AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Распределённое познание

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Распределённое познание — теоретическая перспектива, согласно которой познание не ограничено индивидуальным разумом, а распределено между людьми, инструментами, артефактами и средами. В исследованиях ИИ в образовании эта рамка стала центральной для понимания коллаборации человека и ИИ: вместо того чтобы рассматривать ИИ как нейтральный инструмент, поддерживающий в остальном самодостаточного учащегося, распределённое познание трактует мышление как возникающее из взаимодействия между учащимися, системами ИИ, сверстниками и их общим контекстом. Оно переосмысляет вопросы Автономность учащегося, ответственности и результатов обучения с точки зрения того, как когнитивная работа распределяется по системе «человек — ИИ».

Вопросы для размышления

  • Распределённое познание утверждает, что мышление не ограничено единичным разумом, а распространено между людьми, инструментами и средами. Когда вы используете калькулятор, приложение для заметок или ИИ-ассистента, где на самом деле происходит «мышление»?
  • Если познание распределено между человеком и ИИ, кто отвечает за неверный результат — и кто подотчётен за обучение?
  • Одна рамка различает «функциональную агентивность» ИИ (он может влиять на результаты) и «моральную ответственность» (которая остаётся человеческой). Устоит ли это различие на практике, или ответственность размывается, когда человек не может понять, что сделала система?
  • Системы «человек — ИИ», распределяющие рассуждение наиболее эффективно, как правило, дают наивысшую результативность задачи, но наименьшее саморегулируемое обучение. Почему сделать систему «умнее» на уровне группы может сделать индивидуального учащегося слабее?
  • Аргумент «когнитивного общего достояния» утверждает, что распределённое мастерство зависит от интернализованной экспертизы: нельзя эффективно надзирать за системой ИИ, которую глубоко не понимаешь. Как это бросает вызов идее о том, что ИИ позволяет пропустить тяжёлую работу обучения?

Введение

Это понятие теории обучения в рамках направления Теории обучения базы знаний, тесно связанное с Телесное обучение (Embodied Learning), Ситуативное обучение и Когнитивный оффлоадинг. Распределённое познание (DCog), возникшее в работе Эдвина Хатчинса и коллег, описывает, как когнитивные процессы — такие как память, рассуждение и Решение задач, — распространены между множественными агентами и материальными системами, а не reside в единичной голове. В ИИ в образовании это важно, потому что системы ИИ всё чаще функционируют как genuine когнитивные партнёры, несущие часть мыслительной нагрузки, что ставит вопрос о том, где на самом деле происходит обучение и кто за него отвечает.

Как ИИ сдвигает распределение познания

Генеративные и интерактивные системы ИИ перераспределяют когнитивную работу способами, недоступными прежним инструментам. База знаний документирует несколько измерений этого сдвига:

  • ИИ как когнитивный партнёр и корегулятор. ИИ может действовать как опора, метакогнитивная поддержка, система внешней памяти и партнёр по решениям в со-Регулирование ИИ в образовании мышления и обучения.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) Это позиционирует познание как корегулируемое между учащимся и системой, а не управляемое индивидуально.
  • Перераспределение агентивности и ответственности. Рамки, подобные ансамблевому познанию, переосмысляют мышление как возникающее из динамического взаимодействия человека и ИИ, различая функциональную агентивность ИИ (его способность влиять на результаты без сознания) и моральную ответственность (которая остаётся человеческой).(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) Распределённое познание таким образом переосмысляет, кто подотчётен за обучение.
  • Напряжение «эффективность — регуляция». Эмпирическая работа показывает компромисс: системы «человек — ИИ», распределяющие рассуждение наиболее эффективно (например, через делегированное рассуждение), достигают более высокой результативности задачи, но могут снижать саморегулируемое вовлечение учащегося.(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective) Это эмпирическое лицо рисков Когнитивный оффлоадинг и чрезмерной опоры, которые документирует база знаний.
  • Опосредование в коллаборации. ИИ может действовать как педагогический посредник, оркеструющий взаимодействие, эпистемическое созидание смысла и регуляторные процессы в коллаборативном обучении, перераспределяя агентивность, авторитет и ответственность между человеческими и нечеловеческими акторами.(Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning)
  • Конфигурация доступа распределяет познание внутри группы. Xu и др. (2026) показывают, что как команда делит GenAI, определяет распределение познания: синхронная работа на единственном общем интерфейсе поддерживает общую когнитивную модель (коллективные промпты, разделяемая внешняя память), тогда как асинхронное приватное использование её фрагментирует, причём результаты выборочно переобозначаются перед совместным использованием. Таким образом, GenAI функционирует и как распределённый когнитивный участник, и как интерактивное коллаборативное пространство, проницаемость которого должна быть спроектирована (общий контекст входит внутрь, приватные инсайты автоматически не возвращаются).
  • Преподаватели также переживают распределение с доминированием ИИ против дополнительного. Та же логика «эффективность — регуляция» применима к преподавательской стороне замысла урока: Choi и др. (2026) обнаружили, что начинающие преподаватели делегируют большую долю когнитивной нагрузки замысла инструктажа системе ИИ (распределение с доминированием ИИ, в основном принимающее ответы), тогда как опытные, владеющие ИИ преподаватели достигают дополнительного распределения, в котором педагогическая экспертиза и вычислительная поддержка ИИ взаимно усиливают друг друга, — и, поскольку GenAI генерирует и со-конструирует, а не просто хранит информацию, они обрамляют это как партисипативное совместное познание, а не простое использование инструмента.
  • Типы взаимодействия, а не результаты, в качестве единицы. Willcox, Lane и Arikan (2026) построили рамку когнитивного распределения из 53 журналов самостоятельного использования ChatGPT: пять типов взаимодействия (расширение, аутсорсинг, согласование, трансформация, развязка) и четыре роли пользователя, так что один и тот же студент может переложить работу в одном обмене и со-мыслить в следующем.

Распределённое познание и родственные перспективы

База знаний рассматривает распределённое познание рядом с соседними теоретическими традициями, которые пересекаются, но не совпадают:

  • Ситуативное обучение / ситуативное познание подчёркивает, что познание и обучение неотделимы от аутентичного контекста и сообществ практики, в которых они происходят, — дополнение к фокусу DCog на когнитивном распределении по системам.
  • Воплощённое познание подчёркивает роль тела и сенсомоторного взаимодействия, утверждая, что мышление grounding в телесном вовлечении, а не в абстрактной манипуляции символами.
  • Когнитивный оффлоадинг — практический механизм, которым когнитивная работа передаётся внешним системам (включая ИИ), и рискованный контр-партнёр описательного объяснения DCog.
  • Расширенное познание / тезис расширенного разума (используемый в постгуманистической работе) утверждает, что внешние артефакты могут быть конститутивными частями когнитивной системы, а не просто инструментами, — более сильное утверждение о том, что ИИ является частью самого разума учащегося.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)

Почему это важно для замысла и оценивания ИИ

Распределённое познание даёт и линзу замысла, и линзу оценивания. Для замысла оно спрашивает, как распределить когнитивную работу между учащимися и ИИ, чтобы сохранить (а не разрушить) агентивность, Метакогниция и саморегуляцию человеческого учащегося. Для оценивания оно переосмысляет метрики успеха: вместо того чтобы спрашивать только «повысилась ли результативность?», DCog спрашивает, поддерживает ли распределение познания долговременное обучение, эпистемическую агентивность и образовательную справедливость, — перспектива, которая связана с проблемами Оценивание ИИ-образования и Теории обучения в базе знаний.

Fowlin и др. (2026) операционализируют это распределение как двухфазную последовательность: сначала выстроить базовые компетентности без ИИ, затем ввести ИИ как когнитивного партнёра, чьи предложения студенты критически оценивают, чтобы предотвратить связанную с автоматизацией потерю квалификации (Fowlin и др. (2026)).

Интернализованное против распределённого мастерства. Рамка когнитивного общего достояния (Lovett 2026) различает интернализованное мастерство (глубокое предметное знание в индивидуальных разумах) и распределённое мастерство (оркестровка систем «человек — ИИ») и утверждает, что последнее зависит от первого через «Привязь валидации»: эффективный надзор за распределёнными/ИИ системами предполагает интернализованную экспертизу, которую эти системы могут разрушить. Это заостряет проектный вопрос DCog — распределение познания не должно происходить ценой экспертизы, которая его валидирует.

Связанные понятия

Связанные статьи

Метаданные

Обучение и преподаваниеРаспределённое познание, Телесное обучение (Embodied Learning), Теории обучения, Метакогниция, Ситуативное обучение
Основы ИИ в образованииАвтономность учащегося, Когнитивный оффлоадинг, Коллаборация человека и ИИ
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.