AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Преподавание

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Преподавание — как ИИ перестраивает работу, идентичность и агентность преподавателей. При 50+ статьях, рассматривающих это измерение, база знаний документирует фундаментальную трансформацию: от единственного носителя знания к оркестратору сред обучения человек–ИИ. Эта страница выходит за пределы описания этого сдвига — она детализирует, что преподаватели фактически делают иначе, как они могут адаптировать свою практику и как они связаны с Дизайн обучения, ИИ-грамотность и Академическая добросовестность.

Malyn-Smith et al. (2026) называют это парадоксом большей человечности: в шести сценариях 2030 года, совместно сконструированных 20 исследователями из 13 стран, насыщение ИИ усиливает, а не вытесняет человеческую педагогическую работу. Сценарии описывают ИИ как «систему вентиляции экосистемы обучения» — вы замечаете её, только когда она выходит из строя.

Вопросы для размышления

  • Страница описывает сдвиг преподавателя «от единственного носителя знания к оркестратору сред обучения человек–ИИ». Что вы приобретаете и что теряете как преподаватель, когда перестаёте быть главным источником контента?
  • Она утверждает, что ИИ перераспределяет самый дефицитный ресурс преподавателя — внимание, — от производства материалов к интерпретации учащихся. Звучит ли это переосмысление убедительно, и что бы вы фактически делали с возвращённым временем?
  • Исследование, процитированное на странице, показывает преподавателей как активных дизайнеров ИИ — пишущих промпты и опоры, которые формируют то, как ИИ ведёт себя для их студентов, — а не пассивных потребителей. Что потребовалось бы, чтобы вы (или знакомые вам преподаватели) почувствовали себя дизайнером ИИ, а не его пользователем?
  • На дальнем конце спектра «командной работы преподавателя с ИИ» преподаватель оркеструет команду из человеческих учащихся, ИИ-тьюторов и учебных ресурсов. Где в этой команде человеческое суждение остаётся незаменимым, и что могло бы тихо разрушиться, если оркестровку оставить в основном ИИ?
  • Если внимание преподавателя перераспределяется от производства материалов к интерпретации учащихся, какие новые компетентности и риски это вводит — и кто поддерживает преподавателя в их развитии?

Введение

Здесь преподавание называет профессиональную роль по мере того, как ИИ её перестраивает: меньше доставки контента, больше оркестровки человеческих и машинных участников, интерпретации того, что учащиеся фактически понимают, и проектирования условий, при которых использование ИИ легитимно. Страницы, собранные под этой концепцией, документируют командную работу преподавателя с ИИ и изменение рабочих процессов, компетентности, которых роль теперь требует, и напряжение между приобретениями в эффективности и вниманием, которого требует индивидуальная поддержка. Она находится рядом с Развитие педагогической практики, ИИ-грамотность и Оценивание как одна из ролей, которая определяет, изменяет ли интеграция ИИ практику или лишь украшает её. Науки об обучении — это исследовательское поле, свидетельства которого перестраивают эту позицию: они описывают и тестируют, как происходит обучение и какие дизайны его меняют, тогда как эта страница покрывает ту роль в аудитории, которая должна действовать на основании этих свидетельств в моменте.

Как ИИ трансформирует преподавание

  • От преподавателя к оркестратору: пять уровней командной работы преподавателя с ИИ и исследование оркестрации агентности отображают спектр от ИИ как инструмента к ИИ как партнёру по преподаванию. На дальнем конце преподаватель оркеструет команду, включающую человеческих учащихся, ИИ-тьюторов и учебные ресурсы, а не доставляет весь контент сам.

  • Трансформация рабочих процессов: How AI Is Changing Teaching Workflows документирует, как ИИ сдвигает время преподавателя от доставки контента к активностям с более высокой ценностью вроде индивидуальной поддержки, Обратная связь и Проектирование учебного плана. Самый дефицитный ресурс преподавателя — внимание, — перераспределяется от производства материалов к интерпретации учащихся. Систематический обзор преподавателей языка (Li et al. 2026) это подтверждает: преподаватели ценят GenAI больше всего за подготовительную работу (планирование уроков, создание материалов, поддержка письма), сомневаясь в использовании в живой аудитории, а их внедрение формируется факторами профессиональной идентичности, педагогическими, техническими, институциональными и академической честности — при этом пробелы в компетентности отображаются на эпистеме (понимание возможностей / пределов ИИ), техне (Промпт-инжиниринг, дизайн ИИ-усиленных задач / оценивания, обнаружение ИИ-сгенерированного текста) и фронезисе (этическое суждение, работа со смещениями / приватностью, чувствительное к контексту суждение). документирует, как ИИ сдвигает время преподавателя от доставки контента к активностям с более высокой ценностью вроде индивидуальной поддержки, Обратная связь и Проектирование учебного плана. Самый дефицитный ресурс преподавателя — внимание, — перераспределяется от производства материалов к интерпретации учащихся.

  • Требования к компетентностям: Рамки ИИ-компетентности преподавателя определяют, что должны знать преподаватели, от базовой беглости в инструменте до основанной на педагогике оркестровки. Исследования внедрения выявляют реальные препятствия: уверенность, институциональная поддержка и обеспокоенность нагрузкой. Bai и Hsieh (2026) добавляют к этому эмпирический вес в SEM на 898 преподавателях китайских университетов: поддерживаемая GenAI инновация в преподавании зависит меньше от изолированных технологических знаний об ИИ и больше от педагогически и дисциплинарно встроенной ИИ-компетентности (ИИ-грамотность и профессиональная идентичность), обе из которых частично опосредовали связь «компетентность → инновация», — сигнал формировать развитие преподавательского состава вокруг встроенной, связанной с идентичностью ИИ-компетентности, а не обучения только инструменту.

  • Готовность как способность к проектированию, а не как установка: Charles (2026) утверждает, что готовность преподавателя к насыщенному ИИ интерактивному обучению нельзя считывать с внедрения, уверенности или цифровой компетентности, поскольку ни одно из них не предсказывает качество дизайнов, которые преподаватели фактически производят. Готовность-путём-проектирования ориентирована на осуществление: преподаватели мобилизуют связанные с ИИ педагогические знания, педагогические убеждения, Самоэффективность и этическую ориентацию через посредничество дизайна (выбор инструмента, дизайн задач и промптов, опора, прозрачность, верификация, переосмысление оценивания, планирование доступности и человеческий надзор) внутри институциональной и политической экологии, которая делает возможным и модерирует этот перевод. Два утверждения несут практический вес. Самоэффективность — это ресурс мобилизации, а не показатель качества, поэтому уверенность без связанных с ИИ педагогических знаний или этической ориентации может ускорять плохой дизайн. А ясность политики и материальная поддержка — отдельные модераторы, поэтому хорошо обеспеченный ресурсами учебный заведений может всё же оставить преподавателей в неведении о том, что разрешено. Charles также отказывается приравнивать неиспользование к неготовности: обоснованное решение воздержаться от ИИ само может демонстрировать готовность.

  • Совместное проектирование и агентность: написанные преподавателями промпты и vibe coding для преподавателей показывают преподавателей как активных дизайнеров ИИ, а не пассивных потребителей — пишущих промпты и опоры, которые формируют, как ИИ ведёт себя для их студентов. При планировании уроков STEAM-искусств для детей Luo и Tahir (2025) экспериментально подтвердили, что как преподаватель делегирует ChatGPT, имеет значение: заполнение пробелов в контенте в самостоятельно намеченном уроке (метод, которому отдали предпочтение 60 %, и который рекомендован) сохраняло автономию преподавателя в дизайне, всё ещё повышая качество плана по экспертной оценке (медиана 20,5 против 17,6, p = .002, большой эффект), превосходя случаи, когда ИИ генерировал планы целиком или лишь проверял готовый. ИИ служил главным образом как вдохновляющий и находящий пробелы сотрудник, а не как источник полностью оригинальной инновации, — укрепляя тезис о том, что преподаватель остаётся агентом дизайна и судьёй результата, включая улавливание недостатков в области детской безопасности и культурных смещений, которые инструмент упустил. Систематический обзор совместного проектирования преподавателями и ИИ учебных задач (Wang, Liu и Islam 2026) обнаруживает, что эта позиция со-дизайнера остаётся неровной — доминирующий режим по-прежнему ИИ как ассистент / генератор контента, — а Talebzadeh (2026) показывает, что агентность преподавателя как «двуязычного дизайнера обучения» и есть то, что превращает ИИ-спроектированные групповые активности в дифференцированное, согласованное с ЗБР обучение.

  • Сочинить бота — не то же самое, что контролировать, чему он учит. Двадцать семь преподавателей средней школы, настраивавших инструмент составления чат-бота с целью и правилами, видели лишь частичную точность в сгенерированном поведении — соответствие падало с 88,9 % для отзывчивости и 81,5 % для персоны до 70,4 % для правил и 59,3 % для цели, а следование правилам варьировалось в зависимости от выбранной модели, — разрыв исполнения / оценивания, который делает роль преподавателя-как-дизайнера репетицией намерения, а не его гарантией (Riahi et al. (2026)).

  • Доуниверситетская подготовка: обучение на основе TPACK (AI-TPACK) и программы Развитие педагогической практики готовят будущих преподавателей к дополненным ИИ аудиториям до того, как они в них войдут. Ролевая игра с симулированным учащимся распространяет это на практику руками: специальный чат-бот ChatGPT (Student GPT), отыгрывающий математически заблуждающегося учащегося средней школы, позволяет будущим преподавателям отрепетировать диагностирование и направление рассуждений учащихся в безопасных условиях, готовя их к центральной задаче преподавания — чтению и исправлению мышления учащихся.

  • Передний край для преподавателей, в который база свидетельств едва вошла: Štefánik et al. (2026) собирают Edustories, 1 492 написанных преподавателями кейса реальных аудиторий начальной и средней школы — сложное поведение учащихся, предпринятую преподавателем интервенцию и то, что за ней последовало, — именно потому, что большинство ИИ-исследований в образовании было нацелено на индивидуализированную помощь студентам, тогда как большая часть преподавания происходит в коллективных аудиториях. Бенчмаркируя четыре семейства языковых моделей на предсказании того, удалась ли интервенция, сильнейшие модели достигли 58 % точности против 64 % у человеческих экспертов; авторы читают разрыв в обоих направлениях — как предел современной помощи, обращённой к преподавателю, и как свидетельство нарождающегося потенциала. Что страница извлекает из этого — это измеренный потолок, а не утверждение о способности: совет преподавателям должен быть лучше экспертного суждения, прежде чем ему можно доверять, и сегодня порядок обратный. Параллельный пробел появляется в PRISMA-обзоре Yalçın et al. (2026) 46 эмпирических исследований GenAI в программировании в высшем образовании: роли преподавателей и институциональные практики были среди наименее изученных областей поля, и 26 из 46 исследований не давали кодируемого описания своего подхода к преподававанию, поэтому дизайн-решения, произведшие зафиксированные результаты, часто невидимы даже для других преподавателей.

  • Где ИИ фактически входит в работу, по задачам: Holster (2026) разделяет принятие и распределение, используя данные TALIS 2024 по 56 669 преподавателям, с выборкой распределения из 24 058 пользователей ИИ в 46 образовательных системах. Задача, оценённая на один пункт выше собственного среднего спроса преподавателя, с большей вероятностью получала помощь ИИ (OR = 1.163), но направление различается по задачам: планирование растёт со спросом (OR = 1.084), оценивание и выставление оценок падает (OR = 0.921), а поддержка и адаптация специального образования растёт круто (OR = 1.442, предсказанный разброс от 34,0 % до 50,3 % по диапазону спроса). Чтение этого для компетентности и политики состоит в том, что преподаватели уже оставляют ответственное выставление оценок человеком, тогда как тянутся к ИИ на работе индивидуализированной адаптации, поэтому руководство, трактующее использование ИИ преподавателями как единое поведение, упустит, где поддержка фактически нужна.

Как на самом деле выглядит изменяющаяся роль: конкретные примеры

Абстракцию «оркестратора» легче постичь через конкретные повседневные сдвиги в работе преподавателя:

  • От написания каждой раздачи к курированию ИИ-сгенерированных черновиков. Преподаватель, который когда-то тратил вечер на создание дифференцированного рабочего листа, теперь просит ИИ произвести три версии на разных уровнях сложности, а затем тратит тот же вечер на их рассмотрение и адаптацию — сдвиг от авторства к редакторскому суждению. Рабочие процессы «учебный план как код» делают этот конвейер явным, а систематический обзор Kibar и Ilgaz показывает ИИ, действующего как «коллегу», который составляет черновик контента, который дизайнер затем дорабатывает. Экспертная валидация ИИ-сгенерированных планов уроков по естествознанию делает явным то, что это редакторское суждение должно взвешивать: Karaismailoglu, Surmeli и Yildirim (2026) обнаружили, что одиннадцать специалистов Естественно-научное образование оценили планы ChatGPT-4 и ориентированного на образование инструмента для шестого класса как пригодные черновики — 7 из 11 судили их как «применимые с исправлением», лишь 3 — прямо «Применимые», — и предпочтения расходились с сырыми оценками (7 предпочли набравший больше ориентированный на образование инструмент, 4 — план общего назначения), потому что суждение взвешивало аффективные и контекстуальные измерения помимо структурной точности. Преподаватели остаются арбитрами того, становится ли ИИ-черновик пригодным для преподавания, контекстуально обоснованным уроком.
  • От чтения лекций к коучингу в реальном времени. Вместо того чтобы доставлять одно и то же объяснение всему классу, преподаватели всё чаще направляют рутинные вопросы ИИ-тьютору и сосредотачивают время лицом к лицу на студентах, нуждающихся в человеческом суждении — исследования рабочих процессов документируют именно это перераспределение внимания.
  • От оценивания к проектированию оцениваний, которые ИИ не может обыграть. Преподаватели перестают опираться на основанные на воспроизведении задачи, которые LLM тривиально решают, и вместо этого проектируют аутентичные оценивания, шкалы оценивания и формативные задачи, сохраняющие Прирост в обучении.
  • От преподавания контента к преподаванию использования. Работа преподавателя всё чаще включает моделирование того, как промптовать, оценивать и ответственно использовать ИИ — ИИ-грамотность учебный план, вплетённый в каждый курс, а не отдельный предмет.
  • От чтения панелей к действию на их основе — контекстуально. Mejia-Domenzain et al. (2026) показывают, что то, как преподаватели фактически используют аналитические панели, расходится по контексту: преподаватели перевёрнутого класса (университет) следовали последовательному исследованию и предпочитали адаптацию на уровне курса и показ панелей в классе, тогда как преподаватели профессионального образования возвращались к страницам сводки и использовали инструмент главным образом для индивидуальных сессий коучинга. Предложенные преподавателями действия формировались представленным контентом и их уровнем преподавания, а не типом графика — преподаватели университетов предпочитали недельные тесты и адаптацию курса, преподаватели профессионального образования — прямой, индивидуализированный коучинг. Это указывает на контекстно-осведомлённый дизайн панелей и дифференцированные потребности в поддержке преподавателей, а не на единый для всех аналитический интерфейс.
  • От получения оповещений к их оценке. Swidan (2026) следил за одним преподавателем и восемью высокоуспевающими учащимися средней школы на уроке геометрии в GeoGebra, где Dash4Emotion обрамлял учащихся красными прямоугольниками, сигнализирующими об отрицательной эмоции, и обнаружил, что оповещения не определяли результатов — ход преподавателя после каждого оповещения определял: переосмысление задачи Миры с нахождения минимального значения до геометрического места минимальных точек открыло её исследование заново, три одновременных оповещения побудили к переосмыслению для всего класса, а сознательное невмешательство в один из уроков само было педагогическим решением. Позиция исследования состоит в том, что сгенерированное ИИ эмоциональное оповещение — это сигнал, подлежащий интерпретации наряду с тем, что преподаватель может видеть, а не инструкция, которой следует подчиниться.
  • От привратника к принципиальному фасилитатору обратной связи по совместной работе. Пилоты Community Builder (CoBi) в аудиториях показывают, что роль преподавателя решительно формирует целостность внедрения: преподаватели, использовавшие замечания и визуализации ИИ для пробуждения Метакогниция и критической рефлексии о совместной работе, достигали высокоцелостного использования, тогда как те, кто позволял системе уплыть в мониторинг результативности — или уклоняться в общие обсуждения ИИ, — нет. Преподаватели также беспокоились о том, чтобы их не поставили «в неудобное положение» обратной связью в реальном времени, и предпочитали обзор до/после действия живому отображению, подчёркивая, что оркестровка общеаудиторного ИИ совместной работы требует существенного профессионального обучения, а не только беглости в инструменте.
  • От преподавания с ИИ к замещению его собой. Там, где Цифровой разрыв не оставляет устройства для каждого учащегося, преподаватель может стать физическим интерфейсом к системе — заместителем, а не его оркестратором. В модели «AIED unplugged» от Rodrigues et al. (2026) учащиеся продолжают работать с бумагой и ручкой, пока преподаватель фотографирует их решения, а ИИ возвращает персонализированные списки упражнений и Обратная связь, специфичную для ошибок, которые должны быть переданы обратно. Это кластерный квазиэксперимент на 19 аутентичных бразильских классах начальной школы, а не демонстрация прототипа, и два его результата непосредственно касаются роли. Во-первых, преимущество в обучении над обычной практикой пришло от единственной 50-минутной сессии обучения преподавателей, а не от технологии: условия «обучение» и «обучение плюс система» не различались по приростам (−4,33, 95 % CI [−17,29, 7,23]), поэтому подготовка, а не инструмент, — активный ингредиент. Во-вторых, собственная выгода системы действовала косвенно, через преподавателя — снижение Effort опосредовало положительный эффект на приросты (3,649, 95 % CI [1,097, 6,398]), — поэтому эффект достигает студентов, которых ИИ никогда не касался, а описанный преподавателями труд по захвату и проверке (фотографирование листов, ожидание обработки, исправление ошибок распознавания) является частью педагогической стоимости распространения ИИ на недостаточно обеспеченные ресурсами аудитории.
  • От поставщика информации к дизайнеру обучения. Hochberg и Waitzman (2026) следили за 93 преподавателями в ходе восьминедельной программы ИИ и обнаружили, что практика сдвигается к heutagogical дизайну для агентности учащихся, хотя самооценённые сдвиги не были значимы после корректировки, а результаты обучения учащихся не измерялись.

Метафора оркестровки

Доминирующая метафора в базе знаний — оркестровка: преподаватели координируют человеческих учащихся, ИИ-тьюторов и учебные ресурсы. Это контрастирует с нарративами замены — ИИ усиливает, а не подменяет человеческое преподавание. Эмпирические свидетельства поддерживают эту позицию: PRISMA-управляемый систематический обзор 42 исследований (2023–2025) обнаружил, что LLM соответствуют человеческим оценщикам на коротких, хорошо структурированных задачах, но что результативность падает на более длинной, многоязычной и нюансированной работе, — заключая, что LLM не могут полностью заменить преподавателей и что гибридные системы оценивания с человеком в цикле достигают наивысшей эффективности выставления оценок (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Линза оркестровки переосмысляет базовый навык преподавателя как суждение: решение о том, когда человек, ИИ или спроектированная учебная активность — правильный инструмент для данного учащегося и момента. PRISMA-обзор 2026 года 29 исследований Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects заостряет метафору в четырёхфазный цикл — мониторинг, суждение, интервенция, оркестровка, — и показывает, почему ни одна из фаз не может быть предположена. Преподаватели предпочитали разделённый контроль, принимая, модифицируя, отвергая или переопределяя предложения ИИ; некоторые намеренно откладывали интервенцию, чтобы учащиеся могли сперва продуктивно бороться; а панели, расширявшие осведомлённость, могли также перегружать внимание или превосходить то, на что один преподаватель мог физически подействовать. Его три стратегии — педагогический перевод результатов ИИ, дизайн поддержки обучения и реконструкция структур взаимодействия, — описывают работу как реконтекстуализацию, а не одобрение, что помещает преподавателя ближе к посреднику, чем к роли проверяющего с человеком в цикле. Наблюдение в аудитории называет те же поведения типами. Шесть уроков с опытным преподавателем добавили три типа оркестровки к четырём Дриджерса — мониторинг по панели, ИИ-исправление и ИИ-опосредование, — причём содержательные и этические роли преподавателя были наиболее видны, когда он исправлял сгенерированную ИИ обратную связь (Noh и Kim, 2026).

Эволюционирующие и критические роли преподавателя

Недавние работы расширяют метафору оркестровки в более богатые концептуализации роли:

  • Со-оркестратор на переходах между активностями. Yang et al. (2026) используют партисипативное «быстрое свидание» с 17 преподавателями и 13 учащимися, чтобы отобразить, как контроль должен распределяться по стадиям активности в аудитории — до, во время и после переходов между индивидуальной и совместной работой, — в инструменте со-оркестровки, поддерживающем динамическое спаривание в реальном времени. Возникающий принцип дизайна состоит в том, что контроль — не фиксированная точка: преподаватели и учащиеся хотят разных количеств агентности на каждой стадии, и инструмент должен позволять преподавателю корректировать группировку, переходы между активностями и время интервенции в реальном времени, сохраняя за преподавателем переопределение. Это позиционирует преподавателя как со-оркестратора всей живой среды обучения — роль более специфичную, чем общая метафора оркестровки, сосредоточенная на гранулярных, момент-к-моменту решениях о том, кто с кем работает, когда и с какой поддержкой, — и она связывает исследование индивидуального тьюторства с дизайном на уровне аудитории.
  • «Когнитивный хореограф». Постгуманистические рамки переосмысляют преподавателя как когнитивного хореографа, который оркеструет познание, распределённое по биологическим и искусственным системам, выходя за пределы инструменталистских моделей вроде Технологические педагогические знания о содержании (TPACK) и SAM.(Pedagogical Symbiosis: conceptualizing the Post-Human Learner in the age of cognitive AI)
  • Фасилитатор, со-исследователь, этический надзиратель. В изучении естественных наук роли преподавателей сдвигаются от передатчиков знания к фасилитаторам и со-исследователям и получают новые обязанности как этических надзирателей за ответственным использованием ИИ студентами.(Artificial Intelligence in Science Learning within the Framework of Situated Learning Theory: A Qualitative Investigation of Teachers' Perspectives)
  • Посредник принципов обучения. Преподаватели операционализируют старинные принципы обучения (опытное, ситуативное и распределённое познание) через ИИ, трактуя ИИ как инструмент, который усиливает, а не заменяет направляющую роль преподавателя.(Empowering Educators: Operationalizing Age-Old Learning Principles Using AI)
  • Критический посредник, превращающий результаты ИИ в объект критики. Canonigo (2026) следил за десятью преподавателями математики средней школы в ходе восьминедельной интервенции с ChatGPT-4 и выявил пять практик посредничества: постановка задач, сгенерированная ИИ, опоры-подсказки, спроектированные для снятия, критическое сравнение результатов ИИ с собственной работой учащихся, дифференцированный промптинг (визуальная аналогия для борющегося учащегося, кубическое расширение для сверстника) и ИИ как партнёр по рефлексивному диалогу. Там, где преподаватели это осуществляли, результат становился тем, с чем можно спорить, а не ответом-ключом, и учащиеся двигались к предположениям и метакогнитивному вопрошанию; там, где посредничество отсутствовало, авторитет мигрировал к алгоритму, причём учащиеся консультировались с ИИ раньше своего преподавателя и возвращались только за подтверждением, побудив одного преподавателя описать переход от «оракула» к «редактору». Вывод исследования о справедливости — самый острый: по 300 ответам модели модель бесплатного тарифа была неточной в 32,7 % случаев против 12 % у модели премиум-тарифа (χ²(1) = 17,5, p < .001), поэтому преподаватели в недостаточно обеспеченном ресурсами учебном заведении называли её «погранично бесполезной для математики». Качество инструмента, а не только доступ к инструменту, становится педагогической переменной, а приемлемая политика использования в учебном заведении одного из преподавателей была десятилетней давности и молчала об ИИ, оставляя пробел в управлении на усмотрение аудитории.
  • Неурегулированная и уязвимая профессиональная идентичность. Farazouli et al. (2026) документируют эмоциональную сторону реконфигурации роли: 24 преподавателя шведских университетов переживали возникновение GAI как тревожащее и ошеломляющее, сообщая о «состоянии уязвимости» (низкая уверенность, незащищённость, страх «не быть впереди студентов») и чувствуя себя «застрявшими» между утопическими и дистопическими дискурсами. GAI побуждало их переоценить свои приоритеты — культивирование Критическое мышление, Оценочное суждение и этичного использования GAI, — и подвергнуть сомнению свою собственную и университетскую будущую роль в ландшафте, который ощущался «вне контроля». Это обрамляет сдвиг роли преподавателя как изменение на уровне идентичности и эмоционально заряженное, а не просто изменение навыков или рабочих процессов.
  • Разработчики учебных программ как цифровые посредники, в том числе как тормоз. Sithole (2026) интервьюирует двенадцать разработчиков учебных программ и дизайнеров обучения в двух южноафриканских Исторически Неблагополучных Учреждениях и обнаруживает, что роль сдвигается от фасилитации рефлексивного преподавания к технологическому посредничеству и решению проблем, причём посредничество охватывает педагогику, этику и институциональную политику. Отличительный ход — трактовка замедления как части работы: один участник описывает перевод между «чего хочет руководство, что технология может сделать и чем преподаватели фактически обеспокоены», называя плагиат, зависимость студентов и аутсорсинг мышления прежде, чем энтузиазм задаёт темп, — «Это не просто техническая поддержка; это также согласование». То же исследование документирует аффективную стоимость («Я чувствую себя самозванцем. Я учу ИИ по ходу дела, но учреждение ожидает экспертизы») и ответ профессионального обучения: пространства равноправия, которые тестируют и намеренно ломают инструменты, нацеливаясь на суждение, а не на навык, и явный отказ от бинарности «внедрение или сопротивление» — «Я не анти-ИИ; я за контекст».
  • Принципиальная избирательность вместо внедрения или сопротивления. Adiozaman и Segar (2026) трижды за один семестр интервьюировали двух учёных с более чем десятилетним опытом и обнаружили, что работа с идентичностью организована вокруг трёх взаимосвязанных напряжений — педагогика против платформы, преподаватель против фасилитатора и забота против соответствия, — которые разрешались не в устоявшуюся позицию, а в принципиальную избирательность: чувствительные к контексту решения, направляемые педагогическими ценностями, этическим обязательством и профессиональным суждением. Они описывают траекторию от имплицитной ориентации через стратегии середины семестра, такие как просьба к учащимся объяснить своё мышление и перепроектирование задач и оценивания, к позициям, остававшимся намеренно открытыми, а не фиксированными, причём отказ от конкретного использования трактовался как законное осуществление суждения, а не как неудача внедрения. Это поставляет конструктивный аналог уязвимости, документированной выше: сдвиг роли требует суждения, поэтому институциональные ответы, построенные вокруг обучения инструменту, обращаются не к той проблеме.
  • Полуавтономность как предпочтительная рабочая точка. Dai et al. (2026) опросили 287 преподавателей с опытом GenAI в 27 странах и регионах и обнаружили, что они помещают инструмент на уровни полуавтономности шкалы автоматизации — 130 выбрали уровень 2 («помощь преподавателя»), 94 — уровень 3 («частичная автоматизация»), и ровно один выбрал уровень 6, — описывая его как «вспомогательный», «опору», «дополнение» или «партнёра». Воспринимаемая полезность доминировала в их намерении внедрения (β = .832, p < .001), тогда как воспринимаемая искусственная автономия влияла на намерение только косвенно через полезность, а нерасположенность к риску снижала намерение, не подрывая полезность, потому что их тревоги относились к использованию студентами — нечестности и честности, ослабленным базовым знаниям и мышлению высшего порядка, галлюцинациям, снижённому человеческому взаимодействию и этическим, правовым рискам и рискам Справедливость. Маркировка авторов «друг-враг» точно передаёт эту позицию: GenAI ценен как инструмент поддержки, но не заслуживает доверия как автономный агент. Следствие для роли преподавания состоит в том, что преподаватели хотят оставаться принимающим решение агентом и решать использование от случая к случаю — дисциплина, потребности студентов, тип задачи, время, — поэтому инструменты оркестровки должны строиться вокруг человеческого надзора и суждения на уровне случая, а не обещаний автономии.
  • Авторитет остаётся у преподавателя; способность расширяется только внутри него. Reichert, Briceno, Tabarsi и Barnes (2026) дали шести преподавателям средней школы 6–12 классов (обществознание, математика, животноводство, естествознание и информатика и робототехника) задание создать бумажный прототип LLM чат-бота для их собственной аудитории и обнаружили, что каждый прототип кодировал одну и ту же позицию: система была ограниченным экспертом, специализированным, но замкнутым в определённой области и под надзором преподавателя. Преподаватели провели две границы. Границы авторитета вытекали из профессиональной и правовой ответственности — контроль над тем, что изучают учащиеся и как обеспечивается их безопасность, нельзя делегировать, поэтому надзор (полные логи разговоров, оповещения в реальном времени о неуместных запросах и ручное переопределение) трактовался как долг роли, а не как проверка инструмента. Границы экспертизы вытекали из того, чего модель не может знать: историй индивидуальных учащихся, динамики аудитории и институциональных норм. Делегирование затем распределялось избирательно по преподаванию — преподаватели приветствовали ИИ, представляющий контент, дающий практические задачи, служащий опорой и дающий формативную Обратная связь, но оставляли информирование учащихся о целях и итоговое Оценивание за собой. Это поставляет документированному выше предпочтению полуавтономности конкретную архитектуру: авторитет преподавателя — фиксированный элемент, и способность ИИ растёт только внутри него.
  • Преподаватели как ценностно нагруженные оценщики. Luo и Dawson (2026) показывают, что выставление оценок за работу с GenAI — не нейтральный, основанный на критериях акт, но ценностное суждение, формируемое догадкой преподавателей о том, кто такой учащийся (честность, старательность), что он способен (независимость, навык GenAI, дисциплинарное мастерство), как он относится к другим (доверие) и ведёт ли решение к хорошим результатам (справедливость, благодеяние). Преподавателям часто не хватает осознания ценностных ориентаций, лежащих в основе их выставления оценок, и они варьируются по дисциплине (гуманитарные дисциплины более критичны к использованию GenAI; твёрдые / прикладные науки — меньше задач с оцениванием) и эпистемологической позиции (абсолютистская / мультиплистская / эвалюативистская). Это позиционирует преподавателя как оценочного профессионала, чьё суждение — а не только использование инструмента, — должно поддерживаться и делаться прозрачным.
  • Преподаватель как арбитр педагогически значимых объяснений. Поскольку доверие преподавателей к рекомендациям ИИ растёт, когда объяснения обрамлены на их учебно-плановом / педагогическом языке, а не в сырых внутренностях модели, эффективные инструменты должны «говорить» на языке предметной области преподавателя. В внутрисубъектном эксперименте Feldman-Maggor et al. (2025) обнаружили, что управляемые предметной областью объяснения инструмента ИИ-группировки внушались доверие и принимались гораздо больше, чем управляемые данными, основанные на важности признаков, — позиционируя педагогический словарь преподавателя как интерфейс, через который ИИ завоёвывает доверие и использование, — и их суждение о том, звучит ли объяснение педагогически, как решающий фактор внедрения.
  • Фасилитатор, чья функция может быть частично делегирована. Kuhail et al. (2026) предложили 32 студентам STEM дискутировать под человеческим модератором, ИИ-чат-ботом (GPT-4, промптированным поведениями, ожидаемыми от преподавательского состава: нейтральность, равное время говорения, короткие указания, удержание темы, последующие вопросы, деэскалация), или под каждым по очереди, и не обнаружили значимых различий по эффективности, удовольствию, удовлетворённости, полезности или намерению повторного использования (t = 0,23 до 1,30, p = 0,198 до 0,818). Авторы читают нулевой результат как нормализацию совместной работы человека и ИИ в ограниченной правилами дискуссии, а не как эквивалентность. Путь к повторному использованию всё же различался: под человеческим модераторством удовлетворённость определяла намерение использовать, тогда как под ИИ-модераторством это делала воспринимаемая полезность (0,806 против 0,495), поэтому ИИ-фасилитированная активность выживает на продемонстрированной полезности, а не на том, насколько приятной она ощущается. Практическое чтение — ИИ-модерация как помощь масштабирования для больших или слабо укомплектованных курсов под человеческим надзором, причём справедливость не проверена для сарказма, непрямого языка и стилей коммуникации меньшинств.
  • Задатчик целей, а не только компетентностей. Fagerlund et al. (2026) интервьюировали 13 финских преподавателей с дошкольного до 9 класса о том, зачем учащимся следует учиться об ИИ и с ИИ, читая их отчёты через квалификацию, социализацию и субъективацию Бисты. Квалификация была самой ясной и конкретной целью, покрывая ИИ и как цель обучения, и как инструмент для него; социализация появлялась как культивирование благоприятных позиций по отношению к ИИ и подготовка учащихся как сведущих в ИИ будущих работников; субъективация, самоопределённая и личностно значимая вовлечённость, одобрялась как важная, но не имела за собой конкретных стратегий преподавания, покоясь на «обсуждении и созерцании». Авторы предлагают информированную ИИ-агентность, субъективацию в центре с компетентностями как её основанием, что даёт роли преподавания обязанность задавать цели: сделать «зачем» явным, чтобы навыки приобретали контекст, а не стояли как самицели, и дополнить технические рамки вроде Технологические педагогические знания о содержании (TPACK) устойчивым вниманием к образовательной цели.

Эти роли связывают работу преподавателей с Распределённое познание, Ситуативное обучение, Телесное обучение (Embodied Learning) и Критическая педагогика и переосмысляют преподавателя как дизайнера и этического проводника ИИ-опосредованного обучения, а не просто как пользователя.

  • Поддерживаемые ИИ решения группируются там, где доступны поведенческие данные. Köroğlu et al. (2026) рассмотрели 27 эмпирических исследований (2016–2025) и выявили восемь типов решений преподавателя, обнаружив, что поддержка ИИ сосредоточена на решениях по преподававанию, Обратная связь и Оценивание, тогда как решения по учебному плану, среде обучения, эмоциональные, этические и административные решения поддерживались редко. Панели Аналитика обучения были самой распространённой системой, обрабатывая текстовые и логовые данные в поведенческие индикаторы результативности и вовлечённости; Мультимодальный ИИ и основанные на взаимодействии данные, агентные системы и когнитивные, метакогнитивные, мотивационные и аффективные результаты были все сравнительно редки в рассмотренном корпусе. Практическое чтение для преподавателей состоит в том, что пространство решений, которое открывает инструмент ИИ, ограничено данными, которые он отображает, поэтому выбор инструмента — это также выбор о том, какие решения по преподававанию обеспечиваются ресурсами.

Как преподаватели должны адаптировать свою практику преподавания к ИИ

Свидетельства базы знаний сходятся на наборе конкретных адаптаций:

Проектируйте педагогическую обёртку ИИ, а не только инструмент. Один и тот же ИИ даёт большие Прирост в обучении или чистый вред в зависимости от того, как спроектирована активность вокруг него. Kibar и Ilgaz и свидетельства о Прирост в обучении согласованны: работа преподавателя — проектировать опыт обучения, трактуя ИИ как компонент внутри структурированной активности, а не как движок ответов. Сначала обеспечьте попытку учащегося, затем позвольте ИИ коучить — в этом разница между оцениванием и раздуванием результативности.

Требуйте контрольной точки Человек в контуре. Вместо того чтобы принимать результаты ИИ за чистую монету, учите учащихся оценивать, исправлять и принимать на себя ответственность за ИИ-поддерживаемую работу. ИИ-грамотность добросовестного использования обрамляет это как балансирование продуктивности ИИ против подлинного человеческого процветания и авторства. Проектируйте задания так, чтобы ИИ помогал с составлением черновиков, но учащийся оставался агентом оценивания и пересмотра.

Курируйте черновики ИИ-обратной связи; не передавайте их. Chen et al. (2026) дали 64 будущим преподавателям в Китае ChatGPT-поддерживаемую обратную связь на аргументированное письмо и обнаружили, что трактовка результата как материала для черновика, а не как готового комментария, двигала критическое мышление там, где обратная связь только от преподавателя этого не делала (Cohen's d на пост-тесте 3,74 против 0,25 на пре-тесте, p < .001). То, что преподаватели делали с черновиком, — переносимая часть: они копировали подходящий контент на уровне, подобном их собственному (28 %), расширяли его более глубоким вкладом (16 %), поставляли его (16 %), пересматривали его (14 %) или отбрасывали целиком (14 %), причём ещё 9 % нуждались в исправлении. Поддерживаемая обратная связь склонялась к моделированию (демонстрация, 33,1 % против 10,9 %) и зондированию (пристальный вопрос, 21,5 % против 6,0 %), а учащиеся пересматривали её в сторону анализа, оценивания и создания, а не узнавания, но шесть из восьми интервьюированных всё же сообщали о неточности и непрофессионализме. Шаг верификации у преподавателя — это то, что делает гибрид безопасным.

Адаптируйте оценивание к эпохе ИИ. Отойдите от задач, которые LLM могут выполнить дословно, к аутентичным, основанным на процессе и очным оцениваниям. Шкалы оценивания дают преподавателям рубрику для решения о том, насколько помощь ИИ легитимна на каждой стадии, а метааналитические свидетельства показывают, что ИИ может поддерживать мышление высшего порядка, когда этого требует дизайн оценивания.

Защищайте условия для устойчивого обучения. Поскольку ответы ИИ делают обучение выглядящим лёгким, преподаватели должны проектировать наперекор разрыву между результативностью и обучением. Lodge и Loble предупреждают, что легкий успех с ИИ может маскировать отсутствие обучения; преподаватели должны встраивать продуктивную борьбу, требовать неопосредованной демонстрации мастерства и трактовать поддерживаемые ИИ ответы как отправную точку, а не как готовый результат.

Планируйте с учётом среды доставки. Адаптация не нейтральна к среде: онлайн-преподавание с ИИ умножает и возможности (масштабируемая персонализация, всегда доступная поддержка), и риски (честность, разгрузка). Проектируйте обёртку ИИ так же намеренно в онлайн, как и в условиях лицом к лицу.(Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation)

Включение ИИ-грамотности в преподавание

ИИ-грамотность — не отдельный модуль — она вплетена в то, как преподаватели проектируют каждый курс. Эффективные подходы включают:

Обеспечение академической честности в эпоху ИИ

Академическая честность с ИИ — это проблема проектирования, а не полиции. Преподаватели адаптируются через:

  • Переосмысление честности вокруг процесса и авторства. Вместо обнаружения подчёркивайте Академическая добросовестность как прозрачное, документированное использование. Исследование агентного ИИ и студентов-призраков показывает, что риск для честности сдвигается, когда студенты разворачивают ИИ-агентов от своего имени, поэтому преподаватели должны определить, что значит авторство, когда «призрак» — это ИИ.
  • Использование раскрытия и обрамления. Как использование ИИ обрамляется для студентов — будь то как костыль или как легитимный инструмент, — формирует, раскрывают ли они его. Нормы прозрачности (например, раскрытие использования ИИ) снижают стимул скрывать использование ИИ.
  • Проектирование, устраняющее стимул обманывать. Аутентичные, основанные на процессе и очные оценивания (устные экзамены, портфолио, наблюдаемое Решение задач) делают аутсорсинг менее привлекательным, чем инструменты обнаружения ИИ. Шкалы оценивания и Аутентичное оценивание — конструктивная альтернатива гонкам вооружений обнаружения.
  • Регулирование ИИ в образовании на уровне задачи — это как преподаватели фактически управляют ИИ. Исследование Chirikov (2026) более 31 000 учебных программ курсов показывает, что преподаватели всё чаще действуют как регуляторы на уровне задачи, а не применяя сплошные правила: они ограничивают ИИ для составления / пересмотра (79 % курсов) и рассуждения / решения проблем (65 %), разрешают его для редактирования / корректуры (83 %) и поддержки учёбы (80 %), а порождение идей / планирование оставляют наиболее оспоренным (46 % разрешают / 54 % ограничивают). Это различение — основанное на том, какие задачи ИИ вытесняет, а какие усиливает, — является конкретной, управляемой преподавателями альтернативой политике «внедрение или запрет» и даёт роли преподавателя центральное место в формировании политики.

Связывание преподавания с дизайном обучения

Преподавание и Дизайн обучения — две стороны одной медали — повседневные суждения преподавателя есть живое исполнение спроектированного опыта обучения. ИИ усиливает эту связь:

  • Преподаватели как дизайнеры обучения. LearnAI и дизайн промптов, написанных преподавателями показывают преподавателей, функционирующих как дизайнеры: специфицирующих активность, роль ИИ и опоры, структурирующие обучение. Это Дизайн обучения в действии в точке использования.
  • Принципы дизайна обучения управляют ИИ-педагогикой. Те же принципы Дизайн обучения — ясные цели, согласованное оценивание, Скаффолдинг и Обратная связь, — определяют, помогает ИИ или вредит. ISD-Agent-Bench эмпирически валидирует, что основание дизайна ИИ на формальных моделях дизайна обучения превосходит промптинг, свободный от теории.
  • Проектируйте для оркестровки преподавателя. Эффективные среды обучения с ИИ проектируются с учётом преподавателя — инструменты, которые предоставляет человекоцентрированный ИИ, должны снижать нагрузку преподавателя и усиливать суждение, а не добавлять ещё один непрозрачный чёрный ящик. Когда преподаватели совместно проектируют ИИ-учебные активности (перспективы теории деятельности), и внедрение, и качество улучшаются.

Отношение к идентичности учащегося

Роль преподавателя и Идентичность учащегося — взаимные лица одного и того же человеческого процесса, и ИИ перестраивает обе.

  • Идентичность преподавателя — это профессиональная идентичность; идентичность учащегося — учебная идентичность. Страница роли преподавателя документирует, как ИИ перестраивает работу, идентичность и агентность преподавателей — их эволюционирующее профессиональное самопонимание (см. обрамление Laidlaw'ом GenAI как кризиса идентичности). Идентичность учащегося — параллельный конструкт для студентов: кем они являются и кем становятся как учащиеся, в дисциплинарном, профессиональном, творческом и академическом отношениях.
  • Они причинно связаны. Преподаватели, переживающие разрушение идентичности (неопределённость относительно их профессиональной цели среди GenAI), менее способны поддерживать развитие идентичности своих студентов — преподаватель, сомневающийся в своей роли, испытывает трудности с валидацией нарождающегося у студентов чувства собственного «я» в той же области. Обратно, преподаватели, сохраняющие уверенную профессиональную идентичность, лучше позиционированы для поддержки принадлежности и авторства у студентов.
  • Отличные режимы отказа. Идентичности преподавателя угрожает отмирание роли и цель (вопрос «в чём смысл преподавания?»). Идентичности учащегося угрожают утрата авторства и компетентность (вопрос «это действительно моё / я достаточно хорош?»). Обе — ответы на уровне идентичности (а не только на уровне навыков) на ИИ.
  • Обе — проблемы профессионального развития и педагогики. Поддержка идентичности преподавателя принадлежит Развитие педагогической практики и ИИ-компетентность преподавателя; поддержка идентичности учащегося принадлежит Опыт студентов, Аутентичное оценивание и Автономность учащегося. Хорошо спроектированная ИИ-интегрированная система уделяет внимание обеим — потому что идентичность преподавателя есть условие, при котором формируются идентичности учащихся.

Совместное проектирование учителями ранней ИИ-грамотности

  • Совместное проектирование учителями в ранней ИИ-грамотности. Lee (2026) показывает, что два преподавателя дошкольного и два преподавателя детсадовского возраста, совместно спроектировавшие учебный план Play With AI (PL-AI), испытали существенный рост в уверенности и педагогической агентности, причём совместное проектирование способствовало владению учебным планом, рефлексивной практике и значимой адаптации. Это позиционирует преподавателей как центральных со-дизайнеров — а не просто реализаторов, — учебных планов ИИ-грамотности, подходящих для уровня развития, модель с последствиями для подготовки преподавателей в области ИИ-образования для раннего детства и начального.

Совместное проектирование учителями ресурсов обучения с ИИ

  • Роль преподавателя распространяется на совместное проектирование ресурсов обучения с ИИ: совместно спроектированные преподавателем и ИИ симуляции для преподавания STEM с дронами сохраняли педагогическую валидность и контекстуальную релевантность результатов GenAI, а преподаватели — предполагаемые бенефициары Шкалы ИИ-грамотности преподавателей. Эффективная интеграция GenAI всё больше зависит от участия преподавателей в дизайне.

Системы ИИ-рефлексии должны адаптироваться к опыту преподавателя

  • Обращённая к преподавателю аналитика ИИ-рефлексии должна быть адаптирована к экспертизе, а не быть единой для всех. Опрос 100 преподавателей K–12 в США (медианное деление по девяти годам; биномиальные тесты; различия в 15 % выбора детектируемы при ~83 % мощности) обнаружил систематические расхождения в предпочтениях. Менее опытные преподаватели называют отсутствие времени на рефлексию главным препятствием в три раза чаще, чем опытные (37 % против 12 %, p < .001), и хотят аналитики по дезинвестиции учащихся (48 % против 33 %, p = .028) и эмоциям (31 % против 18 %, p = .036).
  • Правило дизайна, выведенное из расхождения, — адаптированные к опыту режимы рекомендаций. Опытные преподаватели хотят аналитики по улучшенному обучению после помощи учащемуся (40 % против 26 %, p = .019) и по своим методам преподавания (42 % против 26 %, p = .012); их главное препятствие — отслеживание результативности (28 % против 15 %, p = .009). Правило дизайна: режим новичка = структурированные промпты и аналитика вовлечённости; режим эксперта = гибкий продольный анализ — прямой аргумент против единообразных панелей. (How expertise levels shape preferences and reflection needs — towards AI reflection systems for teacher empowerment)

Связанные концепции

Связанные статьи

Связанные FAQ

Метаданные

УровеньK 12, Higher Ed
Целевая аудиторияInstructors, Faculty Developers, Learners
Обучение и преподаваниеСкаффолдинг
Технологии и методыИнтеллектуальное тьюторство
Основы ИИ в образованииИИ-грамотность, Развитие педагогической практики, Дизайн обучения, ИИ-компетентность преподавателя
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.