Метакогниция

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Метакогниция — мышление о собственном мышлении — это и цель AI education research (могут ли инструменты ИИ развивать метакогнитивные навыки студентов?), и фактор риска (выполнение задач ИИ может подавлять метакогнитивную практику).(The Evidence Base on AI in K-12: A 2026 Review)(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Вопросы для размышления

• «Метакогниция» — это мышление о собственном мышлении: понимание того, что вы знаете, самонаблюдение и корректировка собственных стратегий. Когда вы учитесь или решаете задачу, насколько вы в моменте осознаёте, действительно ли вы понимаете материал, или просто узнаёте его?
• Поразительная находка: студенты, использовавшие помощь ИИ в написании эссе, часто не могли вспомнить цитаты из собственных эссе, потому что не вступали в контакт с содержанием во время работы над ним. Когда инструмент производит результат, какую практику теряет учащийся — и важна ли эта практика?
• Данная страница трактует метакогницию и как цель (может ли ИИ её строить?), и как риск (может ли ИИ её подавлять?). Может ли один и тот же инструмент ИИ либо усиливать, либо ослаблять метакогницию учащегося в зависимости от того, как он спроектирован или используется? Что определяет, в какую сторону это пойдёт?
• Структурированные промпты, просящие студентов объяснять самим себе, оценивать стратегии или выявлять пробелы, сохраняют метакогнитивную нагрузку, тогда как ИИ, просто выполняющий задачи, вытесняет её. Если бы вы проектировали учебный инструмент ИИ, что бы вы в него встроили, чтобы он приглашал к размышлению, а не заменял его?
• На данной странице делается вывод, что насыщенность метакогницией использования ИИ зависит от мотивации и позиции учащегося не меньше, чем от технологии. Приходилось ли вам пользоваться инструментом поверхностно и потом осознать, что вы ничего не выучили — и чем отличались случаи, когда вы пользовались им глубоко?

Введение

Метакогниция в образовании относится к осознанию учащимися своих собственных когнитивных процессов, наблюдению за ними и Регулирование ИИ в образовании этих процессов:

• Метакогнитивное знание: понимание того, что вы знаете, какие стратегии доступны и когда их применять
• Метакогнитивная регуляция: планирование, наблюдение и оценка собственного обучения в реальном времени

В рамках моделей Саморегулируемое обучение метакогниция является центральным механизмом, позволяющим учащимся адаптировать стратегии, распознавать замешательство и уместно обращаться за помощью.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

То, как учащиеся фактически применяют метакогницию вокруг ИИ, определяется не только самим инструментом: Cui et al. обнаруживают, что мотивация студентов и роль взаимодействия, которую они принимают, формируют их метакогнитивную engagement в GenAI — то есть насыщенность метакогницией использования ИИ зависит от позиции учащегося не меньше, чем от технологии. Miles, Haber-Curran and Arar (2026) добавляют AI interaction как объект этого размышления: завершающий шаг их цикла Prompt Literacy (Prompt Literacy) просит учащихся рассмотреть, что процесс раскрыл о функционировании промптов и какие допущения сформировали ответ, при этом размышление и пересмотр становятся той фазой, в которой развиваются авторство и критическая оценка.

Более фундаментальная роль метакогниции появляется, когда центр координации смещается от преподавателя к учащемуся. Dang, Hong, Doyle and Nguyen (2026) утверждают в своей рамке Human-AI Collaboration Competency (HACC), что интегративная работа, которую TPACK приписывает педагогике, переходит — как только действующим лицом становится учащийся — к собственной метакогниции учащегося: к компетентности, позволяющей студентам направлять совместную работу, calibrate свою опору на AI и оставаться авторами своего обучения. Они трактуют метакогнитивную компетентность как механизм, через который реализуется learner agency, намеренно исключая агентность как отдельный компонент и читая её вместо этого как возникающее качество координации компетентности в предметной области, в ИИ и метакогнитивной компетентности. Их Epistemic Network Analysis интервью с 24 преподавателями высшего образования обнаружил рост метакогнитивных высказываний с уровнем роли — старшие преподаватели связывали их с предметной областью, ИИ и обучением с ИИ, — что авторы читают как свидетельство того, что преподаватели с более широкой учебно-программной ответственностью видят устойчивые трудности студентов скорее как регулятивные, чем технические.

Как инструменты ИИ влияют на метакогницию

Риск подавления (Stanford SCALE, 2026)

Когда ИИ выполняет за студентов задачи, требующие рассуждения, — решение математических задач, написание эссе, генерацию кода, — студент теряет практику в наблюдении за собственным пониманием и выборе стратегий.(The Evidence Base on AI in K-12: A 2026 Review)

Опора — не провал: Du and Yuan (2026) оценивают опосредованное ИИ обучение по шести диагностическим критериям — оспоримость, восстановимость, перенос, прослеживаемость, распределённая ответственность и эпистемический плюрализм — и различают инструментальную помощь, которая помогает произвести результат, от несущую суждение помощь, которая поставляет стандарты, по которым результат судят. Назовём вопрос управления. Lin and Chang (2026) предлагают метакогнитивное владение — управление учащимся стандартами, оценочными суждениями и действиями, которые ИИ вносит в обучение, — разделяя присвоение стандартов, управление суждением при наблюдении и авторизацию контроля и требуя реалистичной возможности действовать иначе.

Ключевые находки:

• Космина и др. (2025): студенты, использовавшие помощь ИИ в написании эссе, были на 83% неспособны вспомнить цитаты из собственных эссе, против 11% для не использовавших ИИ, — что указывает на то, что они не вступали в контакт с содержанием во время работы над ним.
• Штадлер и др. (2024): ИИ общего назначения снижал когнитивную нагрузку, но давал рассуждение более низкого качества по сравнению с традиционным поиском, что позволяет предположить вытеснение метакогнитивной вовлечённости.
• Леман и др. (2025): ИИ общего назначения для programming вредил пониманию у студентов с низким уровнем Предшествующие знания — студенты, наиболее нуждающиеся в метакогнитивном скаффолдинге, получали вместо него готовые ответы.
• Метакогнитивная леность. Область называет особый режим отказа, в котором учащиеся передают свои метакогнитивные обязанности инструменту, — вводя термин метакогнитивная леность для возникающей при этом иллюзии компетентности и предупреждая, что её когнитивные риски тяжелее всего ложатся на новичков и слабых саморегуляторов (Lodge & Loble (2026)).

Плавность — вот почему потеря остаётся незамеченной. Учащиеся отчасти судят о своём обучении по тому, насколько легко материал перерабатывается, и Бьёрк и др. (2013) показывают, что признаки плавности заставляют людей переоценивать своё понимание, когда содержание кажется лёгким; плавный сгенерированный ИИ текст даёт это ощущение независимо от того, последовало ли понимание, создавая условия для искусственно произведённой иллюзии компетентности. Generativism трактует это как причину, по которой адаптивная метакогниция не может предполагаться сама собой: учащийся должен спросить, отражает ли лёгкость чтения понимание, а не читать лёгкость как ответ.

Осознание не гарантирует, что сдача работы прекращается. Jia (2026) называет это метакогнитивно диссонирующей сдачей: учащийся, вложивший реальные усилия, имеющий сформированныйное личное суждение о том, что понимание не пришло, и всё равно отдающий работу, — случай, который и объяснение иллюзией плавности, и объяснение отзывом усилий оба отбрасывают.

Учащиеся также плохо калиброваны относительно издержек ИИ: участники точно предсказывали время самостоятельной работы, но недооценивали время работы с поддержкой ИИ и сообщали о меньших усилиях (0,61 балла по NASA-TLX), тогда как ИИ ускорял лишь 3 из 24 задач, — при этом такое смещение отсутствовало, когда предполагаемым помощником был другой человек (Yu et al. (2026)).

Издержки оказываются ограниченными, а не глобальными: разгрузка ухудшает конкретный отрабатываемый навык, а не базовые общедоменные способности, и проявляется при отзыве: исследование эндоскопии обнаружило падение обнаружения аденом с 28,4% до 22,4%, когда ИИ становился недоступен, оставляя мониторинг источников (отличие рассуждения ИИ от собственного) открытым метакогнитивным риском (Cash et al. (2026)).

Возможность усиления (Scheu et al., 2026)

Когда ИИ спроектирован так, чтобы поддерживать размышление, а не заменять его, метакогницию можно усилить:

• Учебные дневники — классическая метакогнитивная практика: размышляя о процессах обучения, студенты повышают осознание своей познавательной деятельности

• Структурированные промпты, просящие студентов объяснять самим себе, оценивать стратегии или выявлять пробелы в знаниях, сохраняют метакогнитивную нагрузку. CoMeT (Hou et al. 2026) даёт этому выражению определение и эмпирическое обоснование: он трактует метакогнитивную нагрузку как величину, отличную от cognitive load, — то, что учащийся должен решить, сформулировать или оценить до того, как придёт помощь, а не просто то, что остаётся, когда помощь не дана, — и считал её статистически эквивалентной репетитору, который по замыслу не даёт ответов (p_TOST = .004), при том что собственная поддержка усиливалась и снималась на одну ступень за раз. Снятие работало, когда ход учащегося был направлен на решаемую задачу: ходы, направленные на другое, получали последующую уступку в 40,3% случаев против 28,8% для направленных ходов — различие в 11,5 пункта, — так что репетитор должен отслеживать то, где находится внимание учащегося, а не то, сколько усилий ход демонстрирует.

• Назначайте уровень использования ИИ для каждой задачи. HAIML сочетает свои три уровня с четырьмя уровнями использования ИИ (Four AI Use Levels) — от полного отказа от ИИ через мозговой штурм к совместной работе с ИИ и созданию с интеграцией ИИ с оценкой результата, — так что преподаватель задаёт уровень для задачи и сохраняет метакогнитивное размышление в центре на каждом уровне (Reardon, 2026).

• Курс на основе примеров в chatbot у Scheu et al. повышал воспринимаемую компетентность (метакогнитивная Самооценивание) даже там, где помощник на базе Большие языковые модели (LLM) сам по себе этого не делал

• Новая рамка ставит в контур не только индивида, но и систему. Библиометрически-систематический обзор 135 исследований STEM-аудиторий (24 ключевых исследования) обнаруживает формирующуюся постгуманистическую рамку, которая позиционирует ИИ как сорегулятора обучения, смещая единицу анализа с индивидуального размышления на Регулирование ИИ в образовании и distributed cognition на системном уровне (Tsakeni et al. (2025)).

• Выявление паттернов взаимодействия, которых учащиеся не видят. Kuang, Li and Weng (2026) отслеживали движения глаз, конспектирование и речь, пока 22 стажёра-переводчика работали с системой распознавания речи и машинного перевода, и обнаружили, что способ, которым студенты распределяли attention между результатом ИИ и собственными записями, был для них невидим: 58,3% меняли профиль между этапами задачи, а наиболее активно читавшие результат ИИ показали самые низкие результаты по беглости изложения и качеству целевого языка. Педагогическое следствие состоит в том, что размышление должно опираться на внешние свидетельства, потому что стратегия учащегося не интроспектируема — авторы выступают за то, чтобы направлять студентов описывать и оценивать, почему они на каждом этапе работали тем или иным образом.

• Свидетельства о процессе зависят от канала. У 79 студентов, работавших с generative AI, наблюдение и планирование большей глубины появлялись чаще в единицах «мышления вслух», тогда как регуляция большей глубины появлялась чаще в журналах взаимодействия, поэтому одна только запись занижает некоторые процессы (Li and Liu (2026)).

• Рефлексивные практики могут возникать из обычного использования по предмету. В восьми датских старших школах второй ступени студенты, работавшие с Генеративный ИИ как с когнитивным партнёром, развили четыре практики — объяснение, создание, вдохновение и улучшение, разворачивающиеся в одиннадцать процессов, — в которых размышление появлялось и в дисциплинарном, и в процессуальном регистре, хотя каждая практика в равной степени могла служить замещению (Dalsgaard & Prilop, 2026).

• Рефлексивная опора может привыкнуть и заменить то самое самонаблюдение, которое она защищает. de Jong (2026) предупреждает, что повторяющиеся призывы к размышлению могут изнашиваться через привыкание — точно так же, как повторяющиеся предупреждения автоматически отбрасываются, — так что профессионал, размышляющий только когда система просит, может в итоге остаться ни с инструментом, ни с привычкой самонаблюдения; в статье утверждается, что рефлексивные призывы следует трактовать как снимаемое вмешательство по построению навыка и проверять, размышляют ли пользователи без них.

• Избирательный прирост: метакогнитивное знание без планирования и наблюдения. Wang et al. (2026) разделили 68 будущих преподавателей на группу, объяснявшую перевёрнутый класс наивному учащемуся на генеративном ИИ (n=33), и группу, задававшую вопросы преподавателю на генеративном ИИ (n=35). Группа наивного учащегося показала более высокие результаты по метакогнитивному знанию и стратегиям обучения (p < 0,001, d Коэна = 0,41), но не по планированию и наблюдению (M = 4,01 против 3,78, p = 0,062), хотя результаты той же группы по объяснению и применению выросли (r = 0,474 и r = 0,642), тогда как фактическое припоминание не различало группы (p = 0,416). Это расщепление следует из двух компонентов во Введении: объяснение тому, кто спрашивает в ответ, строило декларативное осознание собственных знаний, но ничто в дизайне не заставляло учащегося задавать маршрут или проверять продвижение, что авторы объясняют дизайном задачи и когнитивной нагрузкой, а не самой ролью. Таким образом, Обучение через преподавание с ИИ является рычагом воздействия на метакогнитивное знание, а не автоматически на regulation, и авторы рекомендуют добавлять явные призывы к планированию и обратную связь о продвижении.

• Метод «мышления вслух» поддерживает раннее осознание, но не глубокую оценку. Karaki and Baroudi (2026) провели исследование в смешанных методах типа «исследование действием» с 44 студентами первого курса предпринимательства, использовавшими метод Think Aloud (мышление вслух) в ходе учебных работ с поддержкой ИИ. Метод сделал более видимыми конструирование студентами промптов, практики проверки и этическое принятие решений, но критическая оценка результатов ИИ «часто оставалась на поверхностном уровне, особенно среди студентов, нуждающихся в дополнительной поддержке» — студенты замечали шаблонные или несоответствующие ответы, но продолжали сильно опираться на них. Самооценённая метакогнитивная осведомлённость была самой высокой из трёх опрошенных конструкций (M = 3,79), однако единственный опрос после вмешательства не может отделить восприятие от изменения. Вывод авторов — Think Aloud не является самостоятельным решением и должен сочетаться с явным обучением ИИ-грамотности, конструированию промптов и стратегиям проверки — расширяет линию свидетельств о процессе выше от того, что фиксируют записи, до того, что меняет одна только озвучивание.

• Предшествующее метакогнитивное обучение открывает доступ к выгоде от ИИ-партнёра по размышлению. В эксперименте 2 × 2 с 60 будущими преподавателями Zhang et al. (2026) обнаружили значимое взаимодействие метакогниции × инструмент: ИИ-сократический партнёр превосходил традиционные цифровые инструменты на 0,56 пункта только после обучения, без преимущества без него (ΔM = −0,03).

Различение вовлечённости и мотивации

Scheu et al. (2026) обнаружили критическое расщепление:

Это позволяет предположить, что метакогнитивная поддержка и Мотивация — это не одно и то же. Скаффолдинг записей в дневнике с помощью помощника на базе LLM увеличивал то, сколько студенты писали (поведенческая вовлечённость), но не заставлял их хотеть писать больше (внутренняя мотивация).(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Различение убеждений и опыта

Guo & Ye (2026) предлагают теоретически более точное объяснение того, как метакогниция управляет выбором стратегии, различая два компонента, которые действуют в разных фазах:

• Метакогнитивные убеждения — устойчивые, самореферентные самопредставления, хранящиеся в долговременной памяти (например, убеждения о собственной способности к запоминанию или о надёжности инструмента). Они закрепляют выбор стратегии до начала задачи.
• Метакогнитивный опыт — динамичные, специфичные для задачи ощущения (воспринимаемая трудность, уверенность, умственная нагрузка), которые управляют обновлением убеждений во время выполнения задачи.

Это различение даёт принцип соответствия по времени и компоненту: обратная связь, нацеленная на убеждения (например, сравнительные рейтинги), наиболее эффективна в фазе подготовки до задачи, тогда как обратная связь, нацеленная на опыт (например, непосредственные индикаторы правильности), наиболее эффективна во время выполнения задачи. Абстрактная обратная связь в виде рейтингов может отделяться от — или переопределяться — специфичным для задачи опытом, который доминирует в непосредственном принятии решений, что объясняет, почему некоторые вмешательства с обратной связью не меняют поведение. Это даёт educators обусловленное фазой обоснование для проектирования метакогнитивных опор вокруг инструментов ИИ: калибруйте убеждения до использования, давайте непосредственную специфичную для задачи обратную связь во время использования.

Внешняя поддержка может также встать перед суждением целиком. Iqbal et al. (2026) дали 87 студентам EFL задание пересмотреть эссе с помощью ChatGPT 4.0, опытного преподавателя академического письма или без поддержки и реконструировали использованные студентами стратегии по следам кликов, нажатий клавиш и движений мыши. То, что они выбрали, сильно ассоциировалось с доступной поддержкой (V Крамера = 0,668), но не с точностью метакогнитивного суждения (H(3) = 4,995, p = 0,172), которая показала лишь маргинальную связь в условии без поддержки (p = 0,0460). Ни одна стратегия пересмотра не ассоциировалась с изменением оценки эссе (p = 0,273), однако группа с GenAI улучшила результаты значимо больше, чем две другие (H(2) = 16,591, p = 0,00025, η² = 0,174), так что более сильные эссе появились не благодаря лучшей саморегуляции. Когда способный партнёр может подсказать следующий шаг, метакогнитивное суждение перестаёт быть тем, что его выбирает, и описанное выше объяснение выбора стратегии описывает учащегося без поддержки больше, чем получающего поддержку. Практическое прочтение авторов состоит в том, чтобы нацеливать помощь ИИ на побуждение к размышлению о стратегиях письма, а не на прямое предоставление помощи.

Калибровка тренируема: прогноз + обратная связь

Ngai & Gilbert (2026) дают прямые причинные свидетельства того, что метакогнитивная калибровка — тренируемый навык. В двух предварительно зарегистрированных экспериментах (N=164, N=416) всего пять тренировочных попыток, сочетающих прогноз результата с правдивой обратной связью, улучшали калибровку и снижали смещение. Четырёхгрупповой аддитивный дизайн изолировал причинный компонент: только предсказания были неэффективны; именно добавление обратной связи о результате вело улучшение; явная маркировка пере-/недостаточной уверенности не добавляла ничего сверх этого. Критически важно, что улучшение действовало на абсолютную калибровку — повышая уверенность у недостаточно уверенных и снижая её у избыточно уверенных, — так что оно корректировало miscalibration в обоих направлениях, а не сдвигало всех в одну сторону (именно поэтому знаковые/направленные эффекты оказались нулевыми). Это усиливает приведённое выше объяснение «опыт, а не убеждения» и показывает минимально жизнеспособное метакогнитивное обучение: прогноз плюс непосредственная специфичная для задачи обратная связь.

• Краткий призыв к размышлению улучшает наблюдение при решениях с поддержкой ИИ. Ren (2026) добавил три призыва к размышлению перед финализацией ответов в эксперименте с тремя условиями с участием 342 студентов: принятие неверных советов ChatGPT упало с 62,4% до 39,7% (OR = 0,40), а калибровка осознания выросла (0,59 против 0,41), при том что точность рекомендаций и согласие с верными советами остались высокими. Размышление сделало опору более различающей, а не равномерно защитной, что поддерживает трактовку опоры как проблемы наблюдения, а не вопроса о том, сколько ИИ используется.
• Встраивайте призывы внутрь метакогнитивного цикла. Рамка IDEA последовательно выстраивает использование GenAI как Intent (намерение), Deconstruction (деконструкция), Expression (выражение) и Adaptation (адаптация), делая призыв одним шагом в планировании и наблюдении, а не отдельным навыком; студенты, обученные ей, производили промпты более высокого качества, чем сверстники, обученные промптингу по схеме Role–Task–Context–Format, во всех пяти категориях задач (Wang et al., 2026).

Значение для проектирования инструментов

1. Сохраняйте «трение» мышления: если ИИ пишет размышление, студент не строит метакогнитивный навык. Помощники по ведению дневника должны строить опору, а не становиться автором.
2. Моделируйте метакогнитивный язык: курс на основе примеров работал отчасти потому, что он показывал студентам метакогнитивную саморечь компетентных образцов.
3. Разделяйте поддержку мотивации и поддержку навыка: развитие метакогнитивного навыка (через структуру курса) и повышение продуктивности (с помощью ИИ) могут требовать различных стратегий проектирования.

ИИ может изменять метакогнитивный порог для решения о том, что вы знаете достаточно, чтобы ответить: Marcoccia et al. (2026) обнаружили, что один лишь доступ к совету ИИ подавлял готовность людей воздержаться от суждения в условиях неопределённости, даже когда совет был неверным, а на кону стояла точность, — и этот эффект устоял и при незапрошенном результате ИИ, и при денежных ставках.

Проактивный agentic AI может вытеснить собственный метакогнитивный цикл учащегося: Woollaston et al. (2026) утверждают, что когда агенты заранее находят данные, инициируют и самокорректируются, их планирование, наблюдение и оценка заменяют планирование, наблюдение и оценку учащегося, устраняя retrieval practice и самонаблюдение, от которых зависят desirable difficulties и метакогнитивное обучение.

• Педагогики и стратегии преподавания на основе ошибок как метакогнитивное обучение: Hosseini (2026) показывает, что намеренное ознакомление студентов с ошибками, сгенерированными ИИ, в курсе по проектированию баз данных активирует метакогнитивное наблюдение — студенты проверяли результаты, выявляли ошибки и пересматривали дизайны, а не принимали результат ИИ за истину. Self-reported AI literacy коррелировала слабо и отрицательно с объективной компетентностью (r=−0,39) — разрыв в калибровке, который цикл критика–уточнение призван сократить.

• Productive failure вовлекает метакогнитивное наблюдение. Kim et al. (2026) показывают, что обучение на основе продуктивного провала активирует размышление о собственных попытках; задачи clue-before-correction требуют, чтобы учащиеся диагностировали и исправляли собственные ошибки — метакогнитивную деятельность, в которой ИИ даёт подсказки, а не ответы.

• Саморегуляция смягчает вред разгрузки, но не может его отменить. Chen (2026) показывает, что метакогнитивная регуляция (саморегулируемое письмо) ослабляет отрицательную связь между глубокой cognitive offloading и результатами самостоятельной работы без ИИ в письме с поддержкой GenAI (взаимодействие B = 0,22), но не устраняет её, — причём условие ограниченной поддержки, сочетающее пределы делегирования с обязательным размышлением о том, как принимались/отвергались предложения ИИ, дало самые сильные результаты самостоятельной работы.

• Глубина поиска объяснений предсказывает качество задачи, а не припоминание. Tsiligkiris (2026) показывает, что призывы к поиску объяснений (глубина) во взаимодействии с LLM предсказывают качество задачи, но не непосредственное припоминание, интерпретируя это расщепление через контраст между элаборацией (пониманием) и практикой извлечения из памяти (консолидацией), — и предполагая, что поиск объяснений коррелирует с метакогнитивным наблюдением, хотя для длительного удержания необходимо добавить требования извлечения.

• Самооценённая метакогниция — слабый посредник для регуляции с LLM. Clerc et al. (2026) дали 116 ученикам middle-school двухчасовой семинар по ИИ-грамотности, а затем измерили их взаимодействие с LLM при решении научных задач: обученные студенты реже принимали недостаточно специфицированные промпты (51,5% против 66,7%), гораздо чаще задавали уточняющие вопросы после слабого ответа (59,2% против 27,9%, d = 0,80) и более чувствительно к качеству промпта судили о правильности ответа (взаимодействие OR = 2,52). Ни общая шкала метакогнитивной осведомлённости (Jr. MAI), ни самоотчёты по GenAI не предсказывали это поведение или итоговые результаты (r = .04 и r = .01) — наблюдение и контроль при использовании generative AI специфичны для задачи, а наблюдаемое поведение несёт больше информации, чем инструменты самоотчёта, созданные для её фиксации.

• Автоматическое оценивание достигло фазы выполнения, а не предшествующего ей планирования. Chen and Liu (2026) дали 46 студентам-переводчикам 14 недель еженедельного автоматического оценивания с возвращённой оценкой, отмеченными ошибками и эталонным исполнением: группа с автоматизацией набрала больше в целом (d = 1,03), но только наблюдение во время практики коррелировало с приростом оценки (r = 0,42), тогда как планирование до обучения оставалось около середины шкалы (M = 3,01). Оценка и размышление несли второе по величине среднее (3,87 из 5), но показывали связь с приростом, близкую к нулю (r = 0,10), так что высокую оценку размышления не следует читать как продуктивное размышление.

• Грамотность в проверке окупается только через метакогнитивную саморегуляцию. Davor, Larbi and Boateng (2026) опросили 533 студента университета и обнаружили, что грамотность в проверке ИИ не имела прямой связи с критическим мышлением или техническим решением проблем; она имела значение лишь косвенно, через метакогнитивную саморегуляцию (модель полного опосредования). Тенденция к Cognitive offloading действовала в обратную сторону, предсказывая более низкую саморегуляцию (-.294) наряду с более низким критическим мышлением (-.240) и решением проблем (-.312).

• Размышление росло с доступом к ИИ, и оно питало рассуждение, а не результаты тестов. Melanou, Beege and Kimmig (2026) наблюдали три класса (N = 87) в течение девятинедельного курса, измеряя показатели в трёх точках. Знания улучшались во всех условиях, без преимущества для любого из условий с ИИ и без эффекта Матфея (BF01 = 8,70), однако рефлексивное использование (проверка источников и верификация результата ИИ перед его принятием) было гораздо выше в условии с ИИ, чем в контрольной группе (M = 3,72 против 2,82, F(1, 40) = 20,21, p < 0,001), и предсказывало критическое мышление (β = 0,43, p < 0,001, R² = 0,183), не предсказывая прироста знаний. Размышление возникало лишь из доступа к инструменту, а не из построения опоры, и поскольку его отдача проявляется в рассуждении, тест на знания не зафиксирует метакогнитивную выгоду курса с поддержкой ИИ.

• Внутри инструмента самоотчёта о метакогниции осознание предсказывает лучше остального. Alatoai and Alshahri (2026) валидизировали меру из 45 пунктов для STEM-обучения с поддержкой ИИ на 649 учащихся средних школ Саудовской Аравии (CFI = 0,983, RMSEA = 0,019; ω подшкал = 0,888–0,905) и использовали её для ранжирования компонентов. Четыре измерения объясняли 68% дисперсии результатов саморегулируемого обучения, причём сильнее всего была метакогнитивная осведомлённость на базе ИИ (β = 0,38, p < 0,001), затем когнитивный перенос и адаптивность (β = 0,29, p = 0,008), а творческое и критическое рассуждение в STEM с ИИ было незначимым (β = 0,14, p = 0,135). Осознание — это компонент, который несёт адаптивную результативность; авторы советуют сообщать подшкалы отдельно, а не одной общей оценкой, и оставляют рассуждение высшего порядка для задач на качество рассуждения; мера, тем не менее, является самоотчётом, поэтому, как и в исследовании семинара выше, она фиксирует воспринимаемую способность, а не наблюдаемое использование стратегий.

• Собственное наблюдение оценивающего — это тоже метакогнитивная работа. Hoppe, Loibl and Leuders (2026) утверждают, что сгенерированный ИИ диагностический вывод — это не сырые свидетельства, а уже сделанная интерпретация, поэтому преподаватели должны интегрировать его с собственными наблюдениями в процессе, который они называют метадиагностикой, сознательно решая, принять его, отвергнуть или изменить. Это ставит второй метакогнитивный контур рядом с контуром учащегося: речь идёт не только о том, как студент регулирует мышление с помощью ИИ, но и о том, как преподаватель оценивает то, что система утверждает об этом мышлении.

Связанные концепции

• Педагогические паттерны — шаги размышления, которые строят эти последовательности
• Учащиеся — учащиеся: обобщающая концепция для концепций со стороны учащегося
• Саморегулируемое обучение
• Самооценивание
• Когнитивный оффлоадинг
• Скаффолдинг
• Агентный ИИ
• Формативное оценивание
• ИИ-грамотность
• Извлечение из памяти, распределение и чередование — оценки обучения и иллюзия плавности, которую исправляет практика извлечения из памяти
• Когнитивная капитуляция

Связанные статьи

• Teaching Students to Question the Machine: An AI Literacy Intervention Improves Students' Regulation of LLM Use in a Science Task — двухчасовой семинар по ИИ-грамотности изменил регуляцию взаимодействия с LLM у учеников средней школы, в отличие от их самооценённой метакогниции (Clerc et al. 2026)

• Student-AI Interaction in Computer-Assisted Consecutive Interpreting: Patterns and Performance — взаимодействие студента с ИИ в последовательном переводе с компьютерной поддержкой

• Epistemic Dependence in AI-Mediated Learning — эпистемическая зависимость в опосредованном ИИ обучении (Du & Yuan 2026)

• What Students Ask Matters: LLM Interaction Depth, Task Quality, and Immediate Recall in Higher Education — то, что спрашивают студенты, имеет значение: глубина взаимодействия с LLM, качество задачи и непосредственное припоминание (Tsiligkiris 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — чувствительная к уровням когнитивная разгрузка в письме с поддержкой GenAI (Chen 2026)

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — опосредованное LLM обращение за помощью в STEM: многоуровневое, инструментальное и верифицированное

• How motivation and roles influence metacognitive engagement in student-GenAI interaction — мотивация и роли в метакогнитивной вовлечённости в GenAI

• Metacognitive Training Facilitates Optimal Cognitive Offloading — метакогнитивное обучение способствует оптимальной когнитивной разгрузке (Ngai & Gilbert 2026)

• Meta-Cognitive Insights into Cognitive Offloading: Mechanisms, Interventions, and Educational Implications — метакогнитивное понимание когнитивной разгрузки: механизмы, вмешательства и образовательные следствия (Guo & Ye 2026)

• The IDEA Framework for Metacognitively Regulated GenAI Use in Higher Education: Development and Exploratory Pilot Evidence — рамка IDEA для метакогнитивно регулируемого использования GenAI

• HAIML: A Human-Centered AI Metacognitive Learning Model — A Framework for Human Agency and Reflective Learning in the Age of Artificial Intelligence — HAIML: человекоцентрированная метакогнитивная модель обучения с ИИ (агентность и рефлексивное обучение)

• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — метакогнитивно диссонирующая сдача и осознанное проведение через непонимание

• Mapping the Scaffolding of Metacognition and Learning by AI Tools in STEM Classrooms: A Bibliometric-Systematic Review — инструменты ИИ, строящие опору для метакогниции в STEM

• Is AI making us stupid? — «Does AI making us stupid?»: критика когнитивной разгрузки

• The Evidence Base on AI in K-12: A 2026 Review — ИИ общего назначения подавляет метакогницию, выполняя рассуждения

• AI Advice Suppresses People's Willingness to Say "I Don't Know", Even When the Advice Is Wrong and Accuracy Is Incentivized — совет ИИ подавляет готовность сказать «я не знаю», даже при неверном совете и стимулах к точности

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — агентный ИИ и педагогическая передовая практика: напряжение между автоматизацией и обучением

• Cognitive offloading and the speedup illusion in human-AI interaction — когнитивная разгрузка и иллюзия ускорения во взаимодействии человека и ИИ

• Artificial intelligence, cognitive offloading and implications for education — ИИ, когнитивная разгрузка и следствия для образования (Lodge & Loble 2026)

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — педагогика ошибок ИИ: развитие мышления высшего порядка (Hosseini 2026)

• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — проектирование систем ИИ для поддержки обучения на основе продуктивного провала

• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Clue Before Correction: ChatGPT для автономного изучения языка

• Prompts to Practice: A Pedagogical Framework for Human-Centered AI Engagement — размышление о процессе промптинга и развитие авторства в цикле промптовой грамотности (Miles, Haber-Curran & Arar 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — призыв к размышлению снизил принятие неверных советов ИИ и улучшил калибровку осознания (Ren 2026)

• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — автоматическое оценивание усилило наблюдение, но не планирование, а самооценённое размышление осталось непродуктивным (Chen & Liu 2026)

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — грамотность в проверке, действующая только через метакогнитивную саморегуляцию (Davor, Larbi & Boateng 2026)

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — именно внешняя поддержка, а не точность метакогнитивного суждения, определила выбор стратегии пересмотра (Iqbal et al. 2026)

• The Contribution of Generative Artificial Intelligence as a Novice Learner to Students in the Learning by Teaching Model — избирательный прирост: метакогнитивное знание выросло, а планирование и наблюдение — нет (Wang et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — рефлексивное использование росло с доступом к ИИ и предсказывало критическое мышление, а не прирост знаний (Melanou, Beege & Kimmig 2026)

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — метакогническая осведомлённость как сильнейший предиктор адаптивного STEM-обучения (Alatoai & Alshahri 2026)

• Rethinking teachers’ diagnostic skills in AI-supported formative assessment: from diagnosis to meta-diagnosis — от диагностики к метадиагностике: преподаватели, судящие о выводах, сгенерированных ИИ (Hoppe, Loibl & Leuders 2026)

• Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement — Open Questions Towards Skill-Sustaining Reliance in Reflective AI Engagement

• Conceptualising Human–AI Collaboration Competency for hybrid intelligence: towards learner agency — метакогниция, а не педагогика, как механизм агентности учащегося в совместной работе человека и ИИ (Dang, Hong, Doyle & Nguyen 2026)

• Metacognitive Ownership in Human-AI Regulation: Construct Definition, Boundaries, and a Research Agenda — метакогнитивное владение: конструкция для управления учащимся стандартами, суждениями и действиями

• Mapping the Distribution and Depth of Metacognitive Processes in Generative AI-Assisted Learning: Evidence from Interaction Logs and Concurrent Think-Aloud Protocols — журналы и мышление вслух фиксируют разные метакогнитивные процессы в обучении с поддержкой GenAI

• AI as a cognitive partner in learning: Emerging epistemic practices of reflective thought — четыре практики и одиннадцать процессов рефлексивной мысли, когда студенты трактуют ИИ как когнитивного партнёра

• Ethical Generative AI Use in Higher Education: An Action Research Study Using the Think Aloud Method — метод Think Aloud сделал конструирование промптов, верификацию и этическое рассуждение видимыми, но критическая оценка осталась поверхностной; это не самостоятельное решение

• Metacognitive training and AI-based Socratic scaffolding in pre-service teachers' reflective practice: a dual-study experimental design — Метакогнитивное обучение и сократический скаффолдинг на базе ИИ в рефлексивной практике будущих преподавателей: экспериментальный дизайн двойного исследования