AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Коллаборация человека и ИИ

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Коллаборация человека и ИИ — разделение когнитивного труда между людьми и моделями, — является центральной темой взаимодействия в базе знаний: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, It Felt a Bit Eerie": Exploring Humanlike Interactions During Collaborative Writing with an Artificial Agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) и Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing рассматривают доверие, агентность и взаимодополняющие роли (Человек в контуре, Агентный ИИ). Определяющий вопрос состоит в том, сохраняет или заменяет ли партнёрство собственную когнитивную работу учащегося — одна и та же организация работы может поддерживать обучение или подменять его в зависимости от того, как распределяется ответственность.

Вопросы для размышления

  • Определяющий вопрос в коллаборации человека и ИИ — сохраняет или заменяет партнёрство вашу собственную когнитивную работу. Вспомните задачу, которую вы отдали ИИ: вы генерировали и решали или просто принимали?
  • Одно исследование обнаружило, что свободная коллаборация с ChatGPT дала лишь преходящий прирост, который исчез при последующем выполнении задания без помощи, тогда как протокол «сначала подумай, ChatGPT потом» дал устойчивое обучение. Почему то, кто генерирует идеи, может предсказывать, учитесь ли вы фактически?
  • Один и тот же инструмент может поддерживать обучение или подменять его в зависимости от того, как распределена ответственность. Можете ли вы придумать организацию работы, которая сохраняла вашу когнитивную продуктивность, в сравнении с той, которая тихо переложила ваше мышление на другой субъект?
  • Одна организация работы переворачивает обычные роли: вместо того чтобы модель давала ответы, студент объясняет содержание, а модель играет роль невежественной стороны, которая просит объяснений, примеров и контраргумента. Если спрашивает ИИ, что происходит с тем, какая часть мышления остаётся на вашей стороне?
  • Доверие описывается как то, что должно быть откалибровано, а не предполагаемо — полагаться на ИИ там, где уместно, и проверять там, где нет. Как вы сейчас решаете, когда доверять выводам ИИ, а когда их проверять?
  • Исследования выявляют режимы коллаборации, которые жертвуют эффективностью в обмен на глубину вашей саморегулируемой вовлечённости. Когда стоит согласиться на меньшую эффективность, чтобы сохранить больше обучения в своих руках?
  • Если коллаборация является педагогическим выбором в той же степени, в какой и техническим, какие проектные ходы (промпты, рабочие процессы, структуры) вы бы настроили, чтобы обеспечить, что ИИ дополняет, а не заменяет мышление ваших учащихся?

Введение

Коллаборация человека и ИИ описывает, как учащиеся, преподаватели и системы ИИ разделяют когнитивную работу — кто что делает, кто решает и как поддерживаются Доверие и Автономность учащегося. Вместо того чтобы рамкировать ИИ как либо замену, либо пассивный инструмент, исследования коллаборации рассматривают ИИ как партнёра с взаимодополняющими сильными сторонами, ценность которого зависит от того, как распределяется и отслеживается ответственность. На уровне наблюдаемого поведения Взаимодействие студента и ИИ фиксирует, как учащиеся воплощают это отношение на практике — вопросы, промпты и ходы проверки, которые они совершают с ИИ момент за моментом.

Разделение труда проходит и через тех, кто проектирует взаимодействие. В рамках двенадцати реализаций курсов педагогического образования преподаватели позиционировали ИИ как партнёра по размышлению, генератора критики или инструмент репетиции, тогда как слушатели сохраняли ответственность за оценку, адаптацию и обоснование решений, однако тот же самый документ сообщает, что слушатели обесценили обратную связь, которую уже признали полезной, как только было раскрыто авторство ИИ, — эпизод, который он называет эффектом лопающегося шарика. Анализ 1 378 реплик дизайнер–чатбот указывает в другую сторону в отношении генерации: дизайнеры использовали встроенного ассистента в основном для проверки согласованности с учебными результатами и педагогическим подходом, а не для производства содержания. В обоих случаях оценочное суждение человека, а не вывод модели, несёт обучение.

Выгоды, риски и следствия для проектирования

Доказательства базы знаний показывают, что коллаборация человека и ИИ является обоюдоострым устройством, исход которого определяется проектированием, а не самим ИИ:

  • Коллаборация может улучшать обучение, когда она сохраняет когнитивную вовлечённость. Исследования GenAI как ментального инструмента и направляемой коллаборации показывают, что когда разделение труда сохраняет за учащимся генерацию, принятие решений и оценку, ИИ дополняет, а не заменяет мышление, — давая устойчивый прирост в саморегулируемом обучении и Креативность. То, что учащийся сохраняет роль принимающего решение, масштабируется и на письмо: Оппенгеймер, Кэш и Коннелл Пенски (2025) показывают, что критика LLM аргументативных эссе студентов улучшала письмо в течение семестра, при этом учащиеся сами решали, включать им возражения модели или опровергать их (87,8% опровергнутых утверждений), — организация работы, которая сохраняла оценочную работу учащегося, — и прирост появлялся даже на эссе, написанных без поддержки LLM, что свидетельствует об устойчивом навыке, а не о зависимости от инструмента.

  • Коллаборация может подменять обучение, когда она перекладывает слишком много. Режим отказа — чрезмерное упование: когда ИИ производит ответ, роль учащегося сворачивается к пассивному принятию, и непосредственная результативность на задаче маскирует отсутствие устойчивого обучения. Исследования результативности в сравнении с обучением и цикл вреда от подмены к скаффолдингу (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) документируют это систематически.

  • Более высокий балл сам по себе не является доказательством того, что коллаборация чему-то научила. Прочие доказательства на странице читают результативность с помощью с осторожностью, и рандомизированная проверка типа поддержки показывает почему. В лабораторном исследовании Икбала и др. (2026) 87 студентов EFL написали эссе без помощи, затем пересмотрели его с ChatGPT 4.0 (n = 29), с человеком-преподавателем письма (n = 28) или без поддержки (n = 30). То, какую из четырёх стратегий пересмотра, выведенных из траекторий, использовал студент, было сильно связано с полученной им поддержкой (V Крамера = 0,668) и лишь умеренно с его прежней стратегией письма (V Крамера = 0,333); Мотивация, навык письма и точность метакогнитивного суждения не показали общей связи, при этом метакогнитивная связь проявилась только в условии без поддержки (p = 0,0460). Существенно, что ни одна стратегия пересмотра не предсказывала изменение балла (p = 0,273), хотя тип поддержки предсказывал: группа с GenAI улучшила результаты значимо сильнее групп с человеком-экспертом и контрольной (H(2) = 16,591, p = 0,00025, η² = 0,174), и внутри той же самой стратегии постепенно снижающейся Поиск помощи студенты с GenAI выиграли в среднем около 4 баллов, тогда как студенты с человеком-экспертом потеряли 0,5. Авторы трактуют эту картину как внешнюю поддержку, обходящую собственное метакогнитивное суждение учащегося, и предупреждают, что прирост может быть оптимизацией под конкретную задачу, а не устойчивой способностью. Это не отменяет принципа кто генерирует и решает (исследование варьировало, кто давал поддержку, а не кто генерировал мышление), но заостряет проверку, которую должен применять преподаватель: прирост, полученный при помощи, должен выдержать выполнение задания без помощи, прежде чем он будет считаться обучением, и добавление человека-эксперта в аудиторию автоматически не является более безопасным устройством.

  • Добавление сокурсников автоматически не является более безопасным устройством. Чу, Дай и Чжай (2026) поставили 87 студентов бакалавриата работать в одиночку или в парах с мультиагентной системой GenAI в течение восьми недель. Пары получили наивысшие баллы на сложном проектном задании (M = 89,64 против 85,85 у студентов, работавших в парах без системы, и 86,45 у работавших с ней в одиночку, p = 0,039), однако осведомлённость о критическом мышлении выросла наиболее у тех, кто работал в одиночку (M = 0,41), и несколько снизилась у пар (M = −0,04, p = 0,039).

  • Проектный принцип — сохраняйте продуктивную работу учащегося. Во всех исследованиях наиболее острым предиктором того, помогает коллаборация или вредит, является кто генерирует и решает. Устройства, сохраняющие когнитивную продуктивность человека (направляемое формулирование промптов, «сначала подумай, потом обращайся к ИИ», шаги проверки и оценки), поддерживают обучение; устройства, отдающие всю задачу модели, — нет. Дополнительным ходом является изменение того, чем модель должна быть. В квазиэксперименте Вана и др. (2026) 68 будущих преподавателей либо объясняли концепцию перевёрнутого аудиторного занятия ИИ-новичку, построенному на ERNIE 3.5 (системе, поданной как пытливой и признательной, которая просила объяснений, примеров, обоснования проверки и противоположной точки зрения, выстраиваясь вверх по таксономии Блума), либо задавали вопросы ИИ-преподавателю, построенному на той же модели. Студенты, обучавшие ИИ, объясняли лучше (определение перевёрнутого аудиторного занятия M = 4,18 против 3,29; его учебные деятельности M = 4,91 против 3,06, в обоих случаях p < 0,001) и генерировали большее число более качественных вопросов (M = 3,67 против 2,14; M = 5,67 против 3,07, в обоих случаях p < 0,001), тогда как объективное воспроизведение было статистически неразличимым (M = 23,18 против 21,57, p = 0,416), так что преимущество заключалось в объяснении и переносе, а не в извлечении фактов. Студенты в условии с ИИ-преподавателем откровенно говорили о компромиссе: некоторые признавали, что он даёт «более точную и подробную информацию», однако сообщали, что «после его использования мне не хотелось думать самостоятельно». Назначение модели роли обучаемого учащегося превращает студента в единственный источник идей и устраняет давнюю трудность поиска подходящего сокурсника для обучения. С этим связаны два проектных ограничения: планирование и мониторинг не улучшились (M = 4,01 против 3,78, p = 0,062), так что реверс ролей сам по себе не является метакогнитивной интервенцией, и авторы связывают этот нулевой результат с проектированием задания, которое удерживало студентов в фокусе на точности содержания. В аудитории письма этот принцип принимает конкретную, обучаемую форму. В саудовском квазиэксперименте Альшехри и др. (2026) по EFL студенты выполняли пятичастную рутину — сформулировать проблему и спроектировать промпты, составлять черновик итеративно, пересматривать, проверять каждое утверждение и цитату по научным базам данных и регулировать собственное указание авторства и упование, — причём каждое задание требовало журнала использования ИИ о том, что они приняли, что отвергли и почему. Письмо и цифровое критическое мышление росли вместе и двигались почти в такт, и размышления студентов связывали именно рутины проверки и устранения галлюцинаций с приростом в критическом мышлении: те же самые привычки допрашивать выводы формировали их решения при написании. Собственная оговорка авторов является необходимым дополнением к принципу — рабочий процесс является контингентным, а не самодостаточным, и может обернуться контрпродуктивным при слабом Скаффолдинг, низкой готовности в части критического или метакогнитивного мышления (когда студенты не способны выявить плохой вывод), постепенной передаче решений о написании или неясной институциональной политике использования ИИ.

  • Ограниченная авторитетность сама является проектным паттерном для коллаборации с высокими ставками. Преподаватели в Райхерте и др. (2026) не прототипировали ассистентов открытого вида, а системы, свобода которых была задана заранее: каждое проектирование ограничивало чатбота конкретным содержанием занятий, а безопасность наслаивалась как границы предметной области (область действия, специфичная для занятия, плюс «информационная квота», требующая минимального числа фактов или задач до продвижения разговора), фильтрация содержания со стандартизированными отказами («Извините, это не входит в мою базу знаний»), которые также уведомляли преподавателя, и право преподавателя на отмену в неоднозначных случаях — приведённым примером был вопрос о размножении человека, который был правомерен в рамках своего раздела и должен был быть направлен человеку, а не автоматически отклонён. Персонализация формата, жанра, темпа и сложности приветствовалась внутри этих границ, а надзор (полные журналы разговоров, оповещения в реальном времени, отмена) подавался как профессиональная ответственность, а не как недоверие к модели. Следствие состоит в том, что в условиях с высокими ставками разделение труда должно быть специфицировано как ограниченное, отслеживаемое и отзываемое, а не согласуемое ход за ходом.

  • Доверие должно быть откалибровано, а не предполагаемо. Продуктивная коллаборация зависит от того, точно ли учащиеся калибруют, когда полагаться на выводы ИИ, а когда их проверять, — связываясь с Калибровка доверия и человеческим надзором, а не со слепым принятием или огульным отрицанием.

  • Коллаборация преподавателя с ИИ является обоюдоострой для вовлечённости, а не только для обучения. В трёхволновом опросе 468 университетских преподавателей коллаборация повышала вовлечённость в работу через психологическую доступность (непрямой эффект 0,19), но снижала её через отчуждение от работы (непрямой эффект −0,03); цифровая компетентность модерировала оба пути, сглаживая наклон отчуждения с 0,38 до 0,17 (Сан и др. (2026)).

  • Разделение труда следует за достоверностью, а не за способностью. То, на чём останавливаются учащиеся, является принципиальным распределением: ИИ — для непосредственной, широко применимой обратной связи по языку, а преподаватели — для индивидуализированного, реляционного руководства, назначенным по воспринимаемой достоверности каждого источника, а не по его точности, поскольку связывающим ограничением для упования была воспринимаемая забота, а не компетентность (Серпиль и Мор (2026)).

  • Упование является популяционным процессом, а не только индивидуальным выбором. В агентной модели видимое социальное доказательство непроверённого использования обрушило проверку с 0,29 до 0,002 и подняло чрезмерное упование с 0,30 до 0,52, тогда как видимая проверка сокурсниками восстановила почти полную проверку, — изменение того, что учащиеся видят делающим у других, превосходит снижение стоимости проверки (Бисвас (2026)).

Это делает коллаборацию человека и ИИ педагогическим конструктом в той же степени, в какой и техническим: ценность партнёрства формируется тем, как преподаватели проектируют взаимодействие, как учащиеся его регулируют и как система поощряет или подавляет продуктивную вовлечённость.

Как коллаборация человека и ИИ проявляется в исследованиях

  • Доверие и ожидания: Ожидания доверия рассматривают, как ожидания учащихся в отношении ИИ формируют то, будет ли коллаборация продуктивной или приведёт к чрезмерному упованию.

  • Взаимодополняющие роли в письме и мышлении: Гуманоидная коллаборативная письменная работа с ИИ и GenAI как ментальный инструмент показывают, как ИИ может дополнять, а не заменять мышление учащегося, когда разделение труда сохраняет когнитивную вовлечённость учащегося.

  • Оркестровка и агентность: Оркестровка агентности преподавателем и учащимся и ментальные модели студентов рассматривают, как агентность согласуется между людьми и ИИ, связываясь с Человек в контуре и Агентный ИИ.

  • Метакогнитивные и командные измерения: Гуманоцентрированные метакогнитивные модели ИИ и дисциплинарное посредничество в студенческих командах расширяют коллаборацию до метакognition и командного обучения.

  • Компетентность коллаборации как конфигурация, а не как список — метакognition принимает интегративную роль Технологические педагогические знания о содержании (TPACK). Данг, Хонг, Дойл и Нгуен (2026) определяют компетентность коллаборации человека и ИИ как динамическую конфигурацию предметной, ИИ-компетентности и метакогнитивной компетентности плюс их пересечений (работа с ИИ, агентное обучение с ИИ, агентное личное и профессиональное развитие, и сама HACC), явно отвергая аддитивный список ИИ-навыков, прилаженный к существующему учебному плану. Их центральный ход переназначает интегративную работу, которую педагогика делает в TPACK: поскольку ИИ является адаптивным участником, чей вклад смещается по мере разворачивания задачи, координирующая нагрузка падает на собственную метакognition учащегося — решение о том, когда обращаться к ИИ, как framing-овать взаимодействие и когда его отменять, — так что именно учащийся, а не преподаватель, удерживает механизм, сохраняющий продуктивность коллаборации. Агентность учащегося намеренно опущена как самостоятельный узел; она вместо этого является emergent-ным качеством, которое учащиеся выражают, когда координируют три компетентности, что делает агентность свойством конфигурации, а не навыком, который тренируется в изоляции. Интервьюирование 24 новозеландских педагогов в рамках рамки описательно поддержало эти измерения, а уровень роли сместил акценты, не изменив признания: сети педагогов-руководителей центрировались на ИИ со связями с HACC и профессиональным развитием, значимо отличаясь от старших педагогов (U = 10,00, p = ,04) и педагогов в начале карьеры (U = 7,00, p = ,01).

  • Отчётливые режимы коллаборации: эмпирическая работа выявляет три режима человеко-ИИ Решение задач — Делегированное рассуждение, Согласованная интерпретация и Делегированная разработка, — вскрывая компромисс между эффективностью распределённой системы человек–ИИ и глубиной саморегулируемой вовлечённости учащихся (делегированное рассуждение работает лучше всего, но при более низкой само-Регулирование ИИ в образовании). (Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Человеческие и ИИ-фасилитаторы могут быть воспринимаемо взаимозаменяемыми в структурированной дискуссии, однако повторное использование опирается на разные причины. Кухайл и др. (2026) заменяли человека-модератора модератором на GPT-4 (и обратно) на протяжении 32 дебатных сессий, проведённых 32 студентами STEM, и не обнаружили статистически значимого различия по эффективности, удовольствию, удовлетворённости, полезности или намерению использовать (t варьировался от 0,23 до 1,30, p от 0,198 до 0,818). Отличие заключалось в том, почему студенты вернулись бы: при модерировании ИИ воспринимаемая полезность управляла намерением использовать (0,806, p = 0,004), тогда как удовлетворённость управляла им только при модерировании человеком (0,556, p = 0,002). Авторы трактуют плоское сравнение как нормализацию в задачах с заданными правилами, а не как доказательство эквивалентности, и рекомендуют сохранять человеческий надзор по этическим и реляционным причинам, делая при этом полезность модерируемых ИИ занятий распознаваемой, вместо того чтобы опираться на удовольствие. Поскольку исследование измеряло только восприятия, оно ничего не говорит о том, спорили ли студенты хоть сколь-нибудь лучше.

  • Назначьте задачу, прежде чем делегировать её. Цим и Гуторева (2025) добавляют четвёртую зону — то, что модель уже знает, — к зонам развития учащегося, давая задания типа «подстановка», «дополнение», «помощь» и «не подлежащее обсуждению», и утверждают, что режимы автоматизация–дополнение–коллаборация различаются по локусу контроля и эпистемической ответственности, а не по изощрённости инструмента.

  • Инженерия промптов как педагогическое мышление, выстраиваемое через урок-изучение. Робинсон и др. (2026) наблюдали пять преподавателей-методистов в одном учреждении ОАЭ на протяжении двух циклов урок-изучения, достигая 36 будущих преподавателей математики в средней и начальной школе, проектируя поддерживаемые ИИ занятия с ChatGPT (GPT-4o). Ход, который выполнил работу, состоял в соединении ИИ с дисциплинарной рамкой: будущие преподаватели генерировали задачу, оценивали её когнитивную требовательность по модифицированной рамке анализа математических задач, затем переписывали свой промпт, чтобы повысить концептуальную глубину, так что пересмотр был привязан к математике, а не к особенностям инструмента. Шестнадцать из 26 анализируемых промптов несли концептуальные особенности задачи, и методисты заключили, что инженерия промптов — это «не технический навык; это когнитивный». Сообщённое обучение выросло в пересмотренном занятии (5 из 7 будущих преподавателей в первом цикле и 10 из 14 во втором сообщили об обучении различению концептуальных и процедурных задач), с оговоркой, что просьба к ИИ о более концептуальной задаче иногда производила лишь более сложную. Для развития преподавателей аргумент состоит в устойчивом коллективном исследовании реальных занятий, а не в отдельных семинарах по инструментам.

  • Руководство решает, что происходит — результативность или обучение: Вонг и Цю (2026) противопоставили свободную и направляемую коллаборацию человека и ИИ на творческой задаче. Свободная коллаборация с ChatGPT дала лишь преходящую результативность, которая обрушилась при последующем выполнении задания без помощи, тогда как направляемый протокол «сначала подумай, ChatGPT потом» — генерация собственных идей, затем использование ChatGPT для их улучшения, развития и оценки, — дал устойчивый прирост в независимой Креативность. Преимущество опосредовывалось коллаборативными промптами, нацеленными на улучшение своих собственных идей, что показывает, что кто генерирует (разделение труда) предсказывает, производит ли коллаборация обучение или подмену. (Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)

  • ИИ как посредник, а не просто партнёр: Ниари переконцептуализирует ИИ как педагогического посредника, который оркеструет взаимодействие, эпистемическое осмысление и регуляторные процессы, перераспределяя агентность, авторитет и ответственность между человеческими и нечеловеческими акторами, вместо того чтобы рассматривать ИИ как тьютора, сокурсника или инструмент.

  • Коллаборация преподавателей с ИИ также является паттернизированной, а не бинарной. Когда преподаватели проектируют проекты занятий с генеративным ИИ, их взаимодействие принимает эмпирически различимые формы. Чой и др. (2026) выявили семь паттернов взаимодействия преподаватель–ИИ — от прямого принятия и разработанного принятия вывода ИИ до первоначального отрицания, пересмотренного принятия, направляемого последующего использования, сложных взаимодействий и обходить ИИ, — где преподавательский опыт преподавания и владение ИИ совместно формируют, критически ли он переформулирует промпты и адаптирует ли ИИ к студентам и контексту (взаимодополняющее, Распределённое познание разделение труда) или пассивно принимает предложения (распределение с доминированием ИИ).

  • Медиационный агент как гибридная форма участия. Вместо того чтобы быть серединой между инструментом и сотрудником, генеративный ИИ концептуализируется как медиационный агент, который опосредует действие, порождая при этом контингентные, неподотчётные вклады, — отчётливую категорию, которая перенаправляет проектирование от технологической способности к привычкам участия (надзирающая агентность, эпистемическая бдительность). (Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

  • Сообщество и эпистемический авторитет: обучение на базе сообщества с ИИ показывает, что коллаборация является также вопросом о том, кто авторитетен, заземляя вовлечение с ИИ в жизненные эпистемологии учащихся.

  • Открытие признаков на основе данных: анализ главных признаков (PTA) автоматизирует выведение признаков взаимодействия из больших Большие языковые модели (LLM)-корпусов разговоров — вдохновлённый PCA четырёхстадийный конвейер, который извлекает наблюдения поведения, кластеризует их в признаки-кандидаты, оценивает каждого сотрудника и отбирает наиболее различимые признаки. Оценённый на корпусе студент–ИИ-тьютор и корпусе разработчик–кодирующий агент, PTA находит признаки, которые объясняют и предсказывают исходы (например, глубокая концептуальная вовлечённость — положительно, делегирование задач — отрицательно, в образовательном контексте), и — поскольку они ещё не обобщаются между семестрами/контекстами и не показывают траекторий кривой обучения, — авторы утверждают, что признаки ещё не интерпретируемы как «навыки». Это предлагает масштабируемое, объективное дополнение к рамкам ИИ-грамотность и мерам самоотчёта, напрямую информируя то, как педагоги обучают «навыкам использования ИИ».

  • Отношение человек–ИИ как наиболее устойчивая озабоченность между поколениями CAI. Обзорный обзор конверсационных ИИ-агентов (Гангули и др. 2025, 34 обзора) находит, что озабоченности отношением человек–ИИ — чрезмерное упование, социальная изоляция, деперсонализация, эмоциональная зависимость, прозрачность, подотчётность, — являются наиболее часто обсуждаемой этической проблемой во всех поколениях CAI, предшествуя GenAI. Это позиционирует вопрос «сохранить против подменить» в самом центре этики CAI и усиливает, что ценность коллаборации определяется проектированием (кто генерирует, кто решает, как распределяется ответственность). (Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

  • ИИ, масштабирующий экспертизу до новичков в реальном времени — первое РКИ живого репетиторства. Ван и др. (2024) провели рандомизированное исследование (900 репетиторов, ~1 800 студентов K-12 в слабо обслуживаемых сообществах) разместило ИИ на стороне репетитора, а не студента: Tutor CoPilot генерировал предложения, подобные экспертным в реальном времени (построенные из размышлений вслух опытных репетиторов), которые репетиторы-новички могли редактировать или отклонять. Студенты прошедших воздействие репетиторов с вероятностью на 4 п. п. чаще осваивали темы (p < 0,01), с приростом 9 п. п. среди студентов репетиторов с наименьшим рейтингом — которые выросли до уровня контрольных исходов репетиторов с высоким рейтингом, — при стоимости около $20 на репетитора в год. Этот вывод является сильным эмпирическим якорем для дополнения преподавателя/репетитора как справедливого режима коллаборации человека и ИИ: человек сохраняет педагогическое суждение и автономию, тогда как ИИ поставляет масштабируемую экспертизу.

  • Ограниченные эксперты: как преподаватели разделяют авторитет с ИИ. Райхерт, Брисеньо, Табарси и Барнс (2026) провели исследование партисипаторного проектирования, в котором шесть преподавателей средней школы прототипировали LLM-чатботов для собственных аудиторий и проанализировали, как авторитет должен распределяться между преподавателем и системой. Преподаватели последовательно framing-овали ИИ как ограниченного эксперта — специализированную способность, ограниченную строго определённой предметной областью и действующую под человеческим надзором, — и разделяли эту ограниченность на два измерения: границы авторитета, где профессиональная и юридическая ответственность за обучение и безопасность студентов не может быть делегирована, и границы экспертизы, где система лишена контекстного знания преподавателя об отдельных студентах, динамике аудитории и институциональных нормах. Отображение прототипов на девять событий обучения по Ганье показало, что делегирование было выборочным, а не всё-или-ничего: преподаватели приветствовали ИИ для представления содержания, поставки практических задач, Скаффолдинг и формирующей Обратная связь, но отказались отдать информирование студентов о целях или суммативное Оценивание. Проектное прочтение состоит в том, что интерфейс коллаборации должен делать видимым, где человек сохраняет роль принимающего решение, а не только то, где модель способна.

  • Роль должна адаптироваться, а не только быть помеченной. Ляо (2026) показывает, что ИИ-компаньон с фиксированной ролью «сокурсника» поддерживал более продолжительные взаимодействия при обсуждении книг, но доминировал в обмене (более низкая доля слов/предложений студента) и упирался в аффективный потолок, аргументируя, что коллаборация требует логики адаптации роли — переключения между сокурсником, ассистентом и советником, — а не единой статичной персоны.

  • Совместное проектирование со стороны преподавателя и архитектура ролей также являются коллаборациями. Помимо партнёров, ориентированных на студента, преподаватели коллаборируют с GenAI для проектирования обучения. Ван и др. (2026) систематически рассматривают совместное проектирование учебных задач преподавателем и ИИ, картируя режимы коллаборации и противоречия (агентность, эпистемический авторитет, контроль), возникающие, когда преподаватели и ИИ совместно производят проекты; Талебзаде (2026) находит, что педагогическая экспертиза преподавателей — а не владение ИИ, — определяет качество спроектированных ИИ дифференцированных групповых деятельностей (богатство ролей, синергия, выравнивание по уровню), позиционируя преподавателя как «двуязычного проектировщика обучения».

  • GenAI как агент и коллаборативное пространство в группах. Сюй и др. (2026) наблюдают малые Высшее образование команды и показывают, что роль GenAI согласуется и настраивается — от подчинённого ассистента до оспариваемого товарища по команде, — и что синхронное совместное использование поддерживает общую почву, тогда как асинхронное частное использование фрагментирует прозрачность, предлагая линзу GenAI-поддерживаемой совместной работы, которая рассматривает GenAI и как агента, и как интерактивное коллаборативное пространство.

  • Взаимодополняющие половины аудиторной коллаборации. Два исследования 2026 года картируют взаимодополняющие половины коллаборации человека и ИИ в аудиториях. MeduAI-SP (Ян и др.) аргументирует «функциональную взаимодополняемость» в клиническом образовании: ИИ-агенты берут на себя повторяющееся ролевое проигрывание, последовательную Моделирование пациента, мониторинг по чек-листам, сократическое подсказывание и предварительную формирующую обратную связь, тогда как преподаватели и люди-стандартизированные пациенты поставляют контекстуальную интерпретацию, тонкий эмоциональный отклик, индивидуализированную коррекцию, оценку профессионализма и суждения о готовности, — при этом подстановка ограничена последствиями ошибок, неопределённостью задачи, реляционной чувствительностью и доступностью человеческой проверки, а ИИ-система явно лишена права автономно определять клиническую компетентность. В противоположном направлении, дискуссия по этике с 3 людьми и 3 агентами и 45 студентами (Сео и др., 2026) документирует обоюдоострый паттерн: агенты снижали социальные барьеры (участники говорили более прямо, поскольку у агентов нет эмоций, и не чувствовали обязательства заполнять паузы), однако то же самое удобство отклоняло взаимодействие от людей — 79,7% вопросов направлялись агентам против 60%, которые предсказывает их доступность (p = ,017). Примечательно, что присутствие других людей заставляло участников относиться к ИИ более уважительно, что говорит о том, что человеческое co-присутствие само является affordance для калибровки вовлечения с ИИ.

  • Профессиональные программы перенаправляют подготовку от рутинного производства к компетенциям коллаборации (протокол проектирования): Ван (2026) предлагает основанную на проектировании рамку для образования переводчиков, построенную вокруг инвентаря вытеснения задач (18 подзадач, оценённых по вероятности вытеснения ИИ с метками происхождения [E]/[P]) и четырёх перенаправленных компетенций: междисциплинарное знание, оркестровка ИИ, стратегическое суждение и критическая оценка ИИ. Рамка является предзарегистрированным протоколом, пока без эмпирических данных; её вклад — метод, — аудируемый анализ вытеснения плюс путь совместного проектирования для реформы учебного плана, — который переносится на любую профессиональную программу, чьи рутинные задачи всё чаще выполняют агентные системы.

  • Типы переплетения различаются по тому, чего они требуют от студента, и именно поэтому некоторые остаются редкими. Сан, Дон и Рем (2026) классифицируют 102 исследования высшего образования по тому, как эпистемическая работа разделяется между студентом и системой (помощник, посредник, синтезатор, генератор, переосмыслитель), и находят, что две формы, сохраняющие компетентность относимой к отдельному студенту, составляют по 42,16% корпуса каждая, тогда как формы, распределяющие авторство, остаются маргинальными. Их объяснение является институциональным, а не техническим: редкие типы требуют, чтобы студенты приняли эпистемическую ответственность за выводы, которых они не производили, будучи при этом оцениваемыми как индивидуальные авторы, и именно это противоречие — а не само разделение труда, — удерживает их вне практики. Проектный ответ состоит в том, чтобы сделать распределение эпистемической работы явным, выстроить деятельности по спектру и строить рефлексию о том, как распределялась ответственность.

Связи

Коллаборация человека и ИИ связывается с Человек в контуре (надзор), Агентный ИИ (автономия), Преподавание (меняющаяся работа преподавателей), Скаффолдинг и Метакогниция (как коллаборация поддерживает обучение) и чрезмерным упованием (режим отказа, когда коллаборация становится подменой). Это центральная тема в рамках ИИ-грамотность, Саморегулируемое обучение и Опыт студентов.

Связанные понятия

Связанные статьи

Метаданные

Обучение и преподаваниеВзаимодействие студента и ИИ
Технологии и методыГенеративный ИИ, Большие языковые модели (LLM)
Основы ИИ в образованииКоллаборация человека и ИИ, ИИ-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.