Онлайн-преподавание и онлайн-обучение

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Онлайн-преподавание и онлайн-обучение — педагогика и практика преподавания и обучения, которые происходят в цифровых, опосредованных сетью средах, а не в общей физической аудитории. Это охватывает полностью онлайн-курсы, массовые открытые онлайн-курсы (MOOC), смешанные и гибридные форматы, а также дистанционное образование. Для базы знаний центральный вопрос состоит в том, как Генеративный ИИ меняет возможности, вызовы и рекомендуемые практики преподавания на расстоянии — от масштабируемой personalization до новых рисков в области Академическая добросовестность и Когнитивный оффлоадинг.

Вопросы для размышления

• Вероятно, вы уже проходили онлайн-курс или преподавали такой курс. Что вы потеряли и что приобрели, когда физическая аудитория исчезла — и как это изменило то, на что преподаватели могли опираться?
• Страница утверждает, что онлайн-преподавание — это особая педагогика, а не просто механизм доставки. Какими конкретными способами онлайн-среда меняет то, какие стратегии преподавания вообще возможны или эффективны?
• РКИ показало, что неограниченная помощь ИИ повышала результаты на практических заданиях, но снижала оценки на экзамене без доступа к ИИ, тогда как репетитор, дающий «подсказку, а не ответ», устранил вред. Прежде чем читать дальше, можете ли вы объяснить, почему выдача студентам ответа может повышать непосредственные результаты, но при этом подрывать устойчивое обучение?
• Онлайн-оценивание не всегда может отличить работу, выполненную с помощью ИИ, от самостоятельной. Если инструменты обнаружения — это «частичный, оспариваемый ответ», то какие альтернативные конструкции оценивания могут вместо этого выявлять подлинное понимание?
• Как воспринимаемая доступность лёгкого пути с ИИ меняет мотивацию студентов в курсе с самостоятельным темпом работы на экране? Что можно было бы предложить в противовес этому?
• Автономный агент теперь может войти в систему управления обучением, прочитать материалы, ответить на тест и опубликовать сообщение в обсуждении. Если создание артефакта больше не демонстрирует обучение, что тогда нужно видеть вместо этого?
• ИИ теперь может сгенерировать эквивалент MOOC-курса за минуты и за часть стоимости. Каковы педагогические компромиссы между «N агентов на одного студента» и «одно видео на N студентов»?

Введение

Онлайн-преподавание и онлайн-обучение — это особый pedagogical контекст, а не просто механизм доставки. Оно устраняет физическое соприсутствие, которое создаёт опору для внимания, Мотивация и неформального взаимодействия, и заменяет его структурированным цифровым взаимодействием — форумами обсуждений, асинхронными материалами, видео, tutoring agents — вместо личного контакта. Это меняет то, на что преподаватели могут опираться, что доступно студентам, и как конструируется и оценивается обучение. Будучи зонтичной концепцией в ландшафте Педагогики и стратегии преподавания, она соседствует с Активное обучение, Совместное обучение и Саморегулируемое обучение, но отличается средой: ограничения и возможности онлайн-среды формируют то, какие стратегии жизнеспособны.

Развитие генеративного ИИ приходится непосредственно на этот контекст. Онлайн-учащиеся уже работают через экраны и программное обеспечение, поэтому инструменты ИИ — естественные соседи; в то же время онлайн-оценивание труднее инвигилировать, что облегчает злоупотребления и повышает ставки. Доказательства в этой базе знаний показывают, что ИИ может быть мощным союзником онлайн-преподавания и обучения — а при неудачной конфигурации — значительным источником вреда для обучения.

Lock, Arteaga & Johnson (2025) в своём критическом обзоре литературы (63 цитаты, 32 страны) организуют этот ландшафт по четырём взаимосвязанным темам, которые повторяются на протяжении всей страницы: типы и цели интеграции ИИ, педагогические подходы (ИИ-грамотность, саморегулируемое обучение), выгоды и вызовы. Их центральное предостережение — что эти темы пересекаются и что интеграция ИИ в онлайн-обучение — это социотехническое предприятие, опирающееся на педагогику и человеческие отношения, а не только на внедрение технологий, — согласуется с трактовкой онлайн-преподавания на этой странице как особой педагогики. Примечательно, что они сообщают: студенты, использовавшие ChatGPT вместе с репетиторством преподавателя, воспринимали больший Прирост в обучении, чем те, кто использовал его в одиночку, что усиливает акцент на гибридном сотрудничестве человека и ИИ, проходящий через всю эту страницу.

Развитие, превратившее это из вопроса проектирования в насущный, состоит в том, что генеративный ИИ больше не только пишет текст, который мог бы написать студент. Автономные agents теперь входят в систему управления обучением, читают материалы курса, отвечают на тесты, читают сообщения однокурсников и сдают работу. Три демонстрации на реальном курсе психологии для студентов бакалавриата показывают, что это значит на практике: два выполнения теста — одно примерно за 12 минут и одно менее чем за 5 минут, оба с результатом 10/10, и сообщение в обсуждении, в котором агент изучил сообщения своих сокурсников, а затем сфабриковал достоверную на вид историю жизни от первого лица, чтобы ответить на них, — при публичном учёте как минимум 15 зафиксированных запусков агентов в Canvas, Moodle и Brightspace с использованием семи инструментов агентов. Hadjisolomou and El-Haddad (2026) утверждают, что это проблема Валидность оценивания, прежде чем проблема академической добросовестности: выполнение агентом устраняет допущение о том, что сданная работа была выполнена человеком, чьё обучение оценивается. Поэтому вопрос проектирования для онлайн-преподавания смещается от того, как обнаружить злоупотребления, к тому, какие доказательства обучения онлайн-курс ещё может предоставить, — и эта нить проходит через все разделы ниже.

Форматы и условия

Онлайн-преподавание и онлайн-обучение принимают несколько связанных форм, которые разделяют среду, но различаются по охвату и структуре:

• Смешанное и гибридное обучение. Модели, сочетающие очные и онлайн-компоненты, намеренно интегрирующие цифровые активности, материалы и взаимодействия с очным преподаванием. Смешанные форматы требуют от преподавателей решить, что лучше делать синхронно, а что асинхронно, и что лучше делать онлайн, а что очно, — решения, которые организуют принципы Дизайн обучения и которые ИИ одновременно поддерживает и осложняет. В смешанном контексте инструменты ИИ открывают возможности для personalization и постоянной поддержки, одновременно повышая риски добросовестности и выгрузки задач, охватывающие как онлайн-, так и очную части. Mejia-Domenzain et al. (2026) иллюстрируют это в двух смешанных условиях — перевёрнутых университетских аудиториях и рефлексивном письме в профессиональном образовании, — где панель аналитики обучения (DashED) доводила до преподавателей профили Саморегулируемое обучение, полученные с помощью машинного обучения. Опасения по поводу внедрения расходились в зависимости от контекста: преподаватели перевёрнутых аудиторий (университет) больше всего беспокоились об анонимизации данных и возможности отказа студентов, тогда как преподаватели рефлексивного письма (профессиональное образование) опасались злоупотребления инструментом со стороны коллег-преподавателей и подчёркивали необходимость контекстуализации данных. На практике преподаватели перевёрнутых аудиторий следовали последовательному изучению и предпочитали адаптацию на уровне курса и демонстрацию панелей на занятии, тогда как преподаватели профессионального образования возвращались к сводным страницам и использовали инструмент в основном для индивидуальных консультаций, — что свидетельствует о том, что проектирование аналитики для смешанного обучения должно учитывать контекст.
• Синхронное в противопоставлении асинхронному проектированию. Это различие важнее среды доставки, потому что два формата предъявляют противоположные требования к учащемуся. Синхронные занятия несут внимание, темп и подотчётность внутри самого занятия; асинхронные курсы должны встраивать их в конструкцию, поскольку учащийся сам решает, когда работать, и не получает окружающей подотчётности от аудитории. Исследовательская база часто размывает это различие: обзор ИИ и engagement в онлайн-обучении в этой базе знаний (24 исследования) рассматривает вовлечённость изолированно и явно смешивает синхронные и асинхронные контексты, поэтому его выводы не следует читать как специфичные для асинхронного формата. Специфичным для асинхронного формата является доказательство о том, как учащиеся с самостоятельным темпом теряют фокус и темп, — саморегулируемое поведение, такое как постановка целей, структурирование среды и управление временем, сильнее всего совпадает с низкой цифровой отвлекаемостью (Shi et al. 2026, 530 студентов), тогда как метакогнитивные знания и Благополучие снижаются в течение семестра вслед за кластеризацией сроков оценивания (Song et al. 2026, 75 студентов). Практическим дополнением к этому является FAQ о designing and facilitating asynchronous courses when AI can do the work.
• Дистанционное образование. Программы, предназначенные для учащихся, которые учатся удалённо, часто в больших масштабах и в разных регионах (например, 200 тыс.+ учащихся Open University). Дистанционное обучение — это среда, где поддержка ИИ 24/7, встроенная в контекст, и невозможность очного инвигилирования наиболее заметны. Сравнительные доказательства из подготовки учителей в Южной Африке показывают, что сама среда связана с подготовленностью: Mnguni et al. (2026) обнаружили, что самооценка TPACK для интеграции ИИ в преподавание естественных наук выше среди студентов-учителей последнего года в университете с очной формой обучения (64,0%), чем в университете дистанционного образования (47,4%), причём самой слабой охарактеризованной областью в обеих условиях было педагогическое знание. Эта закономерность предупреждает, что программы дистанционного образования не могут допускать, что одно и то же обучение ИИ производит одну и ту же готовность, и что различается проектирование обучения, а не его наличие.

Возможности и выгоды ИИ для онлайн-преподавания и обучения

• Масштабируемая персонализация. Традиционные MOOC преуспевают в охвате, но испытывают трудности с адаптацией — «одно видео на N студентов». Агентные системы на основе Большие языковые модели (LLM) (MAIC) переворачивают это в «N агентов на 1 студента», используя специализированных агентов Teacher, Assistant, Classmate и Analyzer для предоставления adaptive instruction, персонализированной обратной связи и динамических траекторий обучения в масштабе MOOC. Такие системы, как LearnMate², решают проблему «разрыва в персонализации» в открытом онлайн-обучении с помощью персонализированных учебных планов, контекстуальной помощи в реальном времени и adaptive активностей. Персонализированное видео — конкретный путь к этой цели: Tomlinson et al. (2026) обнаружили, что студенты в большом онлайн-курсе предпочитали сгенерированные ИИ персонализированные видео неперсонализированным записям с участием человека, — предпочтение, эффект персонализации в котором перевешивал ценность, придаваемую человеку-ведущему, — что позволяет предположить, что масштабируемые персонализированные медиа, производимые Генеративный ИИ, могут закрыть разрыв «одно видео на N студентов» в онлайн-обучении.
• Постоянная, встроенная в контекст поддержка. В контекстах дистанционного обучения и adult learning, где учащиеся занимаются на работе или дома, круглосуточная поддержка, встроенная в курс, — существенная выгода. Open University's AIDA assistant показал, что целевая поддержка генеративного ИИ внутри среды повышала engagement (время использования удвоилось в пробном исследовании), при этом 96% студентов хотели бы иметь её в своём формальном обучении.
• Разговорное, диалогическое репетиторство в масштабе. Репетиторы на основе Диалоговый ИИ, построенные на проверенной технологии Интеллектуальное тьюторство (keep/change/center/study framework), обещают высококачественное репетиторство на основе диалога — вовлекающее мысли, вопросы и Заблуждения об ИИ студентов, — которое значительно более масштабируемо, чем человеческое репетиторство.
• Проведение и аналитика. ИИ может поддерживать online discussions и Аналитика обучения, прогнозируя вовлечённость и помогая преподавателям распределять внимание. Hao & Cukurova (2026) добавляют, что сводки обсуждений, сгенерированные LLM, могут служить навигационными scaffolds в больших асинхронных форумах, — расширяя воздействие сокурсников на студентов и сетевые условия для bridging social capital, не обременяя студентов или преподавателей работой по составлению сводок.
• Аналитика раннего предупреждения для учащихся онлайн-курсов в группе риска. Zhang, Jeffries & Koprinska (2025) показывают, что интерпретируемое machine learning на журналах взаимодействия с контентом предсказывает прогресс на уровне модулей и выявляет исходы отсева («Отсутствие сдачи») в крупномасштабных онлайн-курсах по programming за 7–8 дней до сроков сдачи модулей, давая онлайн-преподавателям конкретное окно для intervene в отношении отстранённых студентов вместо того, чтобы обнаруживать неудачу только постфактум.
• Доступность по цене и скорость. ИИ может генерировать материалы курса за часть традиционной стоимости — MAIC сократил производство MOOC-курса с ~\$25K/60 часов до менее \\$2/30 минут.

Вызовы онлайн-преподавания в эпоху ИИ

Онлайн-среда и генеративный ИИ вместе усиливают конкретный кластер вызовов, с которыми преподаватели должны сталкиваться в лоб. Там, где очное преподавание может опираться на присутствие, непосредственную подотчётность и инвигилирование, онлайн-преподавание должно проектировать их явно.

Академическая добросовестность и списывание

Онлайн-курсы уже представляют проблемы инвигилирования — очный прокторинг часто невозможен для распределённых, асинхронных учащихся. Генеративный ИИ усугубляет это, делая сгенерированную ИИ работу неотличимой от работы студента и позволяя применять shortcuts в стиле контрактного списывания в масштабе. Доказательства этой базы знаний по Академическая добросовестность и Злоупотребление ИИ и вред обучению показывают, что злоупотребления driven less by AI errors than by students copying answers instead of learning (обусловлены не столько ошибками ИИ, сколько копированием студентами ответов вместо обучения). Поскольку онлайн-оценивание часто не может отличить работу с помощью ИИ от самостоятельной, злоупотребления могут завышать непосредственные оценки, подрывая при этом устойчивые знания, — разрыв между воспринимаемым и фактическим, особенно опасный на расстоянии, где у преподавателей меньше видимости процесса студента. Инструменты обнаружения — это частичный, оспариваемый ответ (AI plagiarism detection, Дистанционный прокторинг), и позиция базы знаний отдаёт предпочтение authentic, process-revealing оцениванию, а не гонке обнаружения.

Злоупотребление ИИ и когнитивная выгрузка

Самый серьёзный риск состоит в том, что онлайн-учащиеся отдают на аутсорсинг именно ту когнитивную работу, которая строит понимание. performance–learning gap показывает, что генеративный ИИ легко повышает непосредственные результаты, обходя при этом глубокую обработку, необходимую для устойчивого обучения. Полевые доказательства носят прямой характер:

• Причинное RCT (~1,000 школьников, изучающих математику) обнаружило, что неограниченная помощь ИИ повышала результаты на практических заданиях на +48%, но снижала оценки на экзамене без доступа к материалам и ИИ на −17% — студенты, у которых никогда не было доступа к ИИ, превосходили тех, у кого он был. Репетитор с guardrailed, дающий подсказку, а не ответ, устранил вред.
• Поведенческие данные в масштабе популяции (3,2 млн взаимодействий с ALEKS) обнаружили, что время изучения задач, подверженных влиянию ИИ, упало на −26,9% после выхода ChatGPT, с снижением шансов на 25% по корректным заданиям на удержание под прокторингом, — эффект, который исчезал под прокторингом, что указывает на его связь с использованием ИИ вне платформы.

Онлайн-обучение особенно уязвимо: среда уже отдаляет учащихся от непосредственной подотчётности, а работа с самостоятельным темпом на экране провоцирует shortcut «попросить ответ», который Когнитивный оффлоадинг research определяет как основной механизм вреда. Ответ состоит не в запрете ИИ, а в применении Ограничители (guardrails) — опор в виде подсказки, а не ответа, заземления на знаниях и human oversight — чтобы ИИ усиливал, а не заменял когнитивную работу учащегося.

Прочие вызовы

• Чрезмерно активное проведение со стороны ИИ. Модераторы на основе LLM чрезмерно охотно вмешиваются в онлайн-обсуждения, что может раздражать участников и срывать хороший разговор; человеческая осторожность — лучшая модель (Tsirmpas et al.).
• Эрозия мотивации. Воспринимаемая доступность лёгкого пути с ИИ снижает автономную Мотивация и настойчивость, усугубляя вред для обучения.
• Справедливость и цифровое неравенство. Доступ к надёжным устройствам, связи и высококачественному ИИ варьируется; онлайн-обучение с ИИ может расширять, а не сужать разрывы в Справедливость (Цифровой разрыв).
• Конфиденциальность данных и доверие. Онлайн-платформы собирают rich learner data (богатые данные об учащихся); системы ИИ вызывают опасения по поводу прозрачности и конфиденциальности (Приватность), особенно для взрослых, совмещающих работу и учёбу.
• Организационная готовность. Крах KhanMigo — учащиеся фактически не взаимодействовали с чат-ботом, при ограниченных доказательствах прироста результатов, — предостерегает, что технические возможности должны сопровождаться Управление ИИ и организационной готовностью.

Валидность оценивания, когда работа может быть выполнена без учащегося

Если инвигилирование невозможно, а работу может выполнить агент, то ответ, который предпочитает база знаний, состоит в изменении того, что считается доказательством, а не в усилении контроля. В недавней литературе повторяются четыре подхода к проектированию.

Сочетайте уязвимое задание с двойником. Roe, Perkins and Giray (2026) сохраняют педагогически ценное, но уязвимое для ИИ оценивание — домашнее эссе или разбор кейса, — и добавляют второе, менее уязвимое задание, которое оценивает те же learning outcomes, назначенное достаточно близко для перекрёстной проверки и оцениваемое взаимозависимо. Их отображение проходит через шесть направлений доказательств валидности Мессика, а процесс проектирования состоит из трёх шагов: выявить уязвимости, согласовать результаты и выбрать двойника, затем разработать оценивание, связывающее оба задания. Краткая вариация кейса, объяснение одного ключевого решения или краткая устная защита могут служить двойником.

Нацельтесь на владение, а не на авторство. Ebrahimzadeh, Shibani and Buckingham Shum утверждают, что смешанное авторство человека и ИИ подрывает несколько форм доказательств валидности, и предлагают целостность соавторства как самостоятельное доказательство валидности: она нарушается, когда студент сдаёт сгенерированное ИИ содержание, которого он не понимает. Чтобы проверять понимание в масштабе, они сообщают об AI Viva — разговорном агенте, который проводит гибридный устный экзамен с вопросами на понимание управляемого типа и сложности, проверенный экспертами-преподавателями и специалистами по оцениванию. Для онлайн-курсов это по-настоящему масштабируемая форма верификации, и она производит доказательства о понимании, а не о том, кто находился в комнате.

Перенесите устный экзамен в онлайн. Pentland, Lowenthal and Krier (2026) выдают задания точно вовремя и просят студентов записать краткие, ограниченные по времени ответы через веб-камеру, к которым они не могут вернуться, оцениваемые по встроенным рубрикам с автоматически генерируемыми стенограммами. В двух исследованиях — пробном курсе промежуточного бухгалтерского учёта и курсе аналитики данных, — студенты набирали более высокие баллы по этим оцениваниям, чем по очным экзаменам с выбором ответа (значимо во втором исследовании, положительная тенденция в первом), при умеренных корреляциях между форматами, поддерживающих конвергентную валидность; студенты сообщали, что готовились иначе и использовали более активные стратегии обучения. Формат решает проблему асинхронности напрямую: размышление выполняется вживую в момент, выбранный студентом, при административной стоимости, которая не растёт с размером когорты.

Выстройте последовательность работы так, чтобы рассуждение фиксировалось в первую очередь. Brcic and Frljic (2026) формулируют вопрос проектирования как размещение, а не разрешение, и собранные ими причинные доказательства показывают, что исход переворачивается от одного только размещения: тот же неограниченный помощник, оставивший школьников примерно на 17% хуже на экзамене без посторонней помощи, не причинил вреда после перестройки так, чтобы он утаивал ответы, тогда как хорошо спроектированный tutor примерно удвоил обучение. Их диагностика — та, которую стоит запомнить: если впускание ИИ делает задание не требующим усилий, оно находится не на том месте. Операционно это даёт последовательность, которую онлайн-курс может вписать в задание: подумай, зафиксируй, используй ИИ, критикуй, пересмотри, объясни, — где шаг фиксации делает остальное оцениваемым, потому что артефакт, созданный с нуля, не имеет истории правок, которую можно было бы исследовать. В основе лежит состояние, которое эта база знаний называет metacognitively discordant completion: корректная, полная работа, сданная студентом, у которого понимание так и не возникло, что в асинхронном курсе неотличимо от успеха, если только проектирование не запрашивает нечто большее.

Какую бы комбинацию ни выбрал преподаватель, одно ограничение должно формировать её. Онлайн-обучение часто является единственным доступным вариантом — студенты выбирают его из-за занятости, обязанностей по уходу, инвалидности или географического положения, — поэтому верификация должна быть небольшой и соразмерной: краткое записанное объяснение, персонализированное применение, ответ на выбранный преподавателем вопрос, аннотированная траектория решения, малозначимая индивидуальная проверка. Обнаружение несёт свои собственные издержки для справедливости, поскольку инструменты, помечающие авторов, для которых язык не родной, непропорционально генерируют ложные срабатывания (Обнаружение ИИ, Цифровой разрыв).

Рекомендуемые педагогические стратегии онлайн-преподавания и обучения

• Активное и интерактивное обучение. Предпочитайте стратегии, которые заставляют студентов действовать и думать, а не пассивно воспринимать — Активное обучение, интерактивные упражнения и Socratic диалог. ИИ, побуждающий к рассуждению (а не поставляющий ответы), сохраняет продуктивное напряжение и Полезные трудности, которые строят устойчивое обучение.
• Скаффолдинг (опора), направляющая поддержка. Используйте Скаффолдинг, которые снимаются по мере продвижения учащихся, и проектируйте опоры Саморегулируемое обучение, чтобы учащиеся направляли своё собственное обучение, а не зависели от инструмента.
• Совместное и обсуждающее обучение. Структурируйте онлайн-обсуждения и групповую работу намеренно; используйте активности Совместное обучение и, когда ИИ участвует, калибруйте его проведение и его роль как сокурсника.
• Аутентичное, раскрывающее процесс оценивание. Переходите к Аутентичное оценивание и оцениваниям, которые фиксируют процесс, — черновики, устные защиты, самообъяснение, рефлексивные portfolios, — которые более устойчивы к ИИ и раскрывают подлинное понимание.
• Персонализированные и адаптивные траектории. Используйте персонализацию с помощью ИИ (personalization) и adaptive активности, чтобы подгонять темп и сложность, сохраняя при этом глубокую персонализацию (последовательность заданий, калибровка сложности), а не только поверхностную (пользовательские примеры).
• Социальное присутствие и построение сообщества. Намеренно культивируйте социальное присутствие и community — ядро рамки Сообщество исследования, — через companion AI, синхронные проверки и взаимодействие с сокурсниками, поскольку онлайн-изоляция — ключевой барьер для engagement и принадлежности. В эпоху ИИ это означает курирование трёх присутствий (когнитивного, социального, педагогического) даже при том, что генерируемый машиной дискурс осложняет вопрос о том, кто «присутствует» (см. Сообщество исследования).
• Смешанное Дизайн-мышление. Для гибридных форматов применяйте принципы Дизайн обучения, чтобы решить, что лучше делать синхронно, а что асинхронно, и что лучше делать онлайн, а что очно, и как ИИ поддерживает каждое из этих решений.
• Назовите роль ИИ — и проверьте, что у студента всё ещё есть своя. «Студенты могут использовать ИИ» — слишком широкое правило, чтобы проектировать против него. Роли несут разные педагогические последствия — исследование генеративного ИИ в маркетинговом образовании различает репетитора, товарища по команде и инструмент и показывает, что каждая по-разному формирует педагогическое, социальное и когнитивное присутствие (GenAI in Marketing Education), — поэтому онлайн-активность должна быть в состоянии сформулировать своё разделение труда: задача ИИ здесь — X, задача студента — Y. Если Y содержит мало размышления, активность нуждается в перепроектировании, а не в более строгой политике.
• Выстройте обсуждение как позиция, вызов, переосмысление. Традиционная асинхронная формула одной публикации и двух ответов и поверхностна, и выполнима агентом. Более сильная структура просит студентов зафиксировать интерпретацию, встретить контрпример или критику, затем объяснить, как сместилось их рассуждение; оценивается движение между идеями, а не число публикаций. Это также перемещает педагогическое присутствие: механические ответы на десятки публикаций — наименее ценная его форма, тогда как обобщение закономерностей обсуждения — допущений, которые повторяются, разногласий, которые стоит назвать, контрпримера, который расшатывает консенсус, — это та часть, которую ни один агент в этой литературе не выполняет.
• Управление с человеком в контуре. Оставляйте преподавателей и instructors в контуре над инструментами ИИ, опираясь на pedagogical content knowledge, чтобы педагогический замысел — а не настройки инструмента по умолчанию — определял проектирование.

Последствия для онлайн-преподавателей и проектировщиков обучения

• Поставьте ограничительные механизмы на ИИ, а не просто снабдите им. Используйте Скаффолдинг в виде подсказки, а не ответа, которые оставляют когнитивную работу учащегося в контуре; RCT с репетитором с guardrailed показывает, что это устраняет штраф на экзамене, который вызывает неограниченный доступ. См. концепцию Ограничители (guardrails) для полного слоя проектирования (prompting, заземление RAG (генерация с дополненным поиском), обучение, контроль качества).
• Проектируйте устойчивые к ИИ и проходимые под прокторингом/без посторонней помощи оценивания. Поскольку онлайн-оценивание часто не может отличить работу с помощью ИИ от самостоятельной, включайте закрытые, проходимые под прокторингом или раскрывающие процесс оценивания, чтобы выявлять злоупотребления и препятствовать им (Злоупотребление ИИ и вред обучению).
• Преподавайте ИИ-грамотность явно. Помогайте студентам узнавать модели зависимости и калибровать доверие (ИИ-грамотность); стройте self-regulation и Метакогниция, чтобы противодействовать выгрузке.
• Встраивайте ИИ в среду обучения, а не как внешнее дополнение. Целевые, контекстуально настроенные помощники, встроенные в курс (такие как AIDA), превосходят универсальные внешние чат-боты и повышают принятие.
• Калибруйте проведение со стороны ИИ в сторону человеческой осторожности. При использовании ИИ для модерирования обсуждений предпочитайте настройки, которые вмешиваются скупо (Tsirmpas et al.).
• Проектируйте с учётом ограничений взрослой жизни. Для взрослых и дистанционных учащихся приоритезируйте мобильный доступ, возможность работы офлайн и асинхронную доступность (AI-ALOE guidelines).
• Совместно проектируйте со студентами и персоналом и стройте управление. Партисипаторная разработка, спонсорство со стороны руководства, сотрудничество между подразделениями и надёжное Управление ИИ являются факторами, способствующими ответственному внедрению генеративного ИИ.
• Допускайте, что агент попытается выполнить каждую непрокторуемую активность, и проектируйте исходя из этого допущения. Тест из трёх вопросов быстр и вскрывает слабые активности: может ли система ИИ выполнить это без понимания материала студентом; какая когнитивная активность должна производить обучение; какие доказательства покажут, что студент её выполнил. Когда ответ на первый вопрос — да, а на два других ответить трудно, проблема в проектировании обучения, а не в политике в отношении ИИ.
• Сохраняйте верификацию соразмерной риску. Там, где компетентность должна быть сертифицирована, предпочитайте задание-двойника, асинхронную устную защиту или краткую проверку понимания тотальному мониторингу; сохраняйте остальную часть курса гибкой для учащихся, которые зависят от этой гибкости.
• Используйте аналитику для поддержки, а не замены преподавания. Применяйте Аналитика обучения для прогнозирования вовлечённости и адресной поддержки, но сохраняйте human oversight в центре.

Связанные концепции

• Педагогические паттерны — Контекст, который делает выстраивание последовательности несущим, поскольку система не может увидеть попытку
• Валидность оценивания — валидность вывода от сданной работы к обучению
• Агентный ИИ — автономные системы, которые работают с инструментами и платформами, включая систему управления обучением
• Сообщество исследования — Сообщество исследования
• Педагогики и стратегии преподавания
• Дизайн обучения
• Активное обучение
• Совместное обучение
• Скаффолдинг
• Саморегулируемое обучение
• Когнитивный оффлоадинг
• Академическая добросовестность
• Злоупотребление ИИ и вред обучению
• ИИ-грамотность
• Интеллектуальное тьюторство
• Персонализированное обучение
• Адаптивное обучение
• Вовлечённость студентов
• Цифровой разрыв
• Управление ИИ
• Преподавание
• Человек в контуре
• Аутентичное оценивание
• Ограничители (guardrails)
• Обнаружение ИИ

Связанные статьи

• AI Agents Can Now Navigate and Complete LMS Tasks: A Call for Pedagogical Innovation — Автономные агенты выполнили непрокторуемые оценивания в системе управления обучением от начала до конца: проблема валидности оценивания (Hadjisolomou & El-Haddad 2026)
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Задания-двойники: сочетание уязвимого для генеративного ИИ задания с близко назначенным, менее уязвимым заданием на те же результаты
• Coauthorship integrity: Reconceptualising assessment validity for the age of generative artificial intelligence — Целостность соавторства как доказательство валидности и AI Viva как масштабируемая верификация
• Asynchronous Oral Assessments: Enhancing Integrity, Engagement, and Communication in the AI Era — Асинхронные устные оценивания: ограниченные по времени записи без возможности пересмотра, оцениваемые по встроенным рубрикам
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — Ловушка неприложенных усилий: размещение ИИ, а не разрешение или запрет
• Metacognitively Discordant Completion and the Aware Pass-Through of Non-Understanding in Generative AI Learning — Метакогнитивно диссонирующее завершение: корректная работа, сданная без понимания
• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — Какие саморегулируемые стратегии совпадают с низкой цифровой отвлекаемостью (530 студентов)
• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — Саморегулируемое обучение как устойчивая способность и fluctuating state; снижение метакогниции и благополучия в течение семестра
• When AI Wears Many Hats: The Role of Generative Artificial Intelligence in Marketing Education — ИИ как репетитор, товарищ по команде и инструмент: роли и их влияние на присутствие
• Beyond Detection: How Students Use—and Hide—AI in Online Assessments and What Authentic Tasks Can Do About It — За пределами обнаружения: проектирование оценивания для онлайн-условий
• Reconceptualizing Community of Inquiry in the Age of Generative Artificial Intelligence — Переосмысление сообщества исследования в эпоху генеративного ИИ
• Integrating AI in Online Learning in Higher Education: A Literature Review — Интеграция ИИ в онлайн-обучение в высшем образовании: критический обзор литературы по четырём темам
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents
• LearnMate^2: Design and Evaluation of an LLM-powered Personalized and Adaptive Support System for Online Learning — LearnMate²: Personalized and Adaptive Support System for Online Learning
• To Facilitate or not to Facilitate: Human and LLM Facilitator Tendencies in Online Discussions — Тенденции человека и модераторов на основе LLM в онлайн-обсуждениях
• ELEVATE: Designing Human-Centered GenAI Virtual Tutors for Scalable and Inclusive Education — ELEVATE: Human-Centered GenAI Virtual Tutors
• The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents — The Path to Conversational AI Tutors
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Implementing AIDA at the Open University
• Guidelines for Designing AI Technologies to Support Adult Learning — Guidelines for Designing AI Technologies to Support Adult Learning
• DeepTutor: Towards Agentic Personalized Tutoring — DeepTutor: Toward Agentic Personalized Tutoring
• Making machine learning findings accessible to teachers in blended classrooms — Представление результатов машинного обучения в доступном для преподавателей виде в смешанных аудиториях
• A Machine Learning Approach for Predicting Student Progress in Online Programming Education
• Students Prefer Personalized, AI-Generated Educational Videos over Non-Personalized, Human-Recorded Videos — Студенты предпочитают персонализированные сгенерированные ИИ видео неперсонализированным записям с участием человека (Tomlinson et al. 2026)
• Enhancing Peer Exposure and Creating Opportunities for Bridging Social Capital Through an AI-Generated Summary-Driven Learning Design in Online Discussion Forums — Проектирование обучения, основанное на сгенерированных ИИ сводках, в форумах онлайн-обсуждений
• AI training and science student teachers’ TPACK in campus-based and distance education: a comparative study — Студенты-учители очной формы обучения сообщили о более высоком TPACK для преподавания естественных наук с интеграцией ИИ, чем их коллеги из дистанционного образования (64,0% против 47,4%)