AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Поиск помощи

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Поиск помощи — процесс, в котором учащийся осознаёт потребность в содействии и стратегически запрашивает его, а также то, как этот процесс разворачивается в средах обучения с поддержкой ИИ. В ИИ в образовании поиск помощи является центральным для того, поддерживают ли инструменты ИИ обучение или подрывают его: качество поиска помощи (когда, как и о чём учащиеся просят) сильно формирует результаты, а репетиторы на основе ИИ, подсказки и педагогические агенты спроектированы именно для того, чтобы вызывать продуктивный поиск помощи, а не поиск ответов. (Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)(Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)

Активное обращение может повысить поиск помощи без какого-либо изменения учебных материалов. Предзарегистрированный эксперимент на курсах бакалавриата с большим набором студентов рассылал сообщения студентам через академический чат-бот и обнаружил большее использование репетиторства и дополнительного обучения; анализ опосредования приписал 17,8% эффекта на оценки этому повышенному поиску помощи (p = 0,041) (Let's Chat: Leveraging Chatbot Outreach for Improved Course Performance).

Вопросы для размышления

  • Когда вы застреваете, вы обычно просите прямой ответ или руководство, которое помогает разобраться самостоятельно? Как вы думаете, что каждый из этих выборов делает с тем, что вы действительно удерживаете в памяти?
  • Исследования показывают, что студенты часто намереваются учиться с ИИ, но по умолчанию просят ответ, — «разрыв между намерением и поведением», связанный с худшей результативностью. Почему добрые намерения так легко превращаются в поиск ответов?
  • Постоянная «кнопка подсказки» может превратить учебное задание в упражнение на копирование, сигнализируя, что помощь всегда есть. Можете ли вы вспомнить время, когда слишком лёгкая доступность помощи заставила вас пропустить необходимые размышления?
  • Одно исследование обнаружило, что простое предупреждение студентов о том, что ИИ может ошибаться, фактически повышало их поиск помощи. Как здоровый скептицизм может изменить то, как студенты взаимодействуют с репетитором, в сравнении со слепым доверием?
  • Испытывающие трудности студенты часто менее всего склонны просить помощь без понуждения. Если студенты, которым поддержка нужнее всего, не обращаются за ней, как инструменты ИИ и преподаватели должны на это отвечать?
  • На странице предлагается задерживать подсказки и перемещать вопрос дизайна с «предоставлять ли» на «как» предоставлять помощь. Как выглядел бы хорошо спроектированный опыт получения помощи для ваших учащихся, — и что заставило бы их действительно им воспользоваться?

Введение

Поиск помощи — давно устоявшийся конструкт в исследованиях обучения, тесно связанный с Саморегулируемое обучение и Метакогниция: он требует от учащихся отслеживать собственное понимание, осознавать пробел, решать, что помощь нужна, и формулировать эффективный запрос. С ростом репетиторов на основе генеративного ИИ поиск помощи приобрёл новую важность — и новые режимы отказа. Учащиеся часто намереваются использовать ИИ для обучения, но по умолчанию просят прямые ответы, — разрыв, который исследования этой базы знаний документируют во всех предметных областях и возрастных группах. Классическая модель предполагает, что запрос касается знания, которым спрашивающий не обладает. Спрос на операционную поддержку осложняет это предположение: среди 4 093 запросов по меньшей мере 20,4% спрашивали о статусе ожидающей сдачи работы, а не о знании, — класс запросов, который ассистент, ограниченный извлечением, обслуживал лишь в 1,3% случаев Gupta et al. (2026). (Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

Продуктивный и непродуктивный поиск помощи

Центральное различие в литературе — между поиском помощи, который поддерживает обучение, и поиском помощи, который его обходит.

Непродуктивное поведение при поиске помощи

Исследования этой базы знаний выявляют конкретные, наблюдаемые паттерны непродуктивного поиска помощи, особенно в интеллектуальных репетиторских системах:

  • Преждевременные запросы подсказок — запрос помощи до какой-либо попытки решения. Даже неуверенные студенты усваивают больше, если сначала пытаются. (Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
  • Поверхностное чтение подсказок — прохождение через подсказки слишком быстро, чтобы их читать (фиксируется по порогу ~4 слова в секунду), часто с переходом сразу к последней подсказке, раскрывающей ответ. (Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
  • Поиск ответов вместо поиска обучения — просьба к ИИ выдать ответ, а не объяснить или направить. В исследовании 98 учащихся 9 класса, использовавших репетитор GenAI, взаимодействия определялись инструментальными запросами почти без какого-либо мониторинга или оценки собственного обучения, — несмотря на то что студенты заранее выбрали поддержку со скаффолдингом. Этот разрыв между намерением и поведением был связан с более низкой результативностью на посттесте и более высокой посторонней когнитивной нагрузкой. (Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)
  • Обращение к ИИ до какой-либо независимой попытки или человеческого источника. Manikonda et al. (2026) измеряют это упорядочивание непосредственно как раннюю опору — обращение к GenAI до независимого размышления, традиционного поиска или обращения к преподавателю, — и обнаруживают её связь с большим негативным воздействием (β = .402, p = .004), а также с академической пользой (β = .301, p < .001) среди 118 студентов курсов, связанных с ИИ. Связь с вредом отсутствовала при низкой оценочной грамотности и была самой сильной при высокой оценочной грамотности (b = .688 на +1 SD, p < .001), поэтому студенты, наиболее способные судить о выводе ИИ, сообщали о наибольших издержках от обращения к нему первым: выбор кого спрашивать первым несёт в себе издержки, которые мастерство в оценке ответа не компенсирует. Это также показывает, что использование ИИ для организации, оценки и декомпозиции задач — когнитивная опора, а не ранняя, — является паттерном, связанным с позитивным воздействием, поэтому режим отказа поиска помощи — это режим упорядочивания, а не запроса как такового.
  • Упорные запросы без восстановления — запрос продуктивен поначалу, но не бесконечно: запросы помощи являются наиболее восстановимым типом тупика в начале (47,0%), но падают сильнее всего, как только помощь терпит неудачу (12,5% на глубине шесть и более), поэтому сигналом, который стоит отслеживать, является упорство, а не сам запрос Ahtisham et al. (2026).
  • Испытывающие трудности студенты менее всего склонны просить помощь без понуждения — сторона вовлечённости поиска помощи. В двухлетнем РКИ Khanmigo (Oreopoulos & Low 2026), даже при свободном доступе и обязательном времени на практику, медианный испытывающий трудности студент писал репетитору на основе ИИ лишь в ~17% сессий с ошибками, в основном с голыми ответами или кликами, — что согласуется с выводом экономики образования о том, что интервенции, зависящие от инициативы, достигают наименьшего числа студентов, которым они принесли бы наибольшую пользу. TWiK (Oreopoulos et al. 2026) показывает, что использование очень сильно реагирует на снижение трения (использование на первой сессии выросло с 45% до 83% после упрощения записи), но вход ≠ устойчивое участие (посещаемость оставалась прерывистой).

Почему непродуктивный поиск помощи вредит обучению

Перспектива аффордансов объясняет ключевой механизм: когда интерфейс делает помощь постоянно и заметно доступной (например, постоянная «кнопка подсказки»), он сигнализирует учащимся, что помощь всегда есть, создавая непреднамеренный аффорданс, который может превратить задание в упражнение на копирование. Быстрый доступ к последним подсказкам обходит активное построение схем, которого требует обучение. (Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)

Качество поиска помощи измеримо

Два простых, интерпретируемых показателя — преждевременные запросы подсказок и поверхностное чтение подсказок — вычислимы из стандартных журналов репетиторства и последовательно связаны со снижением прироста в обучении на протяжении семестров, даже после контроля предшествующих знаний. Это делает их применимыми для Аналитика обучения панелей мониторинга и вмешательства в реальном времени, в отличие от сложных машинно-обучаемых детекторов «игры в систему». (Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)

Проектирование систем ИИ для содействия продуктивному поиску помощи

Скаффолдинг того, как студенты спрашивают

Явное обучение поиску помощи, ориентированному на рассуждение — запросу пошаговых подсказок и верификации вместо финальных ответов, — даёт лучшие результаты, чем некритичная опора. В квазиэкспериментальном исследовании статистики на уровне бакалавриата направляемый доступ к LLM (с обучением ориентированному на рассуждение поиску помощи) привёл к более сильной независимой результативности и лучшей калибровке самооценки, чем неограниченный доступ к LLM. Урок: сам по себе доступ к LLM является неполной интервенцией; задача дизайна — создать скаффолдинг для того, как студенты используют ИИ, чтобы он функционировал как партнёр по рассуждению, а не как инструмент получения ответов. (Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

Стоимость взаимодействия — часть того же вопроса. Rhee et al. (2026) выявляют референциальный барьер и экспрессивный барьер, которые не позволяют учащимся на основе пера задать LLM вообще что-либо: указание на область диаграммы или термин в уравнении нельзя выразить в набранной прозой, и усилие формулирования приходится именно тогда, когда вопрос наиболее уязвим. Их система Penquiry решает проблему референции, привязывая чернильные отметки к элементам документа, и расширяет разреженные ключевые слова, написанные чернилами, до полных запросов через автодополнение; два итеративных исследования по 16 участников каждое обнаружили значительное снижение когнитивных и физических издержек запроса. Остаётся открытым, производит ли меньшая стоимость запроса лучший поиск помощи или просто большее его количество, и авторы предлагают временно адаптивное автодополнение — базовую верификацию в начале сессии, более высокоуровневые подсказки позже, — как путь от снижения трения к постепенно снимаемой поддержке, а не к постоянному костылю.

Скаффолдинг может также доставляться внутри задания, а не до него. Jin et al. (2026) построили HelpCoach, надстройку к интерфейсам чата, которая оценивает, насколько специфично студент просит о помощи, и побуждает к пересмотру, когда вопрос слишком расплывчат, делая компонент знания и тип скаффолдинга явными. В межсубъектном исследовании с 40 студентами колледжа, изучающими веб-программирование, участники HelpCoach написали значительно более высокую долю специфичных вопросов в своих первых черновиках, чем базовая линия с обучением до задачи (57,3% против 40,5%), и удержали значительно больше знаний неделю позже (d = 1,100), тогда как различие в специфичности на третьей задаче перестало быть значимым (43,7% против 32,1%). Авторы предостерегают, что прирост удержания пока нельзя приписать более адресным ответам чат-бота.

Третий рычаг стоимости запроса — откуда приходит помощь. Gray и Hobbs (2026) построили Beacon, ассистента с дополнением извлечением, специфичного для курса, заземлённого в утверждённых материалах одного модуля программирования, и оценили его с 15 студентами вычислительных дисциплин и четырьмя академиками. 89% участников оценили его ответы как сильно согласованные с материалами курса, и 66,7% сказали, что он поддерживал, а не заменял их обучение, хотя лишь от около половины до 60% сообщили о приросте в понимании или уверенности. Мотивация — барьер, документированный в этом разделе: 62,5% этих студентов сказали, что они иногда избегали просить о помощи, когда она была нужна, и 75% сообщили о тревоге, когда тема не складывалась в понимание, поэтому приватный канал, заземлённый в модуль, предлагается как первая ступень перед обращением к лектору. Проинтервьюированные академики сохраняли контраргумент в силе — они ценили, что Beacon утаивал полные решения, и беспокоились, что неограниченные инструменты позволяют студентам пропустить стадию развития, — и именно поэтому дизайн завоёвывает своё место, отказываясь завершать работу.

Калибровка доверия через прозрачность

Аудиторный эксперимент с 252 студентами обнаружил, что предупреждение студентов о способности ИИ ошибаться повышало поиск помощи в системе математического репетиторства. Прозрачность относительно потенциальных ошибок системы улучшила вовлечённость учащихся с системой, — связывая поиск помощи с Калибровка доверия и Риск галлюцинаций. (Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)

Переосмысление доставки подсказок и скаффолдинга

Вместо удаления помощи исследование рекомендует переинженерить то, как она доставляется:

Проблема использования в репетиторах на базе LLM

Студенты в реальном мире часто обходят Скаффолдинг чат-бота — не обязательно вредно, но часто из-за несоответствия между педагогической рамкой чат-бота и собственными учебными целями студента. Поэтому конвейеры оценки должны измерять не только то, создаёт ли репетитор скаффолдинг, но и то, принимают ли студенты этот скаффолдинг, вместо того чтобы предполагать, что они это сделают. (Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)

Поиск помощи и саморегулируемое обучение

Поиск помощи является неотъемлемой частью Саморегулируемое обучение: продуктивный поиск помощи требует от учащихся отслеживать понимание, судить, когда помощь нужна, и выбирать подходящие источники. В контекстах GenAI это становится ещё более требовательным, поскольку студенты должны также осуществлять Автономность учащегося в отношении ИИ и поддерживать эпистемическую бдительность, а не подчиняться ему. Исследования этой базы знаний поддерживают потребность в скаффолдингах, которые содействуют более активному и эпистемически инициативному использованию ИИ, и подчёркивают риск чрезмерной опоры на инструмент и Когнитивный оффлоадинг, когда поиск помощи вырождается в безусловный поиск ответов. (Regulating the AI Tutor: Intentions, Help-Seeking, and Self-Regulated Learning in Adolescent GenAI Use)(Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)

Опосредованный LLM поиск помощи как четырёхстадийный процесс

Viberg et al. (2026) показывают, что в повседневной учёбе в STEM опосредованный LLM поиск помощи — это не единый акт, а многослойный, зависящий от контекста процесс из четырёх стадий: (1) решение, нужна ли помощь — студенты сначала пытаются выполнить задачи самостоятельно, чтобы сохранить учебную ценность; (2) выбор, кого спросить — ChatGPT как шаг с низким порогом, затем товарищи для концептуального согласования, затем преподаватели для сложных или высоких ставок; (3) определение типа помощи — от подсказок и объяснений к скаффолдингу Решение задач, упорядочению рутинной работы и расширению обучения; и (4) оценка полученной помощи — осуществление избирательного доверия и верификация выводов ИИ по материалам курса или с людьми. Что критически важно, студенты предпочитали инструментальный поиск помощи (усиление понимания) исполнительному поиску помощи (получение решений), — различие, которое авторы предлагают адаптировать в новые пункты измерения саморегулируемого обучения для LLM.

В полностью онлайн сочинении доступность инструмента не является узким местом. Reed (2026) наблюдала, что испытывающие трудности студенты были не теми, у кого нет поддержки, а теми, кто не распознавал, когда помощь была нужна, какой ресурс подходит к задаче, или как судить об обратной связи, когда она приходила, — и беглый вывод Генеративный ИИ легко принимается за авторитетную поддержку. Её ответ — сделать поиск помощи структурированным, а не просто доступным: обязательные точки контакта, которые декодируют требования задачи, отображают ресурсы с обоснованием, сравнивают источники обратной связи и замыкают цикл размышлением.

Сделать поведенческий контекст видимым: TutorTrace

Barron et al. (2026) берутся за поведенческий предшественник поиска помощи в образовании по программированию с помощью ИИ: человеческие репетиторы адаптируются к наблюдаемому поведению учащихся, а не только к их явным запросам, но репетиторам на основе ИИ не хватает этого контекста. TutorTrace — это набор данных и конвейер, которые делают поведенческий контекст учащихся вычислимым в реальном времени из низкоуровневой телеметрии IDE (четыре развёртывания, N=480; ~180K событий, 13 633 поведенческих сегмента, 27 метрик), выводя таксономию деятельности учащегося до первого запроса к ИИ, между последовательными запросами и в рамках сессии. Это позволяет системам классифицировать, отражает ли запрос направляемый поиск помощи (предшествуемый независимой работой) или зависимый поиск помощи (без независимой работы), — AUROC=.717 на отложенном предсказании, — и предсказывать неизбежные запросы (AUROC=.726). Предварительная аудиторная оценка обнаружила, что подсказки, осведомлённые о поведении, снизили интервалы между запросами без независимой работы с 50,0% до 20,7%. Это связывает телеметрию Аналитика обучения с адаптивным репетиторством, показывая, что поведенческий контекст может быть операционализирован в масштабе для создания скаффолдинга того, как студенты ищут помощь, а не просто для ответа на их явные вопросы.

Следствия для дизайна и исследований

  1. Проектируйте аффордансы поиска помощи осознанно. Постоянные, заметные кнопки помощи могут включать стратегии обхода; задерживайте доступ и структурируйте доставку, чтобы поддерживать продуктивную борьбу. (Revisiting the Hint Button: Consistent Negative Associations Between Unproductive Hint Use and Learning Outcomes in Intelligent Tutoring Systems)
  2. Создавайте скаффолдинг для самого поиска помощи. Обучайте учащихся запросам, ориентированным на рассуждение (пошаговые подсказки, верификация), вместо того чтобы предполагать, что доступ равен хорошему использованию. (Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics)
  3. Используйте прозрачность для калибровки доверия. Предупреждение о способности ИИ ошибаться может повысить соответствующий поиск помощи и вовлечённость. (Warning About AI Fallibility Increases Help-Seeking in an Intelligent Tutoring System)
  4. Измеряйте использование, а не только скаффолдинг. Оценивайте, действительно ли студенты взаимодействуют с педагогической рамкой, а не только то, предоставляет ли её репетитор. (Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments)
  5. Поддерживайте мониторинг и активность. Скаффолдинги поиска помощи должны усиливать Метакогниция и Саморегулируемое обучение, защищая от чрезмерной опоры на инструмент.

Связанные концепции

Связанные статьи

Связанные FAQ

Метаданные

УровеньHigher Ed, K 12
Целевая аудиторияLearners
Обучение и преподаваниеПоиск помощи, Метакогниция, Скаффолдинг, Саморегулируемое обучение
Технологии и методыГенеративный ИИ, Интеллектуальное тьюторство, Большие языковые модели (LLM)
Основы ИИ в образованииИИ-грамотность
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.