AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Взаимодействие студента и ИИ

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Взаимодействие студента и ИИ — закономерности, процессы и когнитивная работа в том, как учащиеся взаимодействуют с системами генеративного ИИ во время обучения и решения задач. Исследование здесь описывает, о чём студенты просят ИИ, как развиваются промпты и диалоги и как качество взаимодействия связано с результатами обучения, Когнитивный оффлоадинг и Автономность учащегося.

Вопросы для размышления

  • Подумайте о последних нескольких промптах, которые написали ИИ вы (или студент). Описали бы вы большинство из них как просьбу дать ответ или как просьбу объяснить, проверить или оценить? Как вы подозреваете, что эта закономерность делает с обучением?
  • Исследование обнаруживает, что небольшое подмножество типов вопросов составляет большинство запросов студентов и что вопросы меняются по мере продвижения задачи. Почему, как вы думаете, вопросы студентов сужаются и что это говорит о том, как они используют инструмент?
  • Страница утверждает, что поверхностные промпты, ищущие ответ, связаны с ослабленным обучением и чрезмерной опорой, тогда как рефлективное, ориентированное на проверку взаимодействие поддерживает понимание. Что, как вы думаете, отличает «хороший» промпт от «плохого», — и в этом ли ответственность студента или в дизайне инструмента?
  • Если качество взаимодействия формируется контекстом задачи и скаффолдингом, а не является устойчивой чертой студента, как можно было бы перепроектировать курс или инструмент, чтобы приглашать к более широкому и продуктивному диапазону исследования?
  • Как бы вы узнали, отражает ли беглый диалог студента с ИИ подлинное обучение или только умелое делегирование, — и что бы вы проверили, чтобы выяснить это?

Введение

Взаимодействие студента и ИИ — это наблюдаемая поверхность вовлечённости учащихся в генеративный ИИ: вопросы, которые они ставят, промпты, которые они пишут, способ, которым они согласовывают и проверяют результат ИИ, и то, как эти закономерности сдвигаются по этапам задачи и во времени. Оно лежит на пересечении Опыт студентов, Промпт-инжиниринг и Аналитика обучения и является центральным для споров о том, представляет ли использование ИИ в образовании подлинное обучение или чрезмерную опору. Там, где Коллаборация человека и ИИ задаёт высокоуровневое разделение когнитивного труда между людьми и моделями, взаимодействие студента и ИИ — конкретное, измеримое осуществление этих отношений: отдельные запросы, промпты и ходы согласования, которые учащиеся делают от момента к моменту.

О чём студенты спрашивают ИИ

Основная линия исследования измеряет типы и качество запросов студентов. Исследования применяют таксономии типов вопросов — например таксономию 18 типов Graesser et al. — для классификации взаимодействий студента и ИИ, часто используя классификаторы с несколькими примерами, чтобы масштабировать анализ на сотни или тысячи взаимодействий. Выводы показывают, что небольшое подмножество типов вопросов составляет большинство запросов студентов и что вопросы, которые задают студенты, меняются существенно по мере продвижения задачи (например, Analysis of Types of Inquiries in Student-AI Interaction: A case study of two CS2 tasks). Эта зависимость от задачи важна: качество взаимодействия — не устойчивая черта студента, а формируется контекстом задачи, Скаффолдинг и возможностями инструмента ИИ. В самых младших возрастах Vahedian Movahed и Martin (2025) обнаружили, что дети (в возрасте 6–14) активно проверяли достоверность чат-бота, задавая вопросы с известным ответом (например, «how big is a t rex»), — выражение эпистемической самоагентности, — тогда как типичный ребёнок задавал лишь 1–3 вопроса, а выдающийся первоклассник задал 21, подчёркивая, как возрастное и индивидуальное разнообразие формирует вопросы, которые ставят учащиеся.

Сами таксономии пока не согласованы: среди 46 категоризаций из 33 исследований схожие метки называют разные явления, поэтому обзор предлагает эпизод взаимодействия — обмен, направленный на цель и ограниченный во времени, — как единицу, охватывающую приобретение знания, оценочную обратную связь, стратегическое руководство, диалогическое исследование, уточнение артефакта и сорегуляцию (Borchers, Jansen и Weidlich (2026)).

Дополняя эти исследования таксономий, Yan et al. (2026) описывают диалоговую форму запросов студентов. Среди 38 студентов первого курса, выполнявших unsupervised аргументативные эссе, 76,32% использовали однорепликовый паттерн «спроси–получи ответ–остановись» — обычно вставляя название оцениваемой работы без указания своих потребностей и пересылая идентичные промпты при неудовлетворённости, — и 78,94% касались GenAI только в начале (идеи, фон) или в конце (полировка, объём) задачи, оставляя его отдельно от чтения и самостоятельного письма; лишь 23,68% поддерживали итеративный диалог с вопросами-продолжениями и собственным рассуждением. Авторы располагают эти паттерны на спектре от когнитивного аутсорсинга до когнитивного перераспределения — аналога в эпоху GenAI поверхностных и глубоких подходов к обучению, — отмечая, что большинство студентов представляли инструмент как улучшенную поисковую систему, что ограничивало их концом аутсорсинга.

Переосмысливая эти паттерны как эпистемическую работу, анализ 200 сессий совместного программирования в чате обнаружил, что 78,8% взаимодействий студента и GenAI шли на неосвоенческих целях и стратегиях, таких как аутсорсинг или поиск проверки, и лишь 11,1% сочетали ориентированные на освоение цели с эпистемическим обоснованием (Wu (2026)).

Кодирование 50 отобранных обменов даёт трёхчастную типологию того же поведения: Zahra (2026) классифицировал 46% как Passive Review, где модель действует как оракул и результат принимается почти без проверки, 18% как Direct Question и 36% как Strategic Dialogue, сопрягая это распределение с аргументом дизайна «сначала ограничения» (kappa = .48 между кодировщиками). Обзор семи заданий среди 211 студентов информатики приходит к тому же выводу с другой стороны: Nizamani et al. (2026) измерили внедрение LLM от 89,6% в алгоритмах до 15,2% в программной инженерии и объяснили разброд сложностью задания, проверяемостью и скаффолдингом, а не подобластью.

Качество взаимодействия и обучение

Дополнительная линия связывает форму взаимодействия с обучением. Поверхностные или привычно узкие промпты (просьба к ИИ произвести ответ, а не объяснить, проверить или оценить) связаны с ослабленным обучением и усиленной чрезмерной опорой, тогда как рефлективное, ориентированное на проверку взаимодействие поддерживает Метакогниция и устойчивое понимание. Это связывает взаимодействие студента и ИИ напрямую с дизайном Интеллектуальное тьюторство: системы можно строить так, чтобы приглашать к более широкому и продуктивному диапазону исследования и делать скаффолдинг постановки вопросов, а не просто отвечать. Взаимодействию вовсе не нужно идти через ищущие ответ промпты — когда ИИ критикует собственную работу студентов, обмен становится рефлективным, ориентированным на проверку диалогом: в Oppenheimer, Cash и Connell Pensky (2025) ответы учащихся на Большие языковые модели (LLM) Обратная связь по эссе показали рефлексию в 92,7%, принятие в 93,6% и активное опровержение утверждений LLM в 87,8% случаев (κs между оценщиками = 0,81–0,89), а их реакция на качество обратной связи улучшалась по итерациям как приобретаемый навык. Рефлективной стороне взаимодействия не нужно идти и через прямое промптирование — в CoBi студенты взаимодействовали с визуализациями на уровне аудитории их собственной совместной речи и взвешивали, когда классификации ИИ казались ошибочными, превращая кажущиеся ошибочные классификации в возможности для калибровки своего понимания способностей и пределов ИИ (Калибровка доверия), а не просто принимая его результат. Связь между формой взаимодействия и обучением имеет, однако, предел: Page (2026) отделяет разговорную итерацию от когнитивной итерации на том основании, что учащийся может уточнять результат на протяжении многих реплик, тогда как стоящая за ним ментальная модель остаётся неизменной, поэтому свидетельством обучения является изменение когнитивной позиции учащегося, а не длина или беглость обмена, — число реплик не является показателем глубины вовлечённости.

Взаимодействие, а не инструмент, определяет путь: в полевом эксперименте с почти 1 000 учащихся математики старшей школы неограниченный GPT-4 повысил оценки на практике на 48%, но снизил оценки на экзамене без помощи на 17%, тогда как та же модель, ограниченная разработанными преподавателем подсказками, повысила практику на 127% и в основном сняла дефицит (Lee, 2026).

Определяло успех то, эффективно ли студенты делали промпты, а не сколько: Эффективность запроса к ИИ и ИИ-управляемое решение задач были сильнейшими предикторами академической успеваемости среди 128 студентов инженерных специальностей и остались значимыми после контроля на средний балл (Isaza Dominguez et al. (2026)).

Поведенческий контекст — это сигнал, отдельный от самого вопроса: в четырёх внедрениях TutorTrace (480 учащихся, ~180 000 событий IDE) обусловливание помощи недавним поведенческим состоянием учащегося снизило интервалы между запросами без самостоятельной работы с 50,0% до 20,7%, а неизбежные запросы были предсказуемы по одному лишь поведению (AUROC = .726) (Barron et al. (2026)).

Механизм — не плотность: чередование студентами голоса и текста почти удвоило число диалоговых реплик в минуту (1,34 против 0,75), не изменив еженедельное освоение, и авторы читают медианное 26-секундное обдумывание в напечатанном канале перед первым нажатием клавиши как сам акт кодирования (Yang, Van Alstyne и Dellarocas (2026)).

Цикл проверки всё же может оставаться поверхностным: анализ лаговых последовательностей в четырёхнедельном внедрении агента на LLM на курсе по базам данных для бакалавриата обнаружил значимый цикл «запрос–оценка–запрос», но при сильных петлях самоперехода внутри состояний нижнего порядка и лишь 3,92% взаимодействий, достигающих познания высшего порядка (Li et al. (2026)).

Bernstein и Sibia (2026) документируют паттерн «итеративной фильтрации» в том, как студенты CS2 обращаются с объяснениями GenAI (Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education): они сверяются с конспектами лекций, требуют происхождения («I would be a lot more doubtful... without one») и проверяют вопросами-продолжениями на непротиворечивость вместо того, чтобы выносить единое суждение «принять или отвергнуть». Студенты читают также объяснения, для знания и фона которых они предполагали значение, — предполагаемое предварительное знание сверх учебной программы, ссылки на спорт и игры по умолчанию («the more male-dominated side of computing») и избыточное повторение действовали как сигналы о воображаемом читателе, причём избыточный скаффолдинг читался как снисходительность, а не просто как неэффективность.

Обращение к ИИ в правильной точке задачи так же важно, как формулировка отдельного промпта: в том же исследовании Yan et al. (2026) обнаружили, что ориентированное на перераспределение меньшинство чередовало самостоятельную работу с консультацией GenAI и сообщало о неизменившемся общем усилии, но о сдвинутом фокусе — перемещая ресурсы с поиска на проверку качества и сбалансированности аргументации и записывая рефлексивные заметки после занятий для противодействия поверхностному удержанию, — тогда как учащиеся с целями освоения, но слабой ИИ-грамотностью попадали в «парадокс эффективности», снимая нагрузку «не по намерению, а по умолчанию».

От взаимодействия к педагогике

Описание взаимодействия студента и ИИ informs Дизайн обучения: преподаватели могут замечать, когда паттерны вопросов студентов узки или поверхностны, и проектировать вмешательства, расширяющие исследование; роль Преподавание сдвигается в сторону коучинга студентов в продуктивном взаимодействии с ИИ. Это также обосновывает учебные программы ИИ-грамотность, которые рассматривают эффективное промптирование и проверку как приобретаемые навыки, а не врождённые способности.

Рычаги дизайна могут сдвинуть эту установку по умолчанию: на асинхронном курсе физики примерно с 70 студентами оцениваемым артефактом была расшифровка диалога, а не ответ, но многие студенты всё же задавали длинные списки вопросов, не отвечая на сократические вопросы-продолжения модели, — режим отказа, для обнаружения которого были написаны критерии (Rodriguez и Wulff (2026)).

Написанные преподавателем промпты — один из таких рычагов, но воплощённая строгость отстаёт от цели: среди 1 479 разговоров 38% не достигли задуманного преподавателем уровня Depth-of-Knowledge, приближаясь к 50% на DOK 3, тогда как явные финишные линии сузили этот разрыв на 0,22 уровня, а страховка «никаких прямых ответов» снизила частоту окончательных ответов ИИ на 8,5 процентных пункта (Liu et al. (2026)).

Неиспользование — само по себе паттерн взаимодействия, для которого Педагогики и стратегии преподавания должна планировать. Zou et al. (2026), изучая 85 студентов-педагогов на трёх курсах, где использование GenAI в Оценивание было явно разрешено, обнаружили, что 62,4% (53 из 85) отказались использовать его вовсе, что намного ниже 79–83% внедрения, виденного в сравнимых опросах в Великобритании и Австралии, и что использование принявшими было поверхностным и корректирующим, а не генеративным (редактура 43,8%, проверки ясности 34,4%, генерация текста лишь 18,8%). Их выбор отслеживал дизайн оценивания и институциональную культуру, а не техническую сложность: 41,5% не принявших боялись быть ложно обвинёнными в плагиате, и девять из одиннадцати опрошенных читали саму разрешительную политику как возможную «ловушку». Разрыв между 32 пользователями, заявленными в опросе, и 28 самозаявлениями показывает, что заявляемое взаимодействие студентов с ИИ формируется последствиями для оценок, — оговорка измерения для описаний взаимодействия студента и ИИ через аналитику обучения.

Дисциплина и когнитивная вовлечённость в чате студента с ИИ

  • Связанная с дисциплиной когнитивная вовлечённость в чате студента с ИИ. Chang и Li (2026) анализируют промпты студентов к ИИ в 116 курсах с внутриличностным, междисциплинарным дизайном, показывая, что разговоры студента и ИИ отражают связанную с дисциплиной когнитивную вовлечённость, а не устойчивые индивидуальные стили взаимодействия. Примерно 62% промптов кодировали когнитивное требование высшего порядка в целом, но профили уровней Блума резко различались по дисциплинам: курсы STEM вызывали промпты с преобладанием Apply (20,8%), языковые курсы — с преобладанием Understand (31,7%), а курсы социальных наук — с преобладанием Create (33,8%). Парные внутриличностные сравнения подтвердили, что те же студенты порождали значимо больше промптов высшего порядка на курсах социальных наук, чем на курсах STEM (объединённое n = 16, p < .001), а вариация на уровне курса превосходила вариацию на уровне студента, — сильный аргумент в пользу того, что ИИ-ассистенты преподавателя должны проектироваться и оцениваться с учётом дисциплинарного контекста.

Связанные концепции

Связанные статьи

Метаданные

УровеньHigher Ed
Целевая аудиторияLearners
Обучение и преподаваниеВзаимодействие студента и ИИ
Технологии и методыГенеративный ИИ, Интеллектуальное тьюторство, Аналитика обучения, Большие языковые модели (LLM), Промпт-инжиниринг
Основы ИИ в образованииКогнитивный оффлоадинг
SourceHistoryEditChat

Встроить эту страницу

Скопируйте код ниже, чтобы встроить эту страницу в систему управления обучением или на другой сайт. Во встроенной версии отображается только содержимое страницы — заголовок сайта, навигация и нижний колонтитул скрыты.