Скаффолдинг

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Скаффолдинг — структурированная поддержка, которая помогает учащимся выполнять задания, которые они ещё не могут выполнить самостоятельно, при этом поддержка постепенно снимается по мере роста компетентности. В ИИ в образовании скаффолдинг — основной принцип проектирования, обеспечивающий, чтобы инструменты ИИ поддерживали обучение, а не заменяли его.

Вопросы для размышления

• Вспомните случай, когда кто-то «помогал» вам в изучении чего-то, и помощь была настолько полной, что вы научились меньшему. Где граница между поддержкой, которая позволяет вам расти, и поддержкой, которая вас заменяет? На странице утверждается, что это центральный вопрос проектирования ИИ-тьюторов.
• Скаффолдинг уходит корнями в зону ближайшего развития — достаточной поддержки для обеспечения продвижения, но не такой, при которой обучение обходится стороной. Как выглядит «слишком большая поддержка» в ИИ-тьюторе, и можно ли выявить её только по поведению студента?
• Ключевой результат: студенты часто предпочитают более директивные роли ИИ-тьютора, хотя показывают лучшие результаты с коллаборативными ролями однокурсника и Преподавание-ассистента. Действительно ли предпочтения учащихся надёжно соответствуют тому, что лучше для обучения — и что это расхождение означает для того, чтобы позволить студентам выбирать собственный скаффолдинг?
• Скаффолдинг, который никогда не снимается, создаёт зависимость. На странице отмечается, что автоматические скаффолды рискуют остаться статичными вместо того, чтобы отзываться по мере роста компетентности. Почему «снятие» необходимо и почему ИИ-система может с ним не справиться, если это не заложено в её конструкцию целенаправленно?
• Принцип проектирования — «скаффолд, не замена». Сами студенты просили ИИ, который «не даёт вам никаких решений — вы всё равно учитесь, потому что должны сами найти правильный ответ». Совпадает ли это с тем, как вы переживали эффективную помощь, или вы предпочитали короткий путь, зная, что он вам дорого обходится?
• Поставьте цель перед чтением: выберите задание, которому вы обучаете, и набросайте, как выглядит подсказка, сохраняющая усилие учащегося, в сравнении с ответом, который его устраняет. Как вы узнаете, что ваши подсказки находятся в зоне продуктивной борьбы?

Введение

Как скаффолдинг проявляется в ИИ-образовании

• Скаффолдинг на основе промптов: Guided LLM scaffolding учит структурированному prompting как учебной интервенции. Critical engagement scaffolding использует culturally responsive подходы.
• Скаффолдинг со смешанной инициативой для пробелов, которые учащийся не может назвать: Sun et al. (2026) оставляют за автором ответственность за синтез нарратива, тогда как система берёт инициативу только в отношении поиска в предметной области, проактивно выявляя пробелы в знаниях, которые авторы не могут сформулировать как запросы.
• Сократический скаффолдинг: Socratic AI dialogue не выдаёт прямых ответов, используя вопросы для направления открытия — форма скаффолдинга Полезные трудности. Как пограничное условие: вопросы помогают в начале, но их польза убывает с глубиной, поэтому правило снятия сдвигается от вызова к проработке ошибки — польза падает с 20-балльного преимущества в начале до 3 баллов к четвёртому застрявшему ходу, тогда как проработка ошибки растёт с +5 до +12 (Ahtisham et al. (2026)).
• Адаптивное снятие: Intelligent tutoring systems настраивают скаффолдинг на основе оценок Трассирование знаний, обеспечивая большую поддержку для неусвоенных концепций и меньшую — для усвоенных.
• Функция, а не инструмент, определяет, что считать успехом: Vasileiou et al. (2026) предлагают рамку из трёх функций для поддержки ИИ в специальном образовании. Компенсация снижает исполнительную нагрузку, чтобы учащийся мог участвовать (успех = доступ, пока поддержка сохраняется). Скаффолдинг поддерживает выполнение чуть выше текущих возможностей (успех = решения при целевой помощи). Развитие строит стратегии, применимые без инструмента (успех = использование стратегии после снятия или переноса). Каждая функция несёт иной стандарт оценивания, и повторяющаяся ошибка области — подача выполнения задания при поддержке как развития. Это нарративный обзор с интерпретативными категориями, а не объединённая оценка эффекта.
• Адаптивный скаффолдинг, запускаемый потребностью, в обучении clinical интервьюированию: рандомизированное испытание randomized trial MeduAI-SP (Yang et al., 2026; N = 100 студентов-медиков третьего курса) операционализировало скаффолдинг как адаптивную поддержку, запускаемую потребностью: агент-оценщик уровня хода фиксировал, когда учащийся застрял, опустил ключевой анамнез, рисковал преждевременным закрытием гипотезы или ухудшал контакт, и только тогда агент-tutor agent выдавал Socratic промпт. Экспертная разметка 207 консультаций показала, что потребность в скаффолдинге сильно зависит от фазы, возрастая с примерно 16.1% высказываний студентов в начале приёма до 34.8% в конце (всего размечено 24.1%) — эмпирическое свидетельство того, что поддержка начинающих в консультировании наиболее нужна на этапах интеграции и диагностического рассуждения, а не начального сбора информации. Условие со скаффолдингом превзошло структурированный контроль с прогрессивным раскрытием на итоговом согласованном с OSCE examination (71.8% против 55.6%; β = 16.4 процентных пункта; P = 3.30e-4), с наибольшим приростом в коммуникации (Hedges' g = −0.79).
• Системы подсказок: AI tutor hint research рассматривает, когда подсказки помогают, а когда поощряют Over-Reliance.
• Скаффолды, повышающие восстановление после ошибки. В полевом эксперименте с 6 000 учащихся средней школы поддержка ИИ замедлила продвижение и сократила число предпринятых попыток, но повысила правильность следующей попытки после ошибок и уменьшила число попыток, необходимых для возврата к правильному ответу — «продуктивное замедление» вместо выдачи ответов (Oreopoulos et al. (2026)).
• Обучение учащегося — само по себе скаффолд. 45-минутное занятие, научающее студентов составлять промпты для модели по фазам SRL и исправлять её визуальные и рассудочные ошибки, повысило точность повторения physics (d = 0.81) без увеличения заявленной общей cognitive load (Huang et al. (2026)).
• Концептуальные и репрезентационные скаффолды: Concept Catalyst и LLM tutor rethinking исследуют паттерны проектирования когнитивной поддержки. Davor (2026) даёт предметную область, где репрезентационную поддержку и выдачу ответа приходится разводить: доказательство в геометрии богато ресурсами Визуализация, однако шаг от соотношения, которое можно увидеть, к корректному дедуктивному аргументу — именно тот шаг, который учащиеся не могут сделать, поэтому скаффолд должен провести их через репрезентации, а не вручить ещё одну картинку. Его квазиэксперимент с 86 учениками старших классов в Гане настроил генеративный ИИ на побуждение и вопросы, а не на решение — прося учащихся обосновывать то, что они наблюдают, называть соответствующие теоремы и упорядочивать логические шаги, а преподаватель использовал репрезентации ИИ для ведения обсуждения — и класс с поддержкой ИИ превзошёл обычное обучение в построении доказательств даже с контролем результата предтеста. Восприятие обратной связи и качества explanation quality было благоприятным, хотя опрашивалась только экспериментальная группа. Скаффолд позиционируется здесь как мост от визуальной интуиции к дедуктивному рассуждению, и в работе никогда не называются ни модель, ни период сбора данных, так что она даёт скорее проектное обоснование, чем рецепт для воспроизведения.
• «Скаффолд, не замена» как принцип проектирования: Favero et al. (2026) утверждают, что центральный риск ИИ в образовании — рассогласование: ИИ, заменяющий человеческое усилие, подрывает способности, которые образование призвано строить, — и выводят единый принцип проектирования: скаффолд, не замена. Скаффолдинг должен быть базовой возможностью AI systems: знание когда воздержаться от ответа, задать вопрос, выявить неопределённость или представить альтернативные перспективы. Их анализ студенческих эссе показывает, что сами учащиеся сходятся к этому — прося ИИ, который «не даёт вам никаких решений, вы всё равно учитесь, потому что должны сами найти правильный ответ». Принцип позиционирует скаффолдинг как альтернативу самоусиливающемуся циклу вреда от замены в познании, Автономность учащегося, эмоциях и Этика.
• Наставничество как скаффолдинг исследовательского процесса. Wang et al. (2026) рассматривают систематический обзор как намеренный учебный опыт, в котором наставничество обеспечивает интегрированный методологический и эмоциональный скаффолдинг, тогда как автоматизация ограничена процедурной нагрузкой, такой как скрининг аннотаций, а извлечение данных, согласование и синтез остаются у рецензентов-людей.
• Скаффолдинг, встроенный в среду, а не приделанный к ней: Wang, Du and Jin (2026) операционализируют четыре принципа скаффолдинга внутри видеоплеера — основанную на ZPD настройку глубины комментариев, скаффолдинг снятия (поддержка знания истончается по таймлайну), распределённый скаффолдинг (каждый комментарий — либо поддержка знания, либо эмоциональная поддержка) и производную от когнитивной нагрузки синхронизацию — вычисляя энтропию видео на уровне кадров и вставляя комментарии только в интервалы с низкой информативностью. Их абляция с четырьмя условиями на 20 учащихся показала, что модуль энтропийной синхронизации даёт наибольший и наиболее устойчивый эффект на воспринимаемое качество при удалении (Z = −2.85, r = 0.45, p = .004), что делает расписание скаффолдинга измеримой переменной проектирования, а не деталью упаковки. Исследование также несёт предупреждение для автоматизированного скаффолдинга: комментарии, сгенерированные ChatGPT, были последовательно труднее для чтения, менее лексически разнообразны и менее тематически согласованы, чем комментарии преподавателя, с наибольшим разрывом в релевантности именно в эмоциональной поддержке (feedback quality).
• Предпочитаемый скаффолдинг не всегда наиболее эффективен: Zhu, Yang and Yang (2026) в эксперименте с внутрисубъектным планом обнаружили, что студенты лучше всего справлялись с ролями ИИ «однокурсник» и «ассистент преподавателя» (которые развивают collaborative рассуждение), но предпочитали более директивные роли «тьютор» и «отличник» — расхождение между предпочтением и результативностью, предостерегающее от отождествления предпочтений учащихся с эффективным скаффолдингом при математическом моделировании с поддержкой ИИ.
• Более структурированный скаффолд не автоматически более агентный: экспертный дизайн-бот увеличил длину взаимодействия и число самостоятельно составленных промптов по сравнению с обычным ChatGPT, но агентность в совместном решении задач упала в обоих условиях, причём согласие вместо критики было наименее агентным наблюдаемым поведением (Krushinskaia et al. (2026)).
• Automated scoring как намеренный скаффолд: Chen and Liu (2026) рассматривали автоматическую систему оценивания устного перевода как formative скаффолдинг, а не как измерительный инструмент, в 14-недельном сравнении с 46 студентами-второкурсниками английского письменного перевода и устного перевода. Скаффолд превращался в прирост только там, где нацеленный дефицит был разложим, надёжно оценим и чувствительно масштабируем: лингвистическая точность и логическая связность выросли, тогда как точность передачи информации и беглость речи остались неизменными, причём точность передачи — измерение, по которому автоматические и человеческие оценки расходились больше всего (r = 0.12). Усиливаемый им цикл также был частичным. Лишь выполнение и мониторинг в фазе практики коррелировали с приростом баллов (r = 0.42), тогда как планирование до обучения находилось около середины шкалы (M = 3.01), и студенты ставили цели по предыдущему баллу, а не по предстоящему заданию. Скаффолд может быть хорошо помещён внутрь фазы выполнения и при этом оставить нетронутым планирование, которое сделало бы его ненужным.
• Скаффолдинг с замкнутым контуром на текущей границе учащегося: Zhu, Luo and Li (2026) построили в музыкальном образовании контур, в котором Мультимодальный ИИ обнаружение ошибок по аудио исполнения и партитуре становится наградой, направляющей сгенерированные reinforcement треки практики, так что сложность следует за текущей границей учащегося, а не за фиксированной программой: сгенерированные траектории практики соответствовали профилям навыков учащихся при пиковом косинусном сходстве 0.962, а взаимодействие Группа × Время благоприятствовало группе со скаффолдингом в 12-недельном квазиэксперименте со 120 студентами бакалавриата (beta = 0.52, 95% CI [0.31, 0.73]). Для автоматизированного скаффолдинга следуют два предела. Обнаружение — это сортировка, а не суждение, поскольку точность обнаружения ритмических ошибок 89.7% означает, что примерно одна из десяти размеченных ошибок — ложная тревога, а слепая экспертная оценка поставила поддержку музыкальной выразительности на место слабейшей области системы, оставляя интерпретацию преподавателю.

Связь с ЗБР

Vygotsky's Zone of Proximal Development обеспечивает теоретическую основу: скаффолдинг нацелен на пространство между тем, что учащиеся могут сделать самостоятельно, и тем, чего они могут достичь при поддержке. Инструменты ИИ должны работать в этой зоне — достаточной поддержки для обеспечения продвижения, но не такой, при которой обучение обходится стороной. Конфигурация, инвертирующая обычное направление адаптации, появляется в курсе магистратуры Sidorkin (2026), где учащийся, а не система задавал уровень поддержки: недельные тексты генерировались по запросу, а студенты регулировали уровень понимания через итеративные промпты (темп, определения, плотность словаря, глубина). Анализ трёх журналов чтения обнаружил, что дефиниционные маркеры встречались в ответах ИИ после промптов, ориентированных на понимание, в 3.4x–8.7x раз чаще, чем в базовом объясняющем тексте, причём в самых ясных случаях строился дефиниционный слой, а затем нумерованный процедурный, что делает плотность скаффолда измеримым свойством запроса учащегося, а не только оценкой владения системой. Требование как минимум трёх уточняющих вопросов на каждый текст сделало такую регулировку рутиной, превращая текст во взаимодействие, выявляющее пробелы в понимании, которые преподаватель иначе не увидел бы.

Форма скаффолда должна соответствовать тому, что учащийся уже может удержать, а не только тому, что требует задание. В систематическом scoping review 24 источников доказательств о creative thinking детей в возрасте от 6 до 15 лет Niu et al. (2026) сообщают, что младшие дети не обладали точным лингвистическим и метакогнитивным контролем, которого требует текстовый промптинг, и нуждались в мультимодальных интерфейсах с участием взрослого, тогда как текстовые LLMs показали более сильные заявленные результаты со старшими детьми и младшими подростками. Зависимость от промптов была сильнее всего в младших классах, и ни одно включённое исследование не рассматривало порогов готовности развития, поэтому авторы считают выбор модальности и скаффолдинга открытым вопросом проектирования, который должен решаться способностью учащегося, а не удобством.

Связи

Скаффолдинг связан с Over-Reliance (скаффолдинг, который не снимается, создаёт зависимость), теорией когнитивной нагрузки (скаффолдинг управляет когнитивной нагрузкой), Feedback Loop (скаффолдинг обеспечивает formative обратную связь) и ИИ-грамотность (учащиеся должны распознавать, когда скаффолдинг полезен, а когда вытесняет обучение).

Агенты должны строить скаффолдинг динамически, а не статически: Woollaston et al. (2026) указывают, что автоматические скаффолды рискуют остаться статичными вместо отзыва по мере роста компетентности, и рекомендуют динамические скаффолды, которые адаптируются и снимаются, — ключевой предохранитель для Агентный ИИ. CoMeT (Hou et al. 2026) даёт и разделение, и обоснование для того, когда снимать: его поддержка поднимается на одну ступень каждый раз, когда учащийся ею не пользуется, и опускается к легчайшей ступени при использовании, удерживая metacognitive demand статистически эквивалентной тьютору, удерживающему ответ (p_TOST = .004), при этом выдавая артефакт в 48.1% сессий против 23.7% — больше системной работы, не меньше. Триггер, который он подтвердил, — это направленность, а не глубина: после полной демонстрации тьютор позже уступал по 30.3% из того, что оставалось открытым, после вставленного артефакта — 25.9%, после голого утверждения — 20.4% и после просьбы построить — 33.7%, тогда как ходы, не направленные на решаемое под поддержкой решение, получали последующую уступку в 40.3% случаев против 28.8% для направленных ходов (разница 11.5 пунктов, 95% бутстрэп-интервал [2.1, 22.4]). Использование было редким — 37.0% после первого запроса и 21.8% после третьего, — поэтому правило снятия, привязанное к усилию учащегося, читало бы отсутствие ответа как готовность.

Четвёртая зона делает источник скаффолда видимым: Tsim and Gutoreva (2025) добавляют «известно GenAI» к зонам Выготского, так что задание попадает в Substitute, Complement, Aid или Non-negotiable — и Non-negotiable удерживает то, что требует человека, потому что это нормативно, неявно или слишком рискованно для передачи.

• Размещайте ИИ по фазе идеи, а не по курсу. Рамка размещения из шести ходов удерживает ИИ вне первой трудной попытки и финальной безопорной проверки, разрешая его между ними для подсказок, примеров и тренировки; если ИИ делает так, что задание кажется легким, он находится в неправильном месте (Brcic & Frljic, 2026).

Скаффолдинг должен быть уместным ситуации, а не максимальным: Zhang et al. (2026) представляют TutorMoments, который оценивает, скаффолдят ли LM-тьюторы только при необходимости поддержки, требуют строгости, когда студент готов, и избегают гиперскаффолдинга (снижения когнитивной требовательности больше, чем требует ситуация). Минимально промптуемые фронтовые модели по умолчанию гиперскаффолдят в ущерб продуктивной борьбе.

• ИИ, который скаффолдит продуктивную борьбу. Kim et al. (2026) выводят принципы проектирования ИИ (недирективная поддержка, рефлексивный дизайн, Человек в контуре), которые удерживают скаффолдинг в зоне продуктивной борьбы, а не сворачиваются к выдаче ответов; Puech et al. (2025) показывают, что Большие языковые модели (LLM)-тьюторов можно направить давать помощь только когда строго необходимо, — скаффолдинг, сохраняющий собственное усилие учащегося.

Снятие скаффолда как механизм обеспечения верификации. Kumar, Wongsirichot and Nanthaamornphong (2026) синтезируют 72 исследования в области ИТ-образования и помещают снятие скаффолда наряду с инструментами-предохранителями и конструкциями Саморегулируемое обучение как один из трёх способов, которыми курсы обеспечивают критическую вовлечённость в результат ИИ, — структурно (ограничивая то, что возвращает инструмент), процедурно (журналы рефлексии, самотестирование) и временно (постепенно восстанавливая условия, при которых требуется независимое рассуждение). Их доказательство: приросты эффективности при поддержке ИИ не transfer на выполнение без помощи, и режим отказа — паттерн псевдоученичества, где студенты наблюдают, как ИИ генерирует код, не выполняя задания, — это именно моделирование без практики целостной задачи. Поэтому градуированный доступ функционирует как расписание снятия мощной новой формы поддержки, и обзор обосновывает это в рамках 4C/ID: помощь помогает только когда учащийся уже обладает достаточной схемой, чтобы критически с ней взаимодействовать (зона ближайшего развития, Когнитивный оффлоадинг).

Последовательность — другой рычаг скаффолда: Vendrell and Johnston (2026) рекомендуют требовать независимой попытки учащегося перед любым обращением к ИИ, а затем использовать модель для генерации контраргументов, а не ответов, с намеренными фазами без ИИ, так что поддержка усиливает рассуждение, а не заменяет его.

Скаффолдинг по правилам против ситуативного скаффолдинга

• Скаффолдинг по правилам против ситуативного. Looi, Liu и Sun (2026) формализуют различение, центральное для проектирования скаффолдинга: скаффолдинг по правилам, в котором тьюторство управляется аудируемой трёхуровневой архитектурой (диагностика → выбор намерения → ограниченная генерация ответа), против ситуативного скаффолдинга, где полезные ходы трудно аудировать и воспроизводить. Их исследование математики в начальной школе показало, что скаффолдинг по правилам улучшает согласованность взаимодействия, сокращает преждевременную выдачу ответов и раннее закрытие и поддерживает когнитивную engagement — доказательство того, что явность и аудируемость ходов скаффолда важны и для согласованности, и для обучения в процедурных областях.
• Скаффолдинг как ограниченный путь между обходом и переложением. Модель нейропластичности и AI Interaction называет скаффолдинг третьим из трёх путей помощи LLM, наряду с прямым обходом и когнитивным переложением, и определяет его тем, сохраняет ли модель трудную для обучения обработку, которую задание призвано тренировать (Bypass, Offload, or Scaffold: A Conceptual Model of How Large Language Models Shape Learning). Калибровочные свидетельства модели — натуральный эксперимент в ограничении скаффолда: неограниченный доступ к GPT-4 в исследовании почти 1 000 старшеклассников по mathematics дал 48% прироста в практике, но 17% дефицита на экзамене без помощи, тогда как GPT Tutor с ограниченными подсказками дал 127% прироста в практике с дефицитом на экзамене, в основном устранённым. Урок проектирования совпадает с разграничением «по правилам против ситуативного» выше на более грубом уровне: определяет успешность снятия скаффолда не наличие тьютора, а ограничение на то, что тьютору позволено выдавать.

Разграничение «по правилам против ситуативного» выходит за пределы тьютора и доходит до самого задания. cross-institutional faculty collaboratory обнаружила, что критика результата ИИ не происходила сама по себе, поэтому требования аудировать, сравнивать, пересматривать и обосновывать сгенерированный контент приходилось вписывать в задание, и те, кто защищал независимый дисциплинарный анализ до входа ИИ, обнаруживали, что кандидаты могли оценивать результат ИИ более критически. Rehearsal evidence согласны: будущие преподаватели, практикующиеся с партнёрами-ИИ, задавали больше исследующих и разведывающих вопросов, когда предоставлялась структурированная обратная связь после репетиции. В обоих случаях поддержка специфицируется заранее, а не импровизируется, отделяя спроектированное руководство от ситуативной помощи, которую трудно аудировать и воспроизвести.

• Корректно ограниченный скаффолд всё равно терпит неудачу, если ограничение не администрируется. Azimi (2026) построил то, что предписывает разграничение выше, — бюджет 25 подсказок на сессию, лимит 15 минут на использование ИИ, обязательную рефлексию в конце сессии и отсутствие сгенерированного кода, — и рандомизировал 33 студента магистратуры между ним и неограниченным использованием Генеративный ИИ в течение семи недель. Успеваемость по заданиям и приросты по инвентаризации концепций не различались между условиями. Бюджет подсказок не действовал как механизм нормирования: некоторые студенты потратили большую его часть на первые задачи и не имели запаса для требовательных, другие закончили с большей частью неизрасходованной, и внутри условия Coach выше баллы получали те студенты, которые уже имели осознанную стратегию расходования подсказки. Ограничение повысило заявленную confidence и следовало за студентами за пределы аудитории как привычка самоопрашивания (стоит ли задавать инструменту вопрос), но оно вознаграждало существующее самоуправление, а не развивало его. Аудируемость скаффолда и способность учащегося его использовать — раздельные условия.
• Скаффолд, который учащийся не может верифицировать, — гладкая замена. Поскольку chemistry рассуждает через наблюдаемые явления, корпускулярные модели и символическую нотацию, сгенерированный ответ может быть локально убедительным и глобально неверным. Vega-Baudrit and Rivera Álvarez (2026) помещают скаффолдинг на продуктивную сторону своего анализа Presage-Process-Product и некритическое копирование — на сторону отказа, и требуют, чтобы скаффолды требовали репрезентационного перевода в обе стороны, поскольку ответ, который верно описывает нейтрализацию, может всё же утверждать, что каждая точка эквивалентности имеет pH 7. Верификация встроена в задание, а не объявлена правилом: студенты выявляют ложное допущение, исправляют ошибку единицы или механизма, сравнивают символическую структуру с субмикроскопической моделью или обосновывают отклонение сгенерированного ответа. Поскольку студенты не могут верифицировать то, чего ещё не понимают, prior knowledge и скаффолдинг идут первыми, а промптинг рассматривается как эпистемический акт, в котором учащийся специфицирует ограничения, которым должен удовлетворять ответ.

Связанные концепции

• Педагогические паттерны — Где в последовательности принадлежит поддержка, и почему правило «попытка до помощи» является несущим
• Обучение, основанное на проблемах — PBL встраивает снимающиеся скаффолды вокруг плохо структурированных проблем
• Обучение через преподавание — Скаффолдинг построения знания через объяснение
• Социокультурное обучение — Выготское основание: ЗБР и социально опосредованное обучение
• Когнитивный оффлоадинг — Скаффолдинг, который никогда не снимается, создаёт чрезмерную опору
• Обратная связь — Скаффолдинг доставляет формативную обратную связь по мере снятия поддержки
• ИИ-грамотность — Распознавание, когда скаффолдинг поддерживает, а когда вытесняет обучение
• Интеллектуальное тьюторство — ITSs адаптируют интенсивность скаффолда к оценкам владения
• Сократический метод — Вопросы, которые не выдают прямых ответов
• Метакогниция — Скаффолды, строящие самомониторинг и саморегуляцию
• Адаптивное обучение — Адаптивные системы модулируют поддержку внутри ЗБР учащегося
• Дизайн обучения — Скаффолдинг — ключевая стратегия проектирования обучения
• Поиск помощи — Скаффолдинг формирует, когда и как учащиеся просят помощь
• Преподавание — Преподаватели скаффолдят, затем снимают по мере роста компетентности
• Педагогики и стратегии преподавания — Зонтичная категория: педагогики и стратегии обучения в ИИ-образовании
• Агентный ИИ
• Продуктивная неудача — Продуктивная неудача

Связанные статьи

• Generative AI in computing education: A systematic review and a framework for responsible integration — Снятие скаффолда как механизм обеспечения верификации (рамка VIE)
• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Оценивание многоагентной системы LLM, ориентированной на скаффолдинг, для обучения клиническому интервьюированию
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — Комментарии ИИ, синхронизированные по энтропии, как внутривидеоскаффолдинг знания и эмоциональной поддержки (Wang, Du & Jin 2026)
• Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics — Управляемый промптинг LLM как структурированная учебная интервенция
• Scaffolding critical engagement with GenAI: Transforming ethnic minority preparatory students' collaborative discourse — Культурно адаптивный скаффолдинг критической вовлечённости с GenAI
• Rethinking Scaffolding in LLM Tutors: The Interactional Mismatch Between Benchmarks and Real-World Deployments — Паттерны проектирования скаффолдинга в тьюторах на LLM
• Creating Learning Scaffolds for Engineering Design Using Concept Catalyst — Скаффолды Concept Catalyst для концептуального изменения
• Catching The Correct Answer Trap: Characterising AI Tutor Blind Spots When Analysing Student Reasoning — Когда подсказки помогают, а когда поощряют чрезмерную опору
• Scaffolding critical thinking with generative AI: Design principles for integrating large language models in higher — Скаффолдинг критического мышления с GenAI
• VeriForge: Mitigating Latent Knowledge Gaps in Narrative Drafting via Mixed-Initiative Scaffolding — Скаффолдинговое нарративное черчение с Veriforge
• From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond) — От замены к скаффолдингу: разрыв самоусиливающегося цикла вреда
• Preferred Scaffolding Does Not Lead to Better Learning Performance: Empirical Evidence from AI-Supported Mathematical Modelling — Предпочитаемый скаффолдинг при математическом моделировании с поддержкой ИИ
• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Динамические (снимающиеся) скаффолды как предохранитель для агентного ИИ
• When Help is Unhelpful: Evaluating AI Tutors for Productive Struggle — Когда помощь бесполезна: оценивание ИИ-тьюторов на продуктивную борьбу
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Проектирование систем ИИ для поддержки обучения на основе продуктивной неудачи
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Педагогическое направление LLM на продуктивную неудачу
• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Сделать тьюторство ИИ продуктивным: практика математики, ориентированная на владение
• The Effortless Trap: Productive Struggle, AI, and the Illusion of Learning — Охраняемый против неохраняемого ИИ: правило размещения (Brcic & Frljic 2026)
• Supporting Undergraduate Students' Learning in Practical Chemistry Courses through AI-Supported Experimental Design — Проектирование эксперимента с поддержкой ИИ в практической химии
• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — Скаффолдинг систематических обзоров наставничеством и ИИ (Wang 2026)
• Pre-service teachers' agency during their interactions with generative AI while designing for learning - a process view — Агентность будущих преподавателей во взаимодействии с GenAI при проектировании для обучения (Krushinskaia, Elen & Raes 2026)
• Responsible Integration of AI into Pedagogies of Practice in Mathematics Teacher Education — ИИ в педагогиках практики математического образования преподавателей: структурированная обратная связь репетиций повысила число исследующих вопросов (Bondurant & Shaughnessy 2026)
• AI Integration as Instructional Design: Lessons from a Cross-Institutional Faculty Collaboratory in Teacher Preparation — Интеграция ИИ как проектирование обучения: критика результата ИИ должна быть назначена, а дисциплинарный анализ идёт первым
• AI literacy over tool design: a mixed-methods study of scaffolded versus unrestricted generative AI in programming education — ИИ-учебный коуч с бюджетом подсказок: скаффолдинговое против неограниченного использования GenAI и почему одно ограничение не дало обучения (Azimi 2026)
• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: скаффолдинг переосмыслен как решение, к какой подзоне принадлежит задание
• Impact of automated scoring on interpreting performance and self-regulated learning: evidence from a pedagogical experiment — Автоматическое оценивание как формативный скаффолдинг: оно превращается в прирост только там, где нацеленный дефицит разложим, надёжен и чувствительно масштабируем (Chen & Liu 2026)
• Adaptive teaching assistance model combining generative AI and big data analytics — Скаффолдинг адаптивной помощи с замкнутым контуром, отслеживающий текущую границу учащегося в музыкальной практике, с обнаружением ошибок как сортировкой (Zhu et al. 2026)
• The role of generative AI in facilitating children’s creative thinking and cognitive development: a systematic scoping review — Форма скаффолда должна соответствовать развивающейся способности детей, а не только заданию (Niu et al. 2026)
• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Скаффолды должны требовать репрезентационного перевода и верификации, поскольку студенты не могут верифицировать то, чего не понимают (Vega-Baudrit & Rivera Álvarez 2026)
• Generative AI-supported instruction as a cognitive scaffold: effects on senior high school students' geometric reasoning and proof construction — GenAI как промпт-скаффолд, соединяющий визуальную интуицию с дедуктивным доказательством в геометрии, где одной визуализации недостаточно (Davor 2026)
• Examining Variation in How Guided AI Tutors Resolve Student Impasses — Исследование вариаций в разрешении студенческих тупиков направляемыми ИИ-тьюторами
• From answer machine to collaborative partner: impact of structured generative AI training on scientific problem solving in STEM education — Обучение учащегося как скаффолдинг использования GenAI при решении задач в STEM (Huang et al. 2026)
• A Conversational AI Framework for Teacher Training — Диагностика на разговорном ИИ для заблуждений в преподавании с доказательной аргументацией (Miranda & Calvani 2026)