AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Генеративный ИИ

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Генеративный ИИ — системы ИИ, способные производить текст, код, изображения и другое содержание, наиболее известны среди них большие языковые модели вроде GPT-4 и Claude. Генеративный ИИ — это технология, движущая текущую волну AI in education в research.

Вопросы для размышления

  • Генеративный ИИ производит беглое, звучащее уверенно содержание по требованию. Означает ли беглость правильность, и где вы видели звучащую уверенно, но неверную выдачу — что делало её трудной для обнаружения?
  • В отличие от более ранних систем, основанных на правилах или на поиске, генеративные модели создают новое содержание, а не извлекают хранимые ответы. Как это изменение сдвигает риски — галлюцинации, чрезмерную опору, академическую честность — по сравнению с поисковой системой?
  • При 80+ статьях генеративный ИИ — это крупнейшая тема в данной базе знаний, охватывающая обучение, оценивание, генерацию содержания и безопасность. Какое применение, как вы думаете, является самым многообещающим для обучения, а какое — самым опасным, и почему?
  • Одна и та же технология, которая может сгенерировать сократический учебный диалог, может также произвести «ловушку правильного ответа», поощряющую копирование. Какие проектные решения могли бы отделить генеративный ИИ, который служит опорой для обучения, от генеративного ИИ, который его коротко замыкает?

Введение

Что делает генеративный ИИ отличным для образования

В отличие от более ранних систем, основанных на правилах или на поиске, генеративный ИИ производит беглое, контекстуально уместное содержание по требованию. Это создаёт как беспрецедентные возможности, так и новые риски:

  • Генерация содержания: LLMs могут создавать учебные материалы, примеры и объяснения. Synthetic textbooks, adaptive videos и instructional videos показывают диапазон генерации образовательного содержания.
  • Черновики планов уроков, зависящие от платформы и языка. Экспертная evaluation of AI-генерируемых планов уроков по науке показывает, что качество содержания не является ни единообразным, ни нейтральным. Karaismailoglu, Surmeli and Yildirim (2026) предложили одиннадцати специалистам Естественно-научное образование оценить ChatGPT-4 и ориентированный на образование инструмент (Teacher's Buddy) на соответствие этапам обучения на основе проектирования для шестого класса: ориентированная на образование платформа превзошла универсальную по всем восьми критериям качества, однако 7 из 11 экспертов всё равно оценили планы лишь как «применимые после исправления». Обе платформы генерировали педагогически более богатую выдачу по англоязычным промптам, чем по турецким, даже когда просили адаптировать для Мерсина, Турция, — что является заботой о digital-equity, где язык промпта формирует качество преподавания.
  • Обучение и диалог: AI tutoring systems используют генеративный ИИ для конверсационного преподавания. Socratic dialogue и collaborative tutoring эксплуатируют генеративные возможности для pedagogical взаимодействия.
  • Симулированные пациенты и согласованность кейсов. Аннотированный несколькими экспертами корпус из 4,815 сообщений «студент–ИИ» с платформы MeduAI-SP (Yang et al., 2026) показал, что лишь около 0.68% сгенерированных LLM ответов стандартизированных пациентов содержали явные проблемы верности, а постепенное раскрытие было оценено как клинически уместное примерно в 99.3% сообщений пациентов. Это подтверждает утверждение, что симулированные пациенты на генеративном ИИ могут поддерживать согласованность кейса и зависящее от расспроса, непревосходящее раскрытие при структурированном скриптинге YAML (qwen-max), делая их достаточно стабильной средой для исследования результатов, а не только для демонстраций правдоподобности, — тогда как система намеренно утаивала диагнозы и summative оценки во время обучения.
  • Оценивание: Essay scoring, automated grading и Формативное оценивание всё больше опираются на генеративные модели. Benchmarks подтверждают этот сдвиг для работ с открытым ответом: Pecuchova, Benko & Drlik (2025) обнаружили, что модели генеративного ИИ, чувствительные к контексту (GPTo1 достигающий почти совершенного согласия с человеческими оценщиками), резко превзошли более ранние подходы на основе вложений предложений при выставлении оценок за ответы студентов с открытым ответом, которые опирались на жёсткое сопоставление с эталоном и ошибочно классифицировали действительные, но по-иному сформулированные ответы. Olvet et al. (2026) распространяют это на medical образование на этапе до клинической практики, где оценивание GPT-4 открытых вопросов достигло существенного или почти совершенного согласия между оценщиками с преподавателями (взвешенная каппа до 0.94), — но только после того, как люди итеративно уточняли рубрику в течение трёх раундов и оставались в цикле для разрешения расхождений, — тогда как самый синтетический, целостно-рубричный вопрос остановился на умеренном согласии (κw = 0.54). Это доказательство того, что надёжность генеративного оценивания формируется человеческим инжинирингом рубрик и анализом паттернов ошибок не в меньшей мере, чем самой сырой моделью. Однако та же беглость не обобщается на разные типы заданий: Falahat et al. (2026) обнаружили, что ChatGPT-5 совпал с преподавателями-экспертами по объективным заданиям фармацевтического экзамена (CCC 0.935–1.000), но не по заданиям с коротким ответом (≈0) или сочинением (0.341–0.854), и структурированная рубрика не закрыла этот разрыв надёжно.
  • Риски: Hallucination, Over-Reliance, Когнитивный оффлоадинг и заботы об Академическая добросовестность возникают именно из-за беглости и Доступность генеративного ИИ.
  • Проблема безопасности обучения за пределами качества выдачи. Rahimi (2026) утверждает, что генеративный ИИ может повышать качество работы обучающегося, выполняя когнитивную работу, которую тот должен делать сам, поэтому безопасность следует оценивать по траектории человеческого развития — Learning Safety, защищающая компетенции, и Learning Soundness, поддерживающая их развитие, — а не по точности, смещению или приватности.
  • Утверждения об эффективности измеряют исполнение, а не обучение. Крупнейшая оценка в данной области — meta-analysis 69 исследований, сообщающих g = 0.7 для ChatGPT и подобных инструментов, — объединяет немедленный успех в задаче, а не отсроченное удержание без помощи, поэтому это не является доказательством того, что генеративный ИИ производит learning (Yan et al., 2025).
  • Генерация учебной среды: Специализированные генеративные модели теперь превращают бриф курса непосредственно в готовые учебные артефакты. CogEvol (Tu et al. 2026) — семейство моделей, обученных генерации за один проход структурированных слайдов и самодостаточных интерактивных HTML-страниц, завершает слайд за медианные 17 секунд и интерактивную страницу за 59, — заменяя многовитковый agent Скаффолдинг продолжительностью в минуты. Надёжность обеспечивается производственным конвейером, который превращает реальные сбои в 53,687 проверенных образцов SFT плюс гибридное вознаграждение «правила + VLM» для RL на основе GRPO. Это позиционирует генеративный ИИ как движок создания содержания со следствиями для производственных рабочих процессов teacher и curriculum, а также для оценивания того, являются ли генерируемые ИИ учебные среды функционально и педагогически обоснованными, а не просто визуально отполированными.

Перепись использования инструментов преподавателями показывает, что внимание сосредоточено на производстве, а не на преподавании: инструменты для изображений, аудио, видео и презентаций составляли примерно половину из 50 инструментов, выдвинутых 211 преподавателями из девяти стран, тогда как инструменты обучения и чат-ботов образовали самую малую группу, ориентированную на преподавание (Bower, Torrington & Lai (2026)).

Охват генеративного ИИ в базе знаний

При 80+ статьях генеративный ИИ — это крупнейшая технологическая тема базы знаний. Исследования охватывают исследования эффективности (meta-analyses), заботы о безопасности (tutor harms, guardrailing) и принципы проектирования (instructional guidance).

Объединённо по 53 исследованиям, образование с поддержкой генеративного ИИ превзошло подходы без генеративного ИИ по достижениям (g = 0.40), мышлению высшего порядка (g = 0.72), мотивации (g = 0.81) и письму (g = 0.76), хотя генеративный ИИ с игровой поддержкой не добавил значимой выгоды (g = 0.24) (Dong (2026)).

Отдельный мета-анализ 42 исследований только по мотивации даёт более низкий объединённый эффект (g = 0.764) и сообщает 95% интервал предсказания, охватывающий [−0.689, 2.217], поэтому мотивационное преимущество не является надёжно положительным для новой обстановки (Fang et al. (2026)).

Генеративный UI — это новейшая возможность в данной теме: модели, которые выдают работающий интерактивный артефакт — ползунки, манипулируемые симуляции, — а не прозу. Kovshov et al. (2026) из команды Google Research сообщают, что готовый генеративный UI ещё не является педагогически достаточно точным для сложных конструктов, но что разложение цели обучения на прогрессивные выровненные цели и оборачивание генерации в контуры критики и самоулучшения даёт интерактивные материалы, которые эксперты-преподаватели оценивают как приемлемые. Их решение — это проектирование оркестрации: преподаватели формулируют цели, утверждают их и выбирают среди кандидатных симуляций, поэтому связывающее ограничение на заказной interactive learning material сдвигается с производства на спецификацию, а pedagogical guardrails встраиваются в конвейер генерации, а не оставляются последующей бдительности преподавателя.

Помимо этих основных направлений, недавние работы расширяют базу доказательств на institutional, интеракционные и доменные контексты. Qin (2026) документирует, как Университет Линнань институционализировал грамотность в генеративном ИИ для всех студентов бакалавриата как часть цифровой трансформации свободных искусств. Chang и Li (2026) показывают, что разговоры «студент–ИИ» кодируют ассоциированное с дисциплиной когнитивное engagement, причём ~62% промптов отражают когнитивную потребность высшего порядка. Neto и коллеги (2026) systematically review генеративный ИИ в образовании в области здравоохранения на основе сценариев, обнаруживая, что prompt design функционирует как учебная спецификация, но редко согласуется с учебными фреймворками (34.8%) или сообщается в воспроизводимых деталях (34.8%). Генеративный ИИ также обеспечивает ролевые симуляции обучающихся для практико-ориентированной teacher training: Zhuang and Zhang (2025) построили Student GPT, пользовательского чат-бота на ChatGPT, который симулировал middle school, имеющего распространённые Заблуждения об ИИ в рассуждении о пропорциях, давая будущим преподавателям математики доступную, специфичную по содержанию практику диагностики мышления студентов, — доказательство того, что проектирование промптов (основанный на литературе промпт надёжно вызывал целевые концептуальные ошибки, 0.98 против 0.40) может направить готовую генеративную модель в полезную педагогическую персону.

systematic review of language educators (Li et al. 2026) обнаруживает, что преподаватели больше всего ценят генеративный ИИ за подготовительную работу с содержанием — планирование уроков, создание материалов и поддержку письма, — колеблясь при использовании в живом классе, причём заботы сосредоточены на academic integrity (плагиате и assessment validity), профессиональном вытеснении и технострессе; внедрение формируется факторами профессиональной идентичности, педагогическими, техническими, институциональными и факторами честности, а пробелы в компетенциях отображаются на эпистеме, техне и фронесис.

Генерация содержания аналогично выходит за пределы mathematics в совместное проектирование учебных ресурсов с преподавателями — например, совместно спроектированные преподавателем и ИИ Моделирование для drone STEM с дронами, которые сохраняют педагогическую валидность и контекстуальную релевантность. В arts education STEAM для детей Luo and Tahir (2025) экспериментально квантифицировали приросты планов уроков с помощью ChatGPT по сравнению с созданными преподавателями (медиана по оценкам экспертов 20.5 против 17.6, p = .002, большой эффект), — однако то же исследование документирует, что беглая выдача несёт реальные режимы сбоя для генерации в классе: планы, которые являются идеализированными или непрактичными для ежедневного преподавания, пропущенные ограничения по безопасности детей (например, предложение ножей для резьбы для young children), западническое культурное смещение и логически ошибочную или нерелевантную генерацию изображений/ресурсов. Вклад — это фреймворк промптов (Роль–Инструкции–Конечная цель плюс рубрика качества «четыре точки и одна линия»), который превращает вопрос надёжности из «может ли модель генерировать» в «как промпты и критерии оценивания должны её ограничивать для педагогического использования». Ориентированные на Equity применения остаются малоизученными; инициатива мейкерспейса на генеративном ИИ только для девочек в Европе сочетала два инструмента генеративного ИИ с феминистской педагогикой для решения устойчивых гендерных неравенств в участии в вычислительной деятельности, анализируя сгенерированные девочками с помощью генеративного ИИ изображения и рефлексии заинтересованных сторон. Ассистивные и инклюзивные применения — это растущее направление: Khlaif et al. (2026) — qualitative кейс-исследование 21 студента бакалавриата с нарушениями зрения в Палестине — обнаружили, что генеративный ИИ подгоняет темп, содержание и способ подачи под индивидуальные профили обучения, упрощает сложные академические тексты и конвертирует содержание между модальностями, причём обучающиеся рассматривают его как дополняющий, а не заменяющий преподавателей.

  • Генеративный ИИ как pedagogical agent в критической медийной грамотности начальной школы. Demir и Akar (2026) операционализируют модель преподавания 5E с инструментами генеративного ИИ (ChatGPT для рефлексивных вопросов и вопросов-ответов, Grammarly и Canva AI для уточнения содержания, Padlet для peer feedback), встроенными фаза за фазой, а не как изолированные дополнения, в 18-часовой программе критической медийной грамотности для турецких четвёртоклассников, согласованной с учебными планами по турецкому языку и обществознанию. Группа с поддержкой ИИ показала большие приросты в медийном чтении (+3.50), письме (+1.67) и общей медийной грамотности (+5.17, все p < .01) с межгрупповыми размерами эффекта: d Коэна = 1.12 (чтение), 1.18 (письмо) и 1.31 (общая грамотность), тогда как контрольная группа продвинулась лишь скромно. Качественный анализ выявил шесть областей роста критической медийной грамотности — цифровая самозащита и data privacy, целенаправленное и ответственное использование медиа, безопасная коммуникация и осведомлённость о границах, critical evaluation и осведомлённость о дезинформации, осведомлённость об онлайн-рисках и медийная Этика/цифровое гражданство, — иллюстрируя, как генеративный ИИ может быть встроен в учебный план как опорный педагогический агент, культивирующий критическое оценивание, а не коротко замыкающий его.

Генеративный ИИ в специализированных областях: поддержка дислексии

Междисциплинарный систематический обзор 2026 года (Dabaghi, D'Urso и Sciarrone, по руководству PRISMA, 2018–2024, n=72) обнаруживает, что генеративный ИИ недостаточно используется в области поддержки дислексии. Исследования ГИИ (все из 2024 года) группируются в интеллектуальные chatbots, поддержку teacher training и исследовательские работы, и быстро обгоняют классическое ML как инструмент выбора, — однако строгое экспериментирование и валидация в реальных условиях остаются в значительной степени отсутствующими. Анализ обзора будущих тенденций указывает на персонализированные материалы и адаптивную обратную связь в реальном времени на основе ГИИ, multi-modal диагностические модели, интегрирующие отслеживание глаз, ЭЭГ и поведенческую analytics, управляемые NLP intelligent tutoring systems и конверсационные агенты, а также инструменты поддержки, ориентированные на преподавателей. Это иллюстрирует и обещание генеративного ИИ для генерации содержания и интерактивной поддержки в специализированной области с высокими потребностями, и риск того, что его внедрение опережает базу доказательств.

Связанные концепции

Связанные статьи

Метаданные

Технологии и методыИнтеллектуальное тьюторство, Большие языковые модели (LLM), Промпт-инжиниринг, RAG (генерация с дополненным поиском)
Справедливость, этика и ответственное использованиеРиск галлюцинаций
Основы ИИ в образованииИИ-грамотность, Когнитивный оффлоадинг
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.