Науки об обучении

На этой странице

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Науки об обучении — междисциплинарная исследовательская область, изучающая, как люди учатся и как проектировать среды, в которых происходит обучение, опираясь на когнитивную психологию, теорию обучения, информатику и лингвистику и судя о своих дизайнах по эмпирическим свидетельствам, а не по одной теории. В этой базе знаний это исследовательская область вокруг ИИ в образовании, а не один из школьных предметов: она поставляет механизмы, которые операционализируют системы ИИ (компоненты знаний, пороги мастерства, перенос), объекты проектирования, в которые они встроены (запланированные последовательности курса, тьюторы, режимы Обратная связь), и стандарты, по которым они судятся (Прирост в обучении, Валидность оценивания, справедливость). Её организующий вопрос состоит не в том, хорошо ли работает инструмент, а в том, изменился ли учащийся.

Вопросы для размышления

Учащийся проходит каждый практический элемент, поэтому порог мастерства завершает набор — а затем неверно применяет правило там, где действие следовало бы воздержать. Чья это ошибка: учащегося, модели или правила остановки?
Sequence mining (майнинг последовательностей) может описать 554 курса как паттерны, не наблюдая аудиторию. Что область приобретает и что теряет, изучая спроектированные намерения вместо осуществлённой активности?
Демографическая чувствительность обратной связи LLM выглядит как адаптация, когда она отслеживает заявленный учащимся уровень образования, и как смещение, когда она сдвигает тональность. Должна ли область, которая не может отделить одно от другого, продолжать использовать модели с открытой генерацией для оценивания?
Сужает ли аппетит наук об обучении к причинному дизайну — рандомизированному распределению, контрфактическим аудитам, исполняемым моделям учащегося — то, что считается свидетельством в сфере ИИ в образовании?

Введение

Науки об обучении изучают обучение и проектирование сред обучения, и они определены своими методами в той же степени, что и темами: эксперименты, аудиторные испытания, количественное моделирование студенческих данных, качественный анализ дизайнов и контекстов, а также design-based research (исследование на основе проектирования), которое строит вмешательство и пересматривает его в использовании. Эта широта отделяет данную страницу от соседних страниц, поставляющих фреймворки, практику и инструменты; раздел ниже излагает каждую границу и то, что область установила по другую её сторону.

Эта страница освещает предметное знание, произведённое такими методами, — что учащиеся делают с генеративной моделью, какие устроения обучения меняют результаты и где собственные инструменты области отказывают. AIEd в дисциплинах делает противоположный разрез, утверждая, что содержание предмета меняет то, что должна делать поддержка; науки об обучении занимают сквозную позицию, и механизмы, которые они проверяют, собраны под Когнитивная психология.

Как ИИ появляется в науках об обучении

Сначала механизм, потом модель. Эн, Макларен и Стампер (2026) провели одиннадцать экспериментов (N = 192) с системами Интеллектуальное тьюторство для Riichi Mahjong и показали, что учащиеся, составившие сверхобобщённую продукцию — действие без его условия применения, — неверно применяли её на первом элементе «не действуй» в 61,5%–100% случаев против 12% ожидаемой ошибки при байесовском прослеживании знаний. При пороге мастерства 95% система прекращала практику до того, как учащиеся встречали случай, требующий воздержаться от действия, так что дефект оставался необнаруженным. Короткая практика «не действуй» с Обратная связь, называющим отсутствующее ограничение, сократила неверное применение до 0,0%–23,1% (h Коэна 1,70–2,44), а вторичный анализ тринадцати наборов данных K-12 Decimal Point обнаружил ту же структуру в смещении целых чисел (84%–88% ошибок сравнения).
Оптимум зависит от контента. Рачатасумрит, Кёдингер и Карвалью (2025) рассматривают соотношение примеров и задач как взаимодействие контента и вмешательства: в эксперименте 2×2 с 95 участниками на материале «площади» в геометрии обучение только на практике давало больший прирост в обучении для дословных фактов, тогда как обучение с интегрированными примерами давало больший прирост для обобщаемых навыков (β = 0,41, p = .038, d = 0,38). Смоделированный учащийся (Apprentice Learner) воспроизводил кроссовер только при наличии механизма памяти и забывания в стиле ACT-R. Больше практики не всегда лучше: контенту, ориентированному на память, годится извлечение, а навыкам, ориентированным на индукцию, — интегрированные примеры.
Дизайн как анализируемый объект. Дивьяк, Светец и Хорват (2026) обратили Аналитика обучения на сам Дизайн обучения, кодируя 29 064 активности в 554 курсах, спланированных в свободном инструменте проектирования курсов. Приобретение было наиболее распространённым типом обучения и наиболее распространённой точкой входа; сильнейшим марковским переходом был Оценивание → Обсуждение (0,332), а правилом с наибольшей достоверностью — Приобретение → Оценивание → Практика → Практика (0,743, lift 1,45). Тип обучения отслеживал предполагаемый уровень результата, при этом Приобретение падало примерно с 50% активностей на уровне Блума 1 до около 20% на уровне 6. Авторы подчёркивают, что это дизайны до внедрения: сходство с перевёрнутыми, исследовательскими или проектно-ориентированными последовательностями не является свидетельством намерения.
Аудит моделей, которые оценивают. Руэйн, Бенедетто и Хови (2026) провели аудит шести LLM по оцениванию эссе, формирующей обратной связи и ответам на вопросы, удерживая входные данные задачи фиксированными и варьируя только демографический контекст (192 480 вызовов). Оценивание было стабильным при явных персонах, но Llama-70B завышала собственные оценки на 1,57 балла при неявной истории разговора (p < 0,001), а высшее образование получало менее читаемые и более позитивные ответы — разрыв в тональности примерно в четыре стандартных отклонения. Эффекты читаемости сокращались, тогда как эффекты длины росли, и некоторые коэффициенты меняли знак между условиями. Авторы предлагают это как инструмент аудита, а не как вердикт о внедрении, и читают переплетение демографического и тематического сигнала как угрозу валидности и справедливости.
Измерение компетентности и её пределов. Вери (2026) организует инструменты компетентного использования Генеративный ИИ в четыре области — знания и использование, эпистемический надзор, калибровка опоры и контроль агентов, использующих инструменты, — отказываясь сводить их к одному континууму владения. Три корреляции в одной и той же выборке между самооценённой и демонстрируемой ИИ-грамотностью дали в пуле r = .055 (95% CI [-.047, .156], заявленное N = 2 765), что автор считает достаточным для отклонения трактовки самооценок как взаимозаменяемых с оценками производительности, хотя и недостаточным для установления порога отсечения. Ни один валидированный инструмент не покрывал полного набора решений, которые создают агенты, использующие инструменты; предлагаемая послойная батарея — гипотеза дизайна.
Самоотчёт о собственном перекладывании когнитивной нагрузки на ИИ учащегося. Алам (2026) переводит литературу о Когнитивный оффлоадинг в PAUSE, браузерную самопроверку с четырьмя областями, где каждый пункт эпохи LLM привязан к источнику, без композитного показателя, без хранения и без модели в продакшене; её полосы описательны, а не нормированы, и чтение не должно оправдывать решения об оценивании, приёме или найме. Её заявленные пределы существенны: самоотчёт о когнитивном перекладывании уязвим к тому, о чём он сам беспокоится, респондент, намеренно использующий ИИ как скаффолдинг, читается как перекладывание по нескольким пунктам, и остаётся открытым вопрос, отлично ли перекладывание, ассоциированное с ИИ, от общей зависимости от технологий.
Где находится человеческая экспертиза. Ван и др. (2024) сообщают о наиболее ясном разделении труда: в двухмесячном рандомизированном контролируемом испытании примерно с 900 тьюторами-новичками K-12 и примерно 1 800 студентами предложения в реальном времени, взятые из рассуждений опытных тьюторов, повысили освоение темы на 4 процентных пункта (с 62% до 66%, p < 0,01) и на 9 пунктов для тьюторов с низкими оценками, при стоимости около $20 на тьютора в год, сдвигая тьюторство в сторону направляющих вопросов. Приросты были проксимальными — тесты в конце года не сдвинулись. Райхерт и др. (2026) обнаруживают, что преподаватели приходят к той же позиции дизайном: шесть преподавателей средней школы, прототипировавших чат-ботов, специфицировали ограниченного эксперта, удерживая границы авторитета (ответственность за обучение и безопасность не делегируется) и границы экспертизы (модель лишена их знания об индивидуальных студентах), делегируя презентацию контента, практику и корректирующую Обратная связь и оставляя за собой постановку целей и суммативное оценивание.
Способность на уровне области. Сутеджо, Чоудхури и Лю (2026) опросили 127 преподавателей инструментом TPACK, адаптированным для генеративного ИИ: сильные знания о содержании и педагогическом содержательном знании (M = 4,70–5,15) рядом с заметно более низким интегрированным технологиями знанием, при этом холистический TPACK был наименьшим при 2,55, знание о содержании не коррелировало ни с одной интегрированной технологиями областью, а три интегрированные области коррелировали столь высоко (r = .81–.91), что могли функционировать как один фактор. Перротта (2026) читает слой управления через прекращённый прототип британской государственной службы, чья кодовая база была системным промптом плюс конвейер поиска над коммерческими моделями, утверждая, что общность фундаментальных моделей одновременно делает возможным быстрое перепрофилирование в инструменты политики и делает аберрантный вывод постоянно лишь снижаемым риском — надзор, который смотрит поверх цикла, а не сидит внутри него.
Разрыв в интеграции, картированный: Малик и Башир (2026) синтезировали 32 исследования (PRISMA 2020, тематический анализ) в четыре темы: эпистемологическая фрагментация внутри области, противоречия между теорией и технологиями (вычислительные системы работают на предсказании и измеримом поведении, тогда как образовательные теории подчёркивают контекст и социальное взаимодействие), датификация обучения через аналитику и гибридный интеллект как формирующаяся парадигма. Их Hybrid Intelligence Framework (система гибридного интеллекта) — концептуальный синтез, а не валидированная модель — авторы заявляют, что она ожидает эмпирической проверки, — однако карта четырёх тем служит полезной линзой аудита для проблемы перевода теории в вычисления, которую эта область продолжает настигать.

Как науки об обучении соотносятся с соседними страницами

Design-based research — метод, который эта область разработала, а не заимствовала: вмешательство строится и пересматривается внутри работающей аудитории, а его теоретическое обоснование пересматривается вместе с ним, так что одно исследование даёт и артефакт, и принцип дизайна. Именно это отделяет его от лабораторного эксперимента, который изолирует причину, удерживая контекст неподвижным, и именно поэтому находки области приходят как знание о дизайне, а не как размеры эффекта. Методы исследования в AIED делает другой разрез: та страница обозревает весь репертуар — эксперименты, опросы, качественную работу, бенчмарки, обзоры, методы консенсуса — как выбор среди инструментов, взвешенный по валидности утверждения, которое каждый может поддержать. Эта страница читает тот же корпус с предметной стороны, спрашивая, что репертуар установил об обучении, и судя метод по тому, выживает ли его утверждение о дизайне в контакте с учащимися.

Теории обучения собирает кандидатские фреймворки — бихевиоризм, когнитивизм, конструктивизм, социокультурные подходы, мотивацию и саморегуляцию — как линзы для чтения ИИ. Науки об обучении разделяют этот словарь, но не эту позицию: здесь теория — это утверждение о механизме, которое дизайн должен либо инстанцировать, либо опровергнуть, и положение области покоится на эмпирической и проектной работе, а не на связности фреймворка. Страница теории — та, которую следует открыть для того, что фреймворк утверждает; эта страница — та, что для свидетельств, накопленных фреймворком.

Область также строит теорию, а не только тестирует заимствованные фреймворки: Разработка теории в области ИИ в образовании охватывает концептуальную работу, объясняющую, как взаимодействуют учащиеся, преподаватели и системы ИИ, и именно там собственные конструкты области аргументируются до того, как их измеряют. То, что её дизайны обычно просят произвести, — это перенос — знание и навык, выживающие за пределами тьютора, предмета или задачи, в которых они были усвоены, — и именно поэтому прирост, измеренный внутри инструмента, считается более слабым утверждением, чем измеренный без него. А поскольку спроектированная среда — это составное вмешательство, атрибуция результата одному компоненту — это стоящая перед областью проблема измерения: Образовательное измерение поставляет психометрический аппарат, который делает атрибуцию обсуждаемой вообще, и именно поэтому вопросы измерения приходят здесь рано, а не задним числом.

Когнитивная психология — дисциплина механизмов, на которую область опирается сильнее всего, поставляя ограниченную рабочую память, кодирование и извлечение, декомпозируемые компоненты знаний и диагностический язык моделирования учащегося. Науки об обучении используют эти механизмы, не сводясь к ним: их единица анализа — спроектированная среда, несущая социальные, мотивационные и контекстуальные переменные, которых нет в лабораторном описании памяти, а их тесты проводятся на целых вмешательствах, а не на изолированных когнитивных эффектах.

Педагогики и стратегии преподавания и Дизайн обучения охватывают практику — какую стратегию преподавания использовать и как упорядочить цели, активности и оценивание в курс. И то и другое — то, что науки об обучении изучают извне, как объекты описания и оценивания; область не говорит преподавателю, к какому приёму обратиться следующим, она сообщает, что показали эти приёмы. Дизайн обучения — более близкий родственник, поскольку оба производят нечто, что можно внедрить и проверить, но продукт дизайнера — обучаемый курс, а продукт области — знание о дизайнах в общем виде.

Находки имеют значение только тогда, когда они достигают преподавания, и этот путь проходит через три страницы. Развитие педагогической практики — институциональная практика, которая их несёт: развитие факультетов, стандарты, политика и работа над идентичностью решают, достигнет ли валидированный дизайн когда-либо аудитории, и именно поэтому свидетельства области обычно опережают то, что внедрили институты. Профессиональное развитие преподавателей — там, где знание должно осесть до того, как преподаватель войдёт в аудиторию, а Преподавание — там, где оно оседает после, в поминутном суждении о том, когда вмешаться, какой инструмент использовать и когда оставить учащегося одного. Ни одна из трёх не производит находок наук об обучении; все три решают, изменят ли эти находки практику.

Связанные понятия

Связанные статьи

Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use — Обзор и исследовательский метаанализ мер компетентного использования генеративного ИИ (Verí 2026)
Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — Правильность, маскирующая неполное правило: правила остановки по мастерству в адаптивном обучении (An, McLaren & Stamper 2026)
The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Контрфактический аудит демографических сигналов в оценивании студентов с помощью LLM (Rooein, Benedetto & Hovy 2026)
Learning paths and patterns in learning design: Insights from 500+ courses — Цепи Маркова и майнинг паттернов по 29 064 активностям в 554 курсах (Divjak, Svetec & Horvat 2026)
PAUSE: A Privacy-Preserving Self-Reflection Tool for AI-Associated Cognitive Offloading — Сохраняющая приватность, недиагностическая самопроверка для перекладывания когнитивной нагрузки, ассоциированного с ИИ (Alam 2026)
Zero-shot governance — Zero-shot governance: ИИ общего назначения в политике, прочитанный через кодовую базу Redbox (Perrotta 2026)
Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content — Почему лучшее соотношение примеров и задач зависит от контента (Rachatasumrit, Koedinger & Carvalho 2025)
Human-Centered Design of LLM-Powered Educational Chatbots: A Study with Secondary Teachers — Преподаватели проектируют чат-ботов с ограниченным экспертом, с избирательной делегацией обучения (Reichert et al. 2026)
Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills — TPACK факультета для GenAI: сильное знание содержания, слабое интегрированное технологиями знание (Sutedjo, Chowdhury & Liu 2026)
Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise — Tutor CoPilot: рандомизированное испытание живого тьюторства «человек — ИИ» в масштабе (Wang et al. 2024)

Метаданные

Дисциплина	Learning Sciences
Уровень	K 12, Higher Ed, Adult Learning
Целевая аудитория	Researchers, Instructional Designers, Instructors, Policymakers
Обучение и преподавание	Когнитивная психология, Теории обучения, Педагогики и стратегии преподавания
Технологии и методы	Интеллектуальное тьюторство, Аналитика обучения
Методы исследований и оценка	Методы исследования в AIED
Основы ИИ в образовании	Дизайн обучения
Вид страницы	Framework, Synthesis

Source History Edit Chat