Теория самоопределения

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Теория самоопределения (ТСО) — психологическая теория человеческой мотивации, утверждающая, что внутренняя мотивация и Благополучие зависят от удовлетворения трёх базовых психологических потребностей: автономии, компетентности и связанности. В AI in education ТСО даёт рамку для проектирования ИИ-инструментов и профессионального развития, которые поддерживают, а не подрывают мотивацию учащихся и преподавателей.

Вопросы для размышления

• Теория утверждает, что мотивация — это не просто то, сколько её у вас, а её качество, формируемое средой и построенное на трёх потребностях: автономии, компетентности и связанности. Вспомните учебный опыт, который вас опустошил. Какая из этих трёх потребностей была нарушена, и что её восстановило бы?
• Годовичное исследование обнаружило три мотивационных профиля — незадействованный, развивающийся и самоопределённый, — которые были устойчивы во времени, а студенты, достигшие самоопределённого профиля, показали наибольшие приросты ИИ-грамотности. Прежде чем читать: мотивация — это то, что студенты приносят с собой, или то, что может вырастить хорошо спроектированная среда? Что подразумевает «развивающееся, а не фиксированное»?
• Если ИИ-инструмент делает каждое задание беспроблемным и «лёгким в использовании», какую психологическую потребность он может удовлетворять — и какую может тихо подрывать? Как инструмент, повышающий вовлечённость в краткосрочной перспективе, может всё же разрушать мотивацию в долгосрочной?
• Ориентированное на поддержку потребностей профессиональное развитие преподавателей повысило их ИИ-грамотность и поддержало вовлечённость. Означает ли это, что то, как мы обучаем преподавателей ИИ, важно не меньше, чем то, что делает сам ИИ? Как выглядело бы для вас лично «поддерживающее автономию» обучение ИИ?
• Исследование обнаружило, что ChatGPT может поддерживать автономию, связанность и компетентность в изучении языка. Но может ли тот же инструмент подрывать эти потребности у другого учащегося? Что должно быть верно о том, как он используется, чтобы теория выполнялась?
• Прежде чем читать дальше, назовите один способ, которым вы чувствовали, что собственная компетентность, автономия или чувство связи затронуты использованием ИИ-инструмента, — и поразмышляйте, заметили бы вы это изменение без подсказки его искать.

Введение

ТСО всё чаще используется в research ИИ в образовании как теоретическая оптика как для систем ИИ, обращённых к учащимся, так и для систем, обращённых к преподавателям. Центральное утверждение теории — что мотивация — это не просто количество, которое учащиеся имеют, а качество, формируемое социальной и технологической средой, — делает её непосредственно релевантной вопросам о том, как ИИ-инструменты влияют на engagement, настойчивость и learning outcomes. Статьи в этой базе знаний применяют ТСО в трёх основных контекстах: профессиональное развитие преподавателей, вовлечённость в обучение, опосредованное ИИ, и аффективные вычисления.

Ключевые исследовательские темы

Основанное на ТСО профессиональное развитие преподавателей применяет принципы поддержки потребностей теории для подготовки педагогов к ИИ. Chiu et al. изучили 382 secondary school, обнаружив, что ориентированное на поддержку потребностей профессиональное развитие, основанное на ТСО, повышает ИИ-грамотность преподавателей и способствует устойчивой поведенческой вовлечённости в онлайн-сообществах профессионального обучения. Qualitative анализ выявил девять стратегий проектирования, поддерживающих автономию, компетентность и связанность, — сокращая разрыв между изолированным профессиональным развитием и сообществами профессионального обучения.

ТСО во вовлечённости в обучение, опосредованном ИИ, исследует, как инструменты generative AI формируют мотивацию студентов. Isaeva et al. сочетали ТСО с epistemic network analysis для изучения вовлечённости студентов в обучение с генеративным ИИ. Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming исследует, как доступность ИИ влияет на мотивацию и настойчивость студентов, связываясь с Over-Reliance в отношении эрозии мотивации. Liang et al. (2026) расширяют ТСО на обучение с ИИ с анализом латентных переходов 2 086 студентов средних школ в годовом ИИ-curriculum, выявляя три мотивационных профиля (незадействованный, развивающийся, самоопределённый), которые были устойчивы во времени, и показывая, что большинство студентов сохраняли или продвигались к более высоким профилям. Существенно, что студенты, достигшие или оставшиеся в самоопределённом профиле, показали наибольшие приросты ИИ-грамотность — прямое лонгитюдное доказательство того, что удовлетворение автономии, компетентности и связанности предсказывает лучшие результаты обучения с ИИ и что мотивация — это развивающееся (а не фиксированное) свойство учащегося.

Контрастирующий результат уровня занятий показывает, что потребности не движутся согласованно: среди 2 464 учащихся младшей средней школы компетентностное обучение с поддержкой ChatGPT повысило поддержку автономии и удовлетворение компетентности, но породило большую долю низкокачественных мотивационных профилей, а удовлетворение связанности было слабее, чем при компетентностном обучении без ИИ (Schweder, Hagenauer & Raufelder (2026)).

Конфигурационная проверка заостряет этот пункт: среди 498 студентов-медиков бакалавриата использование GAI было лишь слабо связано с удовлетворением потребностей (β = 0.155) и оказалось необязательным для высокой вовлечённости, тогда как удовлетворение потребности в компетентности было основным условием в сильнейшей конфигурации (He et al. (2026)).

Двойные пути от климата обучения к использованию ИИ. Shen and Arunrugstichai (2026) интегрируют ТСО с моделью Hook поведенческой вовлечённости, чтобы объяснить, почему использование GenAI колеблется от конструктивной поддержки до компульсивной зависимости. В данных поперечного опроса 508 студентов университета с различными средним школьным прошлым и текущими контекстами (Китай и Таиланд) ретроспективные отчёты о давлении в старшей школе против поддержки автономии дифференцированно предсказывали, каким из двух путей следовали студенты в университет — одним к конструктивному, автономному использованию GenAI, а другим к компульсивной зависимости, — с результатами, согласованными с кросс-контекстуальными многогрупповыми анализами. Модель связывает мотивационные процессы ТСО с воспринимаемым качеством обучения с поддержкой ИИ, представляя поддержку автономии как рычаг, направляющий студентов к продуктивному, а не зависимому использованию ИИ.

• ChatGPT и потребности ТСО в изучении языка: Annamalai et al. (2026) использовали оптику ТСО с 25 малайзийскими студентами университета, обнаружив, что ChatGPT поддерживает автономию, связанность и компетентность в English language learning — улучшая грамматику, письмо и разговорные задачи, позволяя при этом educators сосредоточиться на обучении более высокого порядка.

ТСО, применённое к собственной опосредованной ИИ практике преподавателей. Claassen et al. (2026) использовали ТСО как интерпретативную оптику на то, как преподаватели интегрируют learning analytics и генеративный ИИ в learning design, — обнаружив, что поддержка базовых потребностей преподавателей (автономии, компетентности, связанности) способствует творческому Решение задач, которого требует их проектная работа. В их анализе ENA использование GenAI было связано с проектированием для самоопределения студентов (например, совместным созданием рубрик оценивания со студентами), расширяя ТСО с учащихся на педагогов, которые строят поддерживающие потребности среды, опосредованные ИИ.

Для самих преподавателей сотрудничество с ИИ работает в обе стороны: трёхволновое исследование 468 преподавателей университетов обнаружило, что оно повышало вовлечённость в работу через психологическую доступность, снижая её через отчуждение от работы, а digital competency усиливала первый путь и ослабляла второй (Sun et al. (2026)).

Рамка ко-агентности ограничивает охват ТСО в опосредованном ИИ образовании: она меняет обстоятельства, при которых возникают автономия, компетентность и связанность, но оставляет нерешёнными равновесие власти, владение данными и подотчётность, — и именно поэтому её авторы ставят человеческую эпистемическую подотчётность как не подлежащее обсуждению условие вне теории (Poudyal (2026)).

Поддержка автономии как рамка для использования GenAI детьми. Fan, Li and Zhang (2026) перемещают вопрос ответственного использования от ограничения к поддержке потребностей, утверждая, что важное различие состоит в том, поддерживают ли окружающие ребёнка взрослые автономию, а не контролируют её, и различая зависимое и автономное Когнитивный оффлоадинг в терминах ТСО: зависимое переложение переносит Автономность учащегося и снижает внутреннюю мотивацию, автономное переложение скаффолдит, пока учащийся сохраняет эпистемический контроль. Две особенности обзора напрямую релевантны применению ТСО: он настаивает, что поддержка автономии — это не попустительство, и трактует координацию семьи и школы, которую предполагает текущее руководство, как непроверенную гипотезу, формализуя аддитивные, синергичные и компенсаторные версии, которые могло бы различить только факторное испытание, противопоставляющее руководства только для семьи, только для школы, скоординированные и обычную практику.

Связи с родственными концепциями

ТСО напрямую связана с Мотивация как с её родительским конструктом, с Аффективные вычисления и Аффективное обучение с репетитором для дизайна распознающего эмоции ИИ, а также с Опыт студентов в вопросе о том, как учащиеся переживают среды, опосредованные ИИ. Акцент теории на автономии связан с Саморегулируемое обучение, тогда как её измерение компетентности связывается с Self-Efficacy and Favorability Shape Learning from Tutoring Systems and Paper Practice и ИИ-компетентность преподавателя. ТСО особенно релевантна для Обучение на рабочем месте и Развитие педагогической практики, потому что поддерживающее потребности проектирование — это переносимый принцип для подготовки педагогов к использованию ИИ.

Связанные концепции

• Мотивация
• Опыт студентов
• Аффективные вычисления
• Аффективное обучение с репетитором
• Саморегулируемое обучение
• ИИ-компетентность преподавателя
• Развитие педагогической практики
• Обучение на рабочем месте
• Когнитивный оффлоадинг
• Вовлечённость студентов
• ИИ в образовании
• Теории обучения

Связанные статьи

• Family-school autonomy support for children's responsible use of generative artificial intelligence — Family-School Autonomy Support for Children's Responsible Use of Generative AI

• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — High-school pressure/autonomy support and dual AI learning pathways (Shen & Arunrugstichai 2026)

• Reclaiming Epistemic Agency: A Critical Framework for Human-Generative AI Co-Agency in Education

• Understanding the Role of Learning Analytics and Generative Artificial Intelligence on Decision-Making and Learning Design Practice in Higher Education — LA and GenAI in learning design decision-making

• Teacher education for artificial intelligence literacy through a self-determination theory perspective

• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study

• Why Put in This Much Effort?": How AI Availability Shapes Students’ Motivation in Introductory Programming

• Students' experiences of using ChatGPT for English language learning: a qualitative study in a Malaysian higher education institution — Students' ChatGPT experiences in English language learning

• Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons — Learner characteristics × TTS dialogue-format interactions

• From disengaged to self-determined: a latent transition analysis of students' AI learning motivation — SDT latent transition analysis of students' AI learning motivation (2,086 secondary students)

• Student Motivation and Need Satisfaction in GenAI-Supported Classrooms: A Self-Determination Theory Perspective — Student motivation and need satisfaction in GenAI classrooms (Schweder, Hagenauer & Raufelder 2026)

• Generative Artificial Intelligence Use and Learning Engagement Among Medical Undergraduates: Statistical Indirect and Configurational Associations Involving Basic Psychological Need Satisfaction — GAI use is weakly tied to need satisfaction and unnecessary for high engagement (He et al. 2026)

• The Double-Edged Sword Effects of Teacher–AI Collaboration on Work Engagement: A Self-Determination Theory Perspective — Dual pathways from teacher–AI collaboration to work engagement, moderated by digital competency