Родители и семьи

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Родители и семьи — семья как заинтересованная сторона в AI in education: опекуны, которые репетиторствуют со своими детьми дома, выбирают и оплачивают инструменты, контролируют или не замечают того, что эти инструменты делают, и получают то, что их школа сообщает им об ИИ. Страница собирает доказательства об опосредованном ИИ репетиторстве родителей и детей tutoring и conversational компаньонах, используемых дома, о передачах эстафеты между домом и школой, об собственной ИИ-грамотность родителей и о последствиях для equity домашних устройств, связи и стоимости. Её охват — семья как действующее лицо: что семьи делают с ИИ, что доходит до них из школы, и что исследование устанавливает и не устанавливает о результатах.

Вопросы для размышления

• Luo et al. (2026) обнаружили, что помощь универсального Большие языковые модели (LLM) сокращала роль родителя-репетитора, тогда как интерфейс с разделением ролей сохранял её. Если бы вы проектировали инструмент, которым родитель и ребёнок пользуются вместе, от чего вы защищали бы родителя, и что вы бы ему передали?
• В данных Strömberg, Lei and Wu's (2026) оценки за домашнюю работу выросли на 18%, тогда как оценки на closed-book exam упали на 20% в течение шести месяцев. Что родитель фактически видит происходящим дома, и что ему нужно было бы сказать, чтобы заметить разницу?
• Xiao et al. (2026) обнаружили, что преподаватели называют родителей в первую очередь ответственными за отношения детей с компаньонами ИИ, одновременно описывая тех же родителей как неосведомлённых или перегруженных. Является ли это разумным возложением ответственности, и что потребовалось бы, чтобы сделать его реальным?
• Oreopoulos, Dong and Low (2026) почти удвоили посещаемость первого занятия, убрав paperwork, ориентированный на семью (бумажную работу). В вашей школе или программе какие части процесса, ориентированного на дом, существуют ради пользы семьи, а какие — ради пользы учреждения?
• Fan, Li and Zhang (2026) рассматривают координацию семьи и школы как непроверенную гипотезу, а не как установленную практику. Если она никогда не проверялась, на каких доказательствах покоится совет, который ваша школа сейчас даёт родителям?
• MacCallum, Parsons and Mohaghegh (2026) описывают цифровые неравенства второго и третьего уровней, которые persist (сохраняются) после того, как устройства были предоставлены. На что было бы похоже закрытие разрывов в навыках и результатах в семье, в отличие от аудитории?

Введение

Значительная доля времени детей с ИИ происходит вне аудитории, в условии, которое исследовательская литература по большей части рассматривает как фон. Работы о репетиторстве и учебных результатах обычно ведутся в школе, тогда как работы о руководстве для семьи обычно носят advisory rather than tested (рекомендательный, а не проверенный) характер, поэтому семьи одновременно являются объектом огромного количества руководств об responsible AI и предметом очень небольшого количества доказательств о том, работает ли это руководство.

Эта страница рассматривает семью как действующее лицо в своём праве. Она охватывает опосредованное ИИ репетиторство родителей и детей, компаньонов и инструменты чтения, с которыми дети встречаются дома, что школы говорят и не говорят семьям об использовании ИИ, собственную ИИ-грамотность родителей и то, что известно об их взглядах, и условия доступа и стоимости, при которых семьи используют эти инструменты. Там, где доказательства тонкие, страница говорит об этом, а не заполняет пробел.

Родители как сообразователи дома

Самые ясные доказательства проектирования домашнего репетиторства исходят от Luo et al. (2026), которые построили ParaTutor для китайского контекста домашнего репетиторства после formative исследования того, как родители помогают с текстовыми задачами по математике. Эта формирующая работа выявила recurring failures (повторяющиеся сбои): родители struggle to understand the structure of the problem (с трудом понимают структуру задачи), часто не хватает знаний по содержанию для её поддержки, и они сталкиваются с трудностями коммуникации, которые разрушают совместное понимание. Ответом проектирования было разделение ролей — родители получали рекомендации по репетиторству через multi-agent чат-боты, тогда как дети получали визуальное заземление на самой задаче, с фазово-управляемой поддержкой, чтобы остановить пары от прыжка к ответам. В оценивании с 23 парами родитель–ребёнок (дети в возрасте 10–12 лет) в четырёх условиях помощь универсального Большие языковые модели (LLM) имела тенденцию вытеснять роль родителя, тогда как интерфейс с разделением ролей сохранял родителей, поставляющих и адаптирующих поддержку, в то время как дети оставались в рассуждении. Следствие авторов context-specific (специфично для контекста): в Преподавание математики, где точность модели ограничена, дети не должны взаимодействовать с моделью самостоятельно.

Oreopoulos, Dong and Low (2026) рассматривают семью как procedural actor (процедурное действующее лицо), и их результаты столь же касаются поведения семьи, сколько и репетиторства. Их randomized trial с Toronto District School Board разместило человеческих виртуальных репетиторов поверх практики Khan Academy для struggling (испытывающих трудности) учащихся 4–8 классов. В Году 1 только около 45% номинированных teacher студентов посетили хотя бы одно занятие, причём семьи терялись на каждой передаче эстафеты: приглашение, интерес, создание учётной записи на third-party platform, подбор, явка. В Году 2 приглашение семей напрямую через их собственного преподавателя на фиксированное еженедельное время и оформление зачисления и расписания от имени семьи подняли долю посещения первого занятия до 83%. Еженедельная посещаемость всё ещё hovered near two-fifths (держится около двух пятых), в основном из-за перемежающегося отсутствия, а не отсева; практика выросла примерно на 17 минут в неделю, а эффект по намерению лечить на тематическом тесте составил 0,055 SD, при росте оценок в табелях примерно на 0,08 SD. Устранение трения изменило, кто приходил, а не сколько кто выдерживал.

Компаньоны и инструменты чтения дома

Семьи чаще встречаются с ИИ как с приложением-компаньоном, чем как с системой репетиторства. Liao (2026) сравнила фиксированного компаньона «студент-сокурсник» (Whisper с GPT-3.5) с опытными classroom teachers (классными руководителями) в сессиях разговоров о книгах с 19 учениками начальной школы в Таоюане, Тайвань, — 12 в 4 классе и семь в 5 классе, по четыре сессии каждый. Студенты проводили significantly more time (значительно больше времени) с ИИ, однако вносили markedly lower proportion (заметно меньшую долю) слов и предложений; для 5 класса доля составляла менее трети от того, что они производили с преподавателем, — закономерность, которую статья называет conversational dominance (разговорным доминированием). Компаньон был эффективен в eliciting factual recall (вызывании фактического воспроизведения) и significantly weaker (значительно слабее) преподавателя в prompting эмоциональной и ориентированной на будущее рефлексии — affective ceiling (аффективный потолок). Ответом Лиао является role-adaptive framework (роле-адаптивная рамка), в которой один компаньон занимает роли Сокурсник-студент, Ассистент преподавателя и Советник родителей, причём последняя extends discussion into the home (простирает обсуждение на дом). Диагноз за ним — support vacuum (вакуум поддержки): большинство конструкций компаньонов остаются сосредоточенными на диаде студент–ИИ и не дают преподавателям и родителям определённого места.

Значительная доля подростков предпочитает открыться ИИ, а не родителям. Приведённые китайские данные показывают, что 13,5% молодых интернет-пользователей предпочитают confiding in AI (открываться ИИ), а не своим родителям, и рамка Fu and Zhao's (2026) предсказывает, что привязанность к ИИ становится compensatory substitution (компенсаторной заменой), когда опекуны не признают потребности подростка в подтверждении идентичности.

Две статьи о раннем детстве относятся к тому, что доходит до дома. Yang, Li and Lee (2025) утверждают, что физические, embodied агенты предпочтительны экранов для маленьких детей в developmental (развивательном) отношении, но предупреждают, что генеративные социальные роботы могут fabricate content (фабриковать контент), который preoperational (дооперациональные) дети принимают за правду, не хватает developmental calibration (развивающей калибровки) в их Обратная связь, и несут барьеры стоимости и доступа, которые расширяют Цифровой разрыв. Malallah et al. (2026) идут другим путём с той же возрастной группой: их не требующая подключения рамка на основе play AI-Play была реализована через семейно-ориентированное мероприятие Hour of Code, причём опросы родителей и листы рефлексии детей использовались для оценки вовлечённости и usability для воспроизведения дома. Они сообщают о высокой вовлечённости и формирующемся понимании того, что ИИ учится на примерах.

Коммуникация и прозрачность между домом и школой

То, что школы говорят семьям об ИИ, и то, что семьи говорят школам, по большей части не исследовано; самые ясные находки касаются отсутствия канала. В интервью на основе сценариев с 33 преподавателями K-12 в США Xiao et al. (2026) обнаружили, что решения о вмешательстве зависели от юрисдикции, а не от воспринимаемого вреда. Их тест на видимость проводил границу у двери школы: использование в аудитории или на назначенном инструменте находилось внутри роли преподавателя, тогда как использование дома входило в неё только через наблюдаемые эффекты, такие как отстранённость, падающие оценки или изоляция, — в отсутствие этих преподаватели описывали наблюдение и неформальную документацию, а не действие. Сценарий «Родители» был назван самым тревожным 10 из 33 преподавателей, 17 сказали, что преподаватель должен вмешаться, и 11 ответили «зависит от обстоятельств». Родители были названы в первую очередь стороной, в первую очередь ответственной за отношения детей с компаньонами ИИ, а затем описаны как неосведомлённые или перегруженные. Авторы называют это юрисдикционным вакуумом и предупреждают, что без установленного curricular claim (претензии со стороны учебной программы) взрослые с наиболее consistent access (постоянным доступом) к детям по умолчанию переходят к наблюдению и направлению к специалистам. Психологи-консультанты, родители и студенты не были опрошены.

Fan, Li and Zhang (2026) делают проблему координации явной. Рассматривая литературу с руководствами, они отмечают, что она перекладывает управление рисками на семьи и школы, рассматривая при этом их координацию как установленную, и они формализуют три конкурирующие модели — аддитивную, синергетическую и компенсаторную, — отмечая, что синергетическая версия, заложенная в большинство руководств, не имеет поддерживающих доказательств. Их предлагаемый тест — факторное испытание, противопоставляющее руководство только для семьи, только для школы, скоординированное и обычную практику. На стороне семьи они переносят различение Теория самоопределения между зависимой выгрузкой, где core thinking (базовое мышление) делегируется, и автономной выгрузкой, где ИИ обеспечивает scaffolds, тогда как учащийся сохраняет эпистемическую Автономность учащегося; непосредственная результативность идентична в обоих случаях, и именно поэтому maladaptive use (неадаптивное использование) трудно увидеть родителю.

То же невидимое появляется в данных об успеваемости. Strömberg, Lei and Wu (2026) следили за 26,811 китайскими студентами средней школы в 7–12 классах в течение 30 месяцев и обнаружили, что внедрение generative AI повысило оценки за домашнюю работу на 18% и сократило время выполнения на 30%, снижая при этом оценки на экзаменах без доступа к материалам на 20% в течение шести месяцев, причём падения на вступительных экзаменах на 18% и 24% появлялись только примерно через два года. Около 81% пользователей показали закономерность outsourcing (перекладывания) домашней работы, тогда как пользователи ИИ, проводившие столько же времени на домашнюю работу, сколько и не-пользователи, набирали схожие оценки на экзаменах. Рекомендация авторов адресована взрослым вокруг ребёнка: monitor inputs such as homework time and effort rather than outputs such as homework scores (следите за входами, такими как время и усилия на домашнюю работу, а не за выходами, такими как оценки за домашнюю работу). Они предостерегают, что более близкий родительский мониторинг сам по себе является одним из ненаблюдаемых факторов, отличающих группу, не перекладывающую работу.

Собственная ИИ-грамотность и защита интересов родителей

Прямые доказательства о том, что родители знают, чего боятся и о чём просят, тонкие, и родители по большей части появляются в литературе как сообщаемые другими. Родители в Liu et al.'s (2026) были опрошены вместе с девочками и практиками и сообщили, что девочки часто «пугались» и говорили меньше в settings (условиях) со смешанным полом. В Xiao et al. (2026) грамотность в отношении компаньонов, которую набросали преподаватели, была совместной работой психологов-консультантов, родителей, платформ и политиков, выстроенной как age-graded spiral (спираль с возрастной градацией), причём родители были названы в первую очередь, а затем описаны как уже несущие больше, чем могут. Родители появляются в оценивании AI-Play через опросы юзабилити активности, а не через рассказы об их собственном понимании.

То, что нужно было бы родителю, чтобы принять участие во всём этом, по сути определяется рамками ИИ-грамотности, построенными для школ. MacCallum, Parsons and Mohaghegh (2026) спроектировали SAIL как age-agnostic (независимый от возраста), рассматривая её компетенции Уровня 1 — понимание и изучение ИИ, — как essential for all ages (существенные для всех возрастов), что помещает взрослых в ту же прогрессию, что и детей, а не в качестве её наставников. Семьи также занимают формальную роль в самом исследовании: Allison (2026) просит авторов сообщать контекст участников и социально-демографические характеристики, Доступность и культурное соответствие, и этическую экспертизу, согласие и data Управление ИИ, — обязательства, через которые согласие семьи, её данные и контекст вообще становятся видимыми.

Доступ и справедливость в разных семьях

Стоимость и связь формируют то, что семьи могут использовать, прежде чем возникает какой-либо вопрос педагогики. В исследовании makerspace Liu et al. (2026) документируют и барьер стоимости, и барьер проектирования: бесплатный генератор изображений Playground убрал свои бесплатные функции в пользу платного уровня «pro», который некоммерческая организация с недостаточными ресурсами не смогла осилить, и инструменты принимали только промпты на английском, ставя в невыгодное положение девочек без уверенности в английском. Yang, Li and Lee (2025) указывают на стоимость и доступ как расширяющие Цифровой разрыв. Результат внедрения в Oreopoulos, Dong and Low (2026) — это результат справедливости в той же мере, что и проектирования: семьи, потерянные в Году 1, были потеряны из-за административных шагов, и вмешательство, которое их вернуло, было построено вокруг собственного преподавателя семьи и фиксированного еженедельного слота.

Fan, Li and Zhang (2026) называют условия измерения, которые делают blanket family advice (обобщённые советы для семьи) небезопасными: инструменты для ИИ-грамотности, зависимости и overreliance были в основном разработаны в выборках из одной страны или специализированных университетов, и большинство исследований являются cross-sectional (поперечными) и self-reported. Аргумент справедливости SAIL equity применяется и в семейном register (регистре): предоставление устройства решает только первое из трёх неравенств, а разрывы в навыках и результатах persist (сохраняются) независимо от того, кому принадлежит оборудование.

Что доказательства показывают и чего не показывают

Самые сильные результаты, ориентированные на семью, в этой базе знаний касаются поведения, а не обучения. Устранение трения, ориентированного на семью, подняло посещаемость первого занятия с около 45% до 83% в одном испытании, и внедрение оставалось binding constraint (ограничивающим условием) даже тогда. То же испытание произвело небольшие и неточные приросты результатов, тогда как крупнейшее исследование achievement сообщает о больших отрицательных эффектах, сконцентрированных среди студентов, перекладывавших домашнюю работу, — закономерность, которую авторы частично приписывают родительскому мониторингу, который они не могли измерить напрямую. Ни одна находка не изолирует то, что делают родители, от того, что делают школы или инструменты.

То, что отсутствует, более заметно. Собственные рассказы родителей редки: преподаватели в Xiao et al. (2026) исключили родителей из своей выборки по замыслу, и родители, которые появляются, опрашиваются как один голос среди девочек, практиков или преподавателей. Здесь нет прямых доказательств о том, как семьи узнают AI policy школы, что им говорят о мониторинге или раскрытии, или как они на это отвечают, и координация семьи и школы была теоретизирована, а не проверена. Конструкции домашнего репетиторства, такие как ParaTutor, оценивались с 23 парами в одном национальном контексте, и сравнения компаньонов опираются на 19 студентов в одной школе.

Обзор охвата 2026 года maps how far the field has gone (показывает, как далеко зашла область). Luo et al. (2026) проанализировали 53 исследования HCI из 6,540 записей в 19 местах публикации через теорию деятельности и обнаружили, что литература сосредоточена на взаимодействии ребёнок–родитель и на языке, ИИ-грамотность и relational learning (обучении через отношения), причём 44 из 53 исследований (83%) происходят в конфигурациях ребёнок–родитель. Разговорные, воплощённые и пространственные системы генерируют поддержку из контекста разворачивающегося взаимодействия, и LLM перераспределяют образовательный труд, тогда как семьи и учреждения остаются ответственными за интерпретацию выходов и решение о том, как они входят в практику. Sustained personalization, труд по repair (восстановлению) и то, как семьи согласуют власть и правила, — пробелы, которые называет обзор, что является тем же отсутствием, которое этот раздел документирует с другого направления.

Связь с другими страницами. Заинтересованные стороны — это краткий обзор всего набора заинтересованных сторон, в котором семьи указаны как аудитория, ещё не охваченная глубоко; эта страница — та глубина. Образование детей раннего возраста охватывает развивающийся и pedagogical домен для маленьких учащихся в школе и дома; эта страница следует за семьей через возрасты, от игровых активностей дошкольного возраста до домашней работы средней школы. Заявления об использовании ИИ и раскрытии информации охватывает, сообщают ли учащие другим, что они использовали ИИ; эта страница охватывает смежный вопрос о том, доходит ли эта информация до взрослых дома, и что говорят семьям об использовании ИИ в школе.

Связанные концепции

• Заинтересованные стороны — зонтичная страница для аудиторий и действующих лиц в ИИ в образовании
• Образование детей раннего возраста — развивающийся домен, где домашнее и семейное использование исследовано больше всего
• Заявления об использовании ИИ и раскрытии информации — практики раскрытия и вопрос о том, что доходит до семей
• ИИ-грамотность — собственные компетенции родителей и построенные школой рамки, которые их определяют
• Справедливость — как выгоды и бремя распределяются между семьями
• Цифровой разрыв — слои доступа, навыков и результатов, поскольку они применяются дома
• Диалоговый ИИ — доминирующая форма, которую ИИ принимает в семейных условиях
• Теория самоопределения — поддержка автономии как рамка для руководства для семьи
• Когнитивный оффлоадинг — зависимая в противопоставлении автономной выгрузке, и почему родители не могут увидеть разницу
• Интеллектуальное тьюторство — модель за опосредованным ИИ репетиторством родителей и детей

Связанные статьи

• Artificial Intelligence Connectedness: Theoretical Reconstruction of Connectedness and Its Impacts on Adolescent Mental Health — Связь подростков с ИИ и когда привязанность к ИИ заменяет непризнанное признание со стороны опекунов
• ParaTutor: Coordinating Parent-Child Math Tutoring through Role-Separated LLM Scaffolding — поддержка LLM с разделением ролей для 23 пар родитель–ребёнок в китайском домашнем репетиторстве по математике
• Beyond a single role: Justifying a role-adaptive framework for AI companions through a comparative study in elementary book talk — Компаньон с фиксированной ролью сокурсника против преподавателя с 19 учениками начальной школы на Тайване
• Family-school autonomy support for children's responsible use of generative artificial intelligence — обзор, рассматривающий координацию семьи и школы как непроверенную гипотезу
• RAISE the Standard: A Framework for Transparent Reporting of Artificial Intelligence Studies in Education — обязательства по отчётности, охватывающие согласие, контекст участников и справедливость доступа
• Exploring K-12 Teachers' Perceptions of Students' Relationships with AI Companions: Boundaries, Intervention Strategies, and Design Implications — 33 преподавателя о юрисдикции, родителях и отношениях детей с компаньонами ИИ
• AI-Play: A Framework for Teaching Artificial Intelligence Concepts through Unplugged Activities in Early Childhood Education — ИИ-грамотность без подключения, проверенная через семейно-ориентированное мероприятие Hour of Code
• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — родители среди опрошенных; стоимость инструментов и языковые барьеры в неформальных условиях
• Tailoring AI Agents for Early Learning: The Creative Project Approach — физические агенты для маленьких детей, с оговорками о стоимости, доступе и конфиденциальности
• Transforming clicks into critical thinking: An AI-based media literacy program for children — школьная программа о конфиденциальности данных, безопасной коммуникации и медиаэтике у 36 четвероклассников
• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — внедрение выросло с 45% до 83%, когда были убраны шаги, ориентированные на семью
• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — перекладывание домашней работы, падения на экзаменах и аргумент в пользу мониторинга входов
• The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education — независимые от возраста уровни ИИ-грамотности и трёхуровневое цифровое неравенство
• Characterizing LLM-Based Family Education through the Lens of Activity Theory: A Scoping Review of the HCI Literature — «Characterizing LLM-Based Family Education through the Lens of Activity Theory: A Scoping Review of the HCI Literature»