AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Экологическое образование

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Вопросы для размышления

  • «ИИ и экологическое образование» может означать две очень разные вещи: использование ИИ для обучения темам климата и устойчивого развития и снижение экологической стоимости использования ИИ в аудиториях. Что из этого вы слышите в своём учреждении — и к чему из этого привязана бюджетная статья?
  • Если университет преподаёт науку о климате с помощью энергоёмкой большой языковой модели на каждом студенческом ноутбуке, продвинул ли он экологическое образование или подорвал его? Что должно было бы оказаться истинным, чтобы ответом было «и то и другое»?
  • Один эксперимент обнаружил, что исследование с поддержкой ИИ улучшило принятие климатических решений по сравнению с одним лишь исследованием, причём прирост сконцентрировался на самых слабых шагах. Доверились бы вы климатическому модулю с поддержкой ИИ в своей аудитории, и что вам нужно было бы увидеть в первую очередь?
  • Почти ни одна статья AIED не сообщает о вычислительном или углеродном следе своего исследования. Является ли неучтённое воздействие на Устойчивое развитие проблемой исследования, проблемой закупок, проблемой преподавания или ни одной из них?

Введение

Экологическое образование развивает у учащихся понимание экологических систем, климата и взаимозависимости человека и окружающей среды, а также установки и компетенции действовать в соответствии с ними — в институциональном framing часто оформляемое как образование в интересах устойчивого развития (Education for Sustainable Development, ESD) или «зелёное образование». В контексте ИИ в образовании этот термин несёт напряжение, на которое корпус наталкивается, не всегда называя его: ИИ как инструмент экологического образования (преподавание содержания о климате и устойчивом развитии с помощью генеративных инструментов) и экологический след самого ИИ (углеродные, водные и энергетические затраты моделей, которые развёртывают учреждения). Это разные вопросы с разными доказательствами, действующими лицами и средствами решения; их смешение — как делают несколько статей и большинство стратегических документов — делает невозможным определить, кто за что отвечает.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)(The Environmental Cost of LLMs in AIED: Reporting and Practices)

Две вещи, называемые «экологическое образование с ИИ»

  • ИИ для экологического образования — использование ИИ для преподавания экологического содержания, формирования экологического сознания или поддержки «зелёных» навыков. У этой половины есть рамки, исследование с преподавательским опросом и один аудиторный эксперимент.
  • След ИИ в образовании — выбросы и использование ресурсов моделями и инфраструктурой, применяемыми для преподавания, независимо от предмета. У этой половины есть один обзор практики отчётности, один инженерный Бенчмарк и одно небольшое исследование интерфейса — и ничего о следе ИИ, применяемого конкретно для экологического образования.

Третья, более слабая ветвь рассматривает «устойчивое обучение» как педагогическое свойство, а не экологическое: обучение, которое сохраняется и переносится, а не short-circuited Когнитивный оффлоадинг. Она разделяет лексику устойчивого развития, но не является экологическим утверждением.(Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era)

Преподавание экологических и климатических тем с помощью ИИ

Сильнейшее доказательство — квазиэксперимент с тремя группами, использующий изменение климата как социально-научную проблему. Студенты, работавшие с ИИ-партнёром внутри структурированной задачи исследования, превзошли сверстников, занимавшихся только исследованием (d = 0.69), и традиционное обучение (d = 1.88) по рубрике принятия решений, при наибольшем приросте на шагах, которые студенты начинали с наибольшей слабости, — мониторинге и адаптивном управлении, а также генерации альтернатив. Условие с ИИ было дополнением к исследованию, а не заменой, а сбор и анализ данных вообще не разделяли группы, что предполагает, что ИИ поддерживал рассуждение о компромиссах, а не сбор доказательств.(Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change)

На уровне учебного плана рамки AI-SEE интегрируют ИИ в инженерную учебную программу по четырём столпам (управляемость интеллектом, зелёное усиление, лидерство в ответственности, интегрированность практики), а не как прикладной модуль об устойчивом развитии; пилот с 144 студентами сообщил о приросте в экологическом сознании и поведенческой вовлечённости на личном, академическом, профессиональном и социальном уровнях. Авторы предупреждают, что это данные интервью из одной точки времени, самоотчётные, из одного учреждения, из одной китайской программы по транспортным технологиям.(Enhancing Sustainability Consciousness in Higher Education: Impacts of Artificial Intelligence-Integrated Sustainable Engineering Education)

Два меньших исследования covering the design side. ИИ-поддержанный учебный дизайн в условиях педагогики устойчивого развития (Sustainable Development Pedagogy) улучшил планы уроков будущих преподавателей с неправдоподобно большим эффектом (d = 2.80, 28 команд, без контрольной группы). Отдельно исследование с использованием структурных уравнений на 122 работающих преподавателях обнаружило, что практическое использование ИИ на научных и «зелёно-энергетических» задачах плюс участие в разработке материалов, согласованных с ESD, предсказывало способность к интеграции ИИ, тогда как абстрактные знания об ИИ и установки — нет, — хотя дихотомический опросник и слабая конструкция знаний ограничивают, насколько далеко это переносится.(The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints)(Teacher Involvement in Developing Sustainable Education Materials for AI Integration in Green Energy Education)

Экологический след ИИ в образовании

Эта половина — там, где корпус наиболее тонок. Обзор всех 396 статей в трудах AIED 2025 обнаружил «внедрение LLM без раскрытия»: большинство проектов используют LLM, 85 статей сообщили о каких-либо вычислительных затратах, и только 57 упомянули воздействие на окружающую среду — используя несовместимые метрики, так что поле не может агрегировать собственные доказательства. Авторы утверждают, что несообщение экологических затрат само по себе является этической проблемой, и предлагают метод с Открытый код (CodeCarbon плюс оценка FLOPs по двум параметрам для проприетарных моделей).(The Environmental Cost of LLMs in AIED: Reporting and Practices)

Со стороны учащихся интерфейс экологической обратной связи, expоsing компромисс задержка–углерод при живом использовании LLM, был изучен на 89 студентах-бакалаврах компьютерных наук на курсе компьютерной этики: студенты выбирали режим с меньшим углеродом примерно в 45% взаимодействий с низкой задержкой, но менее чем в 5% при высокой задержке, и осведомлённость об устойчивом развитии значительно повышала этот выбор. Выборка мала и необычно технически информирована, но это единственное прямое доказательство в корпусе, что информация о следе вообще влияет на учащихся, — и оно предполагает, что связывающим ограничением является терпение, а не ценности.(When LLMs Slow Down: How Environmental Impacts Mediate University Students' LLM Usage)

Доказательства по смягчению come from локального CS ассистента базы знаний на одном потребительском GPU (12 ГБ VRAM) с открыто лицензированным содержанием: 1.8 мВт·ч на запрос в лучшем случае — около 0.54 Вт·ч для группы из 30 студентов, отправляющих по десять запросов каждый, — при чём точная подстройка с учётом квантизации (quantization-aware fine-tuning) сдерживала и потерю точности, и рост галлюцинаций, которые вызывала одна лишь компрессия. Это инженерный бенчмарк, а не исследование обучения, но он показывает, что у вопроса о следе есть рычаги проектирования (заземление, квантизация, место развёртывания), а не только рычаги дисциплины использования.(Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources)

Зелёные навыки, экологическое сознание и потенциал преподавателей

Вместе эти исследования описывают повестку «зелёных навыков», реализуемую неравномерно: экологическое сознание как результат учебного плана, разработка материалов, согласованных с ESD, как механизм развития возможностей преподавателей, и принятие климатических решений как измеримый навык рассуждения. Критически-ценностная ветвь supplies the caveat: концептуальный анализ утверждает, что вклад ИИ в устойчивое образование является условным и опосредованным управлением, поддерживая устойчивое развитие только тогда, когда внедрение подчинено явным образовательным ценностям и человеко-центрированным целям, — что помещает Управление ИИ и критическую педагогику внутрь экологического образования, а не рядом с ним.(Sustainable Education in the Age of Artificial Intelligence and Digitalization: A Value-Critical Approach)

Обзор охвата, организующий эту литературу, supplies the field's own verdict on scale: приложения кластеризуются вокруг управления энергией, мониторинга климата и программ «зелёного кампуса», но ограничены в масштабе, часто не имеют этических или экологических руководств, и большая часть исследований остаётся концептуальной или малым пилотом. Охват смещён в сторону Северной Америки и Европы, с почти полным отсутствием из Глобального Юга, кроме нескольких южноафриканских исследований.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)

Чего доказательства ещё не устанавливают

  • Нет доказательств о следе конкретно для экологического образования. Углеродные и энергетические цифры приходят из общих исследований LLM и бенчмарка в CS-контексте; ничего не измеряет экологическую стоимость учебного плана по климату или ESD с поддержкой ИИ.
  • Нет доказательств о приросте в обучении для интервенций по следу. Экологическая обратная связь изменила выборы в исследовании, похожем на лабораторное; ничего не показывает, что она меняет привычки, результаты оценивания или закупки.
  • Нет причинных доказательств для рамок учебного плана. AI-SEE — это односайтовый случай самоотчёта, а E3-HOT — проект blueprint без реализованного исследования; результат учебного дизайна SDP не имеет контрольной группы.
  • Нет крупномасштабных или межконтекстных доказательств. Каждый эмпирический результат здесь односайтовый, а исследования преподавателей опираются на малые целевые выборки со слабыми инструментами.
  • Две половины редко изучаются вместе, хотя обе касаются одной и той же аудитории.

Следствия для ИИ в образовании

  1. Называйте, на какой вопрос вы отвечаете. Стратегии, использующие «устойчивое развитие» и для преподавания климата с ИИ, и для собственного следа ИИ, скрывают разрыв в подотчётности, который выявляют Daniel et al. (2026); keep the agendas separate, с отдельными владельцами.
  2. Рассматривайте раскрытие следа как инфраструктуру поля. Сообщение вычислительных затрат и углерода рядом с точностью — с заявлением об устойчивом развитии даже когда измерение несовершенно — является единственным выходом из проблемы несовместимых метрик.
  3. Проектируйте для нетерпеливого учащегося. Если вариант с меньшим углеродом стоит воспринимаемой задержки, большинство студентов его не выберут: keep latency low, expose controls, and describe impact in concrete outcome terms, not abstract carbon units.
  4. Предпочитайте более лёгкое развёртывание там, где педагогика позволяет. Заземление модели в лицензированном локальном корпусе и квантизация с точной подстройкой дали пригодную точность при доле энергии — reuse that pattern before scaling cloud inference.
  5. Стройте потенциал преподавателей через разработку материалов, а не через кампании по повышению осведомлённости, и закрывайте пробел Глобального Юга, а не импортируйте доказательства из североамериканских и европейских контекстов.

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаEnvironmental Education
Обучение и преподаваниеОбучение на основе исследования, Ситуативное обучение, Критическая педагогика
Технологии и методыГенеративный ИИ, Большие языковые модели (LLM), Открытый код
Учреждения и политикаПолитика в области образовательного ИИ (Educational AI Policy), Управление ИИ
Справедливость, этика и ответственное использованиеУстойчивое развитие, Этика, Глобальный Юг
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.