Учащиеся

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Обобщение: Учащиеся — это основная аудитория ИИ в образовании: студенты в K-12, Высшее образование и Взрослые учащиеся, чью работу, понимание и чувство собственного «я» теперь формирует ИИ. Эта страница — обобщающая для всей связанной со стороной учащегося части базы знаний: что учащиеся переживают (Опыт студентов), кем они становятся (Идентичность учащегося), что они всё ещё выбирают сами (Автономность учащегося), как они фактически взаимодействуют с инструментом (Взаимодействие студента и ИИ), сохраняются ли их усилие и саморегуляция под его воздействием (Когнитивный оффлоадинг) и как системы ИИ их моделируют (Моделирование учащегося и адаптивное обучение). Повторяющийся результат этих исследований заключается в том, что один и тот же инструмент помогает одним учащимся и вредит другим: прирост концентрируется там, где уже присутствуют предшествующие знания, ИИ-грамотность и привычки проверки, а обратный эффект — там, где ИИ заменяет то мышление, которое должно было развивать задание.

Вопросы для рассмотрения

• Каких учащихся в вашем собственном контексте новый инструмент ИИ охватит первыми, а кого оставит позади — и почему вы так думаете?
• Исследования часто сообщают, что студенты считают, будто ИИ им помог, в то время как независимые от ИИ измерения не показывают прироста или показывают потерю. Если собственный отчёт учащегося — ненадёжное доказательство, то что бы вы приняли как доказательство того, что обучение состоялось?
• Учащиеся описываются здесь и как люди, использующие ИИ, и как объекты, которые моделируют системы ИИ (модели учащегося, трассировка знаний, симулируемые студенты). Где модель учащегося должна информировать преподавание, а где ей следует перестать доверять?
• Саморегуляция и предшествующие знания решают, превращается ли поддержка ИИ в обучение или в подмену. Это дефицит учащегося, который нужно исправлять, проблема проектирования, которую нужно решить, или проблема оценивания, которую нужно устранить?
• Если у группы учащихся дело с инструментом ИИ идёт плохо, разработчики инструмента узнают об этом обычно последними. Как бы в вашем учреждении на самом деле выглядела процедура выяснения мнения учащихся до и после внедрения?
• Наряду с достижениями на карту поставлены агентность учащегося и идентичность. Чем из этого вы отказались бы поступиться ради измеримого прироста баллов — и сделало бы ваше проектирование оценивания этот отказ видимым?

Введение

Учащиеся появляются в этой базе знаний в двух очень разных обликах, и смешение этих обликов вызывает большую часть путаницы в области. В первом учащиеся — это люди, которые используют ИИ: они задают вопросы, принимают или отвергают ответы, теряют или сохраняют опору и сообщают о переживаниях поддержки, вины, тревожности и зависимости. Во втором учащиеся — это объекты, которые моделируют системы ИИ: оценка навыка в трассировке знаний, латентное состояние в когнитивной диагностике или симулируемый студент, заменяющий реального. Данные о первом берутся из опросов, интервью, анализа логов и экспериментов; данные о втором исходят из самой аппаратуры измерения — и модель учащегося — это утверждение, а не учащийся.

Эта страница — точка входа для обоих. Она собирает связанные со стороной учащегося концепции, которые покрывает база знаний, объясняет, как они соотносятся, и приводит исследования за ними. Заинтересованные стороны описывает другую сторону того же поля — преподавателей, администраторов, проектировщиков и политиков, — и эти две страницы предназначены для чтения вместе.

Кого считать учащимся

База знаний рассматривает учащихся во всём диапазоне формального образования: учеников K-12, студентов университетов, профессионально-технического и профессионального обучения, а также взрослых и обучающихся всю жизнь учащихся, включая учащихся с ограниченными возможностями, нейроотличных учащихся и многоязычных учащихся. Два соглашения важны. Во-первых, слова «учащиеся» и «студенты» не являются взаимозаменяемыми в каком-либо полезном смысле: студент называет институциональную роль, учащийся называет деятельность, и человек может быть одним, не будучи другим (работник на обучении по месту работы — учащийся, но не студент). Во-вторых, учащиеся — не однородная группа, и именно эта неоднородность постоянно обнаруживается в исследованиях: предшествующие знания, саморегуляция, язык, доступ и статус инвалидности — всё это меняет, помогает ли инструмент ИИ.

Что переживают учащиеся

Опыт студентов — одно из самых исследованных измерений ИИ в образовании, и его главный урок состоит в том, что эффекты смешанные, а не однородные. Опросы о продуктивности учёбы обнаруживают, что учащиеся сообщают о реальном приросте эффективности — 92,3 % сказали, что ИИ улучшил их понимание, — наряду с разрывом, который скрыт за заголовочными цифрами: только 38,5 % сказали, что он сократил общее время их учёбы, и половина сообщила, что иногда полагается на ИИ вместо того, чтобы пытаться учиться самостоятельно. Анализ моделей опоры идёт дальше: студенты с разным уровнем ИИ-грамотности и навыков оценивания оказываются в качественно различных отношениях с инструментом, поэтому одна и та же политика курса даёт разные результаты для разных учащихся — поддержку для одних, подмену для других. Студенты своими словами описывают тягу к наименьшему усилию, что страницы Академическая добросовестность и Заблуждения об ИИ рассматривают как проблему проектирования и политики, а не как моральную проблему.

Влияние идёт рядом с когнитивной историей: Тревожность и стресс и Благополучие документируют тревожность по поводу отставания, по поводу обвинений в нарушении норм и по поводу ценности получаемой степени. Ментальные модели учащегося об ИИ — то, что, по их мнению, он есть, и то, для чего, по их мнению, он предназначен, — находятся выше по течению от того, используют ли они его хорошо, и именно поэтому страницы Заблуждения об ИИ и Формирование представлений об использовании ИИ для студентов появляются во всех исследованиях стороны учащегося.

Отчёты учащихся также усложняют историю о добросовестности, которая обрамляет политику в отношении стороны учащегося. Интервью с 27 студентами старших курсов эфиопского университета обнаруживают почти повсеместное использование генеративного ИИ наряду с искренне разделённым этическим прочтением: большинство приписывает инструментам повышение их достижений, меньшинство называет использование в курсовых работах нарушением норм, и почти все сообщают о неравных условиях, в которых пользователи ИИ получают оценки выше прилежных самостоятельно работающих, причём один описывает этот эффект как убийство его чувства прилежности. Студенческая сторона процедуры по нарушениям описана в литературе менее полно, чем студенческая сторона использования, но анализ материалов 1 162 дел о предполагаемом использовании генеративного ИИ показывает, с чем сталкиваются учащиеся, когда приходит институциональная реакция: наиболее часто приводимое доказательство относится к самому слабо оцениваемому виду, никакой минимальный порог доказанности не определяет, продвигается ли дело дальше, и студентов, чьи дела опираются на слабые доказательства, подталкивают к апелляциям.

Идентичность, агентность и авторство

Исследования стороны учащегося касаются не только результатов. Идентичность учащегося спрашивает, кем учащийся становится по отношению к дисциплине и к ИИ, и данные идут в обоих направлениях: хорошо спроектированное использование может поддерживать дисциплинарную принадлежность, тогда как перекладывание работы на ИИ может разрушать ощущение, что работа — собственная. Автономность учащегося спрашивает, что учащийся всё ещё контролирует. База знаний рассматривает и то и другое как действительно находящееся на карту, а не как «мягкие» придатки к достижениям: учащийся, который производит правильный результат с помощью ИИ и больше не узнаёт стоящее за ним рассуждение, потерял нечто такое, чего оценка не фиксирует. Вопрос авторства — это то, где сами учащиеся испытывают наибольшие затруднения: опрошенные о генеративном ИИ и добросовестности студенты заявляли об оригинальности, потому что другого автора не существовало, — «Если это не моя оригинальная идея, то чья?», — тогда как другие приходили к выводу, что работа их не представляла, а один рассуждал в сторону признания инструмента соавтором, которым он не может быть, поскольку ИИ — не человек.

Взаимодействие с ИИ: что учащиеся фактически делают

Страница Взаимодействие студента и ИИ собирает то, о чём учащиеся спрашивают ИИ, как развиваются их промпты и диалоги и почему качество взаимодействия предсказывает результаты обучения лучше, чем доступ. Быстрый обзор-разведка 46 категоризаций, взятых из 33 исследований, обнаруживает эту доказательную базу концептуально фрагментированной: исследования различаются по источнику данных, схеме категорий и единице анализа, поэтому «качественное взаимодействие» пока не является сопоставимым между ними конструктом, и призыв обзора — к единой таксономии ориентированного на обучение использования Большие языковые модели (LLM), а не к утверждению, что такая таксономия уже существует. Исследования содержания чатов обнаруживают, что студенты дисциплинируют себя характерными способами, причём вовлечение варьируется от проверки и проверки утверждений до принятия первого правдоподобного ответа. Поиск помощи даёт более раннюю рамку: просить помощи — это навык, и обращение за помощью не к тому помощнику и не тем способом — известный способ неудачи, который ИИ не устраняет.

Усилие, саморегуляция и разрыв между выполнением и обучением

Здесь данные стороны учащегося имеют наибольшие последствия, потому что они разделяют то, что учащиеся могут делать с ИИ, и то, что они могут делать без него.

Когнитивный оффлоадинг собирает данные о чрезмерной опоре; Distinguishing performance gains from learning when using generative AI формулирует центральный методологический тезис о том, что выполнение с помощью ИИ и способность без него должны измеряться раздельно; исследования письма, чувствительные к уровням, разделяют перекладывание на ИИ поверхностное, структурное, идейное и связанное с рассуждением и обнаруживают наивысшее подтверждённое выполнение в наименее ограниченном условии наряду с наименьшим независимым выполнением восемь недель спустя; а описание познавательной капитуляции у Шоу и Нейва называет диспозицию, которая делает делегирование привычным, а не стратегическим. Метакогнитивный диссонанс документирует неудобный промежуточный случай — учащихся, которые замечают, что не понимают, и всё равно сдают работу, — а исследования проверки показывают, что «проверка» — это само по себе градуированный навык, а не бинарная привычка. На стороне проектирования продуктивная трудность и Снижение масштабов неправомерного использования ИИ собирают вмешательства, которые восстанавливают усилие, которого требовало задание.

Учащиеся как модели

Связанные со стороной учащегося концепции с самой длинной технической родословной — это те, которые представляют учащегося системе. Моделирование учащегося и адаптивное обучение описывает это семейство: Трассирование знаний, оценивающий приобретение навыка во времени, Когнитивная диагностика, локализующий конкретные заблуждения, и адаптивные и персонализированные системы, которые потребляют эти оценки. Моделирование учащихся и его обзор рассматривают Моделирование как способ тестировать репетиторы и генерировать данные, когда реальные учащиеся недоступны, — как явно предварительную замену, а не субститут. Через эту литературу проходят два предостережения: оценки модели — это заключения, сделанные на основе поведения, и они чувствительны к тому, как построены задания и интерфейсы, а исследования демографических сигналов показывают, что системы оценивания могут улавливать прокси для идентичности учащегося (язык, происхождение), которые никогда не предполагалось включать в конструкт. Меры самоотчёта описывает зеркально противоположную проблему на исследовательской стороне: то, что учащиеся говорят о собственном обучении, часто расходится с тем, что они могут делать.

Равный доступ среди учащихся

Поскольку выгоды следуют за предшествующим преимуществом, работа над стороной учащегося неотделима от Справедливость. Цифровой разрыв и доступ к платным уровням моделей определяют, кто получает самые сильные инструменты; соображения справедливости определяют, как обученные модели обращаются с разными группами; Инклюзивное обучение, Доступность, Специальное образование и Нейроразнообразие охватывают учащихся, чьи потребности игнорирует конструкция по умолчанию. Практический урок этих исследований состоит в том, что «ИИ помогает студентам» — это не результат исследования; результат всегда состоит в том, каким студентам, при каких условиях, с какими предшествующими знаниями и доступом. Две группы несут на себе особо значимую долю этого риска. Райт (2026) утверждает, что запреты, написанные вокруг «генеративного ИИ», а не вокруг функции, захватывают инструменты транскрипции, которые преобразуют формат работы, уже созданной учащимся, поэтому возникающие ложные срабатывания тяжелее всего падают на учащихся с ограниченными возможностями, которые полагаются на преобразование речи в текст и OCR, в том числе там, где ИИ-OCR заменил снятое с производства вспомогательное программное обеспечение; обзор-разведка об удалённом прокторинге делает параллельный тезис об условиях оценивания, обнаруживая, что подключение, стоимость трафика и отказ устройств решают, кого вообще можно оценивать, — это результат о справедливости, а не технический результат, и он сосредоточен в странах с низким и средним уровнем дохода.

Где находится эта страница

Читайте вместе со Заинтересованные стороны о людях вокруг учащегося, с Педагогики и стратегии преподавания и Дизайн обучения о том, что преподаватели делают с этими находками. Оценивание определяет, какие способности учащегося вообще становятся видимыми; Ограничения исследований в области ИИ в образовании объясняет, почему так много данных стороны учащегося краткосрочны, основаны на самоотчёте и получены на удобных выборках; а Заблуждения об ИИ — обычная точка входа для самих учащихся.

Связанные концепции

• Различия в эффектах между группами учащихся
• Опыт студентов — Как учащиеся воспринимают ИИ, взаимодействуют с ним и испытывают его воздействие
• Идентичность учащегося — Кем учащиеся становятся по отношению к дисциплине и к ИИ
• Автономность учащегося — Что учащиеся всё ещё контролируют и выбирают
• Взаимодействие студента и ИИ — О чём учащиеся фактически спрашивают ИИ и как развиваются диалоги
• Когнитивный оффлоадинг — Чрезмерная опора и подмена ИИ мышления
• Саморегулируемое обучение — Планирование, мониторинг и корректировка собственного обучения
• Поиск помощи — Как хорошо просить помощи, и способы неудачи, когда учащиеся этого не делают
• Метакогниция — Знание того, что человек понимает и чего не понимает
• Мотивация — Почему учащиеся продолжают или бросают
• Самоэффективность — Уверенность учащихся в собственной способности
• Вовлечённость студентов — Поведенческое, эмоциональное и когнитивное вовлечение
• Предшествующие знания — Фоновые знания, которые решают, превращается ли поддержка в обучение
• Моделирование учащегося и адаптивное обучение — Представление учащегося внутри системы
• Трассирование знаний — Оценивание приобретения навыка во времени
• Моделирование учащихся — Симулированные ИИ учащиеся как предварительные замены
• ИИ-грамотность — Способность, которая решает, хорошо ли учащиеся используют ИИ
• Справедливость — Кто получает выгоду и кого оставляют в стороне
• Благополучие — Тревожность, стресс и аффективная цена учёбы, опосредованной ИИ
• Заблуждения об ИИ — Ментальные модели, с которыми учащиеся подходят к ИИ
• Заинтересованные стороны — Другая сторона того же поля: преподаватели, руководители, проектировщики
• Оценивание — Какие способности учащегося вообще становятся видимыми

Связанные статьи

• The Uneven Impact of Generative AI on Student Learning: Examining the Roles of Reliance, Evaluation Literacy, and Course Policy in AI-related Courses — Модели опоры и грамотность оценивания разделяют результаты студентов
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Учащиеся сообщают о приросте эффективности наряду с опасениями по поводу зависимости
• Toward Convergence in Student-LLM Interactions: A Rapid Scoping Review and Taxonomy for Learning-Oriented Use — Таксономия ориентированного на обучение взаимодействия студента с LLM
• Chat as Learning: Student-AI Conversations as Discipline-Associated Cognitive Engagement Patterns — Специфические для дисциплин закономерности в чатах студента с ИИ
• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Прирост выполнения с помощью ИИ без независимой способности
• Distinguishing performance gains from learning when using generative AI — Почему выполнение с помощью ИИ и обучение без него должны измеряться раздельно
• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Познавательная капитуляция как диспозиция, а не случайность
• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — Учащиеся, которые замечают, что не понимают, и всё равно сдают работу
• Beyond checking: verification quality, reliance calibration, and learning in generative AI-assisted higher education — Качество проверки и калибровка опоры
• Simulating Students with Large Language Models: A Review of Architecture, Mechanisms, and Role Modelling in Education with Generative AI — Симулируемые студенты: архитектура, механизмы и пределы
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Оценивание параметров в байесовской трассировке знаний
• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Неявные и явные демографические сигналы в оценивании на основе LLM
• The impact of artificial intelligence literacy on learning engagement among university students: the mediating role of psychological capital and the moderating role of professional identity — ИИ-грамотность, вовлечение и психологический капитал
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — Студенты описывают тягу к наименьшему усилию
• Tools facilitate cheating, or partner supports learning? GenAI and academic integrity issues from students' perspectives — Студенты о том, является ли генеративный ИИ инструментом обмана или партнёром по обучению
• How strong is the evidence in generative AI-related academic misconduct allegations? A mixed-methods analysis — Что материалы дел о предполагаемых нарушениях фактически содержат в качестве доказательств
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Чрезмерно широкие правила об ИИ и студенты, которых они наказывают
• Educational integrity in GenAI-augmented assessment: making judgment visible — Добросовестность как оценочное суждение, а не как соблюдение правил
• Under surveillance: Mapping remote proctoring practices in the assessment of nursing students — a scoping review — Эмоциональная цена и издержки для равного доступа при удалённом прокторинге для студентов