AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Уровни образования

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Уровни образования — полосы, организующие метаданные level этой базы знаний: preschool, primary education, middle school, secondary, K-12, higher ed, undergraduate, graduate, adult learning, special education и педагогическое образование (teacher education). Данная страница является общей рубрикой для этого поля, а не дубликатом страницы какой-либо одной полосы: она объясняет, что меняется при переходе между полосами, почему разделение школа/университет важнее преподаваемого предмета, а также где доказательства по ИИ плотны и где они разрежены.

Вопросы для размышления

  • Семинар для аспирантов и урок математики во втором классе — оба «образование», однако инструмент, помогающий одному, может навредить другому. Что именно в полосе — а не в предмете — меняет то, как выглядит хорошее использование ИИ?
  • Одно испытание со 132 учениками второго класса обнаружило, что адаптивный математический тьютор не лучше фиксированной последовательности. Ожидали бы вы такого же нулевого результата для студента университета, и какие способности учащегося адаптация молчаливо предполагает?
  • «K-12» и «высшее образование» каждая сжимают несколько различных контекстов в одну метку. Какие сравнения скрывают эти метки?
  • Если доказательная база полосы разрежена, является ли честным ответом ничего не говорить, заимствовать у соседней полосы или спроектировать исследование?

Введение

Поле метаданных level называет полосу образования, о которой источник, — полосы, а не возрасты: preschool, primary education, middle school, secondary, K-12, higher ed, undergraduate, graduate, adult learning, special education, teacher education. Некоторые называют стадию школьного обучения, две называют совершенно разные половины университетского обучения, две называют learner population, а не стадию, и одна называет тех, кто учит. Источник может нести сразу несколько полос.

Данная страница — общая рубрика для этого поля; страницы полос делают глубокую работу и должны читаться вместе с ней: K-12, Образование детей раннего возраста, Высшее образование, Взрослые учащиеся, Специальное образование, Профессиональное развитие преподавателей и Профессиональное образование и подготовка.

Что отличает одну полосу от другой

Полосы различаются сразу по нескольким осям, а исследования ИИ обычно варьируют только одну из них.

  • Способность к саморегуляции. Две версии одного и того же математического тьютора для второго класса — идентичное содержание, интерфейс, обратная связь и устные подсказки, различающиеся только в том, следовал ли выбор заданий оценке мастерства по Bayesian Knowledge Tracing (Bayesian Knowledge Tracing), — не дали различия в посттесте среди 132 семилетних детей (F(1, 124) = 0,32, p = .574). Первое объяснение авторов — развитие: adaptive systems предполагают учащегося, способного реагировать на обратную связь, регулировать усилие и сохранять сосредоточенность, а у маленьких детей self-regulation ограничена (Effectiveness of adaptive versus non-adaptive intelligent tutoring systems in early primary mathematics).
  • Кто опосредует взаимодействие. В школьных полосах между учащимся и инструментом стоит взрослый. Опрос 270 преподавателей дошкольных учреждений обнаружил, что намерение внедрять определяется perceived usefulness, лёгкостью использования, Самоэффективность и AI anxiety — при этом исследование намеренно исключало ИИ, направленный на детей (Exploring Factors Influencing Preschool Teachers' Behavioral Intention to Use AI Technologies in Early Childhood Settings).
  • Для чего предназначено оценивание. Оценивание в средней школе питает внешние ставки; оценивание в университете — это курсовые работы и документы об образовании; оценивание в аспирантуре — это становление исследователя.
  • Prior knowledge. Предшествующие знания доминировали в результатах посттеста того испытания (F(1, 124) = 206,99, p < .001, η²p = .63), поэтому метка полосы коррелирует с уровнем знаний, но не равна ему.

Школьные годы и университетские годы

Наиболее значимое разделение — это перелом между школой и университетом, а две самые распространённые метки каждое его либо скрывают, либо пересекают.

Внутри школьных лет измеряемый результат резко меняется по полосам. В начальной школе это предметное обучение: 97 китайских учеников третьего класса, использовавшие GenAI chatbots в science inquiry, ставили лучше задачи, чем контрольная группа с поисковой системой (t = 2,47, p = 0,015) (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science). В средней школе это часто становится отношением, а не достижением: опрос 508 тайваньских учеников младших классов средней школы обнаружил, что эмпирическая привлекательность работала через удовольствие, формируя намерение использовать ChatGPT для обучения по текстам песен (XM → PEOU β = 0,630; PE → ATU β = 0,369), при этом 81,5% находились на бесплатном уровне — факт доступа и equity, замаскированный под результат о восприятии технологии (Junior high school student perspectives on the use of ChatGPT in music education). Средняя школа несёт также крупнейшее предупреждение корпуса об обучении: среди 26 811 китайских учащихся 7–12 классов оценки за домашние задания выросли на 18%, а время выполнения сократилось на 30%, тогда как оценки за closed-book exam упали примерно на 20% в течение шести месяцев, что было сосредоточено среди примерно 81% учащихся, чьё поведение указывало на передачу домашних заданий на аутсорсинг (The Generative AI Learning Penalty: Evidence from Chinese Secondary Education).

Университетские годы снова разделяются. Обучение в бакалавриате — это курсовые работы под внешним суждением: среди авторов-бакалавров в университете R1, обслуживающем меньшинства, ИИ-грамотность предсказывала, какому типу опоры на Большие языковые модели (LLM) студент принадлежит, а не насколько активно он его использует (Four Types of LLM Reliance and Their Predictors Among Undergraduate Writers: A Mixed-Methods Study at a Minority-Serving R1 University). Обучение в аспирантуре — это исследовательская подготовка, где результат сдвигается от результативности к становлению. Среди 420 аспирантов и постдоков по астрономии зависимость от ИИ была отрицательно связана с исследовательской autonomy (r = −.355) и Самоэффективность (r = −.321), а косвенный путь к инновационному поведению шёл в основном через автономию (−.115), а не через самоэффективность (−.069); поддержка научного руководителя ослабляла отрицательную связь с автономией (B = .077, p = .020) (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training). Аспиранта судят по суждению, которое, по-видимому, размывает зависимость от ИИ; бакалавра — нет. Сведение обоих под «высшее образование» это скрывает.

Где доказательства сконцентрированы, а где разрежены

Корпус заполнен неравномерно, и поле уровня делает этот дисбаланс видимым.

Плотно. Высшее образование — наиболее покрытая полоса: использованные здесь страницы включают восьминедельное испытание платформы с 60 студентами инженерного факультета (Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams), опрос 395 руководителей в сфере образования (AI adoption readiness among Ukrainian education managers: Barriers, typologies, and policy implications), метасинтез 18 исследований высшего образования в Африке (Rethinking data privacy for AI adoption in African higher education: A meta-synthesis of stakeholder perceptions and policy implications) и исследование с 420 исследователями об аспирантской подготовке (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training). Начальная и средняя школа также несут доказательства о результатах.

Разреженно, а местами отсутствует. Использованные здесь страницы вообще не сообщают ни одного исследования результатов у детей на дошкольной полосе; ближайшее доказательство — опрос намерений преподавателей, исключавший инструменты, обращённые к детям (Exploring Factors Influencing Preschool Teachers' Behavioral Intention to Use AI Technologies in Early Childhood Settings). Средняя школа появляется главным образом как предлагаемый дизайн и лонгитюдное исследование, а не как сообщённые результаты (AI-Integrated Learning Management System for Middle School: A Longitudinal Study of Learning Outcomes Through High). Сильнейшее доказательство профессионально-технической полосы — 63 ответа self-report из одного курса, который, по словам его авторов, требует репликации (Cultivating Design Creativity of Vocational Students: A Model of Project-Based Learning in AI-Enabled Immersive Virtual Environments). Доказательства по аспирантуре имеют поперечный характер, причём модель обратного пути подходит несколько лучше развитийной, поэтому направление от зависимости к снижению автономии выведено, а не подтверждено (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training). Ничто из использованного здесь не сообщает доказательств результатов ИИ для adult learning или special education как полос; у них есть собственное покрытие на Взрослые учащиеся и Специальное образование, и данная страница не обобщает результаты по школьному возрасту, чтобы заполнить этот пробел.

Одна закономерность сохраняется на каждом обследованном уровне: человеческий слой поглощает самые трудные случаи. Человеческий эксперт оставался в точке принятия решения о достоверности для студентов инженерного факультета, даже когда алгоритмическая рекомендация достигала F1 = 0,64 (Developing an AI-Assisted Seminar-Based Learning Platform With Embedded Librarian Support: Enhancing Information Literacy of Engineering Research Teams); поддержка научного руководителя была единственным условием, ослаблявшим отрицательные связи зависимости от ИИ в аспирантской подготовке (AI-mediated research agency formation in higher education: Autonomy, self-efficacy and innovation in early-career scientific training); и внедряющими сторонами являются преподаватели дошкольных учреждений, а не дети (Exploring Factors Influencing Preschool Teachers' Behavioral Intention to Use AI Technologies in Early Childhood Settings).

Что фактически меняет дизайн, соответствующий уровню

Следствия для ИИ в образовании

Связанные концепции

Связанные статьи

Метаданные

УровеньPreschool, Primary Education, Middle School, Secondary, K 12, Higher Ed, Undergraduate, Graduate, Adult Learning, Special Education, Teacher Education
Целевая аудиторияLearners, Parents And Families
Обучение и преподаваниеСкаффолдинг, Саморегулируемое обучение, Предшествующие знания
Технологии и методыАдаптивное обучение, Персонализированное обучение
Оценивание и измерениеОценивание, Прирост в обучении
Методы исследований и оценкаМета-анализ и систематический обзор
Учреждения и политикаПолитика в области образовательного ИИ (Educational AI Policy), Управление ИИ
Справедливость, этика и ответственное использованиеРазличия в эффектах между группами учащихся, Справедливость, Приватность, Педагогическая безопасность
Основы ИИ в образованииИИ в образовании, Идентичность учащегося
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.