AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Педагогический агент

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Синтез: Педагогические агенты — это управляемые ИИ разговорные интерфейсы, встроенные в среды обучения, которые используют педагогические стратегии (вызывание, рассказывание, скаффолдинг) для поддержки вовлечённости учащегося, рефлексии и метакогниции. Конструкции варьируются от простых поставщиков информации до интерактивных партнёров по диалогу, адаптирующихся к состояниям учащегося.

Вопросы для размышления

  • Вспомните время, когда чат-бот или репетитор дал вам идеальный ответ, который не сделал вас умнее. Что заставляет ИИ «учить», а не просто «решать», — и почему оценка на бенчмарке может не уловить эту разницу?
  • Страница обнаруживает, что оценки «решения» и «педагогики» в репетиторстве слабо коррелируют между моделями. Что это должно сказать вам об оценивании репетитора ИИ по его способности отвечать на вопросы?
  • Некоторые конструкции дают ИИ различные роли — Преподаватель, Сокурсник, Наставник, — и даже сохраняют родителя в центре (как в ParaTutor). По вашему опыту, меняет ли чёткая роль агента то, как Учащиеся взаимодействуют с ним?
  • Реальные студенты часто «обходит» педагогическую рамку чат-бота, когда цели агента сталкиваются с собственными целями учащегося. Почему учащийся может рационально игнорировать хороший скаффолдинг, и что это подразумевает для допущения «если мы это построим, они будут вовлекаться»?
  • Предпочли бы вы учиться у ИИ, который говорит вам вещи, у того, который задаёт вам вопросы, или у того, который опосредует групповое обсуждение? Как ваше предпочтение формирует то, что вы считаете «педагогическим агентом»?
  • От простого поставщика информации до флота специализированных агентов, оркеструющих весь курс, — где, по вашему мнению, лежит ценность (и риск) разговорного репетиторства с ИИ?

Введение

Педагогический агент — это интерактивный компонент ИИ внутри системы обучения, который вовлекает учащихся через диалог, вопросы или промпты для поддержки когнитивных и метакогнитивных процессов. В отличие от пассивных панелей или статичной обратной связи, педагогические агенты применяют основанные на доказательствах стратегии репетиторства — такие как вызов у учащегося самооценивания перед предоставлением Обратная связь, или Скаффолдинг Решение задач через сократический диалог. Зонтик теперь охватывает всё: от единственного разговорного интеллектуального репетитора до флотов роле-специализированных агентов, которые lecturing (ведут лекции), наставничают, облегчают сотрудничество и даже оркеструют генерацию курсов, всё это основано на десятилетиях исследований систем интеллектуального репетиторства.

Как педагогические агенты изучаются в базе знаний

Проектирование и архитектура разговорных агентов. Повторяющаяся нить — как агенты структурированы, а не только какие модели их питают. Рамка разговорных репетиторов ИИ утверждает, что проверенные технологии ITS — Трассирование знаний, обнаружение аффекта, моделирование студента — должны заякорить генеративных репетиторов, сохраняя диагностический костяк, тогда как Генеративный ИИ поставляет гибкий диалог. Многоагентные конструкции идут дальше: MAIC заменяет «одно видео на N студентов» от MOOC аудиторией на основе Большие языковые модели (LLM) из агентов Teacher, Assistant, Classmate и Analyzer для предоставления персонализированного обучения в масштабе, тогда как LecturaAgents добавляет воплощённого ProfessorAgent, чей алгоритм TASA согласует видимые преподавательские действия (почерк, выделение) с профилями учащегося. Даже репетиторство родителей и детей становится задачей двух агентов в ParaTutor, где скаффолдинг с разделением ролей сохраняет родителя в центре, вместо того чтобы позволить универсальному чат-боту его вытеснить. Та же ролевая логика появляется в Instructional Agents, где агенты Teaching Faculty, Designer, TA и Program Chair сотрудничают через ADDIE для генерации материалов курса.

Дополнительное использование ролевых агентов нацелено на практику преподавателя, а не на обучение студента: Mohne et al. (2026) сочетают педагогические персоны студентов, память, заземлённую на реальных материалах курса, и оракула-спикера LLM-as-a-judge, чтобы преподаватели-новички rehearsing (отрепетировали) секцию в малой группе, — 254 необязательные сессии в среднем около 16 минут каждая, примерно по \0,05–0,05–\\0,10 за сессию.

Обучение в противопоставление поведению решения. Центральное эмпирическое обнаружение состоит в том, что производство ответа — это не поддержка обучения. Измерение того, учат ли репетиторы LLM или решают показывает, что оценки решения и педагогики на бенчмарках репетиторства коррелируют только слабо (r = 0,421 по восьми моделям), утверждая, что бенчмарки должны сообщать ориентированные на педагогику критерии — направляющие вопросы, калиброванные подсказки, нераскрывающий скаффолдинг — отдельно. Это согласуется с доказательствами специфичного для репетиторства ИИ в противопоставлении общему ИИ: педагогически спроектированные репетиторы с Ограничители (guardrails) смягчают падения оценок на экзаменах и подавленное рассуждение, которые производят сырые универсальные чат-боты, сохраняя желательные трудности и продуктивное напряжение, а не short-circuiting (закорачивая) их. Однако бенчмарки могут переоценивать, насколько хорошо даже скаффолдированные репетиторы работают в реальных условиях. Переосмысление скаффолдинга в репетиторах LLM обнаруживает, что реальные студенты часто обходят педагогическую рамку чат-бота — рациональный ответ на несоответствие между целями агента и собственными целями учащегося, — поэтому внедрение должно оцениваться, а не допускаться.

Роль в репетиторстве и сотрудничестве. Агенты всё чаще позиционируются не как поставщики ответов, а как посредники и медиаторы. Рамка педагогического медиатора Ниари переосмысляет ИИ в совместном обучении как интеракционального, эпистемического и регулятивного медиатора — скаффолдинг участия и общей Регулирование ИИ в образовании без вытеснения агентности учащегося или преподавателя. Конкретно совместное репетиторство с ИИ (ProPACT) рассматривает само сотрудничество как объект обучения, прогнозируя распады диад за 30 секунд вперёд и поставляя минимально интрузивные скаффолдинги, которые сохраняют Метакогниция. Воплощённое исследование с ИИ как посредником показывает, что ИИ может дополнить hands-on model-building (создание моделей руками), облегчая применение построенной модели, тогда как метаанализ обучения языкам с помощью роботов обнаруживает, что исходы track how a robotic agent is positioned in instruction (следят за тем, как роботизированный агент позиционирован в обучении) (групповое взаимодействие) больше, чем его технической изощрённости. Достаточно ли самой роли, которую играет агент, или он должен также адаптировать своё поведение, — ставится под вопрос Liao (2026): исследование начальной школы «разговоров о книгах» обнаружило, что фиксированный компаньон «студент-сокурсник» поддерживал более долгие взаимодействия, однако подавлял агентность студента и упирался в «аффективный потолок» (слабая эмоциональная/ориентированная на будущее рефлексия), утверждая, что ролевая маркировка должна быть соединена с роле-адаптивной логикой взаимодействия, а не с монолитной конструкцией одной роли.

Ethics Training Agents (Seo et al., 2026) показывает, что происходит, когда педагогического агента просят модерировать, а не учить: посредник на основе LLM, ведущий передачу очереди (накопление с 15-секундными окнами поднятия руки), управление временем (автоматический переход стадии к подведению итогов после 9 минут) и инкрементальное пакетное обобщение сократили когнитивную нагрузку участников и дали им ощущение, что обсуждение ило «по курсу», — один участник сравнил это благоприятно с ChatGPT, который «может часто казаться дезорганизованным или затруднять видение прогресса идей». То же исследование exposes the ceiling of persona-based agents (вскрывает потолок агентов на основе персон): три различных агента с этической ориентацией были оценены significantly below (значительно ниже) человеческих сокурсников по вкладу, разнообразию и влиянию (Крускал–Уоллис p < .001), и участники просили ориентированный на процесс («как агент рассуждает»), а не ориентированный на вывод результат.

Где разговорные агенты используются (и не используются) — картина обзорного обзора. Обзорный обзор разговорных агентов ИИ (Ganguly et al. 2025, 34 обзора) количественно описывает использование CAI: поддержка преподавания и обучения (97,1% обзоров), психологическая и мотивационная поддержка (91,2%) и метакогнитивное и личностное развитие (88,2%) лидируют, тогда как административная поддержка (50%), управление исследованиями и информацией (52,9%) и поддержка в области здравоохранения/медицины (41,2%) отстают. Он также flags (отмечает), что CAI-исследованиям не хватает сквозных руководств по проектированию, специфичных для CAI методов юзабилити и конкретных стратегий оркестровки в аудитории для роли преподавателя, — усиливая, что проектирование педагогических агентов должно быть основано на HCI, доказательствах и внимании к ИИ-грамотность. (Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Ролевая ориентация — это переменная проектирования, а не стилистический выбор. Сравнение агентов по физике (Wang et al. 2026, 59 учащихся) изолирует заданную промптом роль, удерживая модель, платформу и температуру фиксированными: агент, ориентированный на преподавателя, заземлённый в ограниченном источнике-учебнике и отвечающий с точки зрения инструктора, против агента, ориентированного на студента, настроенного со знанием понимания студентов и scripted to diagnose misconceptions (запрограммированного диагностировать заблуждения), называть концепцию и переносить на аналогичный случай. Ориентированная на студента роль выиграла по каждому измеренному исходу — результативность после теста, более низкая посторонняя и более высокая существенная когнитивная нагрузка, опыт потока и воспринимаемая эмпатия, — даже при том, что агент, ориентированный на преподавателя, был тем, который был оптимизирован для точности и fidelity (верности) учебнику. Это делает роль и паттерн взаимодействия параметром проектирования первого класса наряду с промптом и выбором модели, и показывает, что эмпатия может быть спроектирована из разговорной структуры, а не из иначе обученной модели (Аффективные вычисления).

Намерение авторинга не гарантирует enacted pedagogy (воплощённую педагогику). Когда 27 преподавателей средней школы настроили инструмент authoring (авторинга) чат-бота, ориентированного на преподавателя, оценивание 108 рейтингов критериев на уровне бота обнаружило, что сгенерированные ответы согласовывались far better (гораздо лучше) с отзывчивостью (88,9%) и персоной (81,5%), чем с правилами (70,4%) или заявленной целью (59,3%), что авторы формулируют через педагогические формы залива исполнения и залива оценки Нормана, — настраиваемые элементы управления сами по себе не сделали инструктивное намерение преподавателя видимым в поведении бота (Riahi et al. (2026)).

Агенты в иммерсивных условиях и расширенной реальности. Ross and Kaspar (2026) расширяют концепцию на расширенную реальность (AR, дополненную виртуальность и VR) с ACLIME, концептуальной рамкой, которая — в отличие от CAMIL, CATLM-VR и TICOL, — сохраняет агента внутри модели. Она называет два режима взаимодействия, взятые из литературы: репетитор, предлагающий руководство, ободрение, рефлексивное вопрошание и объяснения, и партнёр по ролевой игре, который занимает определённую роль внутри сценария, такого как местный житель на экскурсии об изменении климата или negotiating counterpart (договаривающаяся сторона) в корпоративном обучении. Тело агента (от головы до полного тела) и его поведение рассматриваются как поверхности проектирования: визуальный реализм в противопоставление поведенческому, гибкое управление ИИ в противопоставление фиксированному скриптованию по правилам, синтезированная речь в противопоставление предварительно записанной, и невербальные каналы, включая взгляд, жест и проксемику. Погружение и взаимодействие, основанное на теле, утверждается, умножают социальные сигналы за социальным присутствием — поведенческий реализм, а не визуальный реализм, предлагается как решающий предиктор, — тогда как собственное виртуальное тело учащегося добавляет измерение воплощённости (владение телом, агентность виртуального собственного тела, самолокализация) и эффект протея. Явный компромисс рамки — когнитивный: погружение и mere presence (простое присутствие) агента могут повышать когнитивную нагрузку даже при том, что социальное взаимодействие с агентом снижает её через коллективный эффект рабочей памяти, и временной слой (ознакомление, созревание отношений человек–агент, угасание новизны, развитие киберболезни) добавляется к обычным переменным проектирования. Его статус намеренно предварительный: почти никакая эмпирическая работа ещё не тестирует педагогических агентов в иммерсивных медиа, и долгосрочные результаты обучения, а также характеристики учащегося лежат вне модели.

Оценивание и бенчмарки. Измерение педагогического агента требует тестирования педагогики, а не контента. The Teaching Monster Challenge бенчмаркирует педагогическое знание содержания, прося агенты адаптировать урок к заданной персоне учащегося, обнаруживая, что системы сильны в контенте, но слабы в его адаптации, — и вскрывая, что LLM-судьи неверно ранжируют сильные системы. EduAgentBench оценивает агентов по профессиональному педагогическому суждению, ситуативному многоходовому репетиторству и завершению рабочих процессов в стиле canvas, показывая, что модели не дотягивают до профессиональных стандартов преподавания. Сгенерированная ИИ интерактивная художественная литература добавляет угол проектно-оценочного анализа: связность и интеграция тестов, а не способность к генерации, ограничивают полезность для студенческого опыта.

Стресс-тест устойчивости персоны на нескольких ходах. Shouqi et al. (2026) провели шесть эскалирующих атак против агентов ролевой игры с автоматизированным Судьёй: тестирование с несколькими стратегиями снизило устойчивость на 0,17–0,20 по сравнению с базовым уровнем одной стратегии, и критические сбои кластеризовались после 5–6 хода, поэтому короткие или одноходовые оценивания переоценивают устойчивость персоны и этическую приверженность.

Практические рекомендации

Проектируйте для агентности учащегося, а не для удобства модели. Предпочитайте специфичные для репетиторства ограничительные механизмы — Скаффолдинг, подсказки, сократическое вопрошание, нацеливание на заблуждение, — сырой генерации ответов, поскольку решение и обучение расходятся. Распределяйте поддержку по роли пользователя (родитель против ребёнка, сокурсник против сокурсника), а не через единственный универсальный интерфейс, и рассматривайте сотрудничество как валидную цель для скаффолдинга. Не допускайте, что студенты примут скаффолдинг; оценивайте внедрение в реальных контекстах. Встраивайте человеческий надзор в авторинг — как PromptDecipher делает контроль качества ответов бота со стороны преподавателя активностью первого класса, — и выбирайте более дешёвые бэкенды там, где качество сохраняется. Сообщайте оценки обучения и решения отдельно, и проверяйте сгенерированный контент с пользователями, а не допуская, что генерация равна полезности.

Предпочтение учащегося — плохой прокси для качества скаффолдинга: студенты в поддерживаемом ИИ математическом моделировании показали лучший результат с ролями Сокурсник и Ассистент преподавателя, однако оценили более директивные роли Репетитор и Отличный студент выше по полезности и самоэффективности (Zhu, Yang and Yang (2026)).

Обзор 46 исследований агентов ИИ в компьютерно-поддерживаемом совместном обучении различает когнитивный скаффолдинг, социальное облегчение и инструктивную оркестровку, и обнаруживает, что когнитивные приросты consistent (последовательны), тогда как поведенческие, социальные и эмоциональные исходы зависят от контекста, — поэтому функция агента должна выбираться для того исхода, который он должен производить (Ba et al. (2026)).

Связи с родственными концепциями

Педагогические агенты лежат на пересечении Интеллектуальное тьюторство (их диагностический костяк из Трассирование знаний и моделирования студента) и Генеративный ИИ/Большие языковые модели (LLM) (их движок доставки). Они operationalize (операционализируют) Скаффолдинг и Обратная связь, нацелены на Метакогниция и Саморегулируемое обучение, и всё чаще target (нацелены на) Совместное обучение. Опасения по поводу безопасности повторяются в Педагогическая безопасность, качестве авторинга и риске того, что агенты выгрузят обучение, а не будут его поддерживать. Всё это оценивается через Оценивание ИИ-образования и бенчмарки, которые должны измерять обучение, а не только решение.

Крайне важно, что педагогические агенты судятся по их учебным результатам, а не по тому, насколько бегло они отвечают. Доказательства базы знаний состоят в том, что агенты производят устойчивые приросты, когда спроектированы как специфичные для репетиторства коучи с ограничительными механизмами — специфичный для репетиторства ИИ последовательно превосходит универсальные чат-боты — и могут вредить обучению, когда они заменяют усилие учащегося (RCT с ограничительными механизмами, опора на LLM и оценки). Измерение Прирост в обучении агента поэтому требует необусловленных, переносимых мер исхода, а не результативности внутри инструмента.

Лучшая обратная связь — это не то же самое, что лучшее обучение: настройка агента с базами знаний и рабочим процессом повысила точность и специфичность обратной связи, но оставила саморегулирующее поведение, учебный опыт и исходы неизменными, и её преимущество в приросте появилось только при директивной обратной связи (Han et al. (2026)).

Связанные концепции

Связанные статьи

Связанные FAQ

Метаданные

ДисциплинаStem Education
УровеньHigher Ed, K 12
Целевая аудиторияLearners
Обучение и преподаваниеСкаффолдинг, Взаимодействие студента и ИИ
Технологии и методыГенеративный ИИ, Интеллектуальное тьюторство, Большие языковые модели (LLM), Персонализированное обучение
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.