Метафоры и аналогии

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Синтез: Метафоры и аналогии выполняют в образовании в области ИИ две работы. Это устройства осмысления, через которые преподаватели и студенты решают, чем ИИ является (инструмент, ассистент, чёрный ящик, оракул), и одновременно дидактические устройства, отображающие знакомую исходную область на незнакомое целевое понятие. Исследования в этой базе знаний показывают, что эти две работы связаны: метафоры, которых люди держатся, формируют то, чего они ждут от ИИ, какие его черты замечают и доверяют ли ему или боятся его. Та же логика структурного отображения объясняет, почему аналогия может сделать техническую идею запоминающейся, тихо при этом её искажая. Ошибочная аналогия, сгенерированная генеративным ИИ, может оказаться полезнее отточенной, если студенты знают исходную область достаточно хорошо, чтобы проаудировать отображение и починить его. Практический урок состоит в том, чтобы выбирать метафоры под ту черту, которой учат, проверять структурное соответствие и культурную доступность и обращаться со сравнением как с объектом критики, а не как с готовым объяснением. Свидетельства по большей части качественные, концептуальные и мелкомасштабные; в поле мало причинных данных о том, что обучение на основе метафор улучшает учение.

Вопросы для размышления

• Какую метафору вы используете для генеративного ИИ, когда не стараетесь быть точным, и что эта метафора позволяет легко увидеть, а что — легко проигнорировать?
• Когда знакомая аналогия помогает студенту понять техническое понятие, а когда она устанавливает заблуждение, которое последующему обучению приходится отменять?
• Чьи исходные области считаются знакомыми? Если аналогия опирается на спорт, игры или кухонный прибор, кто оказывается включён, а кто — исключён?
• Должен ли ИИ-тьютор генерировать аналогии для студентов или давать им аналогии для критики? Что меняется, когда аналогия персонализирована под заявленные интересы студента?
• Запоминающаяся аналогия не обязательно точна. Что бы вы попросили студентов сделать, чтобы показать, что они умеют различать эти вещи?
• Какие свидетельства убедили бы вас, что урок на основе метафор улучшил ИИ-грамотность, а не просто сделал занятие более занимательным?

Введение

Метафора утверждает, что одна вещь есть другая: ИИ — это чёрный ящик, помощник, зеркало, карта. Аналогия обычно делает сравнение более явным: связный список работает как цепь, рекурсия работает как набор вложенных коробок, а использование ИИ похоже на готовку с Термомиксом. На практике эти два приёма перекрываются. Оба просят учащегося перенести отношения из знакомой исходной области в менее знакомую целевую область, и оба становятся вводящими в заблуждение, когда отображение растягивают за пределы тех отношений, которые оно действительно сохраняет.

Это делает их чем-то большим, чем риторическим украшением. Исследования концептуальной метафоры трактуют метафору как структуру мысли, а не только языка: доступные людям сравнения формируют то, какие аспекты системы ощущаются значимыми и какие объяснения кажутся естественными. В образовании в области ИИ ставки практические. Студент, который мыслит LLM как поисковую систему, может ожидать, что она извлекает сохранённые факты, и может не проверять, не сфабрикованы ли они. Преподаватель, который мыслит её как продвинутого студента, может ожидать суждения и предметной экспертизы, которых у модели нет. Дискуссия о политике, построенная вокруг «стихийного бедствия» или «конкурента», поддерживает иные ответы, чем построенная вокруг «калькулятора для слов».

Эта страница охватывает обе стороны этой двойной роли: метафору как окно в то, как преподаватели и студенты понимают ИИ, и аналогию как дидактический приём в ИИ-грамотности и в объяснениях, сгенерированных ИИ. Она связывает работы о концептуализациях преподавателей и студентов, аудиторные мастерские по метафорам, аналогии, сгенерированные генеративным ИИ, проектирование обучения на основе аналогий и критическую ИИ-грамотность. Она не рассматривает «метафору» и «аналогию» как точные синонимы, но держит их вместе, потому что задачи проектирования у них общие: выбор исходной области, структурное соответствие, культурный доступ и критика.

Почему метафоры и аналогии важны

Теоретическая отправная точка — теория концептуальной метафоры, связанная с Лакоффом и Джонсоном. Её центральное утверждение состоит в том, что люди понимают абстрактные области через отображения из более конкретных и что эти отображения могут стать настолько привычными, что перестают выглядеть как сравнения. «Жизненный путь» — не только способ говорить; он несёт допущения о направлении, прогрессе, препятствиях и целях. То же верно для «ИИ-ассистента» или «чёрного ящика ИИ».

Для образования полезное следствие состоит в том, что метафора может делать концептуальную работу до того, как преподаватель предложит определение. Она даёт учащимся место, на котором можно стоять. Она же может нести целую теорию агентности: «ассистент» подразумевает пользователя, который управляет, тогда как «агент» подразумевает инициативу, а «чёрный ящик» подразумевает, что объяснение невозможно или не нужно. Это не нейтральные описания. Они распределяют ответственность и задают ожидания относительно доверия.

Аналогии добавляют второй слой: структурное соответствие. Хорошая дидактическая аналогия сохраняет отношения, значимые для целевого понятия, а не только поверхностное сходство. Цепь может иллюстрировать связный список, потому что в обоих случаях узлы соединены последовательно. Набор вложенных коробок может иллюстрировать рекурсию, потому что каждый уровень содержит меньшую версию той же структуры. Сравнение всегда частично. Педагогический вопрос в том, те ли это сохранённые отношения, которые нужны учащемуся, и видит ли учащийся, где отображение заканчивается.

Этот вопрос отделяет данную страницу от объяснимого ИИ. Объяснимый ИИ спрашивает, как решения системы можно сделать понятными для заинтересованных сторон. Педагогическая аналогия спрашивает, как учащийся может построить рабочую мысленную модель процесса. Объяснение того, почему модель отметила студента, — не то же самое, что аналогия того, как модель генерирует текст, и ни одно не заменяет другое.

Как преподаватели и студенты описывают ИИ

В базе знаний теперь есть несколько окон в метафоры, которые люди действительно используют. Они не сходятся к одному образу, и в этом часть сути.

Валлис, Уилсон и Кейси (2025) проводили мастерские по анализу метафор со студентами, академическими работниками и сотрудниками образовательной поддержки. Метафоры участников сгруппировались в четыре широкие категории: функции (сравнения с инструментами, такие как швейцарский нож), роли (человекоподобные отношения, такие как помощник, учебный приятель или «друг-враг»), качества (сравнения с ненадёжным или непознаваемым, такие как чёрный ящик или скользкий склон) и агентность (автономные или угрожающие сравнения, такие как конкурент или зловещий робот). Через весь набор проходили два напряжения: человеческая агентность против машинной и познанное против непознаваемого. Мастерская не разрешила эти напряжения. Она сделала их доступными для обсуждения, а это то, что интервенция на основе метафор реалистично может сделать.

Герхардт и коллеги (2026) проинтервьюировали 57 преподавателей инженерии из разных дисциплин и университетов и проанализировали аналогии, которые они предложили сами. Преподаватели по большей части мыслили генеративный ИИ либо как человекоподобное социальное существо или агента (ассистент, аспирант), либо как технический объект (поисковая система, инструмент). Немногие мыслили его как экологическую или системную силу. Авторы организуют ответы по пяти измерениям: онтология, эпистемология, действие, отношение и власть или способность. Их беспокоит не то, что преподаватели используют метафоры, а то, что коллеги в одной кафедре могут держаться несовместимых метафор, полагая, что говорят на общем языке. Это делает выявление метафор диагностикой развития преподавателей, а не только аудиторным приёмом.

Студенты показывают похожий диапазон. Бомер и коллеги (2026) обнаружили, что студенты концептуализируют генеративный ИИ как социального актора, технику, учебный материал или структуру, причём социоэмоциональные и технические рамки одинаково значимы. Кудина (2026) описывает доминирующие рамки студентов-инженеров как LLM-«оракул» и LLM-«тьютор», обе из которых приписывают авторитет и персонализацию сверх того, что инструмент надёжно даёт. Стиллман и коллеги (2026) трактуют «торговый автомат с обратной связью» одного студента как более полезный артефакт грамотности, чем отточенный словарь тьютора, потому что он делает транзакцию видимой: вставьте работу, получите результат, никаких отношений и никакой агентности.

Сквозная находка состоит в том, что метафора диагностична для ожидания. Студент, который называет LLM оракулом, не просто использует красочное слово. Ярлык предсказывает, что студент сделает, когда модель ошибается, и во что студент будет верить относительно проверки. Преподаватель, который называет её поисковой системой, не просто неточен. Ярлык предсказывает, что он попросит студентов с ней делать. Вот почему программы Развитие педагогической практики могут использовать выявление метафор до пересмотра политики или оценивания, и почему Инженерное образование (Engineering Education) и Информатика (CS) в образовании нуждаются в дисциплинарно-специфических разговорах, а не в одном общеинституциональном определении.

Философская линия тянет метафору в ином направлении: Се (2026) предлагает «Чжэньжэнь» как контр-идеал алгоритмически управляемому учащемуся, трактуя этот образ как способ спорить о целях образования, а не объяснять технический процесс.

Аналогии как дидактический приём

Самые сильные аудиторные свидетельства в корпусе происходят из использования аналогий в образовании в области вычислений. Бернстейн и Сибиа (2026) дали студентам бакалавриата аналогии, сгенерированные генеративным ИИ, для связных списков и рекурсии, а затем попросили их аннотировать и обсудить результаты. Студенты не судили аналогии как глобально хорошие или плохие. Они разделяли структурную точность, ясность, уместность и доверие и называли конкретные поломки: петляющий маршрут описывает кольцевой список, а не односвязный; розыгрыш в бадминтоне не даёт гарантированно уменьшающегося входа для рекурсии; справка, основанная на интересах, может предполагать знание, которого у студента нет.

Вклад статьи — идея двустороннего аудита аналогий. Знание целевого понятия говорит студенту, какие отношения аналогия обязана сохранять. Знание исходной области говорит ему, есть ли эти отношения в источнике на самом деле. Самыми проницательными аудиторами были не всегда те студенты, чьи интересы совпадали с аналогией. Это были студенты, знавшие исходную область достаточно хорошо, чтобы её инспектировать. Отсюда проектное следствие: знакомая исходная область может превратить студента из получателя в экспертного аудитора. Авторы рекомендуют назначать ошибочные аналогии как объекты для инспекции и починки, а не отфильтровывать их. Ошибочная аналогия становится продуктивной трудностью.

Эта находка усложняет обычное допущение, что объяснения, сгенерированные ИИ, следует отшлифовать до того, как студенты их увидят. Чистая аналогия всё равно может кодировать неверное отображение, а ошибочная может быть более поучительной, если задача — критика. Важное условие состоит в том, что у студентов достаточно целевого знания, чтобы знать, что аналогия должна сохранять, и достаточно знания исходной области, чтобы проверить, сохраняет ли она это. Без того или другого аналогия может запомниться по неверной причине.

ANVIL показывает сторону генерации. Он берёт определение понятия, генерирует текстовую аналогию, компилирует её в сценарий, производит код анимации и исправляет сбои в ограниченном цикле. Система оценивалась с преподавателями информатики, которые сочли большинство аналогий адекватными и высоко ценили инструмент как творческого партнёра на раннем этапе планирования занятия. Авторы также обнаружили, что контроль преподавателя, редактируемость и педагогическое соответствие значили больше, чем исходное качество генерации. ANVIL напоминает, что аналогия, сгенерированная ИИ, — это артефакт-кандидат, а не готовое объяснение: преподавателю всё равно нужно решить, структурно ли отображение состоятельно и уместно ли оно для класса.

Руммель, Нахтигаль и Панадеро используют аналогию как сам аргумент. Термомикс, кухонный прибор с пошаговым ведением, вызывает энтузиазм и критику, похожие на те, что вызывает генеративный ИИ в образовании. Отображая кулинарные сценарии на сценарии обучения, они переводят дискуссию с «хорош ИИ или плох» на «какая часть работы делегирована и что это делает с учащимся?» Аналогия не является свидетельством; это устройство, делающее видимым континуум проектирования. Это законное использование аналогии в концептуальной статье, но его не следует принимать за проверенную интервенцию.

Code as Anchor добавляет проектное предостережение. Студенты использовали несколько репрезентаций, включая вид метафоры, но проводили большую часть времени взгляда на коде и лишь малую долю — на виде метафоры. Некоторые воспринимали метафорические подпорки как детские или коррекционные. Метафора, которую преподаватель находит проясняющей, может читаться студентом как маркер низких способностей. Легитимность — часть педагогической полезности, а не отдельная забота.

Метафора как критическая ИИ-грамотность

Самая прямая рамка для обучения с метафорами происходит от Роу, Перкинса и Фёрза (2025). Они определяют критическую ИИ-грамотность как понимание того, как работают системы ИИ, вместе с исследованием их социальных, экологических и культурных последствий. Отталкиваясь от списка из 13 распространённых метафор ИИ, они выбирают четыре для аудиторного использования и оценивают каждую по четырём критериям: доступность, объяснительная сила, потенциал критической ИИ-грамотности и педагогическая полезность.

Эти четыре таковы:

• ИИ как кривое зеркало — для искажения и предвзятости в сгенерированном результате.
• ИИ как карта — для репрезентации, отбора и того, чьё знание включено.
• ИИ как эхо-камера — для петель обратной связи, фильтрующих пузырей и подкрепления существующих паттернов.
• ИИ как чёрный ящик — для непрозрачности и пределов объяснения.

Каждая пара сопровождается коротким заданием и обсуждением с фасилитацией преподавателя. Урок с кривым зеркалом предлагает студентам проверять промпты на предвзятость; урок с эхо-камерой — наблюдать, как повторяющиеся промпты и ограниченные данные подкрепляют паттерны; урок с картой спрашивает, что репрезентация ИИ включает и что опускает; урок с чёрным ящиком использует вероятностную генерацию, чтобы сделать скрытые процессы видимыми. Авторы отображают задания на рамку компетентностей ЮНЕСКО в области ИИ для студентов, что даёт рамке учебную зацепку, а не оставляет её общим призывом обсуждать метафоры.

Самый важный ход рамки — трактовать метафоры как объекты критики. Метафора полезна, потому что частична, и становится опасной, когда её подают как полную. Кривое зеркало показывает искажение, но не алгоритм, который его производит. Карта показывает репрезентацию, но может подразумевать связную интенцию, которой у системы нет. Чёрный ящик показывает непрозрачность, но может подталкивать к выводу, что ничего нельзя знать. Урок должен заканчиваться вопросом о том, где сравнение ломается.

Это же связывает работу с метафорами с ИИ-грамотность в более широком смысле. Мастерская по метафорам — низкотехнологичный способ выявить допущения перед техническим уроком. Критика аналогии, сгенерированной ИИ, — способ оценить, понимает ли студент целевое понятие. Собственная метафора студента, такая как торговый автомат, может быть показательнее стандартизированного пункта опроса. Всё это формы Критическое мышление об ИИ, а не просто упражнения в творческом письме.

Проектирование обучения на основе метафор

• Начинайте с черты, а не с образа. Решите, что студентам нужно понять, затем спросите, какая исходная область сохраняет значимые отношения. Запоминающееся сравнение, указывающее на не ту черту, хуже простого объяснения.
• Проверяйте структурное соответствие до персонализации. Совпадение интересов может повысить вовлечённость, но не гарантирует, что у исходной области правильная структура. Сначала проверьте отображение, потом персонализируйте.
• Аудируйте исходную область на культурный доступ. Кривые зеркала, карты, спорт и кухонные приборы не одинаково знакомы всем учащимся. Спросите, что предполагает сравнение, и предложите альтернативы.
• Делайте пределы явными. Просите студентов назвать, что метафора сохраняет, что искажает и чего не может объяснить. Критика — это оцениваемое учение, а не необязательное обсуждение.
• Используйте несколько частичных метафор. Кривое зеркало, карта и эхо-камера могут сосуществовать, потому что каждая освещает иное измерение. Единая тотализирующая метафора скорее станет заблуждением.
• Держите техническое объяснение рядом. Аналогия может открыть тему, но она не должна заменять обучение об обучающих данных, вероятностной генерации или разнице между беглым результатом и проверенным знанием.
• Оценивайте занятие, а не только вовлечённость. Корпус пока не показывает, что уроки на основе метафор улучшают ИИ-грамотность или результаты учения. Трактуйте задания как дизайны для проверки и измеряйте, что студенты умеют делать после этого.

Распространённые заблуждения

• «Запоминающаяся метафора — хорошая метафора». Запоминаемость не есть объяснительная сила. Студенты могут помнить яркую аналогию и всё равно не понимать понятие, которое она должна была прояснить.
• «Метафоры — нейтральные иллюстрации». Каждая метафора выбирает одни черты и скрывает другие. Выбор несёт допущения об агентности, доверии и ответственности.
• «Аналогии, сгенерированные ИИ, готовы к использованию». Сгенерированные аналогии могут быть структурно неверными, культурно узкими или педагогически несоответствующими. Им нужен обзор преподавателя или задача на критику для студента.
• «Если студентам нравится аналогия, они выучили понятие». Вовлечённость и учение — отдельные результаты. Доказательная база здесь по большей части качественная и не устанавливает прироста в учении.

Пределы и пробелы в свидетельствах

Литература в этой базе знаний неровная. Исследования метафор преподавателей и студентов качественные и часто малые. Исследование преподавателей инженерии анализирует ответы на один вопрос интервью. Исследование профессионализации трактует подсчёты метафор как исследовательские. Аудиторное исследование аналогий имеет десять студентов бакалавриата и смешение персонализации с форматом объяснения. Рамка Роу и др. концептуальна, и её задания не тестировались со студентами. ANVIL — оценка системы с преподавателями, а не исследование учения.

Это не делает работу бесполезной. Это делает утверждения уместно скромными. Выявление метафор может раскрыть допущения, которые опросы упускают. Критика аналогий может сделать структурное понимание видимым. Хорошо выбранная метафора может дать классу общий объект для спора. Но поле всё ещё нуждается в исследованиях, которые сравнивают обучение на основе метафор с обычным обучением, измеряют перенос, а не припоминание метафоры, и проверяют, переносится ли подход через культуры и дисциплины.

Риск переоценки реален в обе стороны. Преподаватель, который трактует метафору как полное объяснение, может установить заблуждение. Исследователь, который трактует метафору как простое украшение, может упустить механизм, через который студенты строят или не строят мысленную модель. Продуктивная позиция — трактовать метафору как спроектированную, частичную и критикуемую репрезентацию и изучать, что учащиеся с ней делают.

Связанные понятия

• ИИ-грамотность — зонтик для критической ИИ-грамотности и обучения на основе метафор.
• Критическое мышление — критика аналогий как форма структурного рассуждения.
• Заблуждения об ИИ — ошибочные аналогии как источник устойчивых заблуждений.
• Взаимодействие студента и ИИ — как студенты интерпретируют и аудируют объяснения ИИ.
• Педагогический агент — ИИ-тьюторы, генерирующие объяснения или аналогии.
• Дизайн обучения — отбор и секвенирование материалов на основе аналогий.
• Развитие педагогической практики — выявление метафор в развитии преподавателей.
• Инженерное образование (Engineering Education) — метафоры преподавателей и студентов в инженерии.
• Информатика (CS) в образовании — использование и критика аналогий в образовании в области вычислений.
• Когнитивный оффлоадинг — метафоры инструмента и ассистента и их риски.
• Калибровка доверия — антропоморфные роли и неуместное доверие.
• Справедливость — чьи исходные области считаются знакомыми.
• Преподавание — суждение преподавателя об объяснениях, сгенерированных ИИ.
• Интерпретируемый ИИ — объяснение системы против педагогической аналогии.
• Вовлечённость студентов — эффекты вовлечённости от персонализированных аналогий.
• Высшее образование — условие большинства исследований в этом кластере.

Связанные статьи

• Reflecting Reality, Amplifying Bias? Using Metaphors to Teach Critical AI Literacy — Четыре метафоры и критерии для обучения критической ИИ-грамотности
• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Студенты аудируют аналогии, сгенерированные генеративным ИИ, и чинят сломанные отображения
• Fear and awe: Making sense of generative AI through metaphor — Мастерские по анализу метафор со студентами, академическими работниками и сотрудниками
• It's Like "X": How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding in Engineering Education — Метафоры преподавателей инженерии конструируют и ограничивают понимание ИИ
• Conceptualizations of GenAI and students' professionalization: Within the multi-layered environment of learning for higher education — Метафорические концептуализации генеративного ИИ и профессионального обучения у студентов
• With a Thermomix You Lose the Ability to Cook: A Kitchen Machine Analogy for Applications of Generative AI in Education — Аналогия с кухонным прибором для делегирования и обучения с ИИ
• ANVIL: Analogies and Videos for Lecturers — Сгенерированные ИИ аналогии и учебные анимации для вычислений
• Using AI in engineering education: a balancing act, driven by clear purpose — Метафоры «оракула» и «тьютора» у студентов превышают возможности LLM
• Code as Anchor, Memory and Metaphor as Support: Learner Experiences with Multi-View Visualizations — Метафорические визуальные подпорки и их проблема легитимности
• Dear Gemini: Agency, Peer Review, and Critical AI Literacies in Student Writing Ecologies — Метафора «торгового автомата с обратной связью» у студента как свидетельство грамотности
• Alternative AI Philosophy: Daoism as Method for AI in Education — «Чжэньжэнь» как контр-метафора для ИИ в образовании