AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Эмпатия

Создано 2026-11-10 · Обновлено 2026-11-11

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Синтез: Эмпатия входит в образование сразу с трёх сторон: как результат, который преподаватели пытаются воспитывать, как конструкт, который они пытаются измерять, и как нечто, что всё чаще приписывают ИИ-системам. Доказательства неоднородны по всем трём. Эмпатии можно научить — ролевая игра, VR и диалог с LLM дают измеримый прирост между измерениями до и после, — но эффект уменьшается по мере того, как опыт становится менее телесным, а сравнительные исследования смешивают модальность с временем, потраченным на задание. Измерять эмпатию труднее, чем обучать ей: оценки наблюдателей согласуются между собой, тогда как прокси-показатели компьютерного зрения совпадают по физическому контакту, расходятся по зрительному контакту и дают обратный знак по улыбке. ИИ может отрабатывать эмпатический разговор в масштабе, но наиболее контролируемое исследование показывает рост самооценки компетентности без проверки наблюдаемого исполнения. А самая новая тревога идёт в обратную сторону: вера в то, что ИИ способен обеспечить эмпатию, делает людей менее готовыми проявлять её самим (Shastry & Gray, 2026).

Вопросы для размышления

  • Если ролевая игра, VR и чат-бот все повышают показатели эмпатии, то разница — это обучение или время, потраченное на задание?
  • Студент сестринского дела улыбается пациенту, испытывающему боль: наблюдатели читают это как несоответствие, а детектор улыбки — как теплоту. Чему должно доверять оценивание?
  • Большинство исследований обучения эмпатии с поддержкой ИИ измеряют уверенность, а не наблюдаемое поведение. Если уверенность растёт, а поведение нет, обучение провалилось или его просто не проверили?
  • Когда чат-бот отвечает тепло, студенты сообщают, что чувствуют себя понятыми. Это эмпатия, исполнение эмпатии или нечто важное независимо от того, что это?
  • Если люди перекладывают эмпатическую ответственность, как только начинают верить, что ИИ на это способен, что это значит для учебной программы, которая учит эмпатии отчасти через практику с ИИ?
  • Кто должен решать, является ли эмпатия оцениваемым результатом, — и что происходит со студентами, которые точны, но не теплы?

Введение

Эмпатию обычно раскладывают как минимум на два компонента: когнитивный — принятие перспективы — и аффективный — разделение чувства другого; некоторые подходы добавляют мотивационный компонент, импульс помочь. Личный дистресс (Personal Distress) — аверсивная реакция на страдание другого — часто измеряют наряду с ними, и он ведёт себя иначе, чем остальные компоненты. Для образования это важно потому, что компоненты поддаются обучению разными способами и измеряются с разной степенью успеха.

ИИ входит в эту картину в трёх разных точках, и их смешение — главный источник путаницы в литературе.

  1. ИИ как метод обучения человеческой эмпатии. Симуляции, воплощение в VR, ролевая игра с персонажами, сгенерированными LLM, и генеративные изображения, делающие чужой опыт наглядным.
  2. ИИ как измерительный инструмент. Компьютерное зрение, оценивающее язык тела в записанных симуляциях, или шкалы, трактующие эмпатию как диспозицию, проявляющуюся во взаимодействии с ИИ.
  3. ИИ как эмпатический актор. Чат-боты, играющие пациентов, коучей или собеседников и спроектированные так, чтобы казаться понимающими; это ставит вопрос, реальна ли эмпатия, исполнена ли она или заменяет человеческий контакт.

Первые две точки касаются обучающихся, третья — систем. Страница, которая их смешивает, породит утверждения вроде «ИИ улучшает эмпатию», означающие три разные вещи.

Можно ли научить эмпатии?

Прямое сравнение необычно чисто по дизайну и необычно запутано по исполнению. Zwoliński и др. (2026) случайным образом распределили 64 магистрантов курса по доступности между ролевой игрой в реальном мире с инвалидными колясками, костюмами старения и симуляторами беременности; тем же оборудованием в VR-лаборатории; и диалогом с построением персон в ChatGPT-4.0. Все три группы значимо улучшились по Индексу межличностной реактивности Дэвиса. Ролевая игра дала прирост 13.2%, VR — 11.6%, условие с ИИ — 8.8%. Между группами значимо различался только личный дистресс.

Порядок результатов интуитивен, а интерпретация — нет. Три условия длились примерно 125, 87 и 42 минуты, так что исследование сравнивает модальность и дозировку вместе. Справедливо сказать, что 42-минутный диалог с LLM дал меньший прирост, чем двухчасовое телесное упражнение; несправедливо говорить, что телесность стоит втрое больше за минуту. Авторы прямо говорят об этой смешанности, и их собственная рекомендация студентам — соединить воспроизводимость VR, сенсорное богатство реального мира и адаптивность LLM — разумное прочтение доказательств.

Литература по профессиям здравоохранения добавляет масштаб, но не причинную ясность. Ismail и Zafira (2026) рассмотрели 17 исследований ИИ для развития аффективной сферы и обнаружили, что интервенции сосредоточены на обучении коммуникации, виртуальных пациентах, рефлексивной обратной связи, симуляции сообщения плохих новостей и оценивании в формате OSCE. Большинство сообщало о приросте уверенности, самоэффективности, рефлексивной вовлечённости или воспринимаемого навыка коммуникации. Доказательства относительно самой эмпатии, эмоциональной отзывчивости, реляционной подлинности и невербальной коммуникации оставались ограниченными. Это и есть центральная находка: область, которая намерена учить эмпатии, в основном измеряет комфорт.

Четвёртая линия делает двусмысленность явной: носимые датчики возбуждения и изображения, сгенерированные ИИ, могут сделать обстоятельства другого наглядными, но рост кожной проводимости — доказательство возбуждения, а не эмпатии, и исследования этой линии часто на этом останавливаются (Lim и др., 2024).

Можно ли измерить эмпатию?

Оценки наблюдателей — ближайшее к эталону, и они ведут себя разумно. В работе Nissan и др. (2026) два преподавателя оценили 37 студентов сестринского дела в записанной симуляции с помощью опросника из 12 пунктов (α = 0.91) и шкалы из шести жестов (α = 0.93), и оценки жестов коррелировали с опросником на уровне от 0.41 до 0.63.

Алгоритмы рассказали более интересную историю. Детекция физического контакта согласовалась с четырьмя измерениями наблюдателей на уровне от 0.46 до 0.54. Детекция зрительного контакта и тепловых карт не показала значимой связи с суждениями наблюдателей. А детектор улыбки коррелировал отрицательно с тремя измерениями наблюдателей и с общей эмпатией при r = −0.322, потому что наблюдатели видели, как студент улыбается пациенту, испытывающему боль, и читали это как нервозность или несоответствие. Сигнал был реальным; интерпретация — обратной. Это тот же разрыв в выводе, который описан в аналитике датчиков и взгляда, и в ситуации, где на кону стоит клиническая оценка.

Шкалы самоотчёта занимают другой полюс. Шкала ИИ-эмпатии для взаимодействия с генеративным ИИ трактует эмпатию как человеческую диспозицию, проявляющуюся при использовании ИИ, и спрашивает респондентов об их собственных когнитивных, аффективных и мотивационных реакциях; её предварительная факторная структура не воспроизвела задуманные шесть измерений (Kang и др., 2026). Опросник диспозиции и поведенческое наблюдение не взаимозаменяемы, и ни то, ни другое не заменяет оценку пациентов, ощущалась ли встреча заботливой.

Может ли ИИ отрабатывать эмпатию?

Да, по крайней мере в части отработки. Müller и др. (2026) дали 162 студентам-медикам один разговор с GPT-4o, настроенным через ролевой промпт, в одном из четырёх сценариев — совместное принятие решений, мотивационное интервьюирование, консультация по ИППП, сообщение плохих новостей — и самооценка коммуникативной компетентности выросла с 5.89 до 6.83 по шкале 0–10 (d = 0.58) после в среднем 13 обменов репликами. Студенты оценили обратную связь ИИ как полезную на 7.92 из 10, но адекватность обратной связи не предсказывала прирост (r = 0.08). Контрольной группы не было.

Паттерн повторяется: короткая отработка с низкими ставками даёт большой прирост самоэффективности, и механизм скорее в самой отработке, чем в критике модели. Это не причина отказываться от инструмента. Стандартизированные пациенты дороги, редки и требуют записи в расписание; чат-бот — ничего из этого, и студент, который уже один раз проговорил разговор о плохих новостях, будет иначе использовать сессию со стандартизированным пациентом. Это причина перестать называть прирост доказательством компетентности.

Там, где эмпатия — качество разговора, а не навык, доказательства касаются восприятия. Wang и др. (2026) держали модель, платформу и температуру постоянными и меняли только роль и разговорные ходы в промпте, получив большое различие в воспринимаемой эмпатии (21.27 против 18.24, r = 0.53). Эмпатию в том смысле, в каком её переживают студенты, можно прописать сценарием. Хорошо ли это образовательно — отдельный вопрос.

Проблема замещения

Самая новая линия работ спрашивает, что эмпатия ИИ делает с человеческой эмпатией. В четырёх исследованиях с 249, 494, 743 и 737 участниками Shastry и Gray (2026) обнаружили: чем более способным люди считают ИИ в оказании эмоциональной поддержки, тем меньше они готовы оказывать её сами — «перекладывание эмпатии», — с контролем диспозиционной эмпатии и предыдущего использования ИИ. Когда источник поддержки получателя называли, участники говорили, что будут перекладывать меньше на ИИ, чем на друзей или терапевтов, потому что оценивали эмпатическую способность ИИ ниже. По поведенческой мере те же участники, которые сказали, что не станут перекладывать, выбирали меньше слов эмпатии и больше слов безразличия.

Для образования у этого две стороны. Учебная программа, использующая ИИ для практики эмпатии, может формировать навык; кампусная культура, направляющая эмоциональную поддержку к чат-ботам, может подрывать мотивацию его применять. Эти два эффекта совместимы, и ничто в текущей литературе не измеряет их вместе.

Что это значит для практики

  • Разделяйте три вопроса. Когда кто-то утверждает, что ИИ улучшает эмпатию, спросите, имеет ли человек в виду обучение людей, измерение людей или симуляцию эмпатии. Доказательства для каждого разные.
  • Не принимайте самоэффективность за результат эмпатии. Уверенность дешева и растёт почти после любой отработки; значение имеют наблюдение, стандартизированные пациенты или оценки пациентов.
  • Относитесь к оценкам компьютерного зрения как ко вторым читателям. Детекция физического контакта пригодна для формирующей обратной связи; детекция улыбки и зрительного контакта — нет, если нет контекста сценария, которого у модели нет.
  • Планируйте время, а не только модальность. Сравнительные исследования смешивают то и другое, и более дешёвый метод, занимающий четверть времени, может всё же быть лучшим выбором — просто не эквивалентным.
  • Следите за перекладыванием. Если ИИ станет каналом по умолчанию для эмоциональной поддержки, эмпатия, которой вы пытаетесь учить, может тихо уйти на аутсорс.

Распространённые заблуждения

  • «ИИ может научить эмпатии». ИИ может поддерживать отработку и рефлексию; самый сильный обзор находит ограниченные доказательства эмпатии как результата, а наиболее контролируемое исследование обучения измеряет самооценку.
  • «Эмпатия — это тёплые слова». Воспринимаемую эмпатию можно создать одним дизайном промпта, а это доказательство о восприятии, не о понимании.
  • «Улыбка означает теплоту». В тяжёлой клинической встрече наблюдатели читают улыбку как несоответствие, а детектор лицевой активности — как позитивный аффект. Контекст — недостающая переменная.
  • «Шкалы самоотчёта измеряют эмпатию». Они измеряют диспозицию или представление о себе; они не измеряют поведение во встрече.
  • «Чем иммерсивнее, тем всегда лучше». Иммерсивные методы дают больший прирост, но при многократно больших затратах и длительности, и сравнения не выравнивают экспозицию.

Связанные понятия

Связанные статьи

Метаданные

УровеньHigher Ed, K 12
Целевая аудиторияInstructors, Medical Educators, Curriculum Designers, Researchers
Обучение и преподаваниеОбучение на рабочем месте, Опытное обучение, Социально-эмоциональное обучение
Технологии и методыАффективные вычисления, Аффективное обучение с репетитором, Генеративный ИИ, Моделирование, Аналитика сенсоров и взгляда
Справедливость, этика и ответственное использованиеПедагогическая безопасность, Приватность
Основы ИИ в образованииИИ-грамотность
ИсточникИсторияРедактироватьЧат

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.