AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Обратная связь

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Обратная связь — информация, предоставляемая учащемуся о его результатах или понимании, предназначенная для закрытия разрыва между текущим и желаемым результатом. В ИИ в образовании обратная связь стала центральной и быстро трансформирующейся темой: системы ИИ теперь генерируют обратную связь, доставляют её и даже учат студентов, как её использовать, меняя каждый этап процесса обратной связи.

Вопросы для размышления

  • Обратную связь часто представляют как информацию, переданную учащемуся, но исследования утверждают, что она «считается» обратной связью только тогда, когда учащийся осмысливает её и действует на её основании. Если обратная связь — это отношение, а не сообщение, что меняется в том, как мы должны её доставлять?
  • Восприятие студентами того, от кого поступила обратная связь — от ИИ или от человека, — может изменить то, сколько они из неё узнают. Как вы думаете, почему источник так важен — и что это означает для генерируемой ИИ обратной связи в вашем контексте?
  • Непосредственная обратная связь может быть ловушкой: «ловушка правильного ответа» показывает, что студенты, которые просто копируют исправления, учатся меньше. Когда мгновенная обратная связь помогает, а когда она коротко замыкает то самое обучение, которое должна поддерживать?
  • Исследования даже обнаружили, что хорошо спроектированная последовательность обратной связи — поощрение, затем подсказки, затем ответ, — предназначенная для развития автономии, фактически вредила обучению, несмотря на повышение вовлечённости. Если студенты чувствуют себя хорошо от обратной связи, из-за которой учатся меньше, что нам следует оптимизировать?
  • Обратную связь описывают как систему с частями: контур обратной связи, качество предоставления, способность учащегося к усвоению и контекст оценивания. Если бы вы пытались улучшить обратную связь в своём курсе, какую часть вы бы исправили первой, и почему?

Введение

Это зонтичная концепция для связанных с обратной связью идей базы знаний. Обратная связь находится на пересечении оценивания и обучения: без обратной связи оценивание измеряет результат, но не улучшает его; с эффективной обратной связью оценивание становится событием обучения. База знаний рассматривает обратную связь как систему с несколькими аспектами — качество самой обратной связи (Качество обратной связи ИИ), контур, через который она закрывает разрыв в обучении, способность учащегося её использовать (Грамотность в сфере обратной связи) и контексты оценивания, в которых она работает (Формативное оценивание, Взаимное оценивание, Автоматизированное оценивание).

  • Yilmaz et al. показывают, что восприятие студентами источника обратной связи (ИИ против человека) формирует саморегулируемое обучение на основе обратной связи GenAI — crucial qualifier for claims о эффективности обратной связи.
  • Nazaretsky et al. (2025) изолируют источник от содержания: 472 студента EPFL оценивали сопоставимые по содержанию отзывы человека и GPT-4.0 на свои работы, сначала вслепую, а затем снова после раскрытия источника, и большинство не могло надёжно различить их (287 из 472 угадали правильно). После раскрытия метки оценки варианта ИИ упали, а варианта человека выросли — значимо для подлинности (p < .01), — и достоверность источника разделялась чётко (человек μ = 3,28 против ИИ μ = 2,25, d Коэна = 0,57). Систематическая ошибка привязывается к источнику, а не к тексту, поскольку оба варианта были сопоставимы по правильности и когнитивному качеству.

Система обратной связи

Обратную связь лучше понимать не как отдельное событие, а как связанную систему взаимодействующих частей, каждая из которых документирована в базе знаний как собственная концепция:

  • Контур обратной связи — механизм, через который обратная связь закрывает разрыв между текущим и желаемым результатом; цикл результата → обратной связи → доработки → улучшенного результата, который двигает обучение.
  • Качество обратной связи ИИ — точность, полезность, своевременность и педагогическая ценность обратной связи, генерируемой ИИ; сторона предоставления системы.
  • Грамотность в сфере обратной связи — способности и установки, необходимые студентам, чтобы понимать, оценивать и действовать на основе обратной связи; сторона усвоения системы.
  • Формативное оценивание — контекст оценивания, в котором обратная связь используется для улучшения обучения, пока оно ещё продолжается, а не только для его оценки.
  • Взаимное оценивание — обратная связь, обмениваемая между Учащиеся, всё чаще дополняемая ИИ и являющаяся площадкой для развития грамотности в сфере обратной связи.
  • Автоматизированное оценивание — управляемое ИИ выставление оценок и обратная связь, от автоматизированной оценки эссе до оценивания коротких ответов с учётом уверенности.

Контур обратной связи

Контур обратной связи — это циклический процесс, в котором системы ИИ оценивают работы студентов, доставляют обратную связь, наблюдают ответ студента и адаптируют последующее обучение. Опосредованные ИИ контуры обратной связи работают на множественных временных масштабах:

  • Непосредственная обратная связь: Системы автоматизированного оценивания и ИИ-тьюторы обеспечивают исправление в реальном времени во время Решение задач. Исследования ловушки правильного ответа показывают, что непосредственная обратная связь может коротко замыкать обучение, если студенты просто копируют исправления. Генерация такой непосредственной корректирующей обратной связи с помощью языковых моделей внутри тьютора возможна, но несовершенна: на материале 6 926 зарегистрированных транзакций на платформе Apprentice Tutor College Algebra Reddig, Arora & MacLellan (2025) обнаружили, что GPT-4 давал подсказки, нацеленные на конкретную ошибку студента, примерно в 66% случаев, при этом примерно 35% подсказок были слишком общими, неверными или преждевременно выдавали ответ, а автоматизированные проверки качества на базе языковых моделей расходились с человеческим суждением, — что подтверждает: непроверенная обратная связь ИИ в непосредственном контуре несёт реальный риск короткого замыкания.
  • Обратная связь на уровне задания: системы Формативное оценивание и исследования качества обратной связи ИИ изучают, улучшает ли генерируемая ИИ обратная связь по заданиям последующие работы. Исследования последовательной обратной связи проверяют, имеет ли значение порядок обратной связи.
  • Контуры на уровне курса: панели аналитики обучения и образовательные платформы агрегируют обратную связь по заданиям, чтобы выявлять закономерности и рекомендовать вмешательства.

Эффективность контура обратной связи зависит от качества обратной связи — точности, специфичности, своевременности и применимости. Системы взаимной обратной связи с ИИ добавляют к контуру социальное измерение.

Человек в контуре: контуры обратной связи не являются чисто автоматизированными — преподаватели часто опосредуют генерируемую ИИ обратную связь до того, как она достигает учащихся. Исследования инструментов обратной связи ИИ для преподавателей (например, инструмент PolyFeed, сочетающий детектор на основе машинного обучения с перефразатором на базе Большие языковые модели (LLM)) обнаруживают, что преподаватели используют профессиональное суждение, чтобы принять, отредактировать или отклонить предложения ИИ — паттерн «помогай, но проверяй», — и систематически смягчают преувеличенную похвалу и обобщённые предложения, чтобы защитить аутентичность и голос. Реляционное/аффективное измерение обратной связи (отношение студент–преподаватель, поощрение) сильнее всего сопротивляется делегированию ИИ, что указывает на то, что эта часть контура остаётся принципиально человеческой. Это опосредование человеком в контуре связано с Человек в контуре и с Преподавание.

Обзор политики Луо и Итона обостряет тот же тезис: лишь 14 из 50 университетов верхней строчки рейтинга имели конкретные руководства по использованию ИИ преподавателями для обратной связи, а студенты описывали нераскрытую обратную связь ИИ как «неискреннюю», что делает прозрачность и согласие предпосылками этичной практики, а не любезностями (Luo & Eaton (2026)).

LearnLens превращает это опосредование в механизм: он трактует правку преподавателя как сигнал неудовлетворённости, а не как исправление, расходуя дополнительные вычисления на более глубокую рефлексию вместо возврата быстрого ответа, а медианное время преподавателей на одно задание упало с 10–30 минут до менее пяти (Zhao et al. (2025)).

Реляционное прочтение идёт глубже, чем подстановка. В воркшопах с 12 студентами и 18 педагогами Bearman et al. (2026) обнаружили, что студенты относились к ИИ как к дополнительному, но несовершенному источнику, взвешивая его в сопоставлении с критериями, конспектами лекций, форумами и замечаниями педагогов, и используя его как переходную меру, когда ответы человека запаздывали; один из них вставил скупые замечания педагога в чат-бот, чтобы понять, что делать дальше. Присутствие ИИ меняло отношения, а не просто добавляло замечания, — до такой степени, что один студент перестал доверять обратной связи сверстников на форуме, считая её, вероятно, написанной ИИ. Поэтому авторы предлагают модель «человек как контур» (humans-as-the-loop): люди, помогающие людям со временем строить более сильные отношения обратной связи, вместо надзора за машинным результатом.

Winstone et al. (2026) переформулируют обратную связь GenAI как вопрос заботы (care) — этическую, реляционную практику, а не передачу информации, — и называют парадокс безопасного пространства: сниженный личный риск от инструмента может отказать в подготовке студентов к трению реальных профессиональных встреч с обратной связью.

Как ИИ трансформирует обратную связь

ИИ меняет обратную связь в трёх значимых направлениях, каждое из которых повышает ставки остальных аспектов:

  • Объём и непосредственность. ИИ может генерировать обратную связь мгновенно и в масштабе, резко увеличивая объём обратной связи, которую получают студенты. Мультисайтовые исследования обратной связи GenAI и исследования обратной связи ИИ в высшем образовании документируют, что обратная связь ИИ воспринимается как сопоставимая с обратной связью преподавателя по приемлемости и поддержке. PRISMA-регламентированный систематический обзор 42 эмпирических исследований (2023–2025) подтверждает это преимущество масштаба — языковые модели могут ускорять выставление оценок и доставлять быструю, персонализированную обратную связь в масштабе, особенно в больших или высшеобразовательных когортах, — предупреждая при этом, что такая обратная связь иногда слишком обобщённа или не согласована с выставленной оценкой, и что надёжность падает на длинных, многоязычных или нюансированных задачах (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback).

  • Персонализация — это вектор систематической ошибки. Удерживая эссе восьмиклассников постоянными, четыре языковые модели чрезмерно хвалили и удерживали критику в отношении студентов, обозначенных по признаку расы, языка или инвалидности, — поэтому вопрос о том, какие атрибуты студентов попадают в систему обратной связи, является решением о справедливости, а не нейтральным (Tan, Phalen & Demszky (2026)).

  • Требования оценивания к учащемуся. Поскольку обратная связь ИИ может быть неточной или галлюцинированной, студенты должны судить, Доверие ли ей и действовать ли на её основании. Именно здесь Грамотность в сфере обратной связи и Калибровка доверия становятся решающими: Mendoza et al. (2026) показывают, что только грамотные в сфере обратной связи студенты конвертируют обратную связь ИИ в прирост Саморегулируемое обучение, тогда как заблуждение о языковых моделях фиксирует, как студенты могут приписывать обратной связи ИИ слишком большую заслугу в собственной компетентности.

  • Грамотность в сфере обратной связи строится использованием, а не демографией. У 486 студентов, изучающих английский как иностранный (EFL), только частота использования инструментов ИИ предсказывала грамотность в сфере обратной связи ИИ (β = 0,29), — а не профиль или год обучения, — поэтому обеспечение доступа к опосредованной ИИ обратной связи является вопросом справедливости в той же мере, в какой и вопросом проектирования (Liu & Deris (2025)).

  • Одобрение в лаборатории — это не использование в течение семестра. Все 18 студентов отреагировали положительно на функцию объяснений GenAI на лабораторных занятиях, однако только половина использовала её в течение семестра, ссылаясь на несоответствие, нерелевантность и избыточность, когда обратная связь педагога была уже ясна (Jin et al. (2025)).

  • Доверие и забота, а не точность, ограничивают усвоение. Семнадцать студентов EFL наделили ассистента по письму на базе ИИ высокой экспертизой, но сомневались в его надёжности в части обработки данных и оценили его благорасположенность как самое низкое, санкционируя его только для широких языковых проблем; некоторые также находили объём его предложений неудобоваримым (Serpil & Mor, 2026).

  • Пригодность на уровне задачи: сортировка обратной связи по эпистемическому статусу. Venetsanos (2026) утверждает, что структуры, на которые опирается область, — уровни Хатти и Тимперли, принципы проектирования Боуда и Моллоя, — объясняют, где обратная связь работает в обучении, но не объясняют, предполагает ли данная задача обратной связи проверку правил, проверку фактов или интерпретирующее суждение, и что именно второе различение решает, является ли автоматизация оправданной. Предлагаемое трёхчастное разделение — структурная и презентационная обратная связь низкого уровня (форматирование, ссылки, грамматика, ясность на уровне предложения — правиловая против явных стандартов и безопасно автоматизируемая), проверка фактов и процедур промежуточного уровня (правильно ли расчёт использовал заданный метод, соответствует ли изложенный факт авторитетным источникам — сравнение с установленным знанием, а не суждение о рассуждении) и критическая оценка и синтез высокого уровня, где суждение интерпретационно и должно оставаться человеческим. Уровни являются измерениями, а не лестницей: один и тот же расчёт может быть одновременно правильно представлен, арифметически неверен и методологически неприемлем, и может притягивать проверку, процессуальную обратную связь и обратную связь по саморегуляции одновременно. Самый острый граничный случай в этой структуре — ясность: ясность на уровне предложения является поверхностной, но аргументативная неясность часто сигнализирует о неполном концептуальном понимании, поэтому помеченные случаи должны эскалироваться к человеческому рассмотрению, а не исправляться как проза, — исправление письма оставило бы реальную проблему нетронутой.

  • Обратная связь, учитывающая роль. Yaşar et al. (2026) показали, что промптинг одной и той же языковой модели для оценки одного и того же студенческого артефакта под разными ролями — преподаватель, рецензент-сверстник, рецензент гранта, — давал качественно различную обратную связь: преподаватели были поощряющими и ориентированными на процесс, сверстники — поддерживающими и разговорными, рецензенты грантов — формальными и ориентированными на результат. Эти различия были эпистемическими, а не только стилистическими, выдвигая на первый план различные аспекты практики проектирования, — доказательство того, что промптинг с учётом роли может генерировать чувствительную к роли оценочную обратную связь вместо одного обобщённого ответа.

  • Тип обратной связи важнее её плотности. Восьминедельное исследование адаптивной стохастики (194 студента) обнаружило, что директивная, информативная и трансформирующая обратная связь усваивались по-разному, а трансформирующая обратная связь способствовала когнитивной перегрузке, — поэтому проектирование обратной связи должно сопоставлять тип с фазой учащегося, а не максимизировать объём (Mejeh & Fromm (2026)).

  • Полезность обратной связи против оценочного авторитета. AlGhamdi (2026) показывает, что студенты могут одновременно принимать генерируемую ИИ обратную связь как полезную и отклонять ИИ как подходящего оценивающего — разделяя полезность обратной связи (информационную ценность поверхностной обратной связи) и оценочный авторитет (кто может решать об оценке). В прозрачной конструкции пост-оценивания студенты-вычислители из Саудовской Аравии трактовали их как аналитически различные суждения, ценя ясность ChatGPT для доработки, но оставляя оценочный авторитет за человеческим преподавателем и формулируя диалогические, институционально взвешенные причины этого. Находка расширяет Грамотность в сфере обратной связи за пределы суждения о качестве обратной связи к рассуждению о самом оценочном авторитете и предполагает, что прозрачность относительно участия ИИ может сделать обратную связь объектом критической рефлексии вместо пассивного принятия.

  • Позиция доработки — это результат, а не только её качество. Исследования обратной связи обычно спрашивают, улучшила ли доработка текст. Zhao and Ji (2026) спрашивают, какую риторическую позицию занимает доработанный текст, кодируя 168 аргументативных эссе EFL с помощью теории оценки (Appraisal Theory) по первым черновикам, доработкам после обратной связи сверстников и доработкам ChatGPT-4 тех же черновиков. Язык вовлечения встречался одинаково часто во всех трёх, но был по-разному сконфигурирован: доработки по обратной связи сверстников становились более контрактивными (больше Counter и Endorse, меньше Entertain), тогда как доработки ИИ сохраняли более сбалансированное сочетание Contract/Expand. Ни один из вариантов не является лучшим письмом, — суть в том, что два маршрута доработки оставляют аргумент в различной диалогической позиции, что делает саму позицию тем, что может назвать разговор об обратной связи, а писатель — выбрать.

  • Объяснение может быть убедительным и при этом неверным. Bueno et al. (2026) обнаружили, что удаление предложений, которые обоснование языковой модели оценило как наиболее влиятельные, почти не сдвигало оценку по критериям, тогда как отобранные SHAP предложения сдвигали её надёжно и переносились между семействами моделей, — поэтому гладко изложенное обоснование не является доказательством того, что оценка на нём основывается.

  • Грамотность в сфере обратной связи как цель обучения. Вместо того чтобы только предоставлять обратную связь, инструменты ИИ всё чаще проектируются так, чтобы учить студентов использовать обратную связь — переформулировка автоматизированных инструментов обратной связи как инструментов построения грамотности, рассмотрение GenAI как enabler вовлечения в обратную связь и использование задач критики на GenAI для совместного построения психологической, обратной связи и ИИ-грамотности.

  • Грамотность в сфере обратной связи и калибровка — разделимые рычаги. Со 120 студентами скрипт грамотности в сфере обратной связи (Filter–Reason–Act–Check) повышал качество письма, эффективное усвоение и глубокую доработку, упражнение по калибровке оценивания и результатов улучшало точность самооценки и снижало чрезмерную уверенность, а их сочетание давало наибольший прирост в письме и самое сильное сохранение результата после отмены поддержки ИИ (Dai (2026)).

  • Ясность — это не эффективность. Переписанные языковыми моделями сообщения об ошибках в Python оценивались как значительно более читаемые и менее когнитивно требовательные, чем стандартный вывод интерпретатора, но не давали значимого прироста в частоте исправления, числе попыток или времени до исправления (Moraru, Biswas & Gadiraju (2026)).

Что делает обратную связь эффективной: доказательства по калибровке

Ngai & Gilbert (2026) дают чистый экспериментальный результат по проектированию обратной связи, прямо релевантный AIED: истинная (veridical), непосредственная, от trial к trial обратная связь, привязанная к собственному предшествующему прогнозу учащегося, — вот что меняет поведение; одного прогноза или одних убеждений недостаточно. В их конструкции с четырьмя группами обратная связь в сочетании с предшествующим прогнозом результата улучшала калибровку и поведение, тогда как прогнозы без обратной связи не делали ничего, а добавление явной метки чрезмерной/недостаточной уверенности не добавляло ничего сверх этого. Языковые модели также могут служить партнёрами по калибровке в этом процессе: Yaşar et al. (2026) обнаружили, что после уточнения критериев языковые модели демонстрировали бо́льшую согласованность, чем некоторые человеческие оценивающие, в применении порогов результата, — что полезно для сессий нормирования и сред формирующей взаимной обратной связи, где модель помогает калибровать оценочное суждение, а не заменять его. Это согласуется с представлением базы знаний о системе обратной связи: сила обратной связи лежит в закрытии разрыва относительно собственной оценки учащегося (связка предоставления и усвоения), и эффективная обратная связь должна быть непосредственной, точной и явно связанной с тем, что предсказал учащийся, — принцип проектирования и для систем обратной связи ИИ, и для обучения Грамотность в сфере обратной связи.

Однако усилие не автоматически является недостающим ингредиентом. В предзарегистрированном межсубъектном эксперименте с 302 взрослыми из США, обучавшимися вводному Python, Asher, Gold & Carvalho (2025) соединили персонализированную объясняющую обратную связь на базе Claude Sonnet 3.5 со структурированным трёхшаговым промптом на самообъяснение — для каждого неверного участка кода: что делает правильный код и почему собственная попытка учащегося потерпела неудачу, — и добавленная рефлексия не дала ничего. Участники условия «рефлексивной практики» проводили 4,1 минуты за рассмотрением обратной связи против 2,1 минуты в простой практике (t(267) = 11,30, p < .001), что оставляло место лишь для 2,0 практических задач вместо 3,4 (t(267) = 8,20, p < .001); каждая задача стоила одинаково в любом случае (Reflection × problem-number OR = 1,03, z = 0,23, p = .486), поэтому практика закончилась с более высоким освоением, 79% против 65% (d = .41), и никогда не отставала на задачах близкого переноса, далёкого переноса или оценки кода. Рефлексия также не дала того метакогнитивного преимущества, на которое была нацелена: суждения об обучении не различались между условиями, а условия практики были лучше откалиброваны (недостаточно уверены на 11 пунктов, против 20 пунктов чрезмерной уверенности у смотрящих видео, d = −.93) и сообщали о меньшем отвлечении (d = −.80), чем рефлексивные учащиеся, чьи рефлексии в среднем составляли лишь 35 слов. Прочтение авторов: обратная связь ИИ уже поставляла ту Скаффолдинг, которую самообъяснение обычно добавляет, — сообщение, которое называет ошибку, объясняет правильный подход и описывает лежащую в основе концепцию, оставляет мало дел для промпта на рефлексию, — и написание рефлексий, пока синтаксис всё ещё незнаком, конкурировало напрямую с разнообразным повторением, которое строит переносимый навык. Это касается того, как качество обратной связи взаимодействует с усвоением: чем более развёрнута и нацелена обратная связь, тем уже пространство, в котором добавленный слой может добавить ценность, — что сдвигает внимание проектирования с углубления одного эпизода к расходованию дефицитных минут практики на объём, вариативность задач и привязку рефлексии к таким моментам, как обнаруженное плато; в исследовании проверялось единственное непроверенное улучшение, и авторы отмечают, что эти варианты остаются открытыми. Это задаёт граничное условие для Полезные трудности и Продуктивная неудача на оси глубины обработки: усилие окупается, когда оно ведёт к дополнительному извлечению из памяти, применению и интеграции, а не просто добавляет ещё один слой обработки к уже достаточно развёрнутой и нацеленной обратной связи.

  • Фокус и адаптивность — разделимые измерения обратной связи. Аннотирование замечаний преподавателя и языковых моделей в трёх университетских курсах письма с семью типами фокуса обратной связи показывает, что большинство моделей покрывают почти каждый тип, но ни одна не соответствует распределению преподавателя между ними, и ни одна не сдвигает свой фокус по стадиям черновика так, как это делает опытный преподаватель (Almousa et al., 2026).
  • Агрегированный прирост может скрывать компенсирующие сдвиги. Три месяца обратной связи WISE Agent со 260 китайскими шестиклассниками не сдвинули суммарный показатель диспозиции к критическому мышлению (t=-0,854, p=0,394), однако стремление к истине выросло (p<0,001), а когнитивная зрелость упала (p=0,019) — спад, который авторы читают как студентов, перекалибровывающих завышенное понимание. (Zhu et al. (2026))

Обратная связь в различных контекстах оценивания

Исследования обратной связи в базе знаний охватывают весь диапазон контекстов оценивания, каждый со своей динамикой обратной связи:

  • Формирующая обратная связь — каноническая площадка обратной связи для обучения — формирующее оценивание питает саморегулируемое обучение через обратную связь, которая приходит, пока обучение ещё продолжается (автоматизированное формирующее оценивание, реализация обратной связи).

  • Итоговая обратная связь — это обратная связь, привязанная к итоговому оцениванию, — тесты в конце раздела, устные экзамены и контролируемые/закрытые экзамены. В эпоху ИИ итоговая обстановка — это то, где сопротивление ИИ важнее всего (см. Итоговое оценивание): обратная связь на контролируемом устном экзамене или закрытом оценивании проверяет подлинное обучение, тогда как обратная связь на домашней работе с помощью ИИ может быть завышена. Устное оценивание переформулирует момент обратной связи как живой, интерактивный диалог — обратная связь становится непосредственной, разговорной и неотделимой от самого оценивания, — и именно поэтому оно сопротивляется подстановке ИИ.

  • Обратная связь сверстников добавляет социальный слой — взаимная обратная связь развивает грамотность в сфере обратной связи и всё чаще дополняется ИИ (взаимная обратная связь с ИИ, GenAI во взаимной обратной связи EFL). Однако взаимная обратная связь хороша ровно настолько, насколько хороша её фактическая доставка: в семестровом полевом эксперименте менее двух третей студентов, которым была назначена взаимная обратная связь, не получили никакой текстовой обратной связи, а большая часть доставленного была ненаправленной похвалой, — поэтому когда индивидуальная обратная связь GPT-4 заменила ненадёжных сверстников, студенты удержали самое высокое участие и показали наибольший прирост в обучении (Geschwind et al., 2026), доказательство того, что преимущество ИИ — это преимущество надёжности, а не прирождённого превосходства.

  • Опоры в виде промптов превращают GenAI в фасилитатора обратной связи. Chang et al. (2026) обнаружили, что студенты, получившие структурированные промпты (контекст, цель, роль) для взаимной обратной связи, производили больше объяснений и предложений, и только эта группа преуспела в данных по опровержению и в обращении к противоположной точке зрения.

  • Автоматизированная обратная связь масштабирует доставку — автоматизированное выставление оценок и обратная связь от оценивания эссе до оценивания коротких ответов. Arthur (Yin et al. 2026) распространяет это на неструктурированные количественные задачи: основа диагностики на базе XGBoost для каждого вопроса выводит помечаемые критериями ошибки из присланных студентами численных ответов на расчётные вопросы по экономике для инженеров и превращает их в обратную связь на естественном языке, тогда как схема на основе диалога запрашивает промежуточные ответы только когда уверенность низка, — уравновешивая точность обратной связи с бременем сбора для студентов.

  • Автоматизированная оценка письма — это инструмент стороны доставки с измеримой ценой. Обзор 50 эмпирических исследований (2019–2024) обнаружил, что автоматизированная оценка письма улучшила грамматику, пунктуацию и построение предложений в 25 исследованиях и снизила механическую корректирующую нагрузку преподавателей в 15, освобождая время на аргумент, связность и организацию; прирост сохранялся только там, где инструменты находились внутри структурированных циклов черновика и доработки, а не выступали как самостоятельные пособия, тяжёлая опора на них была связана с более слабым критическим мышлением и креативностью, а инструменты воспроизводили нормы стандартного английского, которые пользователи EFL сообщали как не согласованные с их риторическими традициями (Gres et al., 2026)).

Ключевой межконтекстный инсайт: надёжность обратной связи зависит от целостности оценивания, к которому она привязана: обратная связь доверительна ровно настолько, насколько доверительна мера, на которую она отвечает. В эпоху ИИ это подталкивает педагогов к аутентичным и ИИ-устойчивым итоговым форматам, где обратная связь, которую получает студент, отражает подлинное обучение, а не результат с помощью ИИ.

Парадигма «оценивание для обучения» переформулирует обратную связь как общую философию, а не как компонент. Mesny, Roberge-Maltais & Galy (2026) синтезируют более широкую литературу по высшему образованию, чтобы представить формирующую, непрерывную и индивидуализированную обратную связь как центральную для этой философии, уравновешивая формирующие и итоговые цели и выдвигая на первый план агентность студента, само-Регулирование ИИ в образовании и метакогнитивный навык. Они отмечают, однако, что в образовании по менеджменту практики, богатые обратной связью, по-прежнему внедряются неровно: само- и взаимооценивание (площадка взаимной обратной связи) доминируют в литературе, тогда как пересдача — которая использует управляемые обратной связью вторые попытки для улучшения обучения, — практически отсутствует.

  • Продемонстрированная применимость — это не реализованная применимость. В скопинг-обзоре 421 исследования, применяющего обработку естественного языка к открытым комментариям студентов об оценивании преподавания, 61,3% производили результат на уровне продемонстрированного результата или выше, но лишь 11,6% показали доказательства того, что предполагаемые пользователи оценивали или использовали его (Eicher & da Silva, 2026)).

Связка предоставления и усвоения

Ключевой инсайт базы знаний об обратной связи: качество обратной связи и грамотность в сфере обратной связи — две стороны одной системы: высококачественная обратная связь инертна без грамотного получателя, а грамотный студент мало приобретает от плохой обратной связи. Качество обратной связи ИИ покрывает сторону предоставления (точна ли, своевременна ли, применима ли обратная связь?), тогда как Грамотность в сфере обратной связи покрывает сторону усвоения (может ли студент судить о ней и действовать на её основании?). Контур обратной связи — то, что их соединяет, — механизм, посредством которого качественная обратная связь, полученная грамотным учащимся, закрывает разрыв. Поэтому проектирование эффективной обратной связи ИИ означает проектирование и системы, и студента.

Какие способности на стороне студента имеют значение, эмпирически разделимо: среди 1 507 учеников средней школы, каждый из которых получил одно стандартизированное автоматизированное сообщение обратной связи по аргументативному тексту, только поведенческое вовлечение в обратную связь и инструментальные установки по отношению к ней предсказывали результат доработки — студенты на 75-м процентиле по любому из измерений улучшали результат примерно на 0,10 или 0,11 пункта WLE больше, чем сопоставимые студенты на 25-м, что примерно соответствует переходу с 46-го на 54-й процентиль, — тогда как общая восприимчивость, когнитивное вовлечение и опытные установки не были с этим связаны, а воспринимаемая полезность не опосредовала путь ни одного измерения к результату. Полезность работала на другом исходе: эффект общей восприимчивости на ситуативный интерес проходил целиком через воспринимаемую полезность (непрямой β = 0,09, 95% ДИ [0,06, 0,13]), поэтому прирост в доработке следовал долговечным привычкам действовать на основе обратной связи, тогда как интерес следовал оценке конкретного сообщения. (Automated feedback on argumentative writing: The role of secondary students' feedback receptivity and feedback perception)

Источник может отличаться тем, как он калибрует, а не тем, как хорошо он оценивает: в рандомизированном эксперименте обратная связь ИИ с цепочкой рассуждений превзошла опытного преподавателя по качеству критериев, но не дала большего прироста в доработке, тогда как обратная связь преподавателя оставалась откалиброванной по черновикам, а обратная связь GenAI отслеживала силу исходного эссе (Farrokhnia et al. (2026)).

Двухслойная модель показывает, как связку можно организовать вокруг машины, не делегируя ей суждение. В разобранном примере Эль-Хури и Ма агент создаёт по каждой расшифровке проект отчёта о доказательствах на основе критериев, где каждая оценка привязана к процитированным фрагментам, а преподаватель затем рассматривает отчёт, ведёт разбор и решает, что доказательства значат для этого студента, — разделение, которое авторы резюмируют так: ИИ организует доказательства, а преподаватель их интерпретирует. Их утверждение об усвоении основано на оценке: обратная связь и итерации вне социальных иерархий, которые студенты проходят со сверстниками и преподавателями, легче попробовать, и репетиция в собственном темпе студента — это то, что, как они утверждают, превращает случайную уверенность в устоявшуюся привычку взаимодействовать с обратной связью.

Почему обратная связь важна для ИИ в образовании

Обратная связь — один из самых значимых и лучше всего доказанных механизмов в образовании, и ИИ одновременно усиливает и усложняет её. Хорошо выстроенная обратная связь ИИ может соответствовать человеческой обратной связи или превосходить её и масштабироваться на когорты, но она требует новых способностей учащегося (Грамотность в сфере обратной связи, ИИ-грамотность) и несёт риски (некритическое принятие, чрезмерную опору). По мере того как генерируемая ИИ обратная связь становится вездесущей, база знаний рассматривает обратную связь как целую систему — качество, контур, грамотность и контекст оценивания, работающие вместе, — а не как любой отдельный компонент.

  • Обратная связь может быть нацелена на дающего обратную связь. Обучение тьюторов — малоизученный контекст обратной связи: автоматизированные системы, которые маркируют по последовательности открытые ответы тьюторов, чтобы выявлять типы похвалы (похвала за усилие — желаемый, ориентированный на процесс вид — против основанной на результате и основанной на личности, наименее желаемого вида, приписывающего черту), могут доставлять объясняющую обратную связь, которая меняет поведение тьютора. Ограничивающим условием является наличие экспертно размеченных данных. Подход с аугментацией — GPT-4o генерирует синтетические размеченные ответы, расширяя набор из 13 примеров с низким ресурсом до 520, затем дообучается GPT-3.5 — восстанавливает большую часть разрыва: F2 +20,5% на похвале за усилие, +17,3% на основанной на результате и +16,5% на невиданной категории, основанной на личности. Тест на обобщение до невиданного типа похвалы — это проверка валидности, которая отделяет это от переобучения, а механизм ближе к дистилляции модели преподавателя, чем к классической аугментации. (Improving automated feedback systems for tutor training in low-resource scenarios through data augmentation)

Связанные концепты

Связанные статьи

Связанные FAQ

Связанные ресурсы

  • Clarity
    Открытый Agent Skill и локальный браузерный редактор, превращающие восемнадцать правил более ясного письма в режимы черновика, переписывания и рецензирования прозы.
  • Педагогическая книга промптов
    Книга открытого доступа с оценёнными промптами для практик преподавания и проектирования обучения, опирающихся на данные; в каждой главе публикуются промпт, процесс его разработки и результаты его оценивания.
  • Snorkl
    A classroom tool that gives students instant AI feedback on recorded spoken and drawn explanations of their thinking, and gives teachers analytics on those explanations.

Метаданные

Оценивание и измерениеКачество обратной связи ИИ, Оценивание, Автоматизированное оценивание, Обратная связь, Грамотность в сфере обратной связи, Формативное оценивание, Взаимное оценивание
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.