Инклюзивное обучение

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Инклюзивное обучение — проектирование и предоставление образовательного опыта, который учитывает разнообразные потребности учащихся, охватывая физические, когнитивные, сенсорные и ситуативные различия. В ИИ в образовании инклюзивное обучение как research рассматривает и то, как ИИ-инструменты могут устранять барьеры для учащихся с инвалидностью и нейроотличий, и то, как сами AI systems должны быть спроектированы так, чтобы не создавать новых разрывов в доступности.

Вопросы для размышления

• Доступный инструмент не гарантирует инклюзивного обучения, а ассистивные технологии не гарантируют значимой самостоятельности. В чём разница между устранением барьера для формата и проектированием образования так, чтобы все могли осмысленно участвовать?
• На странице различаются инклюзивное обучение, доступность, ассистивные технологии, специальное образование и универсальный дизайн. Где в вашем контексте находится ИИ — и на какой вопрос вы на самом деле пытаетесь ответить?
• В одном исследовании ИИ-сегментированные видео с фиксированными паузами устранили разрыв в результатах между учащимися с СДВГ и без СДВГ. Как проектирование под потребности одной группы может улучшить обучение для всех?
• Об ИИ-системах говорят как о риске создания новых разрывов в доступности даже при устранении старых. Какого учащегося может молчаливо исключать текстовый, визуальный, всегда-онлайн ИИ-инструмент?
• Исследования инклюзивного оценивания вскрывают напряжение между мерами против списывания и accommodацией учащихся с потребностями в визуальной обработке. Когда безопасность и доступность конфликтуют, как следует принимать компромисс — и кому?
• Несколько инструментов переворачивают допущение, что edtech должен быть визуальным — например, голосовые компаньоны для слабовидящих учащихся. Какие допущения о «стандартном» учащемся могут делать ваши собственные инструменты или материалы?

Введение

Инклюзивное обучение — это проектировочное обязательство, что образование должно быть построено так, чтобы все учащиеся могли осмысленно участвовать, а не адаптироваться задним числом для тех, кто испытывает трудности. Здесь оно выступает как «зонт» над смежными, но различными концепциями — Доступность (может ли каждый воспринимать формат и работать с ним?), Ассистивные технологии (какие инструменты закрывают access gap отдельного человека?), Универсальный дизайн для обучения (как дизайн должен предвосхищать изменчивость?) — и включает Нейроразнообразие и Специальное образование как контексты проектирования, а не как исключения. ИИ входит и как обещание (персонализация, адаптация, перевод), и как новый источник исключения (стоимость, данные, языковое покрытие и допущения, заложенные в модели).

Как соотносятся смежные концепции

Инклюзивное обучение — это зонтичная концепция; перечисленные ниже страницы находятся внутри неё, и каждая отвечает на свой вопрос. Они пересекаются, но не взаимозаменяемы — понимание того, к какой из них относится утверждение, сохраняет точность базы знаний:

На практике: UDL — философия проектирования, которая предотвращает барьеры; доступность — свойство, устраняющее барьеры формата; ассистивные технологии — слой инструментов, которые используют люди; специальное образование — инструкционная область для диагностированных форм инвалидности, и это преимущественно термин K-12, тогда как в higher education (и всё чаще в K-12) более распространённая рамка — Universal Design for Learning. Инклюзивное обучение — это зонт, который удерживает их вместе вокруг общей цели равного участия. Доступный инструмент не гарантирует инклюзивного обучения, а ассистивные технологии не гарантируют значимой самостоятельности — именно поэтому зонт должен охватывать их все.

Инклюзивное обучение находится на пересечении Справедливость, Дизайн обучения и Специальное образование и опирается на конкретный слой инструментов в виде Ассистивные технологии и свойство проектирования в виде Доступность. В отличие от узких адаптаций, которые достраивают доступ к существующим системам, перспектива инклюзивного обучения — основанная на Universal Design for Learning — утверждает, что среды должны быть изначально спроектированы под весь спектр человеческого разнообразия. Статьи в этой базе знаний исследуют, как ИИ может это обеспечить через автоматизированную трансформацию контента, адаптивные интерфейсы оценивания и инструменты, спроектированные с опорой на жизненный опыт neurodivergent users'.

Ключевые темы исследований

Доступность контента на базе ИИ демонстрирует, как автоматизированные конвейеры могут снижать барьеры. Pimenova et al. показали, что ИИ-сегментированные instructional videos с фиксированными паузами устранили разрыв в результатах между учащимися с СДВГ и без СДВГ — серьёзное свидетельство в пользу Universal Design for Learning через автоматизированную трансформацию контента. Исследование связано с работой I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning о том, как структуры collaborative learning влияют на комфорт нейроотличных учащихся. Chen et al. разработали систему генерации вопросов на основе Большие языковые модели (LLM) для глухих и слабослышащих учащихся, вводя визуальные и эмоциональные стратегии вопросов, нацеленные на моменты визуальных или эмоциональных трудностей в видео, — и при этом вскрыли устойчивое несоответствие между текстовыми ИИ-промптами и жестовыми первыми языками глухих и слабослышащих учащихся, подчёркивая необходимость учёта языка и культуры в проектировании ИИ. MuTSE работает с дополнительным барьером — уровнем чтения — оценивая упрощение текста на основе LLM для Интеллектуальное тьюторство, подгоняя сложность контента под текущий уровень каждого учащегося через структуру оценки human-in-the-loop (human-in-the-loop), а не полагаясь на лингвистические метрики, которые упускают pedagogical качество.

Видео, насыщенное формулами, можно сделать доступным без ручной расшифровки: конвейер Gemini плюс LuaLaTeX превратил 16 учебных видео по физике в PDF, прошедшие валидацию PDF/UA-2 и ISO 32005, причём только одному видео потребовалась вторая попытка (Looney & Duston (2026)).

Сенсорная доступность: слепые, слабовидящие и глухие учащиеся. Несколько статей переворачивают допущение, что edtech должен быть визуальным. Kutti AI делает устный разговор первичной и достаточной модальностью для слабовидящих детей — обнаружение трудностей в реальном времени, multilingual сопоставление ответов и ASR на устройстве, работающее прежде всего офлайн, устраняют и зависимость от зрения, и требование подключения. Obiuwevwi et al. построили переиспользуемый конвейер, который генерирует тактильные 3D-печатные статистические графики для слепых и слабовидящих студентов менее чем за 250 мс, с необязательным извлечением данных из графиков на основе LLM. Bolla et al. исследовали, может ли социальный робот Pepper воспроизводить понятный итальянский жестовый язык, совместно с глухим студентом и экспертом-переводчиком спроектировав 52 знака — расширяя Роботы в образовании (Robots in Education) до коммуникативной доступности для глухих учащихся и одновременно highlighting трудность воспроизведения не-мануальных компонентов (выражение лица, поза), критичных для смысла. Khlaif et al. (2026) распространяют эту линию работы на высшее образование, обнаружив в qualitative кейс-стади 21 слабовидящего студента бакалавриата в Палестине, что GenAI подгоняет темп, содержание и способ подачи под индивидуальные профили и конвертирует сложные академические тексты между модальностями — при этом учащиеся рассматривают GenAI как дополнение, а не замену преподавателей, сохраняя человеческую связь и обеспечивая участие.

Проектирование инклюзивного оценивания сталкивается с напряжением между безопасностью и доступностью. BAVD предлагает теоретический фреймворк адаптивного визуального отклонения, который сопротивляется списыванию через снимок экрана, одновременно accommodating учащихся с потребностями в визуальной обработке — явно моделируя компромисс между мерами против списывания и принципами инклюзивного обучения. Это связано с более широкими вопросами Академическая добросовестность и Оценивание.

Опыт нейроотличных учащихся выдвигает на первый план голоса учащихся с инвалидностью и нейроотличий. Zastudil et al. обнаружили, что нейроотличным студентам-компьютерщикам нужны структурированные задания, небольшие стабильные команды и явные определения ролей — предпочтения, которые AI tutoring и инструменты совместной работы должны учитывать. DysLexLens проанализировали форумные обсуждения учащихся с дислексией, вскрыв, что, хотя они ценят ИИ за поддержку грамотности, они сталкиваются с серьёзными барьерами доступности из-за нестабильного качества вывода и отсутствия равных адаптаций. И то и другое связано с Специальное образование и Опыт студентов.

Cognitive offloading и компромисс между доступом и развитием. Seung & Basham (2026) показывают, что для студентов с нарушениями обучения тот же GenAI, который снижает барьеры доступа к чтению и письму (подгонка уровня текста, резюмирование, поддержка черновиков), при отсутствии контроля может подменить практику понимания, планирования и мониторинга, наиболее необходимую этим учащимся, — напряжение в сфере справедливости, центральное для инклюзивного обучения. Поэтому инклюзивное проектирование должно учитывать не только то, доступен ли инструмент, но и то, сохраняет ли он возможность учащегося развивать именно те навыки, для развития которых предназначен доступ.

ИИ при дислексии: выявление, поддержка и personalized learning. Междисциплинарный systematic review 2026 года (Dabaghi, D'Urso & Sciarrone, по методологии PRISMA, 2018–2024, n=72) показывает, что ИИ поддерживает студентов с дислексией в выявлении, ассистивной поддержке и персонализированном обучении — но эти направления развиваются параллельно, а не в интеграции, движимые скорее технологической возможностью, чем консолидированной образовательной теорией. Инструменты помощи обучению на основе ML охватывают пять областей (конкретные приложения, вовлечение, персонализация, рекомендации, общая поддержка), но подчёркивают техническую производительность и точность классификации, упуская из виду экологическую валидность и практическое внедрение в аудитории. Исследования выявления (ЭЭГ, айтрекинг, ML-модели) демонстрируют диагностический потенциал для раннего вмешательства, но часто требуют специализированного оборудования и контролируемых сред, ограничивая масштабируемость и доступность в типичных школьных условиях. Открытые проблемы включают ограниченную экспериментальную валидацию, масштабируемость, Этика проблемы и приватность при работе с чувствительными данными учащихся, ограниченную поддержку и обучение teacher, а также языковые и культурные барьеры (большинство исследований ориентировано на англоязычные популяции) — что подчёркивает: инклюзивное обучение должно сочетать техническую возможность с проверенным, масштабируемым и этически обоснованным внедрением.

Критика ИИ с позиции инвалидности рассматривает, как ИИ-системы могут маргинализировать, а не включать. Tali-Otmani утверждает, что системы generative AI в высшем образовании активно маргинализируют центрированные на инвалидности способы познания из-за англоязычных, западнических обучающих данных — что связано с вопросами Справедливость об эпистемической справедливости.

Гейткипинг через формальный диагноз исключает учащихся, которым инструмент заявлен как служащий. В Rempel et al.'s (2026) скопинговом обзоре 40 исследований цифровых ассистивных технологий для нейроотличных студентов в 28 формальный диагноз был условием участия, и только три рассматривали среду, а не студента.

Доступные инструменты на практике показывает, как ИИ может расширять участие. SuaCode продемонстрировал, что курсы программирования на смартфонах достигают студентов в африканских контекстах с низкими ресурсами, где менее 1% обладают навыками программирования. Pimenova et al. работали со слепыми и слабовидящими музыкантами над развитием невизуальных стратегий обучения, центрируя embodied дизайн, ведомый инвалидностью. LUDIA предоставляет бесплатного, приватного, многоязычного ИИ-партнёра для размышлений, связывающего преподавателей с принципами UDL. Special-R1 расширяет reinforcement learning на моделирование когнитивного и коммуникативного разнообразия при разных профилях инвалидности.

Связи со смежными концепциями

Инклюзивное обучение глубоко связано с Справедливость — доступность — не просто техническая забота, а вопрос о том, кто получает возможность участвовать в обучении. Оно связано с Доступность как со своим конкретным слоем доступа и с Ассистивные технологии как со слоем инструментов, с Универсальный дизайн для обучения как со своим теоретическим основанием, со Специальное образование — для подходов, специфичных для форм инвалидности, с Дизайн обучения — для структурирования курсов и инструментов, и с Нейроразнообразие — как с оптикой, которая переосмысливает отличие как разнообразие, а не дефицит. Работа над жестовыми роботами и тактильными инструментами связывает доступность с Роботы в образовании (Robots in Education) и Обработка естественного языка в образовании (Educational NLP), тогда как упрощение текста связывает её с Социокультурное обучение и Адаптивное обучение. Связи с ИИ в образовании и Генеративный ИИ высвечивают и обещание (автоматизированная адаптация контента), и опасность (ИИ-системы, воспроизводящие исключение).

Следствия для преподавателей, проектирующих инклюзивное обучение

• Проектируйте под исключённую модальность первой, а не последней. Строительство для слепых и слабовидящих пользователей изначально (Kutti AI, tactile graphs) даёт инструменты, которые также работают офлайн и в условиях низких ресурсов — доступность как катализатор, а не достройка.
• Совместное проектирование с целевым сообществом. Sign-language robots и DHH question generation показывают, что участие сообщества вскрывает барьеры (например, жестовые первые языки), которых проектировщики не могут предвосхитить — вовлекайте учащихся и сообщества в проектирование.
• Оценивайте педагогическое качество, а не только лингвистические метрики. MuTSE показывает, что изменчивость вывода LLM требует оценки с участием человека, чтобы упрощение помогало, а не чрезмерно упрощало.
• Используйте ИИ для закрытия разрывов в результатах. AI-segmented videos устранили разрыв в результатах при СДВГ — внедряйте адаптивный ИИ там, где доказательства показывают, что он уравнивает исходы.
• Явно учитывайте компромисс безопасности и доступности. BAVD моделирует, как меры против списывания могут непреднамеренно исключать учащихся с потребностями в визуальной обработке — взвешивайте академическую честность против доступа.
• Доступ может решаться формулировкой, а не только форматом. При неизменной исходной задаче точность модели выросла с 82.4% при формулировке для низкой грамотности до 83.4% при экспертной формулировке, поэтому требование от студентов формулировать промпты лучше добавляет новое исключение; переписыватель на стороне системы, нормализующий запросы, устранил значимый разрыв, не меняя содержания (Jin et al. (2026)).
• Защищайтесь от воспроизводства исключения ИИ. Disability-centered critique предупреждает, что англоязычные, западнические обучающие данные маргинализируют центрированные на инвалидности способы познания — аудитируйте ИИ-инструменты на эпистемическую справедливость наряду с Справедливость.

Связанные концепции

• Различия в эффектах между группами учащихся
• Справедливость
• Доступность — конкретный слой доступа (субтитры, alt-текст, совместимость с ассистивными технологиями)
• Ассистивные технологии — слой инструментов, которые студенты используют для доступа к контенту
• Специальное образование
• Дизайн обучения
• Универсальный дизайн для обучения
• Нейроразнообразие
• Опыт студентов
• ИИ-грамотность
• Высшее образование
• K-12
• Информатика (CS) в образовании
• Оценивание
• Академическая добросовестность
• Приватность
• Генеративный ИИ
• ИИ в образовании
• Роботы в образовании (Robots in Education)
• Обработка естественного языка в образовании (Educational NLP)
• Социокультурное обучение
• Адаптивное обучение
• Речевые и голосовые технологии

Связанные статьи

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Prompt Privilege: измерение и смягчение различий в доступности доступа к LLM
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education
• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — Генерация вопросов на основе LLM для глухих и слабослышащих учащихся
• MuTSE: A Human-in-the-Loop Multi-use Text Simplification Evaluator — Упрощение текста для интеллектуального тьюторства
• Kutti AI: A Voice-First, Offline-Capable Learning Companion with Real-Time Struggle Detection for Visually-Impaired Children — Kutti AI: голосовой компаньон для слабовидящих детей
• Touching and Feeling the Data: A Reusable Software Pipeline for Tactile Statistical Graphs in Accessible Education — Тактильные 3D-печатные статистические графики
• Using the Pepper Robot to Support Sign Language Communication — Робот Pepper, поддерживающий коммуникацию на жестовом языке
• Behaviorally Adaptive Visual Diversion for Inclusive and Resilient Digital Assessment Delivery
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision
• Why SuaCode?": Understanding African Students' Motivations for Taking a Smartphone-Based Online Coding Course
• LUDIA: A Design and Evidence Statement
• Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training
• Using Gemini and LuaLaTeX to transcribe physics videos into PDF/UA-2 and ISO 32005 math-accessible PDFs — Транскрипция математически доступного видео по физике Gemini+LuaLaTeX
• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — Ассистивный GenAI для слабовидящих учащихся
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education