAP/EFL/ESL) и, позднее, Инженерное образование (Engineering Education), Профессиональное развитие преподавателей (с существенным корпусом исследований обучения ИИ до начала службы и во время службы), Образование в медицине и здравоохранении и Гуманитарное и социально-научное образование. Инженерия и дизайн также имеют растущий корпус статей. Эта концентрация отражает более широкую литературу: обзор Xia и др. (2026) обнаружил STEM наиболее частой междисциплинарной формой в поддерживаемом ИИ высшем образовании (n = 26), значительно опережающей не-STEM области (n = 10) и STEAM (n = 2), — дисциплинарное предостережение о том, что доказательства об ИИ в образовании накапливаются быстрее всего там, где вычислительный инструментарий легче всего встроить, а не обязательно там, где педагогическая ценность ИИ наибольшая. Самые последние добавления расширяют направление за пределы академических предметов — в профессиональное и прикладное образование: сестринское дело, информационные технологии и профессиональное образование и подготовка, — где учащиеся оцениваются по продемонстрированной практике, а не по правильности и где работодатель и лицензирующий орган, а не только академия, определяют, что считается компетентностью.

Профессиональное направление является самым разреженным в этих доказательствах: систематический обзор 26 исследований в профессиональном образовании и подготовке не обнаружил ни одного, проведённого в условиях рабочего места, несмотря на практико-ориентированный характер VET, лишь пяти рандомизированных экспериментов и лишь трёх замыслов, дающих учащимся активную роль (Deutscher и др. (2026)).

Недопредставленные дисциплины

Несколько дисциплин остаются разреженными в базе знаний и являются хорошими кандидатами для будущего поглощения:

Эти недопредставленные дисциплины выиграли бы от отдельных страниц понятий и дополнительного поглощения статей по мере роста базы знаний.

Связанные понятия

Связанные статьи

Метаданные

ДисциплинаStem Education, Math Education, Physics Education, Cs Education, Language Learning, Writing Education, Medical Education, Humanities Education, Business Education, Design Education, Information Technology, Vocational Education, Nursing Education, Learning Sciences
Основы ИИ в образованииИИ в образовании
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.