AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Инженерное образование (Engineering Education)

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Инженерное образование — исследование того, как студенты осваивают инженерное дело и как эффективно его преподавать, охватывающее то, как ИИ трансформирует инженерную педагогику, оценивание, развитие преподавательского состава и инженерный рынок труда. Статьи по инженерному образованию в этой базе знаний группируются вокруг нескольких тем: образный язык, который преподаватели используют, чтобы осмыслить ИИ, этическое управление использованием ИИ, телесное и мультимодальное оценивание концептуального понимания и то, как ИИ перекраивает инженерный и вычислительный рынок труда.

Вопросы для размышления

  • Инженерия — профессия, в которой решения выпускников влияют на общественную безопасность и инфраструктуру. Если студенты полагаются на ИИ в работе над проектированием и Решение задач, что стоит на кону такого, что не имело бы значения в чисто академическом предмете?
  • Преподаватели инженерных дисциплин в одной кафедре часто придерживаются принципиально разных ментальных моделей ИИ — одни видят в нём социального «агента», другие — технический «инструмент». Как эти расходящиеся framing могут менять то, чему студенты научатся делать с ИИ, в зависимости от того, какой преподаватель им достанется?
  • Практические лабораторные занятия и телесное обучение давно определяли инженерное образование. Если ИИ может симулировать или даже автоматизировать задачи проектирования, сохраняет ли значение практический опыт — или действительно что-то теряется, когда практика становится симулированной?
  • Одна линия исследований оценивает инженерное понимание, отслеживая жесты студентов наряду с их речью, и обнаруживает, что тесная связь жест–речь сигнализирует о когерентном концептуальном понимании. Что руки студента могут раскрыть о понимании такого, что его слова в одиночку могли бы скрыть?
  • Исследования обнаруживают, что этические рекомендации об ИИ в инженерии в основном ориентированы на студентов и на соблюдение требований, с слабой встречной ответственностью преподавателей и учреждений. Чьей ответственностью должно быть безопасное использование ИИ в инженерии?

Введение

Исследования в области инженерного образования своеобразны тем, что находятся на пересечении профессионального становления и строгого STEM-содержания. Они делают акцент на проектировании, решении проблем, практическом и лабораторном обучении, командной работе и подготовке выпускников к профессиональной практике. Проектирование — это также почва, которую инженерное образование разделяет с Дизайн-образование, и две области делят её по тому, что может быть проверено: оцениваемый объект инженерии допускает вычисляемые артефакты и несёт ответственность за общественную безопасность, тогда как объект образования в области дизайна — это студийный процесс за артефактом — эскиз, итерация, критика, — именно то свидетельство, которое генеративные инструменты теперь могут произвести без процесса, который его когда-то порождал. ИИ ставит здесь своеобразные вопросы: сохраняет ли значение практический и телесный опыт, когда ИИ может симулировать или автоматизировать задачи проектирования; каковы профессиональные и этические ставки использования ИИ (решения инженеров влияют на общественную безопасность, инфраструктуру и Устойчивое развитие); и как ИИ перекраивает компетенции, необходимые выпускникам, и рынок труда, на который они выходят.

Как ИИ появляется в исследованиях по инженерному образованию в базе знаний

  • Понимание преподавателями и общий язык: Gerhardt et al. анализируют метафоры, которые преподаватели-инженеры используют для описания ИИ, и обнаруживают, что большинство framing его либо как человекообразное «социальное существо/агент», либо как «технический инструмент», и что преподаватели в одной кафедре часто придерживаются принципиально разных ментальных моделей. Поскольку метафоры одновременно конструируют и ограничивают понимание, они утверждают, что общий точный язык необходим для Развитие педагогической практики и кафедральных обсуждений об ИИ.

  • Этика и ответственное использование: Osunbunmi et al. систематически анализируют эмпирические исследования ИИ в инженерном образовании бакалавриата, выявляя семь повторяющихся форм этических рекомендаций (прозрачность, подотчётность, независимость/агентность студентов, приватность, Академическая добросовестность, справедливость/равенство/смещения, благодеяние). Они обнаруживают, что этические рекомендации преимущественно ориентированы на студентов и на соблюдение требований, а встречная ответственность преподавателей и учреждений развита недостаточно, — что является проблемой, усугубляемой прямой заинтересованностью инженерии в общественной безопасности и общественном Благополучие.

  • Телесное и Мультимодальный ИИ оценивание: Morphew et al. разрабатывают мультимодальный фреймворк, интегрирующий отслеживание жестов компьютерным зрением с анализом речи на Большие языковые модели (LLM), для оценивания концептуального понимания статистики студентами-инженерами, показывая, что жест добавляет диагностическое свидетельство помимо речи и что тесная связь жест–речь сигнализирует о когерентном понимании.

  • Трансформация рынка труда: Fletcher et al. анализируют американскую серую литературу об ИИ и инженерном/вычислительном рынке труда, формулируя «проблему двойного поезда» (быстрое изменение против срочной политики) и рекомендуя устойчивые компетенции в области ИИ, Этика и Управление ИИ, а также основанные на навыках сертификаты для emerging ролей.

  • Внедрение студентами и зависимость: Nguyen et al. расширяют модель технологического принятия критическим использованием, чтобы смоделировать, как студенты инженерных и CS-направлений формируют намерения использовать GenAI и как это намерение предсказывает зависимость в задачах на понимание, оценивание, программирование и инженерные проекты, — обнаруживая умеренную, уместную зависимость и интенсивное использование в задачах, связанных с пониманием, но ограниченное использование при написании полных работ на оценивание. Asag & Al Mamun интегрируют TAM с UTAUT, чтобы смоделировать внедрение бангладешскими студентами-инженерами, объясняя 64% дисперсии использования и выделяя значимость для работы, демонстрируемость результатов и субъективные нормы как ключевые драйверы.

  • Стратегия промптинга предсказывает успеваемость, а не объём использования: среди 128 студентов четвертого курса инженерных направлений AI Query Efficiency и AI-Driven Problem-Solving были сильнейшими предикторами академического успеха и оставались значимыми после контроля на совокупный GPA (Isaza Dominguez et al. (2026)).

  • Собственные метафоры студентов превосходят то, что дают инструменты: Kudina (2026) обнаружил, что 100 студентов-инженеров более всего ценили LLM за поддержку письма, концептуальное прояснение и программирование, но framing их как «оракул» и «тьютор» — авторитет и персонализация, которые вероятностный генератор текста обеспечить не может, «жестокий оптимизм», зависящий от навыков верификации, которые студенты ещё выстраивают.

  • Встраивайте ИИ в дисциплину, а не рядом с ней: учебная программа по теплотехнике, основанная на проектах, включила машинное обучение в существующие темы теплотехники на вводном, прикладном и продвинутом уровнях вместо добавления курсов информатики, а студенты бакалавриата, удовлетворявшие лишь минимальным входным требованиям, производили более слабые проекты, чем аспиранты (Li et al. (2026)).

  • ИИ-тьюторинг и обратная связь для количественных инженерных курсов: Yin et al. (2026) представляют Arthur — ИИ-ассистента преподавателя, который выдаёт обратную связь в реальном времени и персонализированно по вопросам Calculated Formula Questions в курсе Engineering Economics бакалавриата, — предметной области, где неструктурированные решения от руки и на бумаге блокировали прежнюю поддержку со стороны ИИ. Его полный жизненный конвейер (курирование ранее оценённых рукописных работ, augmenting данных случайным маскированием, диагностические основы XGBoost для каждого вопроса и веб-интерфейс банка вопросов на основе диалога) предлагает масштабируемый путь для обратной связи ИИ в инженерных курсах, которым не хватает структурированных цифровых данных, и фреймворк предназначен для обобщения на вопросы CFQ в других инженерных дисциплинах.

  • ИИ для устойчивости, интегрированный, а не модульный. Фреймворк AI-SEE с четырьмя столпами (управляемый интеллектом, зелёно-усиленный, ведущий ответственность, интегрированный в практику) распределяет ИИ по инженерным курсам; в случае с 144 студентами курса транспортной инженерии студенты сообщили о вовлечённости на личном, академическом, профессиональном и социальном уровнях, при этом рассуждение об устойчивости переносилось в семьи и сети сверстников (Liu et al. (2026)).

  • Богатая инструментами студия может снижать самоэффективность, не улучшая продукт. В архитектурной дизайн-студии с 27 студентами команды, использовавшие конвейер генеративного ИИ плюс XR, показали большее снижение до–после в проектной Самоэффективность (β = −1,675) и в ожидании результата (β = −2,088), чем контроли, при этом по одной гарнитуре на студента не давало согласованного сотрудничества (Xiao et al., 2026).

Ключевые проблемы

Ключевые проблемы инженерного образования формируют то, как в нём воспринимается ИИ: практическое и лабораторное обучение (и что теряется, когда ИИ симулирует практику), профессиональное становление (этическая ответственность, безопасность и общественное воздействие), проектирование и решение проблем (какой объём когнитивной работы должен делать ИИ) и подготовка на основе компетенций к рынку труда. Они делают инженерное образование богатой площадкой для изучения того, усиливает ли ИИ или вытесняет когнитивную работу, существенную для профессиональной экспертизы, — paralleling дебаты в Физическое образование, Преподавание математики и Информатика (CS) в образовании.

Связи со смежными концепциями

Инженерное образование находится внутри STEM-образование и тесно связано с Информатика (CS) в образовании (вычисления и программная инженерия), Преподавание математики и Физическое образование (математические и физические основания инженерии), Обучение на рабочем месте и Развитие педагогической практики (подготовка рабочей силы и преподавателей), Оценивание и Этика (профессиональные и оценочные ставки ИИ), а также с Высшее образование (институциональный контекст). Это родовая дисциплина для статей базы знаний, полученных из ASEE.

Недостаточно освещённые подобласти

Освещение инженерного образования в базе знаний всё ещё развивается. Подобласти, которым пошли бы на пользу дальнейшие статьи: дисциплинно-специфичные инженерные педагогики (образование в областях механики, строительства, химии, электротехники, программной и биологической инженерии), дизайн и мейкерское образование, кэпстоун-проекты и обучение, основанное на проектах и этическое образование инженеров — где роль ИИ, вероятно, будет особенно значимой.

Значение для преподавателей инженерных дисциплин

  • Постройте общий точный язык об ИИ. Исследование метафор преподавателей обнаруживает, что преподаватели придерживаются принципиально разных ментальных моделей (агент против инструмента); согласуйте понимание на уровне кафедры прежде, чем принимать политику.

  • Закройте разрыв между этикой и ответственностью. Обзоры по этике обнаруживают, что рекомендации в основном ориентированы на студентов и на соблюдение требований; усильте встречную ответственность преподавателей и учреждений, учитывая ставку инженерии на общественной безопасности.

  • Используйте мультимодальное, телесное оценивание. Оценивание жеста + речи добавляет диагностическое свидетельство помимо одного лишь языка — учитывайте телесные сигналы при оценивании концептуального понимания.

  • Готовьте студентов к рынку труда, а не только к курсу. Проблема двойного поезда требует устойчивых компетенций в области ИИ, этики/управления и основанных на навыках сертификатов, согласованных с emerging ролями.

  • Моделируйте критическое использование и уместную зависимость. Исследование TAM с критическим использованием показывает, что студенты сильно зависят от ИИ в задачах на понимание, но меньше — в оценивании; направляйте их к уместной, проверяемой зависимости во всех типах задач.

  • Geng et al. (2026) провели девять демонстраций под руководством преподавателя, каждая по 10–15 минут в конце лекции и выстроенных от грамотности в инструментах через стратегическое делегирование к оценке модели, — но студенты, не видевшие связи с оцениванием, сообщали, что они избыточны, так что привязывайте их к оцениваемой работе.

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаEngineering Education, Stem Education
УровеньHigher Ed
Целевая аудиторияLearners, Instructors, Faculty Developers
Обучение и преподаваниеОбучение на рабочем месте
Оценивание и измерениеОценивание
Справедливость, этика и ответственное использованиеЭтика
Основы ИИ в образованииИИ-грамотность, Развитие педагогической практики
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.