AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Групповая работа

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Групповая работа — обучение и оцениваемая работа, выполняемые командой, а не индивидуально; используется для развития сотрудничества, коммуникации и совместной ответственности, одновременно производя результат и часто оценку для каждого участника. Она находится на стыке дизайна оценивания и коллаборативного обучения и наследует напряжения обоих: паразитирование и социальная леность (social loafing), неравный вклад, избегание конфликтов и трудность отнесения коллективного продукта к индивидуальному обучению. Генеративный ИИ усиливает эти напряжения, потому что командам теперь приходится договариваться о том, чьё и какого рода вовлечение ИИ считается допустимым, — переговоры, которые, как показывает Автономность учащегося исследование, в пределах одной когорты могут разрешаться в противоположных направлениях, и которые сами ИИ-агенты, присоединяющиеся к группе, могут перестраивать.

Вопросы для размышления

  • Что на самом деле производит групповое задание — результат группы, обучение каждого участника или их способность к сотрудничеству? Если эти три вещи могут расходиться, на какое из них претендует ваше оценивание?
  • Вспомните групповой проект, в котором вы участвовали. Кто выполнял работу, кто решал, что считать хорошей работой, и кто молчал? Насколько это определялось дизайном задания, а не людьми?
  • Исследования групповой работы показывают, что студенты часто отказываются привлекать паразитов к ответственности, чтобы сохранить отношения. Когда участник группы использует GenAI для создания своей части, является ли это паразитированием — или суждение сложнее, чем предполагает это слово?
  • Группа может получать доступ к ИИ через один общий интерфейс или через личные промпты каждого участника. Что производит более честное сотрудничество, и что скрывает каждый из этих способов?
  • Если бы ИИ-агент присоединился к вашей группе как товарищ по команде — хваля, вопрошая или провоцируя, — углубило бы это сотрудничество или перестроило бы то, кто им управляет, причём никто бы этого не заметил? Как бы вы отличили одно от другого?
  • Коллаборативный ИИ, максимизирующий эффективность выполнения задачи, обычно минимизирует саморегулируемое вовлечение учащихся. Если бы вам пришлось выбирать между результатом и преодолением трудностей, что бы вы защищали?
  • Посреднику на основе ИИ доверяют, только пока он остаётся нейтральным. Когда он переходит от резюмирования к советам или вызовам, доверие разрушается. Насколько нейтральным должен быть ИИ группы на самом деле?

Введение

Групповая работа занимает особое место в высшем образовании и профессиональной подготовке: её ценят за развитие сотрудничества, коммуникации и совместной ответственности, и она педагогически центральна в профессионально ориентированных программах, таких как педагогическое образование. Однако её обещание не реализуется автоматически. И преподаватели, и студенты сообщают о препятствиях для эффективного сотрудничества, и оцениваемый групповой продукт несёт в себе сразу два различных утверждения — о том, чего добилась группа, и о том, что выучил каждый участник. ИИ, и генеративный ИИ в особенности, давит на оба: он меняет то, как работу можно разделять, как легко вклады можно объединять и как мышление каждого участника можно отличить от вывода инструмента. Большая часть исследований базы знаний о коллаборативном обучении относится к групповой работе, и эта страница опирается на несколько направлений этих исследований, а не на одно исследование.

Почему групповая работа трудна по своей природе

  • Паразитирование и социальная леность. Некоторые участники сокращают свой вклад, и нагрузка перераспределяется на более вовлечённых товарищей. Масштаб задания, размер группы и состав повышают вероятность этого; механизмы подотчётности и групповая самоэффективность снижают её.
  • Подотчётность является как реляционной, так и структурной. В Гонконге — где проводилось одно из исследований базы знаний по групповому оцениванию — студенты бакалавриата часто предпочитали не сообщать о паразитировании, чтобы защитить межличностные отношения, выполняя работу сами вместо того, чтобы противостоять проблеме. Таким образом, Автономность учащегося студентов может принимать форму стремления к оценке при избегании конфликта.
  • Сотрудничество должно быть спроектировано, а не предполагаться. Там, где задание можно разделить на независимые подзадачи, студенты идут этим путём, и группа превращается в формат сдачи работы, а не в совместное интеллектуальное предприятие. Chen и Zou (2026) обнаружили, что именно так поступают три из их пятнадцати групп, — разделяя работу, работая на «индивидуальных платформах» и никогда не объединяя свои индивидуальные возможности GenAI, даже когда согласованность была явным критерием оценивания.
  • Процесс против продукта. Групповая работа сильнее всего, когда процесс оценивается наряду с результатом, что требует взаимного оценивания или других видимых промежуточных продуктов, а не единого финального артефакта.
  • Справедливость и включённость. Нормы вклада, язык и уверенность распределяются внутри групп неравномерно. Нейроотличные студенты сообщают, что им нужны структурированные задания, небольшие стабильные команды и явно определённые роли — требования, которые инструменты коллаборации с ИИ, часто создаваемые для «среднего» учащегося, обычно не могут выполнить.

Как ИИ меняет групповую работу

Исследования об ИИ в групповой работе касаются двух различных вещей: что ИИ добавляет к заданию группы и что ИИ делает с процессом группы. Обе важны, и выводы базы знаний охватывают их обе.

ИИ как инфраструктура координации

Самым непосредственным выводом о GenAI и групповом оценивании является исследование Чена и Цзоу (2026) с тремя паттернами на примере пятнадцати групп будущих преподавателей. Вместо единого спектра «от энтузиазма к избеганию» активность шла в трёх направлениях одновременно.

Паттерн Групп Практика Обоснование
Ориентированная на сотрудничество активность 5 Интенсивное использование GenAI Согласованность, результативность, общие нормы, снижающие воспринимаемый риск
Нормативная активность 7 Намеренно сдержанное использование Подлинность, справедливость, оригинальность, разнообразие точек зрения
Нереализованная активность 3 Без изменений по сравнению с индивидуальной работой Задание разделено; коллективное взаимодействие воспринимается как дорогостоящее
  • GenAI как инфраструктура координации. Студенты усиливали использование, чтобы решить знакомую проблему сотрудничества — незнание того, что содержится в частях товарищей. Подача этих частей в чат-бот для их расшифровки и согласования делала распределённое знание взаимно понятным, и одна группа перестроила свой рабочий процесс как «обсуждение → экстернализация в GenAI → коллективная ревизия → повторное обсуждение». Авторы интерпретируют это как выход за пределы когнитивной разгрузки, поскольку суждение оставалось у студентов, а инструмент поглощал работу по координации, предупреждая при этом, что более гладкий рабочий процесс может обходить то расхождение во взглядах, через которое строится сплочённость.
  • Групповые нормы могут инвертировать подотчётность. Разрешительный коллективный климат снижал воспринимаемый риск неправильного использования («это удобнее, потому что, кроме меня, все в моей группе используют GenAI»), превращая общие нормы в общее управление риском вместо приверженности обучению — то есть в противоположность тому, чего должна достигать групповая подотчётность.
  • Сдержанность тоже является активной. Семь групп сократили использование GenAI, чтобы защитить ситуативное знание задания («ИИ знает только тот момент, когда вы печатаете»), избежать фактического паразитирования на товарищах по группе, сохранить оригинальность, которая отличает группы друг от друга, и удержать разнообразие точек зрения, которое уже было у группы, — нормативную саморегуляцию, а не простое соблюдение, которую снаружи трудно отличить от отстранения.

То, как группа получает доступ к ИИ, формирует сотрудничество

Xu et al. (2026) показывают, что способ доступа команды к GenAI сам по себе является проектировочным решением. При одном общем интерфейсе в синхронной работе команды совместно конструируют «коллективные промпты», выполняют цикл «обозначение поверхности — оценка — встраивание» и рассматривают чат как общую память; в асинхронной работе личное промптинг и «снятие ярлыков» с выводов фрагментируют прозрачность и повышают стоимость поддержания общей когнитивной модели. Таким образом, конфигурация доступа напрямую связана с качеством интерактивного вовлечения — с тем, действительно ли группа совместно конструирует или лишь совместно одобряет.

ИИ как участник группы перестраивает группу

Вторая линия исследований рассматривает ИИ как участника, а не как инструмент, и её выводы усложняют предположение о том, что «ИИ-товарищ по команде» означает «лучшая командная работа».

  • Агенты как социальный стабилизатор — и магнит для вопросов. В пятнадцати группах по три студента STEM, обсуждающих Этика с тремя участниками Большие языковые модели (LLM) (Seo et al., 2026), агенты удерживали группы на теме, когда человеческие участники отклонялись («даже если двое других участников отвлекались, мне не приходилось этим заниматься»), и побуждали к уточнениям, которых люди избегали по реляционным причинам. Но групповая динамика сместила взаимодействие от людей — 79,7% вопросов были направлены агентам (p = .017), — и участники отметили компромисс между широтой и глубиной в формате с поочерёдным занятием слова, где каждый говорящий занимал слово по очереди и «другие участники не могли вмешаться», что делало лёгким охват многих идей, но трудным исследование любой из них в глубину.
  • Персоны ИИ переконфигурируют возникающую Автономность учащегося. Jin et al. (2026), в эксперименте, где ИИ действовал как нераскрытый товарищ по команде, обнаружили, что поддерживающие и оппозиционные персоны всё равно перестраивали группу: оппозиционный ИИ тянул дискурс к вызову и рефлексии (продуктивное трение), в то время как поддерживающий ИИ стабилизировал согласие и возобновлял генерацию идей. Критически важно, что это трение имело аффективную цену — оппозиционный ИИ снижал удовлетворённость командной работой и психологическую безопасность не давая при этом прироста в креативности, — поэтому «продуктивные» структуры дискурса должны взвешиваться вместе с их эмоциональными последствиями. Поскольку персоны работали даже без раскрытия, они позиционируют дизайн персон как форму невидимого Управление ИИ групповым сотрудничеством.
  • Спор может противодействовать групповому мышлению. Wiss et al. (2025) намеренно пошли противоположным путём: ИИ-агент (CALIE), настроенный на введение спорных точек зрения в двенадцать межпрофессиональных команд PBL, стимулировал критическое мышление и позитивную групповую динамику, противодействуя давлению конформизма, которое групповая работа может порождать. Контраст с Jin et al. поучителен — вызов помогает, когда он является задуманным элементом дизайна, и вредит, когда он является непризнанным побочным эффектом.
  • Ограничение нейтрального посредника. Spritz, ИИ, который опосредует дисциплинарные границы в междисциплинарных командах, выявляя скрытые допущения, ценился и как когнитивная поддержка, и как реляционный буфер — но доверие студентов было несущей конструкцией и разрушалось в тот момент, когда ИИ переходил от нейтрального посредника к советнику или тому, кто бросает вызов. Поэтому переключения ролей должны быть явными и настраиваемыми, а не молчаливыми.
  • Само сотрудничество может быть объектом обучения. ProPACT рассматривает диаду — а не индивида — как единицу анализа, моделируя совместное внимание и усилие для предсказания сбоев в сотрудничестве с опережением до 30 секунд. Диады, получающие упреждающую обратную связь, достигали более высокой успешности отладки и демонстрировали устойчивый прирост в совместной Регулирование ИИ в образовании впоследствии: ИИ может учить самому сотрудничеству, а не только поддерживать задачу.

Компромисс между эффективностью и регуляцией

Hao et al. выделили три режима совместной работы с ИИ над сложными задачами — делегированное рассуждение (Delegated Reasoning), согласованную интерпретацию (Concerted Interpretation) и делегированную разработку (Delegated Elaboration). Самый эффективный режим (делегированное рассуждение) даёт наилучшую результативность по задаче, но самое низкое саморегулируемое вовлечение; режим с наибольшей саморегуляцией (согласованная интерпретация) отстаёт по задаче. Это центральное проектировочное напряжение для опосредованной ИИ групповой работы: сбалансировать эффективность распределённой системы «человек–ИИ» с глубиной регулятивного вовлечения учащихся.

Эпистемический риск отполированного вывода

Kimmerle концептуализирует риск снижения эпистемических усилий, когда учащиеся используют ИИ для создания отполированных артефактов знания — автоматизационной предвзятости на социально-когнитивной стороне и эпистемического закрытия, индуцированного готовым артефактом, на другой. Средство — структурировать ИИ как аргументирующего партнёра или того, кто бросает вызов, что сохраняет конфликт. Контраргумент исходит от Oppenheimer et al., которые обнаружили, что когда LLM действуют как партнёры по критике, а студенты активно опровергают их утверждения, учащиеся ведут себя как критичные потребители, сохраняющие, а не сдающие когнитивный конфликт критики. Разница между товарищем, дающим ответы, и партнёром, бросающим вызов, определяет, строит ли групповая работа с ИИ мышление или обходит его.

Поддержка на аудиторном уровне, не оценочная по характеру

CoBi обнаруживает «возвышающий» малогрупповой дискурс (уважение, справедливость, сообщество, продвижение мышления вперёд) и возвращает неоценочные, аудиторного уровня визуализации, — намеренно удерживая обратную связь на уровне студентов или групп, чтобы защитить Приватность и Доверие. Студенты предпочитали качественные визуализации (органическое дерево) количественным (радарная диаграмма). Для реляционного измерения групповой работы агрегированная на уровне класса обратная связь поддерживает построение сообщества там, где индивидуальное оценивание ощущалось бы как наблюдение.

Проектировочные следствия

  • Сделайте переговоры об использовании ИИ оцениваемым результатом. Chen и Zou (2026) утверждают, что команды должны обосновывать и документировать, как GenAI будет и не будет использоваться, превращая имплицитную норму товарищей в явное, оцениваемое рассуждение, вместо того чтобы оставлять всё на усмотрение воспринимаемого риска.
  • Оценивайте процесс, а не только продукт. Взаимное оценивание, промежуточные результаты и рефлексивные вклады создают взаимодействия, через которые на самом деле конструируются нормы и общее понимание.
  • Не полагайтесь только на критерий согласованности. Строка рубрики, требующая интеграции, не порождает сотрудничество, если структура задания всё ещё допускает «разделяй и властвуй»; рабочий процесс должен требовать совместной работы.
  • Проектируйте доступ осознанно. То, делит ли группа один интерфейс ИИ или каждый участник промптит лично, меняет прозрачность сотрудничества и стоимость поддержания общей когнитивной модели.
  • Решите видимым образом, какова роль ИИ. Нейтральному посреднику доверяют; советнику или тому, кто бросает вызов, — нет, если только эта роль не является явной и задуманной. Оппозиционная персона может противодействовать групповому мышлению, но только как спроектированная особенность с признанными издержками для психологической безопасности.
  • Балансируйте эффективность и саморегуляцию. Коллаборативный ИИ, максимизирующий эффективность задачи, может подрывать регулятивное вовлечение учащихся; дизайн должен осознанно защищать пространство для согласованной интерпретации.
  • Предпочитайте аргументирующего партнёра тому, кто даёт ответы. Структурируйте ИИ так, чтобы он выявлял расхождение во взглядах, а не сглаживал его, чтобы групповая работа сохраняла когнитивный конфликт, строящий понимание.
  • Учитывайте нейроотличных учащихся. Структурированные задания, небольшие стабильные команды и явные определения ролей — это требования, которые инструменты коллаборации с ИИ должны поддерживать.
  • Читайте сдержанность внимательно. Студенты, избегающие ИИ в группах, могут осуществлять нормативную саморегуляцию — или защищаться от риска и незнакомости. Эти два случая требуют различных откликов преподавателя.

Связанные концепции

Связанные статьи

Связанные FAQ

Метаданные

УровеньHigher Ed
Целевая аудиторияInstructors, Learners
Обучение и преподаваниеСовместное обучение
Технологии и методыГенеративный ИИ
Оценивание и измерениеОценивание, Аутентичное оценивание, Взаимное оценивание
Основы ИИ в образованииАкадемическая добросовестность, Автономность учащегося
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.