Саморегулируемое обучение

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Саморегулируемое обучение (self-regulated learning, SRL) описывает учащегося как активного участника, способного успешно формировать и развивать свои когнитивные и поведенческие действия. Инструменты ИИ могут либо служить scaffold для развития SRL, либо непреднамеренно прерывать его, устраняя регулятивные требования, на которых строится экспертиза.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) Лонгитюдные данные уточняют это различие: рефлексивное использование ИИ-инструмента предсказывало критическое мышление (β = 0.43), но не прирост знаний, а сам по себе доступ к инструменту не менял ни того, ни другого.(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

Вопросы для размышления

• SRL описывает учащихся, активно управляющих своим обучением через три фазы: предвосхищение (постановка целей, планирование, самоэффективность), выполнение (стратегия, самонаблюдение) и саморефлексия (оценивание, адаптация). Прежде чем вы прочитаете страницу: какую из этих фаз вы действительно выполняете хорошо — и какую пропускаете, хотя и знаете, что лучше?
• Базовая напряжённость страницы: ИИ может поддерживать саморегуляцию или прерывать её, устраняя регулятивные требования, на которых строится экспертиза. Как инструмент, облегчающий задачу, может сделать вас более слабым регулятором собственного обучения — и можете ли вы почувствовать эту разницу в своём собственном использовании?
• Учащиеся часто демонстрируют «дефицит продукции»: они обладают знаниями о саморегуляции, но не применяют их спонтанно — просят чат-бота «извлечь главные идеи», полностью пропуская планирование и мониторинг. Ловили ли вы себя на когнитивном эквиваленте этого, даже зная о более эффективной стратегии?
• Когда поддержка присутствует, ваше собственное суждение может выпадать из картины: в одном исследовании по данным трейсов именно доступная поддержка, а не точность метакогнитивной оценки учащегося, определяла выбранную стратегию правки. Если внешняя помощь перекрывает ваше понимание собственного обучения, какое суждение вы бы намеренно оставили в своих руках?
• В исследовании обнаружен разрыв в miscalibration: учащиеся могут воспринимать большее обучение с GenAI, сохраняя при этом меньше материала — предпочитая ИИ ведению конспектов, несмотря на более слабое удержание. Если вы чувствуете продуктивность при использовании инструмента, как вы когда-либо обнаружите, что на самом деле не учитесь больше?
• Функционирует ли GenAI как опора, обходной путь или партнёр, зависит в большей степени от регулятивных способностей учащегося, чем от самого инструмента. Но страница также показывает, что саморегуляция смягчает — хотя и не отменяет — вред глубокого когнитивного оффлоадинга. Что означает оговорка «смягчает, но не отменяет» для проектирования лучших ИИ-инструментов?
• Поставьте цель перед чтением: выберите одну задачу, для которой вы регулярно используете ИИ, и заранее решите, какую из трёх фаз SRL (предвосхищение, выполнение, рефлексия) вы намеренно защитите от автоматизации. Какой результат покажет вам, что это сработало?

Введение

SRL — это процесс, посредством которого учащиеся активно управляют собственным обучением через три взаимосвязанные фазы:

1. Предвосхищение: постановка целей, стратегическое планирование, убеждения Самоэффективность
2. Выполнение: развёртывание стратегий, самонаблюдение, фокусировка attention
3. Саморефлексия: Самооценивание, каузальная атрибуция, адаптация

Опытные саморегулирующиеся учащиеся применяют когнитивные стратегии для повышения успешности и используют Метакогниция для непрерывного совершенствования своих процессов обучения.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Эмпирическая работа в опосредованном технологиями курсе подтверждает связи между фазами: в восьминедельном исследовании адаптивной стохастики (194 студента) ценность задачи, самоэффективность, ориентация на цели и положительные эмоции в предакциональной фазе предсказывали акциональное регулятивное поведение, тогда как отрицательные эмоции препятствовали ему, а постакциональная удовлетворённость подпитывала следующую предакциональную фазу (Mejeh & Fromm (2026)).

Систематическое картирование 84 исследований об ИИ и SRL показало, что исследования сконцентрированы на студентах высшего образования и на метакогнитивных и когнитивных аспектах саморегуляции, при недостаточной изученности мотивационного измерения и том, что более трети исследований вообще не специфицируют какую-либо теорию SRL (Banihashem et al. (2025)).

Существенно, что SRL вокруг ИИ формируется восприятием, а не только поведением: Yilmaz et al. демонстрируют, что восприятие студентами обратной связи как исходящей от ИИ или от человека значимо влияет на их саморегулируемое обучение и поведение при правках — напоминание о том, что социальная рамка ИИ, а не только его содержание, меняет то, как учащиеся регулируют своё взаимодействие с ним.

Один режим отказа возникает ещё до начала регуляции: прокрастинация обучения с помощью GenAI — излишняя отсрочка начала работы с поддержкой GenAI при наличии искреннего намерения им пользоваться. Среди 1 243 китайских студентов более частое использование GenAI сопровождалось меньшим проявлением прокрастинации (β = −0.195), а тревожность, связанная с обучением GenAI, усиливала связь между намерением и отсрочкой (Li et al. (2026)).

То, где GenAI входит в цикл, определяет его эффект: отображая фазы предвосхищения, выполнения и рефлексии Зиммермана на среды, опосредованные ИИ, рамка ко-агентности утверждает, что точка входа определяет, усиливает или подрывает инструмент чувство контроля учащегося, и что оффлоадинг поддерживает трансформативное обучение только когда решение является намеренным, а не рутинным (Poudyal (2026)).

Поперечный опрос 434 студентов специального образования измеряет одну такую цепочку: ИИ-грамотность в отношении GenAI была положительно связана с поведением саморегулируемого обучения при поддержке GenAI (общий B = 0.701), действуя в основном через учебную Автономность учащегося (B = 0.345), а не через эмоции вызова (B = 0.061) (Yang et al. (2026)).

Цифровая поддержка SRL

Учебные дневники

Учебные дневники — многообещающая интервенция в области SRL: размышляя о своих процессах обучения, учащиеся повышают осведомлённость о познании и укрепляют регулятивные способности. Ключевые соображения проектирования:

• Структура важна: открытые дневники часто дают поверхностные записи; направляющие промпты и примеры-модели улучшают глубину
• Затухание мотивации: мобильные приложения для ведения дневников обычно быстро теряют engagement учащихся через несколько дней
• Компромисс опоры: помощь ИИ, которая пишет рефлексии за учащихся, подрывает практику SRL; помощь, которая структурирует промпты, не создавая контент, её сохраняет

Дашборды, сообщающие преподавателям профили SRL

Mejia-Domenzain et al. (2026) распространяют цифровую поддержку SRL на сторону преподавателя: их дашборд Аналитика обучения (DashED) сообщает преподавателям в смешанных аудиториях профили саморегулируемого обучения, выведенные с помощью машинного обучения, и то, как преподаватели действуют на основе этих профилей, зависит от контекста. На практике преподаватели перевёрнутого класса (университет) следовали последовательному исследованию данных и предпочитали адаптацию на уровне курса и показ dashboards в аудитории, тогда как преподаватели профессионального образования возвращались к страницам сводки и использовали инструмент в основном для индивидуальных коучинговых сессий. Предлагаемые преподавателями действия формировались представленным содержанием и их уровнем преподавания, а не типом графика — преподаватели университетов предпочитали недельные тесты и адаптацию курса, преподаватели профессионального образования — прямое, индивидуализированное коучирование. Это позиционирует дашборд как опору для регуляции преподавания самими преподавателями, с потребностями проектирования, варьирующимися по контексту, а не с единственным оптимальным интерфейсом.

Студенческий аналог редок: дашборд, показывавший 46 ученикам средней школы их собственные промпты GenAI и пересечение их текстов с ответами модели, открывался лишь около трети класса, что делает добровольное обращение к нему, а не саму визуализацию, связывающим ограничением (Fong et al. (2026)).

Эксперимент Scheu et al. 2×2 (2026)

В рандомизированном полевом эксперименте с 179 студентами на протяжении 22 дней сравнивались два принципа проектирования:

Ключевое наблюдение: курс улучшал навыки SRL и внутреннюю мотивацию через skill transfer, тогда как ассистент повышал вовлечённость, не влияя на мотивацию.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Инструменты ИИ и взаимная связь SRL–мотивация

Базовый принцип теории SRL заключается в том, что навыки Регулирование ИИ в образовании и Мотивация образуют взаимное соотношение:

• Лучший SRL → более успешное обучение → более высокая самоэффективность → более сильная мотивация
• Более высокая мотивация → более усиленное вовлечение → лучшая практика SRL

Инструменты ИИ могут входить в этот цикл в различных точках:

• Проектирование с приоритетом SRL (например, структурированные курсы, градуированные подсказки, промпты рефлексии): усиливает цикл, выстраивая подлинный навык
• Проектирование с приоритетом вовлечённости (например, автодополнение, генерация контента): может повышать поведенческую вовлечённость, не входя в контур мотивации, рискуя зависимостью от инструмента

Стратегическая регуляция GenAI как SRL

Kim (2026) переосмысливает эффективное использование GenAI в academic writing как стратегическую регуляцию — осуществляемую практику SRL, заключающуюся в проверке, пересмотре, избирательном принятии или отвергании выдачи ИИ. В исследовании mixed-methods с 107 студентами более высокая тревожность в отношении ИИ (AI anxiety) была положительно связана с проверкой и пересмотром (β = 0.24), тогда как оценочная способность предсказывала активный пересмотр и избирательную интеграцию (β = 0.46). Студенты разделились на четыре регулятивных типа — некритичная опора (Uncritical Reliance, 18,7 %), избирательная интеграция (Selective Integration, 34,6 %), оценочная трансформация (Evaluative Transformation, 31,8 %) и стратегическое отвергание (Strategic Rejection, 14,9 %) — что показывает, что ИИ-грамотность в Высшее образование функционирует менее как принятие, чем как регулятивная компетентность, основанная на Оценочное суждение и ethical ответственности. Это позиционирует SRL как ключевой механизм, отличающий критическое использование ИИ от некритического.

Управление инструментом само по себе является измеримой гранью: двухволновая валидация с китайскими учащимися EFL (EFA N = 305; CFA N = 342) разделяет шесть регулятивных измерений и называет регуляцию окружения — проверку сгенерированного вывода на точность, фильтрацию предложенных ресурсов и установление границ зависимости — как одно из них в своём праве (Wang, Zhang and Zhang (2026)).

Классифицируйте перед делегированием: Tsim and Gutoreva (2025) превращают саморегуляцию в протокол по каждой задаче — обозначьте каждую подзадачу как Substitute, Complement, Aid или Non-negotiable, обоснуйте это в короткой метакогнитивной заметке и ведите аудиторский след из промптов, черновиков и человеческих правок — при повторяющемся цикле, так что назначение одной задачи информирует следующую. Само взаимодействие как объект регуляции. Brunnström and Palmqvist (2026) документируют то же требование регуляции с другой стороны: в восьмираундовой демонстрации с использованием чат-бота для подготовки ответа на examination стандартная выдача ИИ оставалась на quantitative, мультиструктурном конце таксономии SOLO — отполированной, готовой к сдаче и педагогически тонкой — и достигала пригодного трёхшагового цикла обучения только после повторяющихся мета-вмешательств («это слишком объёмно, можешь сжать?»). Их вывод состоит в том, что продуктивное использование требовало «тех самых саморегулятивных навыков, которые инструмент и должен был поддерживать»: учащийся должен ставить постепенные цели, запрашивать корректировки сложности и размышлять о том, что ещё не понято, в дополнение к самому дисциплинарному содержанию. Они называют эту способность AI-interaction literacy и рассматривают отключение от инструмента как законное регулятивное решение, а не как неспособность к упорству (Метакогниция).

• Удовлетворённость — это не саморегуляция. Liang et al. (2026) опросили 689 студентов программ индустрии-образования и проверили модель серийной медиации, в которой воспринимаемые аффордансы контента, сгенерированного ИИ (AIGC), повышают Самоэффективность в работе с AIGC (β = 0.583) и через неё — учебную Мотивация (β = 0.565) и саморегулируемое обучение (β = 0.250), при этом мотивация является наиболее весомым одиночным предиктором SRL (β = 0.527). Несущие отрицательные результаты расположены рядом с этими путями: качество обратной связи ИИ при оценивании сильно предсказывало удовлетворённость (β = 0.712), но не самоэффективность (β = 0.131), а удовлетворённость не оказывала значимого влияния на саморегулируемое обучение (β = 0.032). Хорошо воспринимаемый, хорошо работающий ассистент, таким образом, не является доказательством улучшения регуляции — механизм проходит через уверенность и мотивацию, а не через опыт учащегося от инструмента.

GenAI-осознанная рефлексия как SRL

The 5P Reflection Model (Kadel et al. 2026) возвращает структурированную рефлексию в эпоху GenAI в центр как осуществляемую практику SRL. Поскольку учащиеся всё чаще совместно создают смыслы с ИИ, традиционные модели рефлексии испытывают трудности с аутентификацией студенческой рефлексии, поэтому модель 5P (Purpose, Process, Product, Pitfalls, Plan) объединяет постановку целей, управляемую предвосхищением, рефлексию в действии (документирование промптов и итераций), рефлексию о действии (валидацию вероятностного вывода против внешних источников), явную стадию подводных камней для hallucination, plagiarism и over-reliance, и ориентированный вперёд план — встраивая эмоциональный мониторинг на протяжении всего пути. Её философия «процесс важнее продукта» рассматривает структурированное документирование human-AI interaction как регулятивное требование, которое сохраняет аутентичность, Автономность учащегося и metacognitive глубину, позиционируя GenAI-осознанную рефлексию как опору для саморегуляции, а не замену ей.

Соотношение с проектированием, специфичным для тьюторства

Tutoring-specific AI согласуется с проектированием с приоритетом SRL: он предоставляет градуированные опоры, которые сохраняют Автономность учащегося и требуют стратегической саморегуляции. ИИ общего назначения часто устраняет регулятивные требования полностью.(The Evidence Base on AI in K-12: A 2026 Review)

Например:

• Тьютор-специфичный chatbot Бастани и соавторов сохранял пошаговое рассуждение (требование SRL)
• Вариант GPT общего назначения просто предоставлял ответы (обход SRL)

Доказательства в различных контекстах

• Смешанные доказательства и разрыв в калибровке. Быстрый обзор исследований GenAI в системе PreK-12 показывает, что метакогнитивные приобретения при выполнении поддерживаемых задач часто не сохраняются, когда поддержка устраняется, и что GenAI может увеличивать perceived learning даже при отсутствии долговременного обучения (разрыв в калибровке — учащиеся предпочитали GenAI ведению конспектов, несмотря на более слабое удержание). Учащимся необходимы явные, соответствующие возрасту тренировки, чтобы решать, что делегировать и когда самостоятельное усилие имеет значение.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)
• Напряжение между Agentic инициативой и саморегуляцией. Woollaston et al. (2026) отмечают, что по мере того как агенты автоматизируют всё большую часть задачи, учащийся выполняет всё меньше саморегулируемой когнитивной работы, — поэтому конструкции должны давать учащимся контроль над инициацией агента (динамический, постепенно снимаемый скаффолдинг), чтобы сохранять саморегулятивные способности, а не отдавать их на аутсорсинг.
• Саморегуляция определяет использование ИИ-ассистентов программирования. A study of AI coding assistants показало, что учащиеся с высоким Вычислительное мышление демонстрировали более сильную саморегулятивную связность (планирование — выполнение — саморефлексия) и использовали AICA для понимания кода, тогда как учащиеся с низким CT использовали его для непосредственного получения ответов.
• SRL сопутствует более низкой цифровой отвлекаемости в online learning. Shi et al. (2026), используя unsupervised-майнинг данных на выборке из 530 студентов колледжей, обнаружили, что стратегии SRL — постановка целей, структурирование окружения и управление временем — наиболее последовательно сопутствовали более низкой цифровой отвлекаемости в online learning, наряду с вовлечением учащийся–преподаватель и учащийся–контент. Этот результат позиционирует конкретные тренировки SRL как высокодейственную интервенцию для сосредоточенной онлайн-учебы.
• Метакогнитивная осведомлённость, а не доступ к инструменту, является сильнейшим драйвером адаптивной успешности в STEM. Alatoai and Alshahri (2026) построили и валидировали AI-STEM-MLCS с 649 учениками средней школы в Саудовской Аравии (CFI = 0.983, RMSEA = 0.019; McDonald's ω = 0.888–0.905) и обнаружили, что четыре его измерения объясняли 68 % дисперсии в успешности саморегулируемого обучения (R² = 0.68). Основанная на ИИ метакогнитивная осведомлённость была сильнейшим предиктором (β = 0.38, p < 0.001), за ней следовали когнитивный перенос и адаптивность (β = 0.29, p = 0.008) и усиленное ИИ саморегулируемое обучение (β = 0.21, p = 0.040), тогда как творческое и критическое рассуждение в AI-STEM не предсказывало критерий (β = 0.14, p = 0.135). Авторы интерпретируют эту картину как свидетельство того, что adaptive обратная связь повышает успешность в STEM главным образом побуждая учащихся разбирать ошибки, перекалиброваться и повторно использовать стратегии, поэтому инструмент работает лучше как диагностика, локализующая пробелы в метаобучении, чем как единый глобальный балл. Это self-report, валидированный в одной национальной системе, поэтому коэффициенты носят предварительный характер.
• Внешняя поддержка может обходить собственное метакогнитивное суждение учащегося. Iqbal et al. (2026) отследили 87 студентов EFL, правящих эссе при поддержке GenAI (ChatGPT 4.0), эксперта-человека или без поддержки. Условие поддержки было самым сильным коррелятом выбранной студентом стратегии правки (Cramér's V = 0.668), значительно опережая перенос из предшествующего письменного задания (V = 0.333), тогда как точность метакогнитивного суждения (p = 0.172), навык письма (p = 0.261) и Мотивация (p = 0.683) не были связаны. Метакогнитивное суждение отслеживало стратегию только когда поддержка отсутствовала (пермутационный тест p = 0.0460). Учащиеся с поддержкой GenAI выиграли больше всего (около 4 баллов в среднем при стратегии снижения поиска помощи, против −0.5 балла при той же стратегии в условиях поддержки эксперта-человека), однако ни одна стратегия правки не была связана с изменением балла (H(3) = 3.895, p = 0.273), поэтому приобретения шли от инструмента, а не от лучшей саморегуляции. Ориентация авторов состоит в том, что GenAI должен побуждать к размышлению о собственной стратегии правки, а не поставлять прямую помощь.
• Рефлексивное использование отслеживает критическое мышление, а не прирост знаний. Melanou et al. (2026) на протяжении девятинедельного курса наблюдали три параллельные группы студентов бизнес-информатики (N = 87): знания росли в каждой группе (F(1, 50) = 29.87, p < 0.001, η²p = 0.374) без преимущества ИИ, без взаимодействия Время × Группа и без эффекта Мэтью (F(1, 48) = 2.46, p = 0.124; BF01 = 8.70). Рефлексивное использование (проверка источников и верификация выдачи ИИ до её принятия) было заметно выше в условии с ИИ (3.72 против 2.82; F(1, 40) = 20.21, p < 0.001) и предсказывало критическое мышление (β = 0.43, p < 0.001), но не прирост знаний, который предсказывала релевантная когнитивная нагрузка (β = 0.51, p = 0.001). Практическое прочтение: сам по себе доступ к ИИ не является интервенцией, и его метакогнитивная отдача проявляется в качестве рассуждения раньше, чем в тестовых баллах.

LLM-опосредованная SRL: опора, обходной путь или партнёр?

Кластер исследований Learning Letters (2026) сходится в одной центральной напряжённости: GenAI может поддерживать, прерывать или становиться партнёром саморегуляции в зависимости от конструкции и того, как учащиеся регулируют его использование. Доказательства указывают на то, что решающей переменной является сама SRL, а не инструмент.

• Viberg et al. обнаруживают, что LLM вплетены в многослойную Поиск помощи, а не заменяют человеческую поддержку: учащиеся сначала пробуют задачи самостоятельно, затем обращаются к ChatGPT как к низкопороговому первому шагу, к сокурсникам — для концептуального согласования, а к преподавателям — по вопросам с высокими ставками. Они предпочитают инструментальный поиск помощи (подсказки, пошаговое руководство) исполнительскому поиску помощи (готовые решения), осуществляя избирательный Доверие и проверяя выдачи против материалов курса, — четырёхстадийный процесс (решение о необходимости помощи, выбор того, к кому обратиться, определение типа помощи, оценка полученной помощи), который можно измерять и которому можно учить.
• Atif & Dickson-Deane трактуют использование GenAI как Когнитивный оффлоадинг, который может быть либо опорным (учащиеся критикуют и адаптируют выдачи ИИ, сохраняя Автономность учащегося и смыслообразование), либо подстановочным (учащиеся принимают выдачи с минимальной проверкой, передавая контроль инструменту). В исследовании 267 аспирантов по ИТ один и тот же инструмент мог служить опорой или обходным путём для SRL в зависимости от стратегии учащегося — уверенные пользователи демонстрировали агентность в постановке целей и мониторинге; менее уверенные видели в GenAI обходной путь или нарушение.
• Структура, а не ИИ сам по себе, определяет приросты SRL. Отображение фаз Циммермана на проектное гибридное обучение с ИИ как метакогнитивной опорой дало N-Gain 0,72 против 0,28 при обычном обучении (t = 8,47, p < 0,001, Priyambudi et al. (2026)), которые утверждают, что ИИ усиливает саморегуляцию только внутри структуры задачи — неструктурированное использование рискует породить метакогнитивную лень.
• Lim & Bannert конкретно демонстрируют риск: учащиеся добровольно использовали чат-бот genAI (73 %) и получали более высокие баллы за эссе, но они выносили вовне понимание и синтез (прося чат-бот «извлечь только главные идеи») и почти не занимались планированием или мониторингом — отдавая на аутсорсинг ключевые регулятивные решения. Это отражает дефицит продукции: учащиеся обладают знаниями о SRL, но не применяют их спонтанно, поэтому инструменты genAI должны побуждать к рефлексии (опора-монитор), когда запросы указывают на оффлоадинг.
• Song et al. демонстрируют, что SRL является одновременно устойчивой способностью и динамичным состоянием: индивидуальные базовые линии последовательны, но метакогнитивные знания и Благополучие систематически снижаются на протяжении семестра под влиянием сроков оценивания. Они показывают, что GenAI может действовать как контекстно-осведомлённый learning partner, когда ему предоставляются личные, временные и контекстные данные, — поддерживая учащихся, не заменяя их усилий. Это аргумент против «единой персонализации на все случаи» personalization, основанной только на базовой способности.
• de Barba теоретически расширяет SRL, утверждая, что поле сузилось до сфокусированной на задаче регуляции и до оптимизируемых поведенческих прокси в образовательных технологиях. В работе предлагается межмасштабный account учебной агентности — регуляции (внутри задач), интеграции (через время и контексты) и позиционирования (критически по отношению к условиям, обрамляющим обучение) — как ориентация проектирования для алгоритмически опосредованных сред.
• Саморегуляция смягчает, но не отменяет вред оффлоадинга. Chen (2026) показывает, что саморегулируемое письмо ослабляет — но не устраняет — отрицательную связь между глубоким Когнитивный оффлоадинг и независимыми результатами без ИИ при письме с помощью GenAI: взаимодействие оффлоадинга с SRL было положительным (B = 0.22), сглаживая вред с наклона −0.54 (низкий SRL) до −0.33 (высокий SRL), но не отменяя его. Условие ограниченной поддержки, сочетающее лимиты делегирования с обязательной рефлексией, дало сильнейшую независимую успешность — доказательство, что метакогнитивная регуляция частично защищает учащихся, но не может полностью компенсировать делегирование самой когнитивной работы.

Где «аренда» (rental) находится внутри моделей Уинни. de Barba (2026) отображает механизм на SRL как операции, которые система выполняет вместо учащегося: замечание, мониторинг и оценочное суждение осуществляются инструментом, тупик разрешается поиском, а не собственным выбором «Если — То, Иначе» учащегося, а стандарты, по которым учащийся судит, заимствованы, а не выстроены. Способность, которую учащийся считает своей, пока её держит инструмент, — скрытая аренда — подавляет сигнал ошибки, который иначе инициировал бы регуляцию, и десять положений специфицируют, что следует тестировать, включая большие издержки при акклиматизации в домене и дрейф стандартов к собственным референсным точкам модели.

Совокупный урок: SRL — ключевой механизм, отличающий критическое использование ИИ от некритического. Функционирует ли GenAI как опора, обходной путь или партнёр, зависит от регулятивных способностей учащихся и от того, спроектированы ли инструменты сохранять (а не устранять) регулятивные требования, на которых строится экспертиза.

Какой вид поддержки задействован, решает, какой медиатор несёт связь: среди 3 003 китайских будущих преподавателей воспринимаемая поддержка инструментами ИИ вела к инновационной компетентности в основном через Самоэффективность в сфере ИИ (60,88 % общего эффекта данного пути), тогда как воспринимаемая поддержка со стороны школьной интеллектуальной среды вела в основном через саморегулируемое обучение (29,64 % против 18,60 %) (Liu et al. (2026)).

Следствия

• Для инструментов ведения дневников/чат-ботов: сочетайте обучение SRL (курсовое) с необязательной поддержкой письма, чтобы получить и прирост мотивации, и прирост вовлечённости
• Для разработчиков инструментов: сделайте оценивание обязательным шагом, а не необязательным. Iqbal et al. обнаружили, что именно доступная поддержка, а не метакогнитивное суждение учащегося, определяла выбранную студентами стратегию правки, и что прирост баллов с GenAI не шёл от лучшей регуляции, тогда как Melanou et al. обнаружили, что рефлексивное использование предсказывало критическое мышление там, где одного лишь доступа к инструменту не хватало. Взаимодействия, которые просят учащихся проверять, сравнивать и перестраивать стратегию, — именно они несут учебную ценность.
• Для преподавателей: рассматривайте основанную на ИИ метакогнитивную осведомлённость как первый рычаг и проверяйте её явно. Alatoai and Alshahri обнаружили её сильнейшим предиктором адаптивной успешности в STEM (β = 0.38), а перенос и адаптивность — вторыми по силе (β = 0.29), поэтому активности, в которых учащиеся разбирают ошибки и переносят стратегию в новый контекст задачи, дают больше, чем общие призывы к критическому или творческому рассуждению.
• Для AI policy: критерии закупок должны включать вопрос о том, развивает или вытесняет инструмент саморегуляцию
• Для researchers: долгосрочные исследования, измеряющие исходы SRL (а не только непосредственную успешность), существенно необходимы; Melanou et al. показывают плоды такого терпения, поскольку рефлексивное использование на протяжении семестра сдвинуло критическое мышление (β = 0.43), не сдвинув прирост знаний.

Диалоговые агенты и SRL в симуляционных играх

• Диалоговые агенты, поддерживающие саморегулируемое обучение в играх. Wenzel, Geiger и Liening (2026) показывают, что ИИ-диалоговый агент (Lara) в бизнес-игре Моделирование может поддерживать саморегулируемое обучение через основанную на метриках formative обратную связь, руководство по запросу и структурированную рефлексию — устраняя распространённое ограничение, состоящее в том, что симуляционные игры предоставляют ограниченную формирующую обратную связь и мало промптов рефлексии. Оценки, проведённые со студентами-педагогами и участниками BSG, показали положительное восприятие когнитивного и social presence агента и его поддержки саморегуляции.

Автоматическое обнаружение SRL: что переносится, а что нет

• Классификаторы SRL на основе эмбеддингов переносятся между языками внутри домена, но не между доменами. Исследование 26 студентов (химия и формальная логика; протоколы «мышления вслух», кодированные по модели Уинни и Хэдвина) показало, что модели на основе эмбеддингов (text-embedding-3-small), обученные на английском, классифицируют SRL на немецком с ~0.8 AUC при деградации ~0.1 — кроме enacting (~0.7). Междоменный перенос не работает: переход от химии к логике падает до ~0.6, enacting — до случайного уровня (~0.5); связывает не язык, а домен.
• Три режима отказа объясняют, где перенос рвётся. (1) Разрешение концептов в повседневном, а не в доменном значении — «cancel» против химического «kürzen» — ломает классификацию enacting. (2) Антропоморфизация — немецкие студенты, незнакомые с сильно оснащённым опорой тьютором, обращались к нему как к человеку, что порождало высказывания вне распределения; перенос шёл лучше на менее оснащённых платформах. (3) Двусмысленность «чтения подсказки» против «формулирования плана» — модели не могут отличить чтение метакогнитивной подсказки от планирования без данных логов. Осознание ошибок устойчиво во всех условиях — заметить, что ты неправ, не зависит от контекста. Исправления: экспертные словари или дообучение для доменных терминов; данные логов для подсказок. (Large language models generalize SRL prediction to new languages within but not between domains)

Связанные концепции

• Учащиеся — Учащиеся: зонтичная категория для концепций со стороны учащегося
• Метакогниция — когнитивный мониторинг, на который опирается SRL
• Самооценивание
• Самоэффективность — убеждение фазы предвосхищения, определяющее усилие
• Скаффолдинг — градуированная поддержка, сохраняющая регулятивное требование
• Обратная связь — входные данные, вокруг которых регулируют учащиеся
• Грамотность в сфере обратной связи — способность действовать на основе обратной связи
• Поиск помощи — стратегическое поведение SRL
• Мотивация — взаимный партнёр саморегуляции
• Когнитивный оффлоадинг — риск, когда ИИ устраняет регулятивную работу
• Генеративный ИИ — технология, которая может поддерживать или прерывать SRL
• ИИ-грамотность — регулятивная компетентность в использовании ИИ
• Самонаправленное обучение — более широкая конструкция автономии
• Автономность учащегося — способность учащегося действовать намеренно, центральная для регуляции, интеграции и позиционирования
• Адаптивное обучение — персонализация, которая может поддерживать регуляцию
• Формативное оценивание — непрерывная обратная связь для регуляции
• Обучение через преподавание — стратегия, строящая саморегуляцию
• Интеллектуальное тьюторство — системы, создающие опору для SRL
• Большие языковые модели (LLM) — базовая модель ИИ-инструментов
• Извлечение из памяти, распределение и чередование — планирование, самотестирование и выбор стратегий обучения, которые делают учащиеся
• Когнитивная капитуляция

Связанные статьи

• AIGC affordance and student self-regulation in private undergraduate education: a serial mediation model — Аффордансы AIGC и саморегуляция учащихся

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — Грамотность взаимодействия с ИИ: управление чат-ботом потребовало той самой SRL, которую он должен был поддерживать (Brunnström & Palmqvist 2026)

• The 5P Reflection Model for Education in the Generative Artificial Intelligence (GenAI) Era — Модель рефлексии 5P для эпохи GenAI (Kadel et al. 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Чувствительный к уровням когнитивный оффлоадинг при письме с помощью GenAI (Chen 2026)

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

• Learner Agency Across Scales: An Integrative Perspective on Self-Regulated Learning in Algorithmically Mediated Environments — Учебная агентность в различных масштабах: регуляция, интеграция, позиционирование

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — Арендованное «я»: аренда, отображённая на модели SRL Уинни, с десятью положениями и внутри-учащимися индексами

• GenAI as a Learning Partner: Supporting Self-Regulated Learning Over Time Without Replacing Effort — GenAI как контекстно-осведомлённый учебный партнёр во времени

• How Do Students Regulate Their Learning With a GenAI Chatbot? — Как учащиеся регулируют обучение с помощью чат-бота genAI

• Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — Опора или обходной путь? Двойная роль GenAI в SRL

• Efficiency vs. Effectiveness: Self-Regulated Learning with LLM-Mediated Help-Seeking — Опосредованный LLM поиск помощи в STEM: многослойный, инструментальный и верифицированный

• Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task

• Fostering self-regulated learning through adaptive learning technology: A differentiated perspective on the role of feedback

• A systematic mapping review at the intersection of artificial intelligence and self-regulated learning

• Supporting self-regulated learning through generative AI feedback in online higher education: the importance of student perceptions of the source of feedback — Обратная связь GenAI и SRL: воспринимаемый источник имеет значение

• From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource — От тревожности из-за ИИ к стратегической регуляции

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Смешанные доказательства по метакогниции/саморегуляции с GenAI

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Агентный ИИ и напряжённость саморегуляции

• Decreasing Digital Distraction in College Students: Associated Online Learning Strategies Identified by Unsupervised — SRL и более низкая цифровая отвлекаемость в онлайн-обучении (Shi et al. 2026)

• Making machine learning findings accessible to teachers in blended classrooms — Делаем результаты машинного обучения доступными для преподавателей в смешанных аудиториях

• SCAN: A Decision-Making Framework for Task Assignment with Generative AI — SCAN: ориентированный на учащегося цикл идентификации задач, обоснования и послезадачной рефлексии

• Using Learning Analytics to Support Secondary School Students' Writing with Generative AI — Использование учебной аналитики для поддержки письма учащихся средней школы с генеративным ИИ

• Exploring the Impact of AI-Based Learning Environments on Student Self-Regulation and Adaptive STEM Learning — Валидированный инструмент для поддерживаемой ИИ саморегуляции в адаптивном обучении STEM, с метакогнитивной осведомлённостью как сильнейшим предиктором

• Human or GenAI Support? Conditions Impacting Students' Strategy Choices in an Essay Revision Task — Условие поддержки, а не метакогнитивное суждение, определило выбор стратегии правки в эксперименте по правке эссе

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — Лонгитюд: рефлексивное использование ИИ предсказывало критическое мышление, но не прирост знаний, без эффекта Мэтью

• GenAI literacy and GenAI-assisted self-regulated learning behaviors: the roles of learning agency and challenge emotions — Грамотность в области GenAI связана с поведением саморегулируемого обучения главным образом через учебную агентность

• Pre-Service Teachers' Perceptions of AI Technological Support and School-Based Intelligent Environment Support: Model-Based Indirect Associations with Innovative Competence via AI Self-Efficacy and Self-Regulated Learning — Тип поддержки переключает медиатор: самоэффективность в ИИ против саморегулируемого обучения

• GenAI Use and GenAI-Assisted Learning Procrastination in University Students: The Roles of Planned Behavior Constructs and Learning GenAI Anxiety — Прокрастинация обучения с помощью GenAI: разрыв между намерением и поведением, который усиливает тревожность

• Generative artificial intelligence-supported self-regulated learning (GenAI-SRL) in L2 writing: scale development, validation, and short-form construction — Валидированная шестимерная шкала GenAI-SRL для письма на L2, с регуляцией окружения как отдельным измерением и 12-пунктовой короткой формой, оптимизированной муравьиным алгоритмом

• Large language models generalize SRL prediction to new languages within but not between domains — Large Language Models Generalize SRL Prediction to New Languages Within But Not Between Domains (Borchers et al. 2025)

• A Project-Based Hybrid Learning Model Using Artificial Intelligence to Enhance Students' Self-Regulated Learning — Модель проектного гибридного обучения с использованием ИИ для повышения саморегулируемого обучения учащихся