Теории обучения

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Теории обучения — семейство фреймворков, объясняющих, как происходит обучение, и зонтичное понятие для связанных с теорией идей базы знаний. В ИИ в образовании теории обучения формируют и то, как проектируются системы ИИ (воплощённая в них педагогика), и то, как область интерпретирует, «работает» ли ИИ: один и тот же инструмент может быть скаффолдингом при допущениях Конструктивизм, механизмом подкрепления при Бихевиоризм или угрозой когнитивной перегрузки при теории когнитивной нагрузки.

Вопросы для размышления

• Подумайте о тьюторе или адаптивной системе на базе ИИ, которыми вы пользовались или которые видели. Какие допущения они делали о том, как учатся люди, — поощряли ли они правильные ответы (бихевиоризм), строили понимание (конструктивизм) или управляли умственным усилием (когнитивная нагрузка)? Заявляли ли их создатели эти допущения?
• Страница описывает повторяющийся разрыв: дискурс исповедует конструктивизм, тогда как реализации ИИ по умолчанию опираются на механику тренировки и обратной связи. Где вы видели инструмент, заявляющий о поддержке глубокого обучения, но на деле просто подкрепляющий поверхностные реакции?
• Один и тот же инструмент ИИ может выглядеть успехом в рамках одной теории и неудачей в рамках другой — завышенные оценки домашних заданий читаются как обучение при бихевиоризме, но как неспособность построить устойчивое понимание при конструктивизме. Какая линза справедливее для суждения о том, действительно ли студенты научились?
• Поскольку каждый тьютор на базе ИИ воплощает теорию, говорят ли об этом его дизайнеры или нет, вопрос «работает ли он?» может быть неверным. Какой вопрос лучше задавать об образовательном ИИ с учётом теорий, которые он мог бы воплощать?
• Генеративный ИИ побуждает преподавателей рассматривать новые теории — например, обучение как итеративную ко-конструкцию между людьми и ИИ или ИИ как когнитивного партнёра на протяжении всей жизни. Требует ли подъём ИИ по-настоящему новых теорий обучения, или существующих по-прежнему достаточно?
• Измерение прироста в обучении само по себе «нагружено теорией»: инструмент, построенный на одной теории, может не улавливать приросты, предсказываемые другой. Как два исследователя с разными теоретическими приверженностями могут посмотреть на одни и те же данные и прийти к противоположным выводам о том, сработал ли инструмент ИИ?

Введение

Это зонтичное понятие для теоретической линии базы знаний. Теории обучения находятся в сердце ИИ в образовании, потому что каждый тьютор, адаптивная система и инструмент обратной связи на базе ИИ воплощают допущения о том, как учатся люди, — заявляют ли об этом дизайнеры или нет. База знаний документирует эти теории по отдельности и рассматривает их как концептуальную линзу, через которую оцениваются дизайн и эффекты ИИ. Исследовательская область, которая тестирует эти фреймворки, — отдельная страница: науки об обучении изучают обучение эмпирически — экспериментами, аудиторными испытаниями и исследованиями на основе проектирования — и рассматривают теорию как нечто, подлежащее подтверждению или фальсификации, тогда как эта страница собирает сами фреймворки; эти два выражения поддерживаются различными в этой базе знаний, причём единственное число «наука об обучении» (learning science) называет эту теоретическую линию.

Ландшафт теорий обучения

База знаний документирует несколько семейств теории обучения, каждое со своими понятиями:

• Классические теории обучения. Бихевиоризм (обучение как наблюдаемое поведенческое изменение через подкрепление и тренировку с практикой) и конструктивизм (обучение как активное построение знания) — два полюса, которые чаще всего повторяются в исследованиях ИИ. Область часто демонстрирует разрыв «конструктивизм на словах, бихевиоризм на деле», где дискурс исповедует конструирование, а реализации ИИ по умолчанию опираются на механику тренировки и обратной связи.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) Когнитивизм — третий классический полюс — обучение как изменение внутренних ментальных репрезентаций — и теория, наиболее ответственная за сигнатурные вклады AIED (Трассирование знаний, Когнитивная диагностика, Моделирование учащегося и адаптивное обучение, Интеллектуальное тьюторство).
• Социокультурные и развивающие теории. Социокультурное обучение утверждает, что обучение и развитие возникают через социальное участие и опосредуются культурными инструментами и более знающими другими, — охватывая зону ближайшего развития, Скаффолдинг, ученичество, сообщества практики и распределённое познание. В эпоху ИИ генеративный ИИ всё чаще обрамляется как опосредующий агент, который и опосредует активность, и генерирует ситуативные вклады во взаимодействие.(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)
• Познание и когнитивная архитектура. Когнитивная психология / когнитивизм — зонтик для этого семейства: теория когнитивной нагрузки (как пределы рабочей памяти формируют обучение), теория двойных процессов (быстрая интуитивная против медленной рациональной обработки) и Метакогниция (мониторинг и регуляция собственного обучения) объясняют внутренние механизмы, которые инструменты ИИ задействуют или обходят.
• Мотивация и самонаправленность. Теория самоопределения (автономия, компетентность, связанность), Самоэффективность (уверенность в собственных возможностях), Саморегулируемое обучение (постановка целей, мониторинг и корректировка) и Мотивация объясняют, почему учащиеся вовлекаются с ИИ так, как они это делают.
• Контекст обучения и активность. Опытное обучение, Активное обучение, Проектное обучение, Совместное обучение, Перенос обучения, Полезные трудности и Телесное обучение (Embodied Learning) описывают виды активности и контекста, производящие устойчивое обучение.

Теории обучения и прирост в обучении

Теории обучения в конечном счёте оцениваются по их результатам, и понятие Прирост в обучении базы знаний — это место, где теория встречается со свидетельствами. Каждая теория делает различное предсказание о том, что считается обучением и как его измерять: бихевиоризм предсказывает наблюдаемые приросты производительности на задачах тренировки и обратной связи; конструктивизм предсказывает более глубокое понимание, переносящееся на новые задачи; социокультурная теория предсказывает приросты в участии и опосредованном решении проблем; а теория когнитивной нагрузки предсказывает приросты только тогда, когда обучение уважает пределы рабочей памяти. Именно поэтому измерение Прирост в обучении нагружено теорией — инструмент, построенный на одной теории, может не улавливать приросты, предсказываемые другой. В эпоху ИИ резкое расхождение между производительностью с помощью ИИ и не поддержанными приростами в обучении (см. Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build, The Generative AI Learning Penalty: Evidence from Chinese Secondary Education) может быть прочитано через эту линзу: бихевиористское прочтение видит в завышенных оценках домашних заданий успех, тогда как конструктивистское прочтение, сфокусированное на устойчивом понимании, видит в тех же свидетельствах неспособность научиться. Таким образом, связывание теорий с оцениванием и измеренными результатами существенно для решения о том, какой теоретической линзе данная система ИИ действительно удовлетворяет.

Почему теории обучения важны для ИИ в образовании

Теории обучения важны по трём причинам:

• Они предсказывают эффекты ИИ. Улучшает ли инструмент ИИ обучение или вредит ему, зависит от того, какой механизм он активирует. Тьютор, выдающий ответы, вредит при конструктивистской линзе (он обходит конструирование), нейтрален при бихевиоризме (он подкрепляет) и вызывает опасения по поводу когнитивной нагрузки (он перекладывает, а не строит). Понятия Когнитивный оффлоадинг и чрезмерной опоры в базе знаний фиксируют рисковую сторону этого.
• Они вскрывают разрыв между теорией и практикой. Эмпирическая работа повторно обнаруживает, что реализации ИИ воплощают иные теории, чем заявляет дискурс — наиболее заметно конструктивистский язык в паре с бихевиористской механикой тренировки и практики.(Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness) Поэтому оценивание ИИ требует спрашивать, какую теорию система действительно воплощает, а не только «работает» ли она.
• Они активно переосмысливаются. Генеративный ИИ побуждает преподавателей пересмотреть, достаточны ли классические теории. Генеративизм предполагает, что обучение в эпоху ИИ всё чаще происходит через итеративную ко-конструкцию между учащимися-людьми и системами ИИ, расширяя, а не заменяя классические четыре (бихевиоризм, когнитивизм, конструктивизм, коннективизм).(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence)

Новые теоретические направления из недавней работы AIED

Недавняя теоретическая работа расширяет классическую линию в нескольких направлениях, каждое из которых перецентрирует отношение «человек — ИИ», а не рассматривает ИИ как нейтральный инструмент:

• Ко-Регулирование ИИ в образовании «человек — ИИ». Развивающий фреймворк позиционирует ИИ не как внешний инструмент, а как когнитивного партнёра, который ко-регулирует мышление, обучение и самоконтроль на протяжении всей жизни.(Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning) Опираясь на исполнительные функции, Метакогниция, распределённое познание и социокультурное развитие, он помещает ИИ в четыре роли — скаффолдинг, метакогнитивная поддержка, внешняя память / система Когнитивный оффлоадинг и партнёр по решениям, — причём фреймворк наиболее релевантен от среднего детства и далее.
• Ensemble Cognition (ансамблевое познание). Философский фреймворк переосмысляет мышление как возникающее из динамических взаимодействий между человеческими и искусственными агентами, а не как пребывающее исключительно в индивидуальных умах.(Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments) Он бросает вызов «парадигме сознания» (допущениям об автономии, сознании и стабильности) и формулирует пять признаков — распределённое агентство, динамическая центральность, когнитивная оркестровка, мультирепрезентационная интеграция и контекстно-зависимое переключение, — различая при этом функциональное агентство ИИ и моральную ответственность.
• Самонаправленное развитие / A2PL. Расширение самонаправленного обучения интегрирует генеративный ИИ с аналитикой обучения, чтобы культивировать Self-Directed Growth (самонаправленное развитие), операционализированное через модель Aspire to Potentials for Learners (A2PL).(Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework) Оно переустраивает стремления учащегося (гуманистическое), сложное мышление (конструктивистское) и самооценивание (прагматическое) в единую компетентность, позиционируя GAI как непресскриптивный совместный скаффолдинг, а не как поставщика контента.
• Обманчивое сверхобобщение. Эн, Макларен и Стампер (2026) расширяют традицию ACT-R / Knowledge-Learning-Instruction, теоретизируя, когда наблюдаемая правильность маскирует неполное условное понимание: учащиеся компилируют сверхобобщённую продукцию, которая опускает условие применения, но всё ещё выполняет действие правильно, — режим отказа, который адаптивные системы мастерства и даже традиционное обучение могут пропустить, если они не тестируют, когда следует воздержаться от действия.
• Исполняемая теория KLI. Рачатасумрит, Кёдингер и Карвалью (2025) основывают фреймворк Knowledge-Learning-Instruction на исполняемой вычислительной модели (фреймворк Apprentice Learner с механизмом памяти в стиле ACT-R), которая воспроизводит кроссоверное взаимодействие в человеческих данных: чистая практика помогает памяти дословных фактов (задерживая забывание), тогда как интегрированная с примерами практика помогает индукции обобщаемых навыков. Поскольку KLI связывает постоянное знание (факты) с процессами памяти, а переменное знание (навыки) — с индукцией, результатом является предсказанное взаимодействие контента и вмешательства, а не противоречие между рекомендациями по тестированию и по разобранным примерам, — а успех модели только при наличии механизма памяти демонстрирует, что практика и примеры играют различные, взаимодополняющие роли.
• Воплощение как онтологический вызов парадигме ИИ. Видела, Пенни и Росс (2026) утверждают, что онтологический раскол отделяет воплощённое, энактивное познание от репрезентационного идиома, который воплощает ИИ, так что ИИ следует децентрировать как эпистемический центр, а не рассматривать как нейтральный инструмент.

Как база знаний организует эту линию

Вместо того чтобы рассматривать теории обучения как абстрактную философию, база знаний основывает каждую на исследовании ИИ в образовании, которое её использует. Страницы Конструктивизм и Бихевиоризм документируют, как дизайны ИИ воплощают (или предают) каждую теорию; теория когнитивной нагрузки, Саморегулируемое обучение, Метакогниция и Перенос обучения связывают теорию с конкретными механизмами и результатами ИИ. Это отражает то, как база знаний рассматривает другие зонтичные области, такие как Обратная связь и Оценивание, — связную систему взаимодействующих понятий, а не изолированные страницы.

Теории обучения и «образование об ИИ»

Теории обучения также появляются как содержание в учебных планах ИИ-грамотности: учащиеся изучают бихевиоризм, когнитивизм, конструктивизм и коннективизм, чтобы понять педагогические допущения за инструментами, которыми они пользуются.(Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence) Преподавание этой линии даёт студентам (и преподавателям) словарь для критики того, почему продукт ИИ построен именно так — и служат ли его механики цели обучения в данном случае.

• Опосредующий агент. Варшауэр, Тейт и Ритчи (2026) утверждают, что генеративный ИИ ломает социокультурное различение между опосредующими средствами и социальным взаимодействием, предлагая опосредующего агента — систему, которая и опосредует действие, и генерирует ситуативные, неподотчётные вклады, занимая гибридное пространство между инструментом и социальным партнёром. Это даёт пять человеко-центричных привычек участия (примат человеческого познания, целевое вовлечение, надзорное агентство, эпистемическая бдительность, рефлексивная саморегуляция).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

Теории, предложенные для эпохи ИИ

Наряду с классическими семействами база знаний документирует теории, написанные специально для обучения с системами ИИ, и они несут проектные импликации, которые старые теории оставляют открытыми. Агентивизм (Ян и Гашевич 2026) — среднего радиуса пример: он определяет обучение как устойчивый рост человеческой способности, а не как успешное выполнение задачи, называет четыре механизма (делегированное агентство, эпистемический мониторинг и верификация, реконструктивная интернализация и перенос при сокращённой поддержке) и формулирует шесть тестируемых положений, среди которых — что поддержка ИИ, сохраняющая ответственность учащегося за формулировку проблемы, установление критериев и обоснование, производит более сильное обучение, чем поддержка, поставляющая ответы.

Педагогический симбиоз Элсаеда (2026) делает более сильное онтологическое заявление: учащийся — это постчеловеческая сущность, чьё познание гибридно, а не лишь поддержано инструментами, организованная четырьмя принципами: когнитивное перекладывание и усиление, эпистемическая ко-конструкция, метакогнитивный симбиоз и динамичное формирование идентичности; операционализированная как рубрика Symbiotic Portfolio и роль преподавателя «Cognitive Choreographer»; она явно непроверена.

Связанные понятия

• Бихевиоризм
• Когнитивная психология
• Конструктивизм
• Метакогниция
• Распределённое познание
• Саморегулируемое обучение
• Теория самоопределения
• Самоэффективность
• Мотивация
• Социокультурное обучение
• Скаффолдинг
• Перенос обучения
• Прирост в обучении
• Полезные трудности
• Активное обучение
• Опытное обучение
• Совместное обучение
• Телесное обучение (Embodied Learning)
• Когнитивный оффлоадинг
• Дизайн обучения
• Науки об обучении
• Философия ИИ в образовании
• ИИ в образовании
• Педагогики и стратегии преподавания — Общее понятие: педагогические подходы и стратегии преподавания в сфере ИИ-образования

Связанные статьи

• Agentivism: a learning theory for the age of artificial intelligence — Теория обучения среднего радиуса для взаимодействия человека и ИИ с четырьмя механизмами и шестью тестируемыми положениями (Yan and Gašević 2026)

• Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — Обманчивое сверхобобщение: адаптивное мастерство может прекратить практику до того, как учащиеся узнают, когда следует воздержаться от действия (An, McLaren & Stamper 2026)

• AI-Augmented Inquiry and Regulation in Hybrid Systems: A Control Allocation Architecture for Preserving Epistemic Agency — AI-Augmented Inquiry and Regulation in Hybrid Systems (AIRIS)

• AI-Mediated Learning and the Restructuring of Interpretive Cognition: A Developmental-Critical Model for Social Sciences and Humanities Education

• Artificial intelligence as a cognitive partner: a developmental framework for human-AI co-regulation in learning — Позиционирует ИИ как когнитивного партнёра в ко-регуляции «человек — ИИ»; развивающий фреймворк на протяжении всей жизни

• Towards a philosophy of ensemble cognition: Reconceptualising agency and mind in AI-mediated educational environments — Ensemble Cognition: философский фреймворк, переосмысляющий мышление как взаимодействие человека и ИИ

• Fostering Self-Directed Growth with Generative AI: Toward a New Learning Analytics Framework — Self-Directed Growth и модель A2PL, расширяющие самонаправленное обучение с помощью GenAI

• Generativism: Toward a Learning Theory for the Age of Generative Artificial Intelligence — Предлагает новую теорию обучения для эпохи генеративного ИИ, пересматривая классические четыре

• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — Документирует разрыв теории-практики конструктивизм/бихевиоризм в ИИ для профессионального образования и обучения (VET)

• Generative AI technologies and educational outcomes: a comprehensive meta-analysis comparing traditional and AI-driven approaches

• Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI

• "If You Can't Dance Your Program, You Can't Write It": Challenges and Implications for AI in Education

• Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory — Generative AI as a Mediational Agent

• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Designing AI Systems to Support Productive-Failure-Based Learning

• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Pedagogical Steering of LLMs for Productive Failure

• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Clue Before Correction: ChatGPT for Autonomous Language Learning

• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content