AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Вовлечённость студентов

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Вовлечённость студентов — степень и качество активной включённости учащегося в процесс обучения, чаще всего разлагаемое на поведенческое, когнитивное и аффективное измерения. В исследовании ИИ в образовании вовлечённость студентов является и ключевым результатом (сохраняет ли инструмент ИИ вовлечённость студентов?), и механизмом (опосредует ли вовлечённость связь между проектированием ИИ и обучением?). Она концептуально отлична от самого обучения — вовлечённость является участием в обучении, а не доказательством когнитивного прироста, — и от конкретных метрик, используемых для её измерения.

Вопросы для размышления

  • Страница настаивает, что вовлечённость — это не то же самое, что обучение — студент может быть поведенчески активным (клики, проводимое время), оставаясь при этом когнитивно поверхностным. Где вы видели высокую «вовлечённость», давшую мало обучения, и как вы это заметили?
  • Вспомните момент, когда вы были глубоко когнитивно вовлечены во что-то — действительно борясь с идеей. Чем это отличалось от тех времён, когда вы были просто заняты или развлечены, и может ли инструмент ИИ надёжно создавать это состояние?
  • Вовлечённость разбивается на поведенческое, когнитивное и аффективное измерения, которые могут расходиться. Как вы думаете, почему исследователи настаивают на том, чтобы трактовать их по отдельности, а не как единое целое, и что бы вы измеряли, чтобы их различить?
  • Исследование предполагает, что глубокое когнитивное вовлечение с ИИ предсказывает обучение, тогда как поверхностное вовлечение предсказывает чрезмерную опору. Если инструмент «вовлекает», но поверхностно, кто виноват — проектирование, задание или учащийся?
  • Как инструмент ИИ мог бы удовлетворять автономии, компетентности и связанности (потребностям, лежащим за вовлечённостью) без того, чтобы эти функции превращались в поверхностное развлечение, вытесняющее настоящее обучение?

Введение

Вовлечённость — это многомерный конструкт, укоренённый в педагогической психологии. Поведенческое вовлечение относится к участию, усилиям, настойчивости и деятельности по заданию. Когнитивное вовлечение относится к глубине умственной обработки — разработке, критическому анализу, само-Регулирование ИИ в образовании и вложению умственных усилий. Аффективное вовлечение относится к эмоциональным реакциям, таким как интерес, удовольствие, тревожность, и отождествление с обучением. Эти измерения могут расходиться: студент может быть поведенчески активным (клики, проводимое время), оставаясь при этом когнитивно поверхностным (пассивно принимая выдачу), или аффективно заинтересованным, оставаясь поведенчески отвлечённым. Именно эта многомерность означает, что вовлечённость нельзя приравнивать ни к одному отдельному наблюдаемому поведению.

Как вовлечённость студентов проявляется в исследовании

  • Вовлечённость как результат проектирования ИИ: Исследование мотивации с GenAI показывает, что вовлечённость в обучение с поддержкой Генеративный ИИ следует за удовлетворением базовых психологических потребностей (автономия, компетентность, связанность) — вовлечённость является восходящим результатом мотивационной поддержки, а не одной лишь доступности технологии. Вовлечённость часто измеряется через самоотчёт, тогда как поведенческое вовлечение исходит из журналов взаимодействия, и эти два не взаимозаменяемы.

  • Прирост вовлечённости без прироста в обучении в кластерно-рандомизированном классном исследовании: Rücker and Becker-Genschow (2025) рандомизировали 195 классов девятого класса (экспериментальная группа — 102 студента) между чат-ботом для конкретной предметной области по математике и обычными материалами для дифференциации на одном уроке по методу Герона оценки квадратных корней. Ситуационный интерес существенно вырос в условии с чат-ботом (M = 2,63 против 2,43, p = 0,00005, d Коэна = 0,63), и принятие по всем четырём измерениям Technology Acceptance Model было высоким, однако сравнение результатов до и после не обнаружило значимого взаимодействия группа×время (F(1194) = 2,84, p = 0,094), а внешняя когнитивная нагрузка была несколько выше. Это одно из немногих кластерно-рандомизированных испытаний персонализированного чат-бота в средней математике, и его расщеплённый результат и есть суть: интерес и достижения двигались по разным расписаниям, так что находка вовлечённости не является доказательством обучения.

  • Качество важнее количества: Критическое вовлечение в дополнении кода с помощью ИИ, анализ дискурса когнитивного вовлечения и скаффолдинг критического вовлечения показывают, что глубокое (когнитивное) вовлечение с ИИ предсказывает обучение, тогда как поверхностное (поведенческое) вовлечение предсказывает чрезмерную опору и вытеснение обучения, которые доминируют в литературе базы знаний о рисках.

  • Хрупкое и контекстно-зависимое: Отполированные артефакты, хрупкое вовлечение и паттерны вовлечённости в нескольких институтах обнаруживают, что вовлечённость различается по заданию, контексту и учащемуся — инструмент ИИ, который глубоко вовлекает одного студента, может производить поверхностное, погоню за выдачей поведение у другого.

  • Мотивационные антецеденты: Доступность ИИ и мотивация показывает, что знание доступности ИИ может снижать воспринимаемую ценность затратного вовлечения, особенно для начинающих учащихся, — вовлечённость формируется ожиданием, ценностью и воспринимаемой компетентностью в той же мере, что и функциями инструмента. Wang & Wang (2026) расширяют это объяснением с позиции теории постановки целей применительно к 758 университетским изучающим английский язык в обучении с помощью ИИ, показывая, что поддержка преподавателя напрямую усиливает вовлечённость и действует через ориентированные на освоение и ориентированные на результативность цели студентов (а не через цели избегания). Вовлечённость в контекстах ИИ, таким образом, является не только индивидуальным или проектировочным результатом — она также социально скаффолдится преподавателем и ориентациями на цели, которые учащимся предлагается принять.

Этот Скаффолдинг имеет институциональный аналог с двойной траекторией. Chen's (2026) дизайн двух исследований (160 студентов искусствоведения в сценарном эксперименте, 425 в опросе) обнаружил, что воспринимаемое несоответствие между продвижением GAI университетом и его фактической практикой преподавания и оценивания предсказывало вовлечение в творческий процесс через две противоположные оценки — отрицательную через препятствие (β = −0,060, p = 0,004) и положительную через вызов (β = 0,217, p < 0,001), — причём мышление траекториями усиливало только положительный путь, так что одно и то же институциональное условие вовлекало одних студентов и отстраняло других.

  • Компетентность и эмоция как драйверы вовлечённости: Zhao et al. (2026) моделируют 871 студента университета, взаимодействующего с Большие языковые модели (LLM) чат-ботом, обнаруживая, что компетентность в GenAI предсказывает вовлечение с чат-ботом и напрямую, и косвенно через положительные эмоции (аффективный путь), и что и компетентность, и положительная эмоция предсказывают вовлечение и положительные учебные эмоции. Вовлечённость, таким образом, является совместно и навыком, и аффективным результатом — учащиеся, у которых отсутствует компетентность в ИИ и которые испытывают тревожность или фрустрацию, отстраняются, что имеет значение для обучения ИИ-грамотность как вмешательства вовлечённости, а не просто цели в навыках.

  • Связанное с дисциплиной когнитивное вовлечение в диалоге студента с ИИ. Chang and Li (2026) показывают, что промпты студентов к ИИ кодируют примерно на 62% более высокого порядка когнитивное требование в среднем, однако профили вовлечения по уровням Блума резко различаются по дисциплинам (STEM — применение 20,8%, язык — понимание 31,7%, социальные науки — создание 33,8%). Используя дизайн внутри человека, они обнаружили, что одни и те же студенты производили значимо больше промптов высшего порядка в социальных науках, чем в курсах STEM (p < ,001), причём вариация на уровне курса превышала вариацию на уровне студента, — свидетельство того, что когнитивное вовлечение с ИИ формируется дисциплинарным контекстом, а не только индивидуальным стилем.

  • Обратная связь ИИ поддерживает поведенческую активацию. Полугодовой эксперимент в лабораторных условиях на местах Geschwind et al. (2026) обнаружил, что студенты, получавшие индивидуальную обратную связь от GPT-4 по заданиям с открытым ответом, поддерживали наивысшее участие в течение восьми недельных задач (~50% к последней, против ~30% для групп с обратной связью от преподавателя или ровесников) и писали примерно на 29 символов больше на ответ — индивидуальная обратная связь ИИ активировала вовлечение как по экстенсивной грани (участие), так и по интенсивной (усилия на каждый ответ), даже хотя студенты оценивали обратную связь ровесников несколько выше.

  • Предсказание академического использования ИИ на основе обучающих конструктов. Разведочная рамка машинного обучения анализировала данные опроса 166 университетских студентов, чтобы выявить связанные с обучением конструкты, ассоциированные с намеренным академическим использованием ChatGPT, используя анализ SHAP для поддержания интерпретируемости. Результаты информируют о том, как вовлечённость, поддержка обучения и другие конструкты формируют включение студентами инструментов ИИ в академическую работу.

  • Доступ к инструменту ИИ может снижать измеряемую вовлечённость, и показатели завершения этого не покажут. Liu et al. (2026) рандомизировали доступ к тьютору в 13 блоках в крупном государственном университете США и обнаружили, что зафиксированное участие на платформе упало на 0,90 стандартных отклонений, просмотры страниц — на 0,37–0,38 стандартных отклонений, а активные дни — на 0,51–0,61 стандартных отклонений, — тогда как подача домашних заданий и их сдача в срок не изменились. Это расхождение и есть урок измерения: курс, следящий только за сдачей заданий, не увидел бы ничего, потому что снижение находилось в деятельности обсуждений, тестов и взаимодействия с преподавателем, которую фиксировала платформа. Студенты в обработанных секциях также сообщали, что задают преподавателю меньше вопросов по содержанию (около 57% против 44%), так что снижение совпало с замещением в сторону от человеческого контакта, а не с отстранением от курса.

  • Задержка ответа — это рычаг вовлечённости. В 1 137 сессиях количественного тьюторства с ИИ более быстрые ответы коррелировали с большим числом сообщений студентов и большим числом правильных практических попыток (медианное время ответа от 1,9 с до 31,0 с между моделями; более низкая задержка коррелирует с вовлечением при ρ Спирмена = −0,81, p = ,0056) — цепочку, которую авторы читают как объяснение того, как модели, показывающие непримечательные результаты по качеству преподавания, всё же достигают человеческого уровня прироста (Northcutt et al. (2026)).

  • Использование ИИ может идти вместе с большим числом пропусков занятий, тогда как уверенность в себе этого не предсказывает. Опрос с применением PLS-SEM 291 португальских университетских студентов обнаружил, что общее использование ИИ положительно связано с пропусками (β = 0,148, f² = 0,029) и с самоэффективностью в независимом обучении, однако сама самоэффективность не предсказывала пропуски (β = −0,068, p = 0,276) — паттерн «уверенный, но отсутствующий» из работы. Ассоциация с посещаемостью была скромной и вторичной по отношению к влиянию ровесников (β = 0,510, f² = 0,326) и управлению временем (β = −0,163), и поскольку конструкт использования ИИ был одномерным и смешивал ориентированные на поддержку пункты с ориентированными на замещение, исследование не может отделить дополняющее использование от замещающего или установить направление (Franco et al. (2026)).

Измерение вовлечённости: проблема выбора метрики

Вовлечённость операционализируется через ряд наблюдаемых сигналов. Поведенческие метрики измеряют, что учащиеся делают (время на задании, счётчики активности, частота взаимодействия, настойчивость); когнитивные метрики измеряют, как учащиеся мыслят (глубина обработки, критическое вовлечение, анализ дискурса); аффективные метрики измеряют, как учащиеся чувствуют (эмоции, мотивация, интерес); а контекстуальные метрики фиксируют многозадачность и внимание. Исследование ИИ в образовании всё чаще сочетает их и трактует вовлечённость как опосредующий механизм между проектированием инструмента ИИ и результатами обучения, а не как результат сам по себе.

  • Шесть семейств применений ИИ + многосредовое измерение: Систематический обзор Zhou (2025) 24 исследований WoS отображает шесть применений ИИ для вовлечённости — чат-боты в проектировании курса, распознавание эмоций/лица/голоса и отслеживание взгляда, машинное обучение для анализа данных, поддержка взаимодействия преподаватель–студент, персонализированная обратная связь/рекомендации и управляемые ИИ боты в смарт-средах обучения. Он обнаруживает, что интеграция множественных модальностей ИИ и источников данных даёт более точное, в реальном времени понимание когнитивного, эмоционального и поведенческого вовлечения, чем подходы с одним источником, — усиливая проблему выбора метрики выше.

Выбор метрики является определяющим: исследование, измеряющее вовлечённость как время на задании, может заключить, что инструмент ИИ усиливает вовлечённость, когда студенты проводят больше времени во взаимодействии с ним, тогда как исследование, измеряющее вовлечённость как критическую обработку, может прийти к противоположному заключению для того же инструмента. Именно поэтому исследование базы знаний различает вовлечённость (участие) и обучение (фактический когнитивный прирост) — см. результативность против обучения, — и почему метрики вовлечённости должны валидироваться относительно того, что они заявляют измерять.

  • Вовлечённость как хрупкий, ситуационно-зависимый сигнал: Отполированные артефакты, хрупкое вовлечение и паттерны вовлечённости в нескольких институтах обнаруживают, что вовлечённость различается по контексту, заданию и учащемуся — один и тот же инструмент производит сильное вовлечение у одних студентов и поверхностное, погоню за выдачей поведение у других.

  • Поведенческая телеметрия с платформ обучения: Прогнозирование усилий и прогресса, Learning Engagement Assistant, оценивание вовлечённости в видеообучении и панели обучения преобразуют поведенческие и физиологические сигналы (внимание, активность, настойчивость) в метрики вовлечённости, используемые для адаптивной обратной связи и вмешательства преподавателя.

  • Физиологическое измерение добавляет модальность — и проблему базовой линии. E3Sense совместно размещает ЭЭГ с сухими электродами, очки для отслеживания взгляда и лобные электроды электродермальной активности на голове и предсказывает 450 оценок вовлечения на уровне сегментов от 30 университетских участников по пятиуровневой порядковой шкале: AdaBoost над слитым Мультимодальный ИИ представлением достиг 75,0% сбалансированной точности внутри одного уровня в сравнении с 63,0% для всегда предсказывания наиболее частой оценки. Узость этого разрыва и есть суть — кредит внутри одного уровня передаёт базовой линии без датчиков бóльшую часть её оценки на перекошенных оценках, — и вопрос к учащимся о том, что вовлечённость значит для них, сдвинул ту же меру с 64,6% до 71,5%, свидетельство того, что метка самоотчёта, а не только датчик, решает, что такая аналитика может утверждать.

  • Ограничения справедливости нуждаются в отложенных субъектах, чтобы держаться. Гендерно-направленный регуляризатор мультимодального оценщика внимания снизил разрыв MAE на валидации с 0,02 до 0,005, но увеличил и разрыв, и ошибку худшей группы на отложенных субъектах, так что осведомлённая о подгруппах, повторяемая валидация на уровне субъектов принадлежит любому утверждению об измерении вовлечения (Fragkiadakis et al. (2026)).

  • Вовлечённость как сигнал моделирования учащегося: Интенсивность вовлечения как сигнал моделирования учащегося использует силу вовлечения для информирования адаптивных систем ИИ, позиционируя метрики вовлечённости как входы в Моделирование учащегося и адаптивное обучение и Адаптивное обучение, а не просто как выходы оценивания.

Вовлечённость против обучения

Центральная тема исследования базы знаний состоит в том, что вовлечённость и обучение должны различаться. Инструменты ИИ, генерирующие высокую вовлечённость (время на задании, объём взаимодействия), могут не производить обучения, если это вовлечение пассивно или замещает когнитивную работу понимания — см. результативность против обучения. И наоборот, продуктивная борьба и желаемая трудность могут производить обучение даже когда поверхностная вовлечённость ощущается ниже. Вовлечённость поэтому лучше всего трактовать как механизм — ценную в той мере, в какой она отражает или обеспечивает значимую когнитивную обработку, — а не как конечный результат.

Это различие не является умозрительным. Pramod and Patil (2026) помещают вовлечённость в центр своей модели PLS-SEM, между мотивацией и социальным присутствием с одной стороны и воспринимаемой результативностью с другой, — наибольший коэффициент в их модели, и всё ещё восприятие, а не мера обучения.

Педагогика опосредует влияние ИИ на вовлечённость

Систематический синтез ИИ в высшем образовании (Long et al., 2026) подчёркивает, что метод преподавания, в который встроен инструмент ИИ, является решающим посредником того, вовлекает ли он студентов. Чат-боты, адаптивные системы и предсказательная аналитика усиливают вовлечённость наиболее сильно, когда они развёртываются внутри интерактивных педагогик — перевёрнутых классов, проектного обучения и скаффолдингированных петель обратной связи, — а не как автономные инструменты. Обзор формализует это как модель PMAISE (Педагогическое опосредование ИИ для вовлечённости студентов), отображая соответствие между технологиями ИИ, педагогическими стратегиями и аффективным, поведенческим и когнитивным измерениями вовлечённости. Следствие состоит в том, что результаты вовлечённости совместно производятся инструментом и окружающим проектированием обучения: тот же ИИ может усиливать вовлечённость в одной педагогике и подавлять её в другой.

Связи с родственными концепциями

Вовлечённость студентов связана с Мотивация и Теория самоопределения как с её психологическими драйверами и с Опыт студентов как с живым контекстом. Её измерение опирается на Аналитика обучения и Образовательное измерение, которые поставляют количественные инструменты для операционализации измерений выше. Различение между глубоким и поверхностным вовлечением прямо связано с Саморегулируемое обучение (саморегулируемые учащиеся вовлекаются стратегически), Когнитивный оффлоадинг и чрезмерной опорой (поверхностная опора как режим отказа) и Метакогниция. В проектировании систем сигналы вовлечённости питают Моделирование учащегося и адаптивное обучение и Адаптивное обучение, а результаты вовлечённости фигурируют в оценках Методы исследования в AIED вмешательств ИИ в образовании.

  • Характеристики учащегося смягчают уроки на основе диалога с TTS (2026): В уроках диалога преподаватель–студент, студент–студент и преподаватель–преподаватель, генерируемых LLM+TTS, стиль Опытное обучение и расположенность к критическому мышлению значимо взаимодействовали с форматом диалога для мотивации на основе ARCS, указывая, что генерируемое ИИ содержание диалога по-разному мотивирует в зависимости от профиля учащегося (Interaction Effects Between Learner Characteristics and Dialogue Format in TTS Dialogue-Based Lessons).

  • Приросты в конкретных измерениях на начальном уровне (2026): Девятинедельная программа письма на L2 с поддержкой GenAI с 301 студентом 5-го и 6-го классов повысила поведенческое и эмоциональное вовлечение, оставив когнитивное и метакогнитивное вовлечение неизменным, и её авторы называют снижение самоконтроля во время письма устойчивым риском (Lu et al., 2026). Этот паттерн является конкретным примером различения вовлечённости против обучения выше: большая активность и большее удовольствие не трансформировались в более глубокую обработку.

  • Расхождение может идти и в другую сторону (2026): В 12-недельном профессиональном курсе дизайна интерьеров погружающая студия VR со встроенным помощником преподавания на LLM повысила когнитивное (d = 0,90) и поведенческое (d = 0,75) вовлечение по сравнению с традиционным проектным преподаванием, тогда как аффективное вовлечение значимо не различалось (d = 0,38) — инверсия случая письма на L2 выше (Jin et al., 2026). Когнитивные и поведенческие приросты здесь пришли с более низкой сообщаемой когнитивной нагрузкой, что авторы приписывают тому, что помощник поглотил усилия по поиску и междисциплинарной интеграции. Прочитанные в сравнении со случаем письма, эти два исследования показывают, что то, какое измерение вовлечения движет поддерживаемое ИИ вмешательство, является свойством проектирования — погружающееся в дискурс сотрудничество против поддержки индивидуального письма, — а не помощи ИИ вообще, и что аффективное преимущество нельзя предполагать из высокоточной или интеллектуальной обратной связи.

  • ИИ-грамотность работает на вовлечённость через психологические ресурсы (2026): Исследование модерируемого опосредования 1 198 студентов бакалавриата в Чжэнчжоу, Китай (Wang, 2026), моделировало вовлечённость как результат ИИ-грамотность, а не побочный продукт использования инструмента. ИИ-грамотность предсказывала вовлечённость в обучение напрямую, а также косвенно через построение психологического капитала, причём косвенный путь нёс примерно половину общего эффекта — частичное опосредование, так что технологическая компетентность превращается в вовлечённость лишь частично через порождаемые ею психологические ресурсы. Профессиональная приверженность, переменная, основанная на идентичности, смягчала связь психологического капитала с вовлечённостью, не имея при этом никакого собственного прямого эффекта, и трансляция психологического капитала в вовлечённость была заметно сильнее у студентов, которые видели себя идущими в профессию. Этот паттерн является самым ясным доступным примером указанного выше положения о том, что характеристики учащегося обусловливают то, как ИИ влияет на вовлечённость.

  • Практика с ИИ до занятия может повышать участие в живом обсуждении (2026): Предзарегистрированный полевой эксперимент с 759 студентами MBA обнаружил, что подготовка с голосовым партнёром по обсуждению на ИИ повышала добровольный вклад примерно на 31% в последующих занятиях, но только после второго использования; первое использование предшествовало более низкому участию (Wang et al., 2026).

  • Отстранение как ход на уровне реплики, а не устойчивое состояние: Rho et al. (2026) закодировали 5 522 высказывания студентов к обучаемому агенту ИИ в Math Nation в шесть категорий разговорного отстранения (Ложный ответ, Издевательство, Игнорирование, Зеркалирование, Уклонение, Случайное/шумное) и обнаружили, что доля вовлечения доминировала, составив 75,7% высказываний. Основанные на распространённости ассоциации ложного ответа и издевательства с результатами посттеста не выдержали проверки чувствительности с аннотированием человеком. Последовательный анализ и есть результат, имеющий отношение к вовлечению: кластер с наивысшей результативностью сочетал умеренное отстранение с сильными переходами восстановления к вовлечению (Уклонение → Вовлечение p = 0,83), тогда как наинизший показывал устойчивые самопетли без восстановления (самопетля Вовлечение p = 0,96). Уклонение было тем единственным типом отстранения, который стремился сохраняться, а не разрешаться, — устойчивость против исправления, а не присутствие против отсутствия, и есть различие, которое отделяет траектории вовлечения.

Связанные концепции

Связанные статьи

Связанные FAQ

Метаданные

УровеньHigher Ed
Целевая аудиторияLearners
Обучение и преподаваниеМотивация, Саморегулируемое обучение, Вовлечённость студентов
Технологии и методыГенеративный ИИ, Аналитика обучения
Основы ИИ в образованииИИ в образовании
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.