AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Обучение, основанное на проблемах

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Обучение, основанное на проблемах (problem-based learning, PBL) — центрированная на учащемся педагогика, в рамках которой студенты приобретают знания и навыки, работая над пониманием и решением реалистичной, часто плохо структурированной проблемы, при этом фасилитатор направляет исследование, а не излагает материал. В эпоху ИИ структурные особенности PBL — движимое проблемой исследование, collaborative knowledge construction, фасилитация вместо изложения материала и metacognitive reflection — проявились как те самые условия, при которых интеграция generative AI становится образовательно продуктивной, а не подменяющей обучение.

Вопросы для размышления

  • При обучении, основанном на проблемах, проблема является движущей силой curriculum, а не иллюстрацией материала, излагаемого в другом месте. Можете ли вы вспомнить случай, когда вы глубоко освоили что-то, потому что сначала решали настоящую проблему?
  • Страница утверждает, что особенности PBL (движимое проблемой исследование, коллаборация, фасилитация, рефлексия) — это именно те условия, при которых ИИ становится продуктивным партнёром, а не сокращением пути. Почему это могло бы быть так?
  • ИИ разрывает связь между представленным артефактом и усилием, который его породил, — это проблема «артефакта как суррогата». Как помогает оценивание процесса вместо одного лишь продукта, и что делает оценивание Оценивание трудным?
  • PBL возник в медицинском образовании отчасти потому, что профессиональная компетентность требует адаптивного суждения, а не рутинного исполнения. В чём разница между этими двумя вещами и как ИИ меняет то, для какой из них мы тренируем?
  • Если ИИ теперь может сделать «злокачественные проблемы» и сложные реальные кейсы доступными для большего числа студентов, что может быть потеряно, когда задача становится легче достижимой?
  • Где ИИ в рамках PBL должен проводить границу между выдачей проблемы, подсказки и ответа? Что определяет, какой из этих шагов верен в любой конкретный момент?

Введение

PBL возник в медицинском образовании (Университет Макмастера, 1960-е годы) и с тех пор распространился на health professions, инженерное дело и K-12. Учащийся берёт на себя ответственность за диагностирование учебных потребностей, выявление ресурсов и конструирование решений, тогда как фасилитатор scaffolding-ом поддерживает процесс. Отличительный тезис PBL состоит в том, что проблема является движущей силой учебного плана — не иллюстрацией материала, излагаемого в другом месте, а контекстом, в котором материал осваивается.

PBL в эпоху ИИ

research базы знаний показывают, что PBL стал фокусной точкой для размышлений о продуктивной интеграции ИИ.

  • Структурные условия PBL делают интеграцию ИИ продуктивной. Rowe (2026) утверждает, что ключевые особенности PBL — движимое проблемой исследование, коллаборативное конструирование, фасилитация, метакогнитивная рефлексия, — это именно те условия, при которых ИИ функционирует как партнёр в professional development, а не как сокращение пути вокруг него. Это соответствие структурно, а не ретроспективно: PBL был построен вокруг этих условий до появления ИИ, исходя из признания того, что профессиональная компетентность требует адаптивного суждения, а не рутинного исполнения.
  • ИИ поднимает потолок сложности проблем. Тот же аргумент состоит в том, что ИИ расширяет категорию проблем, которые PBL может вовлекать, делая «злокачественные проблемы» и сложные реальные кейсы доступными для студентов, которые раньше не могли до них дотянуться.
  • Проблема «артефакта как суррогата». ИИ разрывает связь между представленным артефактом и engagement, которая его породила, — проблема, для решения которой PBL хорошо расположен, потому что он оценивает процесс и продемонстрированное понимание, а не только продукт. Это связывает PBL с authentic и process-based assessment и с литературой базы знаний о over-reliance.

Трёхуровневый метаанализ, объединяющий PBL с поддержкой генеративного ИИ с проектным обучением, сохраняет продуктивность и качество решений в отдельной модели именно потому, что она измеряет результат коллаборации человека и ИИ, а не интернализированное обучение, и эта оценка является самой большой из всех, о которых сообщают рецензенты (g = 1,958), при этом опираясь лишь на шесть исследований и имея приблизительный 95% предиктивный интервал [−0,740; 4,656], который пересекает ноль, — это количественная форма приведённой выше осторожности относительно «артефакта как суррогата» (Chen et al. 2026).

  • ChatGPT как adaptive scaffolding. La Sunra et al. (2026) показывают, что ChatGPT, интегрированный как адаптивный скаффолдинг в рамках схемы PBL с ИИ-поддержкой, улучшает critical thinking и personalized learning в K-12 (120 учеников восьмого класса). Это трактует ИИ как поддержку внутри PBL, а не как автомат по выдаче ответов.
  • Агент, вводящий противоречия, может противодействовать групповому мышлению. Агент на базе генеративного ИИ, высказывавшийся в трёх заданных точках в межпрофессиональной сессии PBL, вводил противоречивые точки зрения, и студенты сообщали, что опровержение его давало им социально приемлемый способ высказаться, при этом несогласие стимулировало рефлексию даже тогда, когда они отвергали ответы агента (Wiss et al. (2025)).
  • Квазиэкспериментальные данные из подготовки будущих преподавателей. Chen and Osman (2026) сравнивали восьминедельный модуль CTD-PBL с поддержкой ИИ с обычным обучением для 130 будущих преподавателей physics третьего курса (по 65 в каждом условии), при этом DeepSeek использовался через шаблоны промптов под конкретные задачи как ограниченный скаффолдинг — генерация идей занятий, организация ресурсов, сравнение объяснений, промпты для обратной связи сверстников и планирование доработок, — и каждый вывод ИИ должен был пройти проверку на точность содержания, педагогическую уместность, осуществимость и Этика, прежде чем попасть в учебный артефакт. Группа с модулем показала более высокий балл TPACK на посттесте (M = 4,04 против 3,40, d = 1,02) и более высокое воспринимаемое collaborative problem solving (M = 3,62 против 3,05, d = 0,88), при этом наибольшие эффекты взаимодействия пришлись на совместное построение знания и социальную регуляцию — именно те измерения коллаборативного процесса, которые, согласно приведённому выше структурному аргументу, ИИ должен усиливать, а не сокращать. Авторы прямо говорят, что ИИ не был выделен как независимая переменная: дифференциальное изменение относится ко всему условию в целом — проблемным задачам, структурированной коллаборации, скаффолдингу со стороны instructor, peer feedback и рефлексивной доработке, — и оба результата были self-reported восприятиями, а не наблюдаемой практикой.
  • Рамки ответственного использования. Uden & Hwang (2026) выдвигают опирающуюся на нейронауки рамку LEARN (Lifelong Learning — непрерывное обучение, Engagement — вовлечённость, Active Processing — активная переработка, Reflection — рефлексия, Neuro-based Design — нейрообоснованное проектирование) для этического обоснования использования генеративного ИИ внутри PBL, противодействуя cognitive offloading и эрозии академической честности.
  • Предметные реализации. Рамки PBL для biomedical engineering используют генеративный ИИ для суммаризации и поддержки программирования с пакетами для воспроизведения (Nnamdi et al. 2026); PBL с поддержкой ИИ улучшает computational thinking в robotics (AI-supported PBL for computational thinking); и виртуальные пациенты на базе генеративного ИИ поддерживают занятия по сбору медицинского анамнеза (Mool et al. 2026).
  • Синтез доказательств. Amdan et al. (2026) systematically review 50 исследований (2015–2024) об вовлечённости педагогов в ИИ в рамках PBL в рамках структуры human-computer interaction.
  • Генеративный ИИ в сценарном PBL. Neto and colleagues (2026) включают обучение, основанное на проблемах, в число сценарных подходов в своём систематическом обзоре генеративного ИИ в медицинском образовании, обнаруживая, что prompt design функционирует как спецификация обучения и что гибридная коллаборация человека и ИИ превосходит полностью автоматизированные подходы. Обзор подчёркивает необходимость более сильного согласования сгенерированного содержания с рамками обучения и более воспроизводимых практик промптинга в контекстах PBL.
  • ИИ может нести передачу знаний тьютором, но не социальную регуляцию группового обучения. В четырёхнедельном квазиэксперименте по фармакологии Shetty & Rao (2026) обнаружили, что PBL с опосредованием ИИ соответствовало академическим результатам группы с фасилитатором (межгрупповое p = 0,474), тогда как группы с фасилитатором сохранили преимущества в динамике группы (26,51 против 24,74, p = 0,035) и критическом мышлении (14,75 против 13,09, p < 0,001).

PBL и родственные педагогики

PBL тесно связан с project-based learning — оба центрированы на учащемся и движимы проблемой/контекстом, — но PBL сосредоточен на плохо структурированной проблеме, решение которой требует исследования и конструирования знания, тогда как проектное обучение сосредоточено на создании осязаемого артефакта или проекта. PBL также родствен кейсовому и inquiry-based learning, которые разделяют движимую проблемой, ведомую фасилитацией структуру. В отображении базы знаний структурный аргумент в пользу продуктивной интеграции ИИ применим к любой педагогике, разделяющей эти особенности, а не только к PBL.

Почему PBL важен для интеграции ИИ

Поскольку PBL выдвигает на первый план процесс, коллаборацию и продемонстрированное понимание в противовес производству артефактов, он является естественным домом для responsible AI use: студенты учатся с ИИ как с партнёром, а не из ИИ как из заменителя. Роль фасилитатора и проектирование проблемы становятся рычагами, определяющими, поддерживает ИИ обучение или вытесняет его, — те же human oversight и вопросы проектирования оценивания, которые повторяются по всей базе знаний.

Продуктивная неудача и PBL

Productive failure (PF) разделяет Конструктивизм ядро PBL — Учащиеся вовлекают проблемы до изложения материала, — но отличается структурой: PF намеренно откладывает изложение материала и скаффолдинг до момента после того, как учащиеся потратят усилия на генерацию решений, тогда как PBL встраивает фасилитацию на всём протяжении. Литература о PF эпохи ИИ непосредственно определяет то, как ИИ должен вести себя внутри условий, основанных на проблемах: Kim et al. (2026) показывают, что ИИ должен сохранять productive struggle с недирективной поддержкой на всех фазах PF; Puech et al. (2025) демонстрируют, что Большие языковые модели (LLM)-tutors могут быть направлены к тому, чтобы не выдавать ответы и запрашивать множественные попытки решения; и ProductiveMath использует ИИ для помощи в проектировании высококачественных задач в стиле PF/PBL. Вопрос проектирования — когда ИИ должен давать проблему, подсказку или ответ — является общим для обеих pedagogies.

Связанные концепции

Связанные статьи

Метаданные

ДисциплинаMedical Education, Engineering Education
УровеньHigher Ed
Обучение и преподаваниеАктивное обучение, Совместное обучение, Скаффолдинг
Технологии и методыГенеративный ИИ
Основы ИИ в образованииКритическое мышление
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.