AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Разработка теории в области ИИ в образовании

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Разработка теории в области AI in education — научная работа по созданию, продвижению и критическому изучению теорий и концептуальных рамок, объясняющих, как взаимодействуют учащиеся, преподаватели и ИИ-системы. По мере того как генеративный ИИ преобразует образование, область одновременно предлагает новые теории обучения с ИИ и перерабатывает устоявшиеся learning theories — при том что документированная слабость в использовании теории остаётся сквозным ограничением исследований в области AIEd.

Вопросы для размышления

  • Мы часто говорим о «применении теории» к ИИ в образовании, но эта страница спрашивает, действительно ли область изобретает новые теории. Прежде чем читать дальше: когда знакомая рамка (например, Бихевиоризм или конструктивизм) растягивается, чтобы охватить генеративный ИИ, в чём она может оказаться права, а что может молча исказить?
  • Вспомните случай, когда вы использовали ИИ и почувствовали, что ваше понимание выросло — или наоборот. В чём разница между «обучением с помощью инструмента» и «совместным построением знания с машиной»? Где бы вы провели эту границу и имеет ли вообще смысл говорить, что машина является ко-агентом?
  • Многие исследования ИИ в образовании критикуют за слабое использование теории или полное её отсутствие. Если вы читаете исследование, показавшее, что инструмент ИИ «работает», что оно должно сообщить вам о том, почему и как он работал, прежде чем вы назовёте результат теоретически значимым, а не просто размером эффекта?
  • Одна предложенная теория утверждает, что студенты, выросшие с ИИ, переоценивают собственное обучение, потому что ИИ завышает их результаты. Замечали ли вы за собой или за другими ощущение большей компетентности после интенсивного использования ИИ, чем вы могли бы продемонстрировать без него? Какие были бы самые сильные свидетельства того, что это реальное явление, а не артефакт одного исследования?
  • Страница отличает теорию (объясняющую механизмы обучения) от философии (ставящую вопрос о том, чем в основе своей являются обучение и разум). Где в вашем собственном мышлении об ИИ вы обнаруживаете переходы между ними — например, спрашивая не только о том, хорошо ли рамка объясняет обучение, но и о том, схватывает ли она то, чем обучение действительно является?
  • Появляются новые теории — генеративизм, эпистемическая коагентность, когнитивная общность. Как читателя, что убедило бы вас в том, что одна из них является подлинным продвижением, а не модным переименованием старых идей? Сформулируйте собственный критерий того, что хорошая новая теория обучения с ИИ должна уметь объяснять.

Введение

Разработка теории в области AIEd находится на границе между прикладными learning theories, на которые опирается область, и новыми конструктами, которые порождает эпоха ИИ. Там, где Теории обучения каталогизирует устоявшиеся теории, применяемые к ИИ (бихевиоризм, конструктивизм, когнитивная нагрузка, самоопределение и т.д.), этот концепт отслеживает процесс и продукт самого теоретизирования: какие новые теории и рамки рождаются, как продвигаются устоявшиеся теории и в чём состоит методологический вопрос о том, хорошо ли исследования AIEd теоретизируют.

Новые теории обучения с ИИ

Растущий кластер статей явно создаёт новую теорию для эпохи ИИ, а не применяет существующие рамки:

  • Генеративизм. Generativism предлагается как новая теория обучения; в ней утверждается, что бихевиоризм, когнитивизм, constructivism и коннективизм опираются каждый на одно допущение, которое генеративный ИИ ломает: что наблюдаемый результат удостоверяет обучение (бихевиоризм), что когнитивные операции происходят внутри учащегося (когнитивизм), что смысл конструируется, а не поставляется (конструктивизм) и что трудная часть — навигация к существующему знанию, а не его генерация (коннективизм). Он называет четыре конструкта — эпистемическое партнёрство, распределённую агентность, генеративную грамотность и адаптивное метапознание — и выводит для каждого индикатор оценивания, что является прямой заявкой на выделение отдельной теоретической парадигмы обучения, опосредствованного ИИ. Чего он не делает — не формулирует положений, которые могли бы оказаться неверными: это позиционная статья, синтезирующая существующие свидетельства, поэтому, в отличие от Агентивизма ниже, он предлагает словарь и программу измерений, а не фальсифицируемую теорию.

  • Связанность с ИИ. Fu and Zhao (2026) реконструируют связанность для эпохи ИИ через этику заботы и неоэкологическую теорию, определяя «связанность с искусственным интеллектом» как психологически реальную, но этически асимметричную связь с тремя измерениями и шестью фальсифицируемыми положениями, ожидающими разработки шкалы.

Синтетическая позиция добавляет конкурирующую заявку, которая положения формулирует: она называет синтетическое продвижение и авторское отстранение — самость, плотно озвученную, но не авторскую — и предсказывает кроссовер-взаимодействие, при котором оцениваемое авторство и связность нарратива о жизненном решении движутся в противоположных направлениях (Du et al. (2026)).

  • Агентивизм. Yan and Gašević (2026) предлагают Агентивизм как теорию обучения среднего уровня для взаимодействия человека и ИИ, определяя обучение как устойчивый рост человеческих способностей, а не как успешное выполнение задачи с ИИ, и специфицируя четыре механизма: делегированную агентность, эпистемический мониторинг и верификацию, реконструктивную интернализацию и перенос при сниженной поддержке. Что отличает его от других заявок на этой странице — фальсифицируемость: он формулирует шесть положений, включая то, что обучение сильнее, когда ИИ сохраняет ответственность учащегося за постановку проблемы, задание критериев и обоснование, чем когда он поставляет ответы, и что требование верификации должно улучшать отложенное выполнение, тогда как повторяющееся делегирование без реконструкции при низком трении должно ослаблять калибровку учащимися собственной компетентности.

Теоретизирование на стороне преподавателя теперь принимает то же обязательство проверяемости: Модель «Способность–Решение» располагает способность AI-TPACK выше по течению относительно установки и воспринимаемого поведенческого контроля и называет четыре условия дисконфирмации — провал опосредования, коллапс дискриминантности, нуль модерации и избыточность контекста, — хотя модель остаётся непроверенной (Mnguni (2026)).

  • Эпистемическая коагентность. Learning with Machines строит «к теории эпистемической коагентности» — основанную на теории модель того, как учащиеся и системы GenAI совместно производят знание и понимание.

  • Отсутствующий когнитивный базовый уровень (ОКБ). The Absent Cognitive Baseline концептуализирует структурный пробел в академической самооценке студентов, выросших с ИИ, — трёхмерную рамку, объясняющую, почему студенты переоценивают своё обучение, когда ИИ завышает результаты.

  • Когнитивная общность. Cognitive commons and expertise regeneration опирается на теорию общих ресурсов и distributed cognition, чтобы объяснить, как рациональные решения о внедрении ИИ могут истощать общий пул экспертизы, необходимый профессиям для обновления.

  • Результат vs. обучение. Performance-vs-learning концептуализирует резкое расхождение между завышенным ИИ выполнением задач и устойчивым обучением — различие, которое повторяется во всём массиве свидетельств базы знаний о Прирост в обучении.

  • Эпистемическая AI literacy (ЭИИГ). Epistemic AI Literacy переосмысливает ИИ-грамотность как процессуально ориентированную эпистемическую компетентность, сосредоточенную на том, как знание конструируется и обосновывается, когда студенты совместно программируют с генеративным ИИ.

  • Трисистемная теория. Shaw and Nave (2026) расширяют двухпроцессные модели за счёт Системы 3 — внешнего, автоматизированного, управляемого данными рассуждения от ИИ, которое может дополнять, вытеснять или подавлять Систему 1 и Систему 2, — и называют когнитивную капитуляцию, некритическое принятие выдачи ИИ, её характерным провалом.

  • Когнитивная опека. Credential and cognitive stewardship концептуализирует institutional ответственность за защиту знания и обучения в контекстах оценивания, проникнутого ИИ.

  • Ко-Регулирование ИИ в образовании и эпистемическая проактивность. AI as a cognitive partner in co-regulation интегрирует исполнительные функции, Метакогниция, распределённое познание и sociocultural развитие в развитийную модель; epistemic proactivity концептуализирует агентную позицию студентов в отношении ИИ в mathematics.

  • Парадигмы engagement человека и GAI. Strydom (2026) отвечает на «теоретический дефицит» области, обосновывая семь реализуемых парадигм вовлечённости человека и GAI (осторожная, ориентированная на возможности, дополненная, пионерская, симбиотическая, основанная на ценностях, equity) в многомерной модели личностных эпистемологических убеждений Шоммера — эпистемологической, а не инструментально-центрированной теории того, как люди по-разному позиционируют себя относительно ИИ.

  • Рамка экологической коагентности. Poudyal (2026) утверждает, что generative AI переназначает эпистемологический авторитет от преподавателей к студентам, а затем к машинам, и вводит рамку, определяющую коагентность через три взаимозависимых измерения — реляционное, регулятивное (сопоставленное с циклом SRL cycle) и pedagogical (континуум внедрения преподавателями), — все ограниченные неоспоримым условием человеческой эпистемической ответственности (оспоримость, происхождение, недопустимость делегирования морального/интеллектуального кредита). Она позиционирует Автономность учащегося как эпистемическую проблему проектирования, а не как проблему usability, давая институтам более точный язык, чем «баланс», для управления интеграцией GenAI.

  • Реляционная эпистемическая агентность и эпистемическая зависимость. Du & Yuan (2026) предлагают критически-интегративное описание того, когда опосредствованное ИИ доверие сохраняет, а когда вытесняет суждение. Они операционализируют границу продуктивного доверия/вредной зависимости через шесть диагностических критериев (оспоримость, восстанавливаемость, перенос, прослеживаемость, распределённая ответственность, эпистемический плюрализм) и прослеживают четыре социотехнических пути (беглый авторитет, безтрение делегирование, непрозрачный синтез, институционализированная зависимость). Их нормативное предложение, реляционная эпистемическая агентность, развивает линии реляционной автономии и эпистемической коагентности, сохраняя явную асимметрию — ИИ может формировать рассуждение, не имея взаимной ответственности или легитимного авторитета, — и интегрируя ответственность и эпистемическую справедливость на институциональном уровне. Как теория обучения с ИИ она перемещает вопрос области с того, помогает ли ИИ или вредит, на то, какие эпистемические действия сохраняются, преобразуются или вытесняются, и делает проектирование зависимости, а не просто использование, объектом педагогического и институционального вмешательства.

Продвижение устоявшейся теории

Другие работы развивают существующую теорию в контексте ИИ, а не основывают новые парадигмы: работа critical-thinking-paradox интегрирует cognitive-load theory с инструктированием по снижению нагрузки в трёхуровневую рамку; equitable assessment переосмысливает Оценивание под давлением GenAI. Ba, Gašević, Lim & Anderson (2026) реконцептуализируют саму рамку Community of Inquiry: вместо того чтобы трактовать GenAI как инструмент, диалогового партнёра или спекулятивное «четвёртое присутствие», они переопределяют его как эпистемическое условие, которое перестраивает то, как когнитивное, социальное и teaching присутствие осуществляются, подтверждаются и управляются, — переосмысливая присутствия Сообщества исследования как социотехнические достижения ассамбляжей человека и GenAI и предлагая эвристику на основе конфигураций, в которой вовлечённость GenAI и качество исследования условно связаны через человеческую ответственность. Большая часть этого — работы по концептуальным рамкам (business-school frameworks, valid simulation), которые операционализируют теорию для практики.

Lin and Chang (2026) развивают Саморегулируемое обучение и регуляцию человек–ИИ, называя то, чем управляет учащийся — стандарты, оценочные суждения и авторизация контроля, — а не только то, что делает ИИ.

An, McLaren, and Stamper (2026) развивают ACT-R и рамку «Знание–Обучение–Инструктирование», концептуализируя обманчивое сверхобобщение — режим отказа, при котором компиляция знания даёт сверхобобщённое правило, производящее правильные действия при опущении критического ограничения применения, — и эмпирически подтверждая процедуру обнаружения/коррекции на адаптивных ITS и наборе данных K-12 об обучении десятичным дробям.

Постфеноменология и технологическое опосредование. Farazouli et al. (2026) развивают устоявшуюся постфеноменологическую рамку технологического опосредования (Ihde 1990; Verbeek 2006, 2011; Rosenberger & Verbeek 2015) в контексте ИИ в образовании. Не предлагая новой теории, они применяют её, чтобы реконцептуализировать GAI chatbots как мультистабильные технологические артефакты, чьи «сценарии» (быстрая отзывчивость, естественно звучащий текст, способный получать проходные оценки) опосредуют восприятие преподавателей и перестраивают их практики — расшатывая уверенность преподавателей, переопределяя то, что означает компетентность, и подталкивая преподавателей за пределы инструментальных вопросов приемлемого использования к переосмыслению своей роли и смысла преподавания. Это вклад в продвижение теории: он показывает, как философское описание отношений человека и технологий объясняет эмоциональный и профессиональный сдвиг, который преподаватели переживают, когда GAI входит в устоявшуюся образовательную практику.

Дальнейший вклад в рамки — Rismanchian & Doroudi's AI×Ed typology, которая развивает исходные «три взаимодействия» Канна (1977) по двум осям — роли ИИ (прикладной инструмент vs. аналогия человеческому интеллекту) и конечного пользователя (от исследователя до учащегося), — чтобы локализовать любой проект AIED. Помимо категоризации области, она аргументирует возрождение направления теории и исследований «ИИ как аналогия человеческому интеллекту», используя вычислительные и агентные модели обучения (например, их собственную вычислительную модель ICAP framework) для соединения современной learning theory и вычислительного моделирования — методологического направления, от которого область в значительной степени отказалась, когда обратилась к прикладной, управляемой данными работе.

Сравнительная философия как путь к теоретическому плюрализму. Xie (2026) моделирует иной путь разработки теории: вместо теоретизирования об ИИ в образовании изнутри одной традиции статья устраивает сравнительный диалог, в котором каждая традиция «делает видимым то, что другая затемняет», прямо отказываясь синтезировать их в единую рамку — подход, рассматривающий теоретический плюрализм как методологическую позицию, а не как нерешённое расхождение. Он утверждает, что незападные традиции могут больше, чем диверсифицировать дебаты; они могут перестроить концептуальные основания теории AIED, реконструируя даосскую «природу Дао» (道性), самосовершенствование (修道) и «Чжэньжэнь» (真人) как ресурсы для переосмысления Автономность учащегося, эпистемических целей образования и ethical действия в условиях, опосредованных ИИ. Он также прямо называет пределы: вклад — одноавторский, неэмпирический, и он предупреждает, что такое перенесение требует контекстуализации, чтобы избежать романтизации и ориентализма. (Alternative AI Philosophy: Daoism as Method for AI in Education)

Проблема использования теории в AIEd

Теоретизирование области неравномерно. Limitations in AIEd research документируют, что исследования AIEd часто используют теорию слабо или некритично — повторяющаяся методологическая слабость наряду с пробелами воспроизводимости и измерения. Обзоры находят, что многие работы AIEd применяют теорию поверхностно или вовсе не применяют (например, literature reviews, отмечающие малое число исследований, обосновывающих интервенции в теории обучения). Это делает разработку теории — и её использование — вопросом качества в той же мере, в какой научным результатом, связывая их с research methods и Оценивание ИИ-образования.

Отношение к философии ИИ в образовании

Разработка теории и the philosophy of AI in education — взаимодополняющие, но различные направления основополагающей работы базы знаний. Разработка теории производит и эмпирически проверяет механизмы обучения с ИИ — названные теории и рамки, такие как генеративизм, эпистемическая коагентность и отсутствующий когнитивный базовый уровень, которые объясняют и предсказывают, как взаимодействуют учащиеся и ИИ. Философия interrogрует предпосылки, на которых эти механизмы покоятся: что считается знанием, кто считается знающим и чем учащийся в основе своей является. Теория, подобная epistemic co-agency, предлагает механизм, неявно принимая философские обязательства относительно распределённого познания и Автономность учащегося; философия делает эти обязательства явными и оспоримыми. Там, где разработка теории спрашивает, хорошо ли рамка объясняет обучение, философия спрашивает, схватывает ли она то, чем обучение и разум действительно являются — эти направления встречаются в самых основополагающих статьях области, которые часто делают и то и другое одновременно.

Связанные концепты

Связанные статьи

Метаданные

Дизайн исследованияLiterature Review
Обучение и преподаваниеТеории обучения
Методы исследований и оценкаМетоды исследования в AIED
Основы ИИ в образованииИИ в образовании, Ограничения исследований в области ИИ в образовании
Вид страницыFramework
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.