AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Обучение через преподавание

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Обучение через преподавание (LbT) — обучающая рамка, основанная на эффекте протеже, в которой студенты углубляют своё понимание, объясняя материал сокурснику, подопечному или агенту. Десятилетия работы в области LbT и взаимного обучения показывают, что объяснение концепций, предвосхищение недопонимания и ответы на вопросы закрепляют понимание и поддерживают перенос. В эпоху ИИ обучаемые агенты — и всё чаще LLM, настроенные как неопытные подопечные, — реализуют LbT в масштабе, ставя студентов в позицию преподавателей, которые должны объяснять, исправлять и заполнять пробелы.

Вопросы для рассмотрения

  • Вспомните случай, когда вы по-настоящему поняли нечто только после того, как объяснили это кому-то другому. Что происходило у вас в голове — и почему, как вы думаете, преподавание даёт более глубокое понимание, чем просто самостоятельная учёба?
  • Распространённое мнение состоит в том, что преподавание — удел экспертов и что новичкам нечего предложить. Однако «обучение через преподавание» опирается на противоположную посылку: подготовка к преподаванию заставляет вас организовать знания и найти собственные пробелы. Как это переосмысляет то, кому преподавание идёт на пользу?
  • На странице описаны «обучаемые агенты» — программные системы, которым студенты преподают в процессе обучения. С LLM вы можете настроить чат-бота как ошибающегося подопечного-новичка, который задаёт вопросы и делает ошибки. Что нужно было бы заложить в конструкцию такого подопечного, чтобы он действительно улучшал обучение, а не просто вёл беседу?
  • Одна из трудностей — «инженерное конструирование ошибок»: модели ИИ обучены давать экспертные, беглые ответы, что противоположно борющемуся новичку, которого желает получить парадигма обучения через преподавание. Почему склонный к ошибкам подопечный может быть для обучения эффективнее, чем всегда правый?
  • Обучаемый агент на основе ChatGPT улучшил обучение, но его склонность генерировать правильный код ограничивала практику исправления ошибок. Как инструмент, который всегда даёт верный ответ, может подвести учащегося, которому нужно практиковаться в том, чтобы находить и исправлять ошибки?
  • Если бы вы проектировали задание «обучение через преподавание» для своей группы, что сделало бы преподавательскую задачу настолько значимой, чтобы студенты вкладывали в неё реальные усилия, а не копировали и вставляли готовый ответ?

Введение

Обучение через преподавание — это результат, обычно относимый к эффекту протеже, заключающийся в том, что подготовка к преподаванию — и фактическое объяснение другому человеку или обучаемому агенту — даёт более глубокую обработку материала, чем самостоятельная учёба. Требования преподавания заставляют учащихся организовывать знания, предвосхищать недопонимание и генерировать объяснения, что вскрывает пробелы в их собственном понимании и укрепляет Метакогниция. ИИ входит в эту идею с двух сторон: системы репетиторства и обучаемые агенты могут играть роль студента, тогда как растущая литература спрашивает, что происходит с обучением, когда объяснение даёт машина, а не учащийся (Генеративный ИИ, Информатика (CS) в образовании).

Эффект протеже

Обучение через преподавание опирается на результат, состоящий в том, что подготовка к преподаванию и фактическое объяснение другому человеку дают более глубокую обработку материала, чем самостоятельная учёба. Требования преподавания — формулирование идей, предвосхищение недопонимания и ответы на вопросы — заставляют учащихся организовывать знания, выявлять пробелы в собственном понимании и генерировать объяснения, которые поддерживают удержание и перенос. Выгоды наиболее очевидны в контекстах Совместное обучение и в хорошо структурированных областях, которые поддерживают обучаемых агентов (например, Betty's Brain). Эффект протеже называет сам механизм: студенты прилагают больше усилий и размышляют глубже, когда чувствуют ответственность за преподавание нечто, поэтому они проясняют Заблуждения об ИИ и заполняют пробелы через объяснение и Метакогниция.

Обучаемые агенты: от работы по правилам к разговорному взаимодействию

Обучаемые агенты — это программные системы, через которые реализуется обучение через преподавание: учащийся преподаёт системе как часть обучения. Традиционные обучаемые агенты работали по правилам или на основе поиска и могли отвечать только на ограниченный набор команд; их ключевым ограничением была неспособность вести диалог на естественном языке. Большие языковые модели меняют это: они могут гибко принимать роли через промптинг — включая роль «подопечного», который задаёт вопросы или делает ошибки, — и вести открытый диалог, что делает LbT возможным в менее структурированных областях (письмо, лексика), чем это было возможно прежде.

Доказательная база базы знаний отслеживает этот сдвиг к разговорным обучаемым агентам на основе LLM:

  • ChatGPT как обучаемый агент (Chen и др.) поддерживает LbT в программировании, улучшая прирост знаний, способность программировать и саморегуляцию обучения, — хотя его склонность генерировать правильный код ограничивает практику исправления ошибок.
  • Explique в масштабе (Wang и др.) развернул ИИ-обучаемого агента (Algorithm Apprentice) среди 546 студентов на протяжении 11-недельного семестра, обнаружив, что ориентированный на объяснения диалог предсказывает меньше неверных сдач на проверочных заданиях, тогда как повторное использование внешнего содержания предсказывает больше таких сдач.
  • Преподавание лексики (Uchida и др.) использовало LLM в роли студента для генерации динамических вопросов, улучшая удержание на 3-й и 7-й дни.

Инженерное конструирование ошибок: LLM как неопытные подопечные

Центральная трудность проектирования обучаемых агентов на основе LLM состоит в том, что LLM по умолчанию обучены давать ответы экспертного уровня и беглые — то есть противоположное тому ошибающемуся новичку, которого желает получить парадигма LbT. Чтобы сделать LLM хорошим подопечным, требуется инженерное конструирование ошибок:

  • Сгенерированные ошибки могут сойти за аутентичные. В исследовании со «слепой» аннотацией эксперты ошибочно классифицировали 164 из 196 (83,7 %) сгенерированных LLM программ на Java как написанные человеком, поэтому подопечный может давать реалистичные ошибки для отладки, а не только правильный код (Keramati и др. (2026)).

  • Промптинг на обучаемость (Miller & Bosch) обнаружил, что промпты, основанные на ограничениях и явно заставляющие делать ошибки (например, «ответь неверно» или «сделай 2–3 ошибки»), вызывают поведение, похожее на новичка, гораздо надёжнее, чем промпты, основанные на персоне, заблуждениях или неопределённости.

  • Сконструированные пробелы в знаниях (Yang и др.) проектируют задачи, которые LLM не может решить без знаний, которыми обладает только студент, что делает преподавание необходимостью и противодействует пассивной чрезмерной опоре на LLM в режиме репетитора.

  • Ограничения на подопечного в Explique (Wang и др.) предписывают подопечному (а) оставаться новичком, (б) продолжать просить уточнения, пока объяснение студента не станет точным, и (в) никогда не раскрывать целевое объяснение, — а также сопротивляться студентам, которые пытаются поменяться ролями и заставить подопечного объяснять в ответ.

  • Забывание как путь к ошибкам на уровне весов. Машинное забывание подавляет 16 целевых компонентов знаний в Mistral-7B, снижая точность с около 0,75 при 10 % коэффициента забывания до менее 0,5 при 40 %, тогда как базовая модель удерживает около 0,85. Подавленные знания возвращались через управляемое переобучение и диалог с наставником, поэтому уровень знаний подопечного — это регулятор, а не утверждение (Song, Guo и Lin, 2026).

Вопрошание, саморегуляция и активное обучение

Ещё две возможности повторяются по всей базе знаний:

  • Вопросы выявляют пробелы в знаниях. Системы LbT используют сгенерированные учащимися вопросы, чтобы вскрывать пробелы и укреплять понимание, а вопросы, сгенерированные LLM, заменяют жёсткие генераторы, работающие по шаблонам.
  • Обратное преподавание вскрывает то, чего не вскрывает уточнение. В системе анализа после лекции с 22 участниками отражающее обратное преподавание агентом-сокурсником последовательно вскрывало разрывы между тем, что учащиеся считали понятым, и тем, что они могли сформулировать, — чего не раскрывало одно лишь уточнение на основе лекции (Fang и Reidsma (2026)).
  • LbT подпирает самоРегулирование ИИ в образовании. Преподавание разговорному агенту способствует Самоэффективность и внедрению стратегий саморегуляции обучения и связывает LbT с Полезные трудности — само усилие по объяснению и исправлению является продуктивной борьбой, которую устранил бы убирающий трение ИИ.
  • То, что предсказывает обучение преподавателя, — это построение знаний, а не предшествующие знания. Среди 23 преподавателей-старшеклассников доля ответов, которые строили знания, а не переформулировали их, предсказывала оценки на посттесте по концептам (β = .138, p < 0,05), тогда как оценки на предварительном тесте не предсказывали, кто именно их даст, а преподаватели с низким уровнем предшествующих знаний, строившие знания, закончили на уровне сверстников с высоким уровнем (Ameen и др., 2026).

Почему это важно в образовании с ИИ

Обучение через преподавание — это конструктивная, Активное обучение противоположность доминирующей модели «LLM как репетитор». Там, где репетитор даёт ответы (и рискует вызвать чрезмерную опору), конструкция LbT делает студента преподавателем, вынуждая к объяснению, обнаружению пробелов и построению знаний. Это ставит LbT как ключевую стратегию превращения генеративного ИИ из костыля в инструмент более глубокого обучения и связывает его с Полезные трудности, Активное обучение и Конструктивизм Педагогики и стратегии преподавания.

Практическая реализация обучения через преподавание

Конструктивные приёмы для ИИ-подопечного

Приведённое выше исследование сходится к нескольким повторно используемым приёмам превращения LLM, работающего по умолчанию как эксперт, в продуктивного подопечного:

  • Промпты на новичка, основанные на ограничениях (самые надёжные). Вместо того чтобы просить модель «притвориться запутавшимся студентом», явно заставьте её ошибаться и включите цикл преподавания, например: «Ты — студент-новичок, изучающий [концепт]. Попроси меня научить тебя этому. Задавай уточняющие вопросы и намеренно сделай 2–3 ошибки в нашем разговоре. Никогда не называй правильный ответ сам — подожди, пока я объясню, а потом скажи мне, имело ли смысл то, что я сказал.»
  • Защита от обратного преподавания. Добавьте правило, что подопечный должен отказаться объяснить ответ в ответ, когда студент пытается поменяться ролями: «Если я попрошу тебя решить задачу или объяснить концепт, напомни мне, что я преподаватель, и попроси вместо этого объяснить это мне.» Explique показывает, что именно это сопротивление сохраняет взаимодействие в формате LbT.
  • Сконструированные пробелы в знаниях. Постройте задание так, чтобы модель не могла ответить без информации, которой обладает только студент, — знание студента становится действительно необходимым, а не необязательным. Это превращает взаимодействие из необязательной беседы в необходимое преподавание.
  • Внешний критерий успеха. Придайте преподававанию реальное последствие — проверочный тест, который открывается только после того, как студент успешно преподал (Explique), или платформу судейства кода, которую студент должен заставить пройти результат работы агента (Chen). Подотчётность — это то, что поддерживает подлинное усилие и не позволяет всему упражнению превратиться в отметку в списке.

Советы преподавателям

  • Сделайте преподавательское задание значимым, а не занятием ради занятия. Самые сильные доказательства вовлечения даёт деятельность, которая имеет значение — Explique поставил оцениваемый тест в зависимость от упражнения в преподавании; Chen связал результат работы подопечного с прохождением платформы судейства. Если преподавание совершенно необязательно, студенты рационально пропустят трудную часть.
  • Дайте студентам протокол преподавания, а не просто окно чата. Подприте взаимодействие структурой — «объясни концепт → приведи конкретный пример → ответь на вопросы подопечного → проверь понимание», — чтобы открытый диалог стал осознанной последовательностью преподавания, а не бесцельной беседой.
  • Решайте проблему простого перекладывания содержания напрямую. Explique обнаружил, что прямое копирование и вставка внешнего содержания выросло с менее 15 % до 30–35 % взаимодействий к концу семестра. Скажите студентам, почему вставка обесценивает цель, и рассмотрите шаг, обеспечивающий подотчётность (например, «объясни своими словами, в чём подопечный не понял»).
  • Сочетайте LbT с практикой отладки. Поскольку ИИ пишет правильный код, студенты могут потерять практику исправления ошибок. Намеренно попросите подопечного неверно реализовать что-нибудь или сопроводите занятие по преподававанию заданием на поиск ошибок, чтобы отладка оставалась в контуре.
  • Следите за градиентом усилия. Ожидайте, что новизна угаснет; планируйте менять целевые концепты, добавлять сложность или ротировать, какие студенты берут на себя роль преподавателя, чтобы поддерживать когнитивное усилие на протяжении срока обучения.

Советы разработчикам

  • Предпочитайте жёсткие ограничения одной персоне. Промптинг на «неопределённость» или «студенческую персону» ненадёжен; явно заставляйте делать ошибки и включайте цикл уточнений. (См. Prompting for Teachability: Designing Novice Personas in LLMs for Learning by Teaching Contexts.)
  • Встройте критерий завершённости. Определите, когда студент объяснил достаточно (в Explique использовалась функция инструмента LLM, привязанная к целям обучения по концепту), чтобы взаимодействие заканчивалось пониманием, а не временным лимитом или фиксированным числом реплик.
  • Ведите лог и кодируйте диалог. Explique использовал обнаружение слов в минуту вместе с семантическим кодированием LLM, чтобы классифицировать взаимодействия как подробные / минимальные / с использованием внешнего содержания, — именно этот сигнал позволяет обнаружить обход задания и падающее вовлечение до того, как оно станет проблемой.
  • Дайте преподавателям панель мониторинга. Проценты завершения и качественные закономерности в преподавательских взаимодействиях позволяют человеку вмешаться, когда усилие падает (преподаватели Explique отслеживали именно это).

Следствия и открытые вопросы

  • LbT — масштабируемое противоядие чрезмерной опоре на ИИ — оно обращает роли репетитора и студента и сохраняет когнитивную активность учащегося, что становится всё более важным по мере того, как ИИ делается более беглым и более «полезным».
  • Ошибки — это возможность, а не недостаток. Подопечный, который слишком прав, убирает исправление ошибок и обнаружение пробелов, из-за которых LbT и работает; проектируйте ради продуктивной борьбы, а не против неё.
  • Открытые вопросы остаются: Как взаимодействия LbT поддерживаются за пределами семестра, когда новизна полностью угасает? Переносится ли LbT на непрофильные, менее структурированные области в том же масштабе? Может ли автоматическое кодирование диалога стать практичным средством наблюдения за вовлечением для преподавателей в реальном времени? И как сохранить значимость роли преподавателя для каждого студента, а не лишь для немногих мотивированных?

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаCs Education
Обучение и преподаваниеАктивное обучение, Обучение через преподавание, Скаффолдинг, Саморегулируемое обучение
Технологии и методыГенеративный ИИ, Интеллектуальное тьюторство
Оценивание и измерениеОбратная связь
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.