Специальное образование

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Специальное образование — проектирование и предоставление обучения для учащихся с ограниченными возможностями, охватывающее когнитивные, физические, сенсорные и нейроразвитийные различия. Исследование в сфере ИИ в образовании в этой базе знаний изучает, как инструменты ИИ могут поддерживать разнообразные потребности учащихся через персонализацию, адаптивный скаффолдинг и доступные интерфейсы — а также рассматривает риски систем ИИ, которые не замечают или маргинализуют учащихся с ограниченными возможностями.

⚠️ «Специальное образование» — прежде всего K-12 термин. Он укоренён в американском законе «Об образовании лиц с ограниченными возможностями» (IDEA) и системе прав на индивидуальные образовательные программы (IEP), управляющей услугами специального образования в начальной и средней школе. В высшем образовании — и всё чаще в K-12 — более обычной рамкой является Универсальный дизайн для обучения (упреждающая рамка дизайна, полезная для всех учащихся) наряду с доступностью и Ассистивные технологии, а не «специальным образованием». Статья о специальном образовании в K-12 и колледжская статья о UDL говорят о пересекающихся, но различных контекстах; база знаний хранит оба, потому что исследовательская литература охватывает оба. Когда источник касается высшего образования и учащихся с ограниченными возможностями, его обычно лучше связать с Универсальный дизайн для обучения, Доступность или Инклюзивное обучение, чем со специальным образованием.

Вопросы для размышления

• Страница подчёркивает, что «специальное образование» — прежде всего термин K-12, основанный на правах и укоренённый в IDEA и IEP, тогда как высшее образование чаще говорит об Универсальном дизайне для обучения и доступности. Почему, по-вашему, эти контексты различаются и что это различие раскрывает?
• Обещание персонализации со стороны ИИ кажется созданным специально для учащихся с разнообразными потребностями. Но если система может адаптироваться к «индивидуальным когнитивным профилям», что может пойти не так, когда модель ограниченности слишком груба или отсутствует вовсе?
• Исследования включают инструменты ИИ, созданные под конкретные профили ограниченностей (например, для учащихся с дислексией или глухих и слабослышащих). Какие риски вы видите в проектировании под узкие профили по сравнению с универсальным проектированием для всех учащихся с самого начала?
• Как системы ИИ, построенные под «среднего» учащегося, могут в итоге не замечать или маргинализовать учащихся с ограниченными возможностями, даже непреднамеренно — и чья ответственность это предотвратить?
• Что значило бы для инструмента ИИ истинно включать, а не просто приспосабливать учащегося с ограниченными возможностями — и как бы вы распознали эту разницу на практике?

Введение

Специальное образование — домен, где способность ИИ к персонализации и адаптации даёт особое обещание. В отличие от универсального обучения, ИИ-репетиторы теоретически могут адаптироваться к индивидуальным когнитивным профилям, коммуникативным потребностям и темпам обучения. Статьи в этой базе знаний охватывают ИИ для конкретных профилей ограниченностей, опыт нейроотличных учащихся и критические перспективы в отношении ИИ и ограниченности.

Специфичное для ограниченностей ИИ-репетиторство приспосабливает ИИ под конкретные потребности учащихся. Special-R1 распространяет обучение с подкреплением на моделирование когнитивного и коммуникативного разнообразия в пяти профилях ограниченностей, используя осознающие персону промпты и вознаграждения за мышление для формирования ответов репетитора каждому учащемуся. DysLexLens проанализировал, как учащиеся с дислексией переживают инструменты ИИ, раскрыв и ценность ИИ для поддержки грамотности, и устойчивые барьеры доступности. Chen и др. создали систему генерации вопросов на Большие языковые модели (LLM) для Доступность, вводя визуальные и эмоциональные стратегии вопросов и итеративно уточняя вопросы вместе с целевым сообществом, чтобы преодолеть несоответствие между текстовыми промптами ИИ и жестовыми первыми языками. Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision разработали невизуальные стратегии обучения со слепыми и слабовидящими музыкантами, помещая во центр ведомый ограниченностью воплощённый дизайн. Это связывается с Инклюзивное обучение и Нейроразнообразие.

Опыт нейроотличных учащихся сосредоточен на аутичных студентах и студентах с СДВГ. Zastudil и др. обнаружили, что нейроотличные студенты-программисты нуждаются в структурированных заданиях, небольших устойчивых командах и явных определениях ролей — требованиях дизайна, которые должны учитывать инструменты Совместное обучение. Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education продемонстрировали, что сегментированные ИИ видео устранили разрыв в успеваемости при СДВГ. Оба связываются с Дизайн обучения и Универсальный дизайн для обучения.

Критические перспективы рассматривают, как ИИ может маргинализовать учащихся с ограниченными возможностями. Tali-Otmani утверждает, что системы ИИ активно маргинализуют центрированное на ограниченностях знание из-за вестерно-центричных обучающих данных — что связывается с опасениями Справедливость об эпистемической справедливости.

ИИ для дислексии в спектре обнаружения, поддержки и персонализированного обучения. Междисциплинарный систематический обзор 2026 года (Dabaghi, D'Urso & Sciarrone, по методологии PRISMA, 2018–2024, n=72) отображает, как ИИ поддерживает студентов с дислексией в образовании, обнаруживая, что ИИ используется для обнаружения, ассистивной поддержки и персонализированного обучения — но эти направления развиваются параллельно, а не в интеграции, движимые скорее технологической возможностью, чем консолидированной образовательной теорией. Инструменты ML-помощи в образовании разбиваются на пять областей (конкретные приложения, вовлечённость, персонализация, рекомендация, типовая поддержка), но подчёркивают техническую производительность и точность классификации, игнорируя экологическую валидность и практическое развёртывание в аудитории. Исследования обнаружения (ЭЭГ, трекинг глаз, модели ML) приоритизируют раннее вмешательство и показывают диагностическое обещание, но часто требуют специализированного оборудования и контролируемых сред, ограничивая масштабируемость и доступность в типовых школьных условиях. Открытые вызовы включают ограниченную экспериментальную валидацию, масштабируемость, опасения Этика/приватности в отношении чувствительных данных студентов, ограниченную поддержку и подготовку преподавателей и языковые/культурные барьеры (большинство исследований нацелено на англоговорящие популяции).

Когнитивное перекладывание нагрузки для студентов с нарушениями обучения (SWLDs). Seung & Basham (2026) — концептуальный обзор в специальной серии Learning Disability Quarterly об ИИ для студентов с нарушениями обучения, переосмысливающий использование GenAI для SWLDs через призму Когнитивный оффлоадинг (перекладывания когнитивной нагрузки на внешние средства). Они утверждают, что GenAI может быть компенсирующей помощью или коротким путём в зависимости от того, как решения о перекладывании взаимодействуют с когнитивными и мотивационными профилями SWLDs (вызовы исполнительной функции и рабочей памяти, повышенная когнитивная нагрузка, цели результативности, избегающей усилия, более низкая академическая самоэффективность и завышенные ожидания в отношении GenAI) и с дизайном обучения. Для чтения и письма GenAI может опирать доступ (выравнивание уровня текста, суммирование, Мультимодальный ИИ выдачи, планирование, составление черновиков, обратная связь по ревизии), сохраняя при этом вовлечённость высшего порядка, — но чрезмерное перекладывание рискует обойти процессы понимания, планирования и мониторинга, которые у этих учащихся и так хрупки, поощряя «метакогнитивную леность» и усугубляя трудности грамотности в разных доменах. Статья позиционирует учебные Ограничители (guardrails) как ключевой модерирующий фактор и рекомендует преподавать стратегическое перекладывание, выстраивать ИИ-грамотность для калибровки доверия к инструменту, выстраивать последовательность опытов мастерства для роста Самоэффективность и согласовывать задачи и оценивание с целями IEP, приоритизируя развитие навыков над подменой. Это распространяет охват специального образования в базе знаний на измерение справедливости при перекладывании: тот же инструмент, что снижает барьеры доступа, может, если его не ограничить, подменить практику, в которой SWLDs нуждаются больше всего.

Сгенерированному ИИ содержанию вмешательств нужны средства контроля до генерации, а не только рецензирование. Enkhjargal и др. (2026) обнаружили, что практики оценили совместно спроектированный инструмент Social Story как высоко пригодный (SUS 86,8), но назвали его изображения типово западными, а его трекер поведения — несоответствующим клиническому суждению, связанному с целями; это ограничения, которые они задали бы до генерации.

Значение для преподавателей специального образования

• Совместно проектируйте ИИ с целевыми учащимися и сообществом. Генерация вопросов для глухих/слабослышащих учащихся показывает ценность итеративного уточнения ИИ вместе с сообществом, чтобы перекрыть разрыв между текстовыми промптами и жестовыми первыми языками — вовлекайте учащихся и их сообщества в дизайн, а не предполагайте, что ИИ им подходит.
• Соответствуйте ИИ конкретным профилям ограниченностей, а не типовой доступности. Special-R1 моделирует когнитивное и коммуникативное разнообразие в профилях ограниченностей; DysLexLens документирует и ценность для грамотности, и устойчивые барьеры доступности, с которыми сталкиваются учащиеся с дислексией, — выбирайте инструменты, согласованные с профилем каждого учащегося, и будьте внимательны к неудовлетворённым барьерам.
• Структурируйте совместную работу для нейроотличных учащихся. Нейроотличные студенты-программисты нуждаются в структурированных заданиях, небольших устойчивых командах и явных ролях — применяйте эти требования дизайна к любой опосредованной ИИ совместной деятельности.
• Используйте ИИ, чтобы закрывать (а не расширять) разрывы в результативности. Сегментированные ИИ видео устранили разрыв в результативности при СДВГ — разворачивайте адаптивный ИИ там, где данные показывают, что он уравнивает результаты, а не там, где он просто автоматизирует.
• Помещайте в центр ведомый ограниченностью воплощённый дизайн. Исследование слепых и слабовидящих музыкантов показывает, что невизуальные, ведомые ограниченностью стратегии превосходят типовые визуальные интерфейсы — стройте и адаптируйте ИИ с опытом учащихся с ограниченными возможностями.
• Ограждайтесь от эпистемической маргинализации. Критические перспективы предостерегают, что вестерно-центричные обучающие данные могут маргинализовать центрированное на ограниченностях знание — аудируйте содержание и инструменты ИИ на эпистемическую справедливость наряду с Справедливость.

Связанные концепции

• Различия в эффектах между группами учащихся
• Инклюзивное обучение
• Справедливость
• Нейроразнообразие
• Универсальный дизайн для обучения
• Дизайн обучения
• Опыт студентов
• ИИ-грамотность
• K-12
• Высшее образование
• Информатика (CS) в образовании
• Генеративный ИИ
• AIEd в дисциплинах

Связанные статьи

• Cognitive Offloading in the Age of Generative AI: What Does It Mean for Students With Learning Disabilities? — GenAI cognitive offloading for students with learning disabilities
• Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — LLM-powered question generation for Deaf and Hard of Hearing learners
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education
• AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories — AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories