Решение задач

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Решение задач — процесс формулирования, анализа и разрешения новых или сложных проблем — представляет собой ключевую компетенцию XXI века, которую инструменты ИИ одновременно усиливают и подрывают. В статьях базы знаний генеративный ИИ выступает в роли скаффолдинга, диалогического партнёра и «машины для выдачи ответов», и его образовательная ценность зависит от того, остаются ли учащиеся главными принимающими решения или же передают свои рассуждения машине. Именно это напряжение между эффективностью и более глубокой когнитивной и регулятивной вовлечённостью engagement определяет современные исследования ИИ и решения задач.

Вопросы для размышления

• Вспомните по-настоящему трудную задачу, которую вы решили хорошо. Что сделало эту борьбу продуктивной, и что было бы потеряно, если бы вам просто выдали готовый ответ?
• На странице описывается «когнитивный долг»: передача рассуждений ИИ даёт правильный продукт ценой понимания. Случалось ли вам получить правильный ответ, по-настоящему его не поняв? Какой ценой это обошлось позже?
• Инструменты ИИ помогают студентам исследовать множественные точки зрения и формулировать собственные задачи — но могут также поощрять «метакогнитивную лень». Как отличить ИИ как партнёра в мышлении от ИИ как замены мышления?
• В одном эксперименте рефлексивная и гибридная обратная связь превзошла прямую обратную связь ИИ по отложенному переносу в условиях без ИИ. Почему обратная связь, заставляющая вас делать больше работы, может вести к более длительному обучению?
• Как обучение студентов тому, чтобы они сами формулировали свои задачи (а не только решали данные), поддерживает перенос и самообучение? Когда генерация вопроса научила вас большему, чем ответ на него?
• Если ошибки ИИ трактовать как провокации к тому, чтобы подвергать сомнению и проверять, ограничение превращается в возможность для обучения. Случалось ли вам узнать больше из ошибки ИИ, чем из его правильного ответа?

Введение

Генеративный ИИ оказывает очевидную поддержку решению задач. Инструменты LLM помогают студентам исследовать альтернативные решения, включать междисциплинарные перспективы и моделировать аутентичные сценарии реального мира — такие как клинические и этические дилеммы или тестирование прототипов в STEM, — обеспечивая при этом масштабируемую и своевременную обратную связь и смещая оценивание в сторону сценарного и компетентностного. В дизайн-ориентированном исследовании ИИ, позиционированный как «интеллектуальный партнёр в обучении» в рамках структурированных совместных задач, дал существенный прирост в результатах решения задач, причём студенты всё чаще использовали ИИ для генерации множественных перспектив вместо поиска единственного ответа.

Однако те же инструменты могут разрушать именно тот навык, который, по их заявлению, поддерживают. Исследование совместного решения задач человеком и ИИ выявляет поразительный компромисс: профиль взаимодействия, дающий наивысшую результативность по задаче, одновременно демонстрирует самую низкую самоРегулирование ИИ в образовании, поскольку студенты передают рассуждения ИИ и пожинают то, что авторы называют «когнитивным долгом» — получая правильный продукт ценой самоконструирующего процесса понимания. Исследования совместного обучения аналогично предупреждают о «метакогнитивной лени», при которой передача когнитивных усилий подрывает независимый анализ и саморегулируемое обучение.

Решение задач в исследованиях ИИ в образовании

Статьи базы знаний подходят к решению задач через различные, но сходящиеся оптики. Систематический обзор по методологии PRISMA показывает, что LLM часто дают неполные или некорректные ответы, побуждая студентов подвергать сомнению, проверять и улучшать информацию — превращая несовершенства моделей в циклы верификации и исправления, укрепляющие критическое мышление и интеллектуальную самостоятельность. Вместо того чтобы считать задачи данными, другие работы выдвигают на первый план формулирование задач: обучение студентов генерации собственных задач по физике поддерживает перенос и самообучение, а чат-боты GenAI улучшили качества формулирования задач у младших школьников и снизили когнитивную нагрузку в обучении на основе исследования. Скаффолдинг и оценивание также занимают центральное место. Адаптивные скаффолдинги ИИ, построенные на майнинге последовательностей индивидуальных паттернов процесса у студентов, повышают результативность в выполнении задачи при совместном решении задач по математике — хотя максимальный скаффолдинг усиливал и поведение по сценарию. Со стороны измерения, LLM могут воспроизводить человеческих экспертов при выявлении роста вычислительного мышления на больших курсах по физике, при этом вычислительное мышление предлагается в качестве явного концептуального связующего звена, благодаря которому образовательная робототехника развивает подлинное решение задач, а не изолированные технические упражнения.

Как ИИ одновременно помогает и мешает

Двойственный характер ИИ для решения задач последователен во всех исследованиях. На стороне помощи: чат-боты превосходят поисковые системы в формулировании задач за счёт повышения качества вопросов и интеграции когнитивных сетей; адаптивные скаффолдинги улучшают результативность; совместные дизайны с ИИ повышают как критическое мышление, так и результаты решения задач, пока студенты остаются главными принимающими решения. На стороне помех: чрезмерная передача полномочий снижает регулятивную вовлечённость, прямая обратная связь без рефлексии поощряет пассивное усвоение, а сильная опора на ИИ для выработки консенсуса ставит под угрозу развитие межличностных навыков и внутреннюю мотивацию. Примечательно, что многосайтовый рандомизированный эксперимент показал, что рефлексивные и гибридные дизайны обратной связи превзошли прямую обратную связь ИИ по отложенному переносу в условиях без ИИ — это свидетельствует о том, что образовательная ценность ИИ зависит меньше от доступа, чем от сохранения агентности студента, оценочного суждения и чувства авторства при доработке. Принципы дизайна, вытекающие из литературы, включают приоритет диалогического напряжения над бесшовной эффективностью, обеспечение активной сорегуляции и сохранение метакогнитивного скаффолдинга и надзора «mind-in-the-loop».

Значение

Для преподавателей баланс доказательств указывает на структурированную, ориентированную на процесс интеграцию: обучение промпт-инжинирингу переводит студентов от несфокусированного к продуктивному взаимодействию с ИИ, включение ИИ в совместные исследовательские задачи даёт устойчивый прирост, а намеренное использование ошибок ИИ как провокаций превращает ограничение в возможность для обучения. Для дизайнеров устойчивый вывод о том, что эффективность не равна глубокому обучению, аргументирован в пользу ИИ, который ставит вопросы, бросает вызов и создаёт опору, а не отвечает. Для институтов ответственная интеграция требует сочетания GenAI с явным обучением ИИ-грамотности и рубриками оценивания, вознаграждающими рассуждение и обоснование, а не правильные продукты. Повторяющаяся тема работ, опирающихся на Когнитивная психология, состоит в том, что решение задач осваивается через effortful engagement — и роль ИИ должна состоять в том, чтобы сохранять это усилие, а не стирать его.

Связи с другими понятиями

Решение задач — прикладной результат критического мышления и вычислительного мышления, и оно культивируется через проблемное обучение и обучение на основе исследования. Оно зависит от Скаффолдинг, поддерживающего когнитивную нагрузку, от саморегуляции и метакогнитивного надзора во избежание когнитивной разгрузки, и от совместных структур, в которых человек и ИИ работают вместе. Когнитивная психология и литература о переносе обучения дают теоретическое основание для того, почему сгенерированные учащимися задачи и рефлексивная обратная связь дают более устойчивый прирост в решении задач. Баланс между разобранными примерами и практикой при освоении таких навыков сам зависит от содержания: Rachatasumrit, Koedinger & Carvalho (2025) показывают, что обобщаемые навыки решения задач лучше всего осваиваются через практику, интегрированную с примерами (чередование разобранных примеров с задачами), поскольку разобранные примеры дают индуктивную информацию, необходимую для вывода и обобщения корректного правила, тогда как чистая практика рискует укрепить ложнокоррелированные признаки вместо общей процедуры.

Моделирование совместного решения задач с LLM-агентами

• Моделирование совместного решения задач с Большие языковые модели (LLM)-агентами, специфичными для участников. Fang (2026) обучает индивидуальных LLM-агентов на реальных диалогах участников, чтобы воспроизводить совместное решение задач, и валидирует симуляции с помощью анализа эпистемических сетей (Epistemic Network Analysis), показывая, что смоделированные и реальные диалоги статистически неразличимы (расстояние ENA 0.17; перестановочное p = 0.65). Это даёт масштабируемый способ изучать и генерировать аутентичный дискурс совместного решения задач — с последствиями и для исследований, и для дизайна сред практики для этого навыка XXI века.

Автоматизированное кодирование навыков CPS

• Измерение компетенции совместного решения задач (CPS) обычно требует кодирования поведения из данных процесса решения задач в специфические навыки CPS. Контекстно-зависимый промптинг предобученных языковых моделей может автоматизировать это кодирование, моделируя контекстные зависимости и объединяя когнитивные и социальные способности для достижения превосходства над сильными базовыми методами на наборах данных задач CPS — что снимает трудоёмкость ручного кодирования и делает возможным масштабное оценивание в реальном времени.

Связанные понятия

• Критическое мышление
• Вычислительное мышление
• Совместное обучение
• Обучение, основанное на проблемах
• Обучение на основе исследования
• Креативность
• Скаффолдинг
• Саморегулируемое обучение
• Когнитивная психология

Связанные статьи

• Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective — профили взаимодействия (переданные рассуждения vs согласованная интерпретация) и компромисс между эффективностью и регуляцией
• Design-Based Research for Developing an AI-Assisted Collaborative Learning Model to Enhance Critical Thinking and Problem-Solving Skills in Higher Education — модель DBR, позиционирующая генеративный ИИ как интеллектуального партнёра в обучении
• Can Large Language Models Foster Critical Thinking, Teamwork, and Problem-Solving Skills in Higher Education?: A Literature Review — обзор PRISMA по LLM, развивающим критическое мышление, командную работу и решение задач
• Towards an adaptive AI scaffold for developing student collaborative problem solving — адаптивные скаффолдинги на основе майнинга последовательностей для совместного решения задач
• Exploring Students' Perceptions of Using Generative AI-Assisted Problem Posing — формулирование задач как стратегия саморегулируемого обучения с GenAI
• Human-centered GenAI feedback design in higher education: a multisite experiment on direct, reflective, and hybrid approaches to scientific argumentation — рефлексивная/гибридная обратная связь превосходит прямой ИИ по отложенному переносу
• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — чат-боты улучшают формулирование задач младшими школьниками при обучении на основе исследования
• Using LLMs to Detect Growth in Computational Thinking in Introductory Physics — LLM как масштабируемые асессоры вычислительного решения задач в физике
• Taming the Black Box: Design Principles for Rule-Integrated LLM Tutoring Systems in Primary School Mathematical Problem Solving — скаффолдинг по правилам vs ad-hoc в LLM-системе тьюторства для математики в начальной школе (Looi et al. 2026)
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content