AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Преподавание математики

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Преподавание математики — исследование того, как студенты изучают математику и как ИИ может поддерживать преподавание математики; охватывает аффективное тьюторство, когнитивную диагностику по рукописным работам, оценивание с опорой на продуктивную трудность, поведение при обращении за помощью, сотрудничество преподавателя с ИИ при генерации визуальных материалов и траектории взаимодействия студента с ИИ. Преподавание математики — самая активная предметная область исследований ИИ в образовании в этой базе знаний: 32 статьи, которые в совокупности изучают, как ИИ может поддерживать — а иногда и подрывать — математическое обучение от элементарных дробей до высшего образования.

Вопросы для размышления

  • У математических задач есть ясные верные ответы, но при этом они требуют богатых рассуждений — именно поэтому математика является излюбленным полигоном для ИИ-тьюторства. Когда вы застряли на математической задаче, какой вид помощи действительно помогает вам учиться — ответ, подсказка или вопрос — и к какому из них ИИ, скорее всего, будет склоняться по умолчанию?
  • Исследования показывают, что ИИ-тьюторы часто по умолчанию склонны к избыточной полезности и редко требуют строгости, даже когда студенты к ней готовы. Если вы проектируете тьютора, как вы решаете, когда следует воздержаться от помощи, чтобы сохранить «продуктивную трудность», которая строит понимание?
  • На странице показано, что студенты, которые запрашивают подсказки слишком рано или просматривают их поверхностно, как правило, меньше учатся. Приходилось ли вам когда-нибудь тянуться за подсказкой из нетерпения, а не из подлинных усилий? Что это говорит о том, как поддержка ИИ может скорее подрывать, а не поддерживать обучение?
  • Системы когнитивной диагностики на базе ИИ иногда галлюцинируют доказательства и чрезмерно приписывают ошибки, и даже сильные модели работают плохо при чтении реальных рукописных работ студентов. Насколько вы были бы уверены в тьюторе, который диагностирует, в чём вы ошиблись, по вашим черновым записям?
  • LLM меняют свои ответы на математически эквивалентных формулировках задач — одна и та же задача, поданная по-разному, меняет результат. Что это говорит об использовании ИИ для оценивания или диагностики математического понимания?

Введение

Преподавание математики стало основной предметной областью исследований ИИ в образовании, поскольку математические задачи имеют ясные верные ответы, но требуют богатых рассуждений, — что делает их идеальными для изучения эффективности тьюторства, валидности оценивания и того, как ИИ-инструменты взаимодействуют с познанием и аффектом студентов. Статьи в этой базе знаний раскрывают и потенциал ИИ-математических тьюторов, и устойчивые проблемы: избыточный скаффолдинг, подрывающий продуктивную трудность, галлюцинации в когнитивной диагностике и трудность балансирования помощи ИИ с подлинным обучением.

Ключевые темы исследований

ИИ-тьюторство по математике и скаффолдинг — крупнейший кластер: четыре статьи исследуют, как ИИ-тьюторы поддерживают или подрывают математическое обучение. MathBuddy демонстрирует, что добавление аффективной осведомлённости — распознавания эмоций студента по тексту и мимике — даёт преимущество в 23 очка по частоте выигрыша в математическом тьюторстве, что связывает систему с Аффективные вычисления и Аффективное обучение с репетитором. TutorMoments оценивает 462 размеченных преподавателями транскрипта тьюторства по математике для 2–7 классов и обнаруживает, что фронтовые модели по умолчанию склоняются к избыточной полезности, редко требуя строгости, даже когда студенты готовы, — что прямо оспаривает соответствие между полезностью ИИ и принципами Скаффолдинг. An и др. проанализировали 999 студентов за три семестра в системе ITS Decimal Point и обнаружили, что преждевременные запросы подсказок и поверхностное чтение подсказок устойчиво предсказывают снижение учебных результатов, даже при контроле на предшествующие знания, — что связывает находку с Поиск помощи и Аналитика обучения.

Социально-эмоциональная поддержка может покупать эффективность, а не достижения. Добавление уровня осознанности на базе LLM к тьютору по алгебре для седьмого класса оставило обучение и тревожность по математике неизменными между условиями (проанализировано 42 из 252 студентов после сбоев), однако студенты в условии с осознанностью достигали сопоставимого обучения за меньшее время и с меньшим числом запрошенных подсказок (Rief и др., 2026).

Когнитивная диагностика и оценивание исследуют способность ИИ оценивать математическое мышление. Razavi и Powers (2026) добавляют крупномасштабное исследование сложности заданий, охватывающее и математику, и чтение: на 5 170 заданиях K-5, откалиброванных по модели IRT Раша, zero-shot оценки сложности от GPT-4o коррелировали умеренно-сильно с истинной сложностью (r = 0,83 по математике, r = 0,81 по чтению), но были неровными по классам, тогда как подход на основе признаков (признаки, извлечённые LLM, подаваемые в древовидные модели) достигал корреляций до r = 0,87, причём класс и число слов были главными предикторами. Исследование предлагает практический семишаговый рабочий процесс для специалистов по тестированию и предостерегает, что обобщаемость за пределы математики и чтения K-5 неясна. MathCog протестировала 18 LLM на 3 036 размеченных преподавателями диагностических заключениях по рукописным математическим работам и обнаружила, что все модели очень сильно отстают (F1 < 0,5) при систематическом чрезмерном приписывании и галлюцинации доказательств, — что связывает результат с Трассирование знаний, Риск галлюцинаций и трудностями Мультимодальный ИИ оценивания. Nath и др. показали, что математическое Решение задач на базе Большие языковые модели (LLM) крайне чувствительно к поверхностному представлению — модели меняют правильность ответа на эквивалентных формулировках задач, — что вызывает вопросы Валидность оценивания при оценивании математики с помощью ИИ. Olaoye, Owolabi и Olaoye (2026) демонстрируют противоположный путь оценивания математических ответов: их программное обеспечение Automated Extended Essay Grading Software оценивает задания с развёрнутым ответом по математике на выпускном экзамене по экономике по семантической близости к схеме отметок WAEC, без обучения на оценённых работах, и согласуется с 12 человеческими экспертами при внутриклассовой корреляции 0,863 (средние величины) и коэффициентах Пирсона от 0,604 до 0,864. Согласие приходится на ту часть шкалы, где баллы самые низкие: программа в среднем дала 5,94 из 20 против 5,97 у экспертов, каждый эксперт оценил лишь 84 из 1 008 работ, и авторы объясняют низкие баллы незнакомостью кандидатов с ответами в компьютерной форме.

Вовлечённость студентов и ИИ-грамотность исследуют, как студенты взаимодействуют с ИИ-математическими инструментами. Abdelghani и др. проследили временные траектории взаимодействия студента с ИИ в изучении математики, выявив путь развития от поверхностного промптинга до «эпистемической проактивности» — активного, самонаправленного стремления к концептуальному пониманию. Это связывает работу с ИИ-грамотность, Метакогниция и Саморегулируемое обучение. Holman обнаружила, что ИИ-адаптивные платформы значительно улучшили понимание дробей у студентов с трудностями в изучении математики, что связывает результат с Персонализированное обучение и Адаптивное обучение.

Поддержка преподавателей исследует ИИ-инструменты для преподавателей математики. Ролевая игра с моделируемым студентом служит и практике преподавателей: Zhuang и Zhang (2025) создали Student GPT — собственный чат-бот на базе ChatGPT, исполнявший роль ученика средней школы с распространёнными Заблуждения об ИИ в рассуждениях о пропорциях, что давало будущим преподавателям математики средней школы безопасную практику диагностики и направления мышления студента к верным решениям, — иллюстрируя GenAI-поддерживаемую Моделирование как дополнение к дорогостоящим платформам вроде TeachLivE для построения педагогического содержательного знания о заблуждениях студентов.

Единственным обобщением этого предмета на уровне поля в базе знаний является PRISMA-обзор 2021–2025 годов по 42 исследованиям, отобранным из 922 записей (каппа Коэна = 0,88), и он добавляет категорию, которой кластерам страницы в остальном не хватает: автоматизация для преподавателей, где MATH41 поддерживает быстрое создание математических заданий для учащихся разного уровня, а гибридная модель CognifyNet анализирует паттерны активности студентов, чтобы педагоги могли рано обнаруживать возникающие трудности. Тот же обзор указывает слепое пятно поля: при 60% исследований в области образования и 28% в области компьютерных наук лишь одно исследование попало в психологию, оставляя эмоциональное воздействие, доверие и этику сравнительно малоизученными, — и настаивает, что техническая возможность не должна приравниваться к продемонстрированной эффективности в аудитории. (Artificial intelligence in mathematics education: A PRISMA-based systematic literature review (2021-2025))

Математика в высшем образовании исследует влияние ИИ на продвинутую математическую практику. Bui и др. применили социокультурную теорию к GenAI в университетской математике, анализируя ИИ как «разгульный объект», который преобразует академическую практику такими способами, что они обгоняют институциональные и педагогические нормы.

LLM-тьюторство и проектирование обучения — формирующийся кластер из двух исследований 2026 года, которые оттачивают доказательную базу по преподаванию математики. Looi, Liu и Sun (2026) разработали управляемую правилами систему LLM-тьюторства для текстовых задач по математике начальной школы, чья трёхуровневая архитектура (диагностика → выбор намерения → генерация ответа с ограничениями) улучшила согласованность взаимодействия и снизила преждевременное выдавание ответов в пилоте с 40 студентами пятого класса, — свидетельство того, что процедурные математические предметные области нуждаются в структурированных правил-предохранителях на иначе стохастическом скаффолдинге LLM. Zhu, Liang, Mao и Wang (2026) применили модель «умной аудитории» к студентам магистратуры по математике и обнаружили статистически значимый прирост (p < .05) в проектировании учебных целей по измерениям стандартов учебного плана, учебника и условий студентов.

Проектирование промптов само по себе является измеримым рычагом: на бенчмарке MathDial педагогически информированный сократический «Tutor Prompt» повысил Success@N и резко снизил Telling@N относительно базового промпта как для GPT-4o, так и для GPT-4o-mini (Chudziak и Kostka (2025)).

GenAI для задач математического моделирования расширяет направление генерации за пределы рутинных упражнений. Платформа на базе ИИ, разработанная по подходу ADDIE, использовала прямую пропорциональную зависимость в математике средней школы как иллюстративную тему, решая проблему нехватки у преподавателей времени и ресурсов на проектирование качественных задач моделирования: существующие инструменты обычно создают обычные текстовые задачи или рутинные упражнения, тогда как платформа была нацелена на генерацию материалов, развивающих компетенции математического моделирования, опирающихся на устоявшиеся принципы проектирования и генерацию с дополнением поиском.

  • Визуальная цепочка рассуждений: разрыв в автономности в геометрии. GeoVAD-Bench диагностирует промежуточные визуальные опоры, а не итоговые ответы, на 600 задачах на дополнительное построение (200 простых, 200 средних, 200 сложных) и находит устойчивый паттерн: предоставление эталонной вспомогательной диаграммы улучшает точность умеренно (+3,3, +3,0, +7,0 очка на трёх моделях), тогда как предоставление модели самой строить собственную вспомогательную линию на пути к верному ответу расширяет разрыв на 10,0–13,5 очка, причём две модели работают хуже, чем когда у них не было визуальных рассуждений вовсе. Четыре категории процессуальных ошибок объясняли 93,1% и 89,7% отнесённых неудач. Для обучения Решение задач вывод состоит в том, что диаграммный скаффолдинг должен обучаться и оцениваться отдельно от точности ответа. (Beyond Generation and Accuracy: Diagnosing and Enhancing Visual Chain-of-Thought for Geometry Problem Solving)
  • Задачи, поддающиеся ИИ, теряют учебное время и сохранение знаний. Панель за десять лет из 3,2 млн взаимодействий в ALEKS обнаружила, что время обучения на текстовых задачах — тех, что легче всего переносятся в промпты ИИ, — упало на 26,9% после выхода ChatGPT, тогда как задания на сохранение знаний под прокторингом показали снижение шансов верного ответа на 25% (Rismanchian и др., 2026).
  • Студенты ценят немедленную обратную связь, но необязательные платформы практики остаются неиспользованными. Из 157 студентов Chen и др. (2026) наблюдали 95 зарегистрировавшихся и лишь 34, попытавшихся решить вопрос; пользователи оценивали вовлечённость выше всего (79% согласия), тогда как лишь 42% предпочитали платформу существующему сборнику задач.
  • ИИ может повышать достижения, расширяя гендерный разрыв. В шестинедельном квазиэксперименте со 115 нигерийскими студентами старшей средней школы обратная связь от ChatGPT повысила достижения по квадратным уравнениям по сравнению с традиционным обучением (29,18 против 24,06), однако студенты превосходили студенток (30,95 против 25,16) несмотря на отсутствие гендерных различий в самоэффективности, — что является предупреждением о справедливости для ИИ-поддержки математики (Oladayo и Diri, 2026).

Связи с родственными понятиями

Преподавание математики лежит внутри более широкой области STEM-образование и имеет характерные связи с Интеллектуальное тьюторство и ИИ-тьюторством через сильную традицию когнитивных тьюторов и исследований ITS в математике, со Скаффолдинг через литературу о продуктивной трудности и использовании подсказок, с Аффективные вычисления через математическую тревожность и эмоционально осведомлённое тьюторство, с Трассирование знаний и Валидность оценивания через исследования когнитивной диагностики и оценивания, и с Преподавание через сотрудничество преподавателя с ИИ в обучении математике. Связь с K-12 особенно сильна — многие статьи по математике относятся к контекстам K-12, — тогда как связи с Высшее образование возникают в подготовке преподавателей и продвинутой математической практике.

Следствия для преподавателей математики

  • Рассматривайте ИИ-тьюторство как рычаг обращения за помощью, а не как средство от недостатка способностей. Исследования использования подсказок показывают, что преждевременные запросы подсказок и поверхностное чтение подсказок предсказывают меньший прирост, — поэтому устройство когда и как студенты обращаются за помощью ИИ, важнее самой необработанной способности тьютора. Поощряйте студентов пытаться решить прежде, чем спрашивать, и подавайте помощь в момент потребности, а не по требованию.
  • Защищайте продуктивную трудность. TutorMoments обнаруживает, что модели по умолчанию склоняются к избыточной полезности и редко требуют строгости; настраивайте поддержку ИИ так, чтобы она служила опорой, а не решала за студента, и отслеживайте замещение ответа, разрушающее рассуждение.
  • Не рассматривайте диагностический вывод ИИ как истину в последней инстанции. MathCog показывает, что LLM отстают в диагностике математического мышления (F1 < 0,5) при чрезмерном приписывании и галлюцинированных доказательствах; используйте диагноз ИИ как предположение, которое следует проверять по фактической работе студента.
  • Остерегайтесь хрупкости ИИ-оценивания к форме подачи. Чувствительность к представлению означает, что эквивалентные задачи могут менять ответы ИИ, — риск для валидности оценивания математики на базе ИИ; предпочитайте человеческую проверку для высокоставочного оценивания.
  • Используйте ИИ, чтобы снизить порог персонализированной практики. Адаптивные платформы улучшили понимание дробей у студентов с трудностями в изучении математики; разворачивайте ИИ-адаптивные инструменты выборочно для учащихся, которым нужна дифференцированная поддержка.
  • Оставляйте преподавателю контроль над генерируемыми ИИ учебными материалами. Контроль преподавателя над визуальными материалами ИИ поддерживает рамку, которая балансирует эффективность ИИ с педагогической корректностью.

Связанные понятия

Связанные статьи

Метаданные

ДисциплинаMath Education, Stem Education
УровеньK 12, Higher Ed
Целевая аудиторияLearners, Instructors
Обучение и преподаваниеСкаффолдинг
Технологии и методыГенеративный ИИ, Интеллектуальное тьюторство
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.