Предшествующие знания

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Предшествующие знания — знания, навыки, убеждения и ментальные модели, которые учащийся приносит в новую учебную задачу. Это единственный самый мощный предиктор последующего обучения: новая информация интерпретируется через то, что учащийся уже знает, и интегрируется с этим знанием, поэтому обучение, которое активирует предшествующие знания и опирается на них, даёт более сильный и более устойчивый результат, чем обучение, рассматривающее каждого учащегося как чистый лист. В AI in education предшествующие знания занимают центральное место в Моделирование учащегося и адаптивное обучение (адаптации instruction к текущему состоянию учащегося), в Конструктивизм принципе, согласно которому знание активно строится поверх существующих ментальных моделей, и в риске того, что инструменты ИИ, которые предварительно извлекают и выдают содержимое, обходят retrieval practice, активирующую предшествующие знания.

Вопросы для размышления

• Что вы глубоко освоили и что вам давалось с трудом? Насколько эта разница определялась тем, что вы уже знали в начале?
• Одних предшествующих знаний недостаточно — их нужно активно извлекать и связывать. Когда вспоминание того, что вы уже знали (или его неудача), меняло то, насколько хорошо вы усвоили что-то новое?
• Страница говорит, что предшествующие знания могут мешать, если они неверны (ложное представление). Можете ли вы вспомнить убеждение, которое вы разделяли и которое затрудняло усвоение новой, верной информации?
• Генеративный ИИ, предварительно извлекающий ответы, может обойти практику извлечения, активирующую предшествующие знания. Как инструмент, созданный, чтобы помогать вам учиться, может на самом деле помешать вам вспомнить то, что вы знаете?
• Если ИИ должен оценивать ваше состояние предшествующих знаний, чтобы персонализировать обучение, что происходит, когда эта оценка ошибочна? Насколько вы уверены в том, что система может точно знать, что вы уже знаете?
• Чем «активация предшествующих знаний» отличается от простого вопроса студентам перед teaching? Что сделало бы эту активацию подлинно углубляющей последующее обучение?

Введение

Активация предшествующих знаний — один из самых надёжных результатов the learning sciences: учащиеся не усваивают новый материал в вакууме, а отображают его на существующие схемы, и качество этого отображения определяет сохранение и transfer. Эта концепция лежит в основе опорных схем Аусубеля, активации предшествующих знаний перед новым обучением, практики извлечения как формы активации и укрепления уже известного и диагностического Оценивание того, что учащиеся уже знают. В эпоху ИИ предшествующие знания приобрели новую остроту, потому что generative AI может либо поддерживать активацию (prompting, побуждающие учащихся вспоминать и связывать то, что они знают), либо полностью обходить её (мгновенно выдавая ответ или предварительно извлечённое содержимое, которое учащемуся никогда не требовалось извлекать или интегрировать).

Роль предшествующих знаний

• Это самый сильный предиктор обучения. Десятилетия research показывают, что то, что учащийся уже знает, коррелирует с learning outcomes сильнее, чем почти любой другой фактор, потому что новая информация кодируется относительно существующих ментальных моделей. Поэтому системы ИИ, адаптирующиеся к состоянию предшествующих знаний каждого учащегося, заключают в себе особое обещание для эффективности и transfer.
• Важна активация, а не только наличие. Одних предшествующих знаний недостаточно — их нужно активно извлекать и связывать с новым материалом. Именно поэтому «активация предшествующих знаний» — стандартный instructional приём и почему практика извлечения (вспоминание того, что вы знаете, прежде чем добавлять к этому) улучшает обучение сильнее, чем простое повторное восприятие.
• Они не всегда предсказывают, кто выполняет работу, приводящую к обучению. В пятидневном исследовании обучения через преподавание с 23 тьюторами из средней школы предшествующие баллы за тест не предсказывали долю ответов, строящих знания, которую производил тьютор, и тьюторы с низким уровнем предшествующих знаний, строившие знания, финишировали статистически наравне со сверстниками с высоким уровнем (Ameen et al., 2026).
• Они формируют интерпретацию. Учащиеся интерпретируют новую информацию через то, во что они уже верят. Когда эти убеждения неверны (Заблуждения об ИИ), предшествующие знания могут мешать обучению, поэтому обучение должно вскрывать и прорабатывать ложные представления, а не предполагать нейтральную стартовую точку.
• Они управляют моделированием студента. Чтобы персонализировать обучение, системе ИИ необходимо оценить состояние предшествующих знаний учащегося — это основа Трассирование знаний, моделирования студента и адаптивного Скаффолдинг. Качество этих оценок определяет, будет ли адаптация подлинно полезной или вводящей в заблуждение.
• Содержание знания определяет, какую практику процесса оно набирает. Зависит ли обучение от памяти или от индукции, задаёт структура предшествующих знаний целевого объекта: Rachatasumrit, Koedinger & Carvalho (2025) следуют рамке KLI и различают компоненты знания с постоянными условиями и ответами (факты, приобретаемые через память и практику извлечения) и компоненты с переменными условиями и ответами (навыки, приобретаемые через индукцию и обобщение на новые входные данные) — именно поэтому оптимальное соотношение разобранных примеров и практики различается для фактологического содержания и для навыкового.

Предшествующие знания в эпоху ИИ

Генеративный ИИ превратил предшествующие знания в центральное соображение проектирования, а не в фоновую переменную:

• Риск обхода. Proactive agentic AI, который предварительно извлекает и выдаёт содержимое, может обойти практику извлечения, активирующую предшествующие знания, — учащемуся никогда не приходится вспоминать или интегрировать то, что он знает, прежде чем получить ответ. Это один из шести педагогических рисков, выявленных в рамке agentic образования как наилучшей практики, и он напрямую связан с Over-Reliance и принципом Полезные трудности, согласно которому усиленная переработка поддерживает прочное обучение.
• Предшествующие знания формируют структуру перекладывания, а не только результаты. В исследовании написания синтезирующих текстов кластер с высоким уровнем знаний и минимальным перекладыванием написал 80% своего сочинения против 2% у кластера с наибольшим перекладыванием (в среднем 25,1 промптов), поэтому объём промптов отслеживал предшествующие знания, а не усилия (Poquet et al. (2026)).
• Разрыв в выгоде усугубляется. Поскольку продуктивное использование ИИ зависит от того, что учащийся уже знает, студенты с более сильными предшествующими знаниями используют его лучше, тогда как новички с наибольшей вероятностью рассматривают его как замену — это распределённый риск, способный расширять разрывы в достижениях даже при равном доступе (Lodge & Loble (2026)).
• Прайминг и активация как проектирование. GenAI mindtool approaches намеренно «праймируют учебную задачу», активируя предшествующие знания и любопытство через наводящие вопросы, сгенерированные ИИ визуальные образы и аналогии (например, «Что вы уже знаете об экосистемах?») до введения нового содержания — моделируя путь извлечения-и-интеграции, а не путь выдачи ответов.
• Моделирование студента и память. Системы ИИ всё чаще моделируют состояние предшествующих знаний учащегося и его долговременную память (например, включая состояние предшествующих знаний и кривые забывания в память тьюторской системы), что делает возможным распределённое повторение и адаптивный обзор, опирающиеся на то, что каждый учащийся уже знает.(PersonaVLM: Long-Term Personalized Multimodal LLMs)
• Рычаг персонализированной адаптации. Поскольку учащиеся широко различаются по предшествующим знаниям, адаптация должна быть настроена на индивидуума — это основной аргумент в пользу Персонализированное обучение и адаптивного Скаффолдинг, которые встречают учащихся в их фактическом текущем состоянии, а не в предположении об усреднённом по классу уровне.

Следствия для проектирования ИИ в образовании

1. Активируйте, прежде чем выдавать. Проектируйте взаимодействия с ИИ так, чтобы побуждать учащихся извлекать и формулировать то, что они уже знают, до предоставления нового содержимого или ответов — сохраняя практику извлечения вместо того, чтобы обходить её.
2. Моделируйте состояние предшествующих знаний учащегося. Стройте моделирование студента и адаптацию на оценённых предшествующих знаниях (и связанных с ними ложных представлениях), а не на предполагаемой однородности, чтобы персонализация была подлинно отзывчивой.
3. Вскрывайте и прорабатывайте ложные представления. Когда предшествующие знания неверны, они будут мешать; обучение должно выявлять и исправлять ложные представления, а не добавлять новое содержимое поверх хрупкого основания.
4. Взвешивайте компромисс трения. Активация предшествующих знаний добавляет желаемую трудность (извлечение, интеграцию), которую стандартные настройки ИИ, убирающие трение, обычно стирают, — это противоречие нужно управлять осознанно, а не позволять автоматизации разрешать его по умолчанию.

Связанные концепции

• Учащиеся — Учащиеся: зонтичная концепция для понятий со стороны учащегося
• Конструктивизм
• Персонализированное обучение
• Моделирование учащегося и адаптивное обучение
• Заблуждения об ИИ
• Фреймворк ICAP
• Трассирование знаний
• Скаффолдинг
• Саморегулируемое обучение
• Перенос обучения
• Метакогниция
• Когнитивный оффлоадинг
• Полезные трудности
• Теории обучения
• Продуктивная неудача — Продуктивная неудача
• Извлечение из памяти, распределение и чередование — как то, что учащийся уже знает, определяет то, что может дать практика извлечения

Связанные статьи

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Напряжение между автоматизацией и обучением (риск активации предшествующих знаний)
• Generative AI (GenAI) as a mindtool that supports generative learning (GL) — Генеративный ИИ как ментальный инструмент: прайминг и активация предшествующих знаний
• PersonaVLM: Long-Term Personalized Multimodal LLMs — Моделирование и память студента на базе LLM
• Artificial intelligence, cognitive offloading and implications for education — Lodge & Loble о когнитивном перекладывании
• Profiling cognitive offloading in LLM-mediated synthesis writing: Volume vs. content — Когнитивное перекладывание в написании синтезирующих текстов с LLM
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators — Рамка учебного проектирования для математики
• Beyond prior knowledge: the predictive role of knowledge-building in tutor learning — построение знаний, а не предшествующие знания, предсказывает обучение тьюторов, и тьюторы с низким уровнем предшествующих знаний, строящие знания, догоняют остальных
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content