AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Обучение на основе исследования

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Обучение на основе исследования (IBL) — центрированная на учащемся Педагогики и стратегии преподавания, в которой студенты развивают понимание, ставя вопросы, самостоятельно исследуя и конструируя знания через цикл исследования, рефлексии и ревизии, при этом преподаватель оказывает Скаффолдинг, а не читает лекцию. В эпоху ИИ структура IBL, управляемая вопросами и центрированная на исследовании, стала фокальной точкой: инструменты generative AI и Большие языковые модели (LLM) могут служить интерактивными «со-исследователями», поддерживающими questioning и расследование — но только когда они спроектированы так, чтобы сохранять, а не обходить когнитивную работу исследования.

Вопросы для размышления

  • Обучение на основе исследования центрировано на вопросах, задаваемых студентами, и на самом процессе исследования. Чем обучение, движимое вашим собственным вопросом, отличается от обучения, движимого чужим?
  • Страница спрашивает, служит ли ИИ «со-исследователем», поддерживающим ваше расследование, или заменой, обходящей когнитивную работу. Когда вы используете ИИ для исследования вопроса, кто занимается inquiring?
  • Доказательства по ИИ-поддержанному исследованию смешанные: в одном исследовании оно улучшило креативные результаты и отношения, но не критическое Решение задач, а в другом углубило концептуальное понимание, не повысив AI literacy. Что это говорит о том, что ИИ в одиночку может и не может развивать?
  • Если отношение к результатам ИИ как к авторитетным рискует чрезмерной опорой и поверхностными выводами, как бы вы учили студентов оценивать сгенерированные ИИ ответы как часть цикла исследования?
  • Страница связывает исследование с продуктивным неуспехом — учащиеся исследуют до инструкции, так что сама борьба подготавливает обучение. Как ИИ, удерживающий ответы и вызывающий множественные попытки, мог бы поддержать эту борьбу, а не устранить её?
  • Какова роль фасилитатора, когда ИИ снижает трение в постановке вопросов? Если студенты могут мгновенно получить ответы, что теперь преподавателю нужно выстраивать как опору, чего не требовалось раньше?

Введение

Обучение на основе исследования центрировано на вопросах, задаваемых студентами, и на самом процессе исследования, обычно проходя фазы (ориентация → концептуализация → исследование → обсуждение → заключение). Это более широкое семейство, внутри которого часто вложены problem-based learning и project-based learning: IBL подчёркивает процесс questioning и открытия, PBL — плохо структурированную проблему, а обучение на основе проектов — осязаемый артефакт.

Как обучение на основе исследования проявляется в базе знаний

ИИ как со-исследователь. systematic review использования ChatGPT для обучения на основе исследования в STEAM (The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education, 24 исследования) обнаружил, что ChatGPT используется в основном на фазах концептуализации, исследования и обсуждения — как инструмент обучения, тьютор, партнёр по обучению, эксперт в области и ассистент по teaching — улучшая результаты, critical thinking, engagement и мотивацию, создавая при этом риски чрезмерной опоры, галлюцинаций и поверхностных выводов, когда к результатам относятся как к авторитетным.

Постановка проблемы как отправная точка. Квазиэксперимент с 97 третьеклассниками (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science) показал, что chatbots GenAI значительно превзошли поисковые системы в постановке научных проблем, улучшая качество вопросов и производя более интегрированные эпистемические networks, снижая когнитивную нагрузку.

Когнитивные паттерны в IBL, управляемом LLM. Эксплораторное исследование 117 транскриптов интервью и записей взаимодействий (Luo et al.) идентифицировало 14 паттернов взаимодействия на когнитивных уровнях Блума, показывая, как предшествующие знания студентов формируют использование LLM, и highlighting необходимость скаффолдинга, нацеленного на стадии мышления более высокого порядка и смягчающего чрезмерную опору.

Доказательства результатов смешанные. Эксперимент ИИ-поддержанного IBL в mathematics (Mujib et al.) улучшил креативные математические результаты и отношения, но не навыки критического решения проблем — что предполагает, что ИИ-IBL в основном поддерживает развитие Креативность и affective развитие. Мета-анализ 29 экспериментов (Zhao et al.) обнаружил, что GenAI имеет умеренный положительный эффект на мышление более высокого порядка, наиболее сильный для решения проблем, с интервенциями 8–16 недель, причём учащиеся с более высоким уровнем Саморегулируемое обучение выигрывают больше всего. Квазиэксперимент с 48 будущими преподавателями естественных наук в Турции (Aydın) с использованием 8-недельной программы ИИ-поддержанного управляемого исследования (интегрирующей обучение на основе проблем и проектирования) обнаружил значимый прирост «группа-по-времени» в концептуальном понимании фотосинтеза и клеточного дыхания, но никакого значимого эффекта на ИИ-грамотность или самовоспринимаемое computational thinking — свидетельство того, что ИИ-IBL может углубить предметное понимание, тогда как развитие компетенций ИИ/ВМ требует более явного, адресного проектирования.

Gousopoulos (2026) выделил вклад ИИ из самого исследования в исследовании климата с тремя группами: ИИ-поддержанное исследование опередило ровесников только с исследованием по принятию решений (d = 0.69), с наибольшими приростами в мониторинге и адаптивном управлении (d = 1.37), тогда как базовый сбор данных улучшался одинаково во всех условиях.

Equity и контекст. Концептуальный фреймворк соединяет ко-проектирование с генеративным ИИ с открытыми образовательными практиками для поддержки ведомого исследованием преподавания STEM в контекстах с недостатком ресурсов, используя сгенерированные ИИ, multilingual, контекстуально релевантные simulations.

ИИ-скаффолдинг сравнения доказательств. An and colleagues (2026) показывают, как система извлечения информации на базе ИИ смещает обзор литературы студентами бакалавриата от резюмирования к организации и сравнению доказательств — студенты переходят от изолированного чтения к межисследовательскому сравнению и обоснованию на основе доказательств в поддержку обучения на основе исследований и завершения диссертации. Это конкретизирует, как AI может выстраивать опору для процессов исследования в исследованиях бакалавров в STEM.

Почему обучение на основе исследования важно для интеграции ИИ

Структура IBL, управляемая вопросами и сосредоточенная на процессе, — естественный дом для продуктивного использования ИИ: студенты учатся с ИИ как с партнёром, а не от него как от замены. Доказательства в базе знаний сходятся на ключевом напряжении — ИИ может снизить трение в извлечении информации и формулировании вопросов (снижая cognitive load и позволяя более глубокую reflection), но без проектировочного скаффолдинга он рискует чрезмерной опорой и обходом когниции более высокого порядка. Роль фасилитатора, проектирование скаффолдингов и явное обучение навыкам оценивания — это рычаги, определяющие, углубляет ли ИИ исследование или вытесняет его.

Продуктивный неуспех и исследование

Productive failure (PF) — самый структурированный родственник обучения на основе исследования: учащиеся исследуют проблемы и генерируют решения до прямого инструктажа, затем консолидируют. Оба разделяют допущение, что сгенерированные учащимися попытки (даже неудачные) activate prior knowledge и подготавливают учащихся к обучению от инструктажа. Исследование research в эпоху ИИ заостряет, как ИИ должен выстраивать опору для исследования, не закорачивая его: Kim et al. (2026) выводят принципы проектирования ИИ для сохранения борьбы через исследование проблем и генерацию решений; Puech et al. (2025) показывают, что LLM-тьюторами можно управлять так, чтобы они удерживали ответы и вызывали множественные попытки; задачи clue-before-correction exemplify скаффолдинг на основе подсказок (против прямого), который удерживает учащихся за рассуждением. Это связывает исследование и PF с более широкой императивой, что ИИ не должен устранять productive struggle, через которую формируется устойчивое обучение.

В полевых условиях на открытом воздухе та же императива становится пространственной: GenAI может пред-структурировать то, что учащиеся замечают, прежде чем встретятся с доказательствами, поэтому последовательность «поле прежде всего», удерживающая сгенерированное экспланацию до записи наблюдений и начальных интерпретаций, защищает исследование (Choi, 2026).

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаStem Education
Обучение и преподаваниеАктивное обучение, Обучение на основе исследования, Метакогниция, Обучение, основанное на проблемах, Скаффолдинг, Саморегулируемое обучение
Технологии и методыГенеративный ИИ
Основы ИИ в образованииКритическое мышление
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.