Перенос обучения

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Перенос обучения — степень, в которой знания или навыки, приобретённые в одном контексте (например, при практике с инструментом ИИ), сохраняются и применяются в другом контексте (например, при самостоятельном выполнении без инструмента). В AI in education перенос является центральным открытым вопросом: преобразуются ли приросты в выполнении, которые студенты демонстрируют с инструментами ИИ, в устойчивое обучение, которое они могут показать без них.

Вопросы для размышления

• Вот поразительная закономерность, которую документирует страница: студенты часто показывают немедленные приросты на задачах с помощью ИИ, но эти приросты могут исчезнуть — или даже обратиться вспять, — когда ИИ убирают. Прежде чем читать объяснения: как вы думаете, почему инструмент, который явно помогает в моменте, в итоге может оставить студентов в худшем положении без себя?
• Вспомните что-то, чему вы научились с репетитором, калькулятором или ассистентом, а затем должны были сделать в одиночку. Перенёсся ли навык, или вы чувствовали зависимость от вспомогательного средства? Чем отличался опыт, который переносился хорошо, от того, который не переносился?
• Распространённая интуиция состоит в том, что «практика есть практика» — что выполнение задачи с помощью развивает тот же навык, что и выполнение в одиночку. Где эта интуиция может ввести в заблуждение, особенно когда помощь — это ИИ, который завершает рассуждение за вас, вместо того чтобы вести вас через него?
• Страница проводит различие между «эффектами с» технологией и «эффектами от» неё — лучшим выполнением при использовании инструмента по сравнению с ростом способности без него. Если вы преподаватель, проектировщик или студент, какая из этих целей для вас настоящая и как бы вы узнали, что достигли её?
• Свидетельства предполагают, что важно, какую часть когнитивной работы вы делегируете: разгрузка поверхностных задач, таких как грамматика, вредит переносу меньше, чем разгрузка глубокого рассуждения и структуры. Подумайте о последнем случае, когда вы использовали ИИ на задании. Какой «слой» вы делегировали и что ваш выбор предсказывает о том, что вы сохраните?
• Страница предлагает условия, которые могли бы поддержать положительный перенос — pedagogical Ограничители (guardrails), снятие поддержки, калибровка по готовности учащегося. Если бы вы проектировали (или были пользователем) инструмент ИИ для обучения, чего бы вы требовали, чтобы приросты при его использовании становились устойчивой способностью без него?

Введение

Перенос обучения — основополагающая проблема образовательных research, и инструменты ИИ сделали её насущной. Определяющая эмпирическая закономерность, документированная в исследованиях ИИ в образовании, — это парадокс переноса: студенты, использующие ИИ, обычно показывают немедленные, измеримые приросты на задачах, где ИИ доступен, но эти приросты часто не сохраняются — или даже обращаются вспять, — когда ИИ убирают и студенты должны демонстрировать понимание самостоятельно. Эта закономерность вовлекает Over-Reliance, теорию когнитивной нагрузки и Метакогниция как действующие механизмы и непосредственно связывается с дебатами о проектировании AI Tutoring.

Готовность — это не перенос: практика устной речи с помощью ИИ ассоциировалась с более низкой тревожностью при говорении и большей готовностью общаться с людьми, однако ни одно исследование не наблюдало говорения с человеком, оставив маршрут от репетиции с ИИ к человеческой коммуникативной способности непроверенным педагогическим предложением (Wang & Li (2026)).

Парадокс переноса

Студенты, использующие ИИ, обычно показывают немедленные, измеримые приросты на задачах, где ИИ доступен. Однако когда ИИ убирают:

• Эффекты становятся смешанными или отрицательными
• Приросты часто не переносятся на ситуации без оценивания
• Студенты могут стать зависимыми от инструмента за счёт самостоятельного рассуждения

База свидетельств, синтезированная в обзоре Stanford Evidence Base on AI in K-12, согласованна по областям:

Исследование	Контекст	Немедленный эффект	Эффект переноса	Механизм
Bastani et al. (2025)	Математика в старшей школе	Более высокие оценки за практику	примерно на 17% хуже на экзаменах без материалов	Работу делал чат-бот общего назначения
Chen et al. (2025)	Домашние задания по программированию	Более высокие оценки за домашние задания	Без улучшения на экзаменах без помощи	Большие языковые модели (LLM)-Tutor решал задачи за студентов
Lehmann et al. (2025)	Программирование	Больше охваченных тем	Нарушено понимание; разрывы расширились	Общий ИИ для учащихся с низкой базовой подготовкой
Stadler et al. (2024)	Академическое исследование	Более быстрое выполнение задач	Рассуждение более низкого качества по сравнению с поиском	Сниженная когнитивная engagement
Kosmyna et al. (2025)	Написание эссе	Более высокое качество эссе	83% не смогли вспомнить собственные цитаты	Переданное наружу авторство

Все пять исследований показывают закономерность отрицательного или нулевого переноса, когда интервенцией является ИИ общего назначения.

Механизмы, подрывающие перенос

Метапознавательное смещение. ИИ, завершающий рассуждение, сокращает возможности студентов отслеживать собственное понимание и выбирать стратегии. Студенты, использовавшие ИИ, были менее способны объяснить свои ответы, когда их спрашивали. Это связывается с исследованиями Метакогниция о самомониторинге и с evidence that structured courses increase metacognitive competence while raw LLM assistants do not.

Подавление релевантной нагрузки. ИИ общего назначения сокращает не только постороннюю (отвлекающую) когнитивную нагрузку, но и релевантную нагрузку — продуктивное умственное усилие, которое кодирует устойчивое знание. Более лёгкая практика ощущается лучше, но оставляет более слабые следы. См. теорию когнитивной нагрузки и различие между tutoring-specific vs general AI.

Чрезмерная опора / эффект обращения экспертизы. Новички, получающие ответы, не строят схем. Общий ИИ поставляет ответы; эффективное репетиторство поставляет структурированное руководство. Когда новичкам дают shortcuts уровня эксперта, обучение нарушается — принцип Полезные трудности в обратную сторону.

Зависящее от инструмента выполнение. Студенты могут оптимизировать под конкретные возможности инструмента ИИ (prompt engineering, опора на сгенерированную структуру кода), а не строить обобщение в предметной области — форма cognitive offloading, которая ощущается продуктивной, но вытесняет устойчивое обучение.

Защищённая аудитория может также приучить к неверной привычке: Shi, Dai & Zhang (2026) предупреждают, что симуляции с заранее фиксированными правилами отфильтровывают неопределённость и усиливают следование правилам, поэтому привычки принятия решений, сформированные внутри них, могут стать когнитивым обязательством, когда студенты столкнутся с конкурирующими интересами и неполной информацией в реальных условиях.

Разгрузка и перенос, чувствительные к слою. Chen (2026) непосредственно проверяет различие Саломона, Перкинса и Глоберсона между «эффектами с» и «эффектами от» технологий в письме с помощью GenAI: восьминедельный квазиэксперимент обнаружил, что открытая коллаборация с ИИ максимизировала выполнение с поддержкой письма, но дала самые низкие результаты ближнего переноса при самостоятельной работе без ИИ, тогда как ограниченная поддержка с рефлексией сохраняла самостоятельную компетентность. Более глубокие слои разгрузки (рассуждение, структура) предсказывали худший перенос, чем поверхностные слои (грамматика). Это прямое свидетельство из аудитории, что приросты в выполнении с поддержкой ИИ не переносятся на самостоятельное выполнение без поддержки — и что глубина делегирования, а не только факт использования ИИ, формирует перенос.

Дополнительный, хотя и смешанный другими факторами, случай исходит из physics: переработка вступительного курса по ядерной физике и физике частиц в Рурском университете г. Бохум (Mikhasenko et al., 2026) позволила студентам успешно решать совместные исследовательские проблемы, богатые ресурсами, с помощью ИИ, однако те же студенты в среднем набрали 20,6 из 80 на обычном письменном экзамене без помощи, при этом несколько серьёзных попыток не смогли выполнить стандартные вычисления. Авторы читают это как свидетельство, что выполнение с помощью не переносится автоматически на выполнение без запроса, и их средство — сознательное проектирование: сделать письменный экзамен единственным определяющим оценку фактором, публиковать задачи семинаров заранее, чтобы время занятий становилось подготовленным обсуждением, и добавлять подготовку по предпосылкам, разобранные примеры и консолидацию вокруг исследовательской работы с допуском ИИ.

Условия, поддерживающие положительный перенос

Ограниченные свидетельства предполагают, что перенос возможен, когда:

• Присутствуют педагогические предохранители — пошаговые подсказки, нацеливание на misconception, Socratic questioning (вариант с репетиторством Bastani et al., 2025)

• Сохранены традиционные стратегии — конспектирование в паре с использованием ИИ улучшило удержание (Kreijkes et al., 2026)

• ИИ используется для formative, а не summative, использования — скаффолдинг во время обучения, а не во время оценивания

• Формат практики согласован с переносимым знанием. Rachatasumrit, Koedinger & Carvalho (2025) находят, что приросты от практики воспроизведения часто не переносятся на незнакомые задачи — они укрепляют память на процедуру, не позволяя использовать её в новых контекстах, — и что устойчивое обобщение на новые применения требует сочетания практики с разобранными примерами, поддерживающими индукцию навыка; поэтому оптимальное соотношение примеров и задач зависит от того, является ли содержание буквальным фактом или обобщаемым навыком.

• Экспертиза учащегося калибрована — инструмент адаптирует поддержку к готовности, а не по умолчанию переходит к полной помощи

• Перенос как критерий, отделяющий обучение от помощи. Yan and Gašević (2026) строят свою теорию обучения человека с ИИ вокруг переноса при сниженной поддержке: выполнение с помощью считается обучением только если способность сохраняется после снятия поддержки, что делает перенос проверкой, а не одним результатом среди нескольких. Их положение направленное: требование проверки источника или обоснования во время работы с поддержкой ИИ должно улучшать отложенное выполнение, тогда как повторяющееся делегирование без реконструкции при низком трении должно ослаблять калибровку учащимися собственной компетентности.

• Руководство расположено вместе с работой. Вопреки закономерности отрицательного переноса в таблице выше, сравнение с 36 участниками обнаружило, что учащиеся, которым помогал настольный робот, удержали свой результат на 7,0 из 10 после снятия помощи, тогда как учащиеся с ChatGPT упали до 4,4 из 10 — результат краткосрочного переноса выше на 60% (Orlando et al. (2026)). Результат — это краткосрочный перенос, измеренный примерно через 35 минут после задачи, без теста отложенного удержания, у 36 участников на одном кампусе.

Это согласуется с исследованиями AI Tutoring, показывающими, что инструменты специфического репетиторства с педагогическими предохранителями превосходят chatbots общего назначения, и с принципами Скаффолдинг о снятии поддержки по мере роста компетентности.

Неотвеченные вопросы

1. Временной масштаб: улучшается ли перенос за недели/месяцы использования или углубляется зависимость?
2. Различия между областями: лучше ли перенос в хорошо структурированных областях (математика) по сравнению с плохо структурированными (письмо)?
3. Индивидуальные различия: страдают ли студенты с высокими Предшествующие знания от меньшей потери переноса, чем новички?
4. Коррекция навыка: могут ли явные занятия практики «без ИИ» обратить вспять зависимость от инструмента?

Связи со связанными концептами

Перенос обучения связан с Метакогниция (самомониторинг понимания), теорией когнитивной нагрузки (релевантная vs. посторонняя нагрузка), Полезные трудности (продуктивная борьба), Скаффолдинг (снятие поддержки), Over-Reliance (зависимость от инструмента) и Социокультурное обучение (ИИ общего назначения действует вне ЗБР, выполняя работу за студентов). Это мост между выполнением с помощью и подлинным обучением — различие между The Evidence Base on AI in K-12: A 2026 Review и центральный вопрос для эффективности AI Tutoring.

Связанные концепты

• Педагогические паттерны — Результат, по которому в итоге оценивается большинство этих последовательностей
• Метакогниция
• Полезные трудности
• Когнитивный оффлоадинг
• Скаффолдинг
• Социокультурное обучение
• Интеллектуальное тьюторство
• K-12
• Саморегулируемое обучение
• Теории обучения
• Продуктивная неудача — Продуктивный провал

Связанные статьи

• Agentivism: a learning theory for the age of artificial intelligence — Теория обучения среднего уровня для взаимодействия человека и ИИ, с четырьмя механизмами и шестью проверяемыми положениями (Yan and Gašević 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — Когнитивная разгрузка, чувствительная к слою, в письме с помощью GenAI (Chen 2026)

• The Evidence Base on AI in K-12: A 2026 Review

• Knowledge without Wisdom: Measuring Misalignment between LLMs and Intended Impact

• Cognitive offloading and the speedup illusion in human-AI interaction

• Vibe Compiler: A Research-Logic Synthesis Tool That Runs without Prompt Engineering -Toward Enhancing Metacognition for Sustaining Agency in the Age of Generative AI-

• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Различие «результат–обучение» и устойчивый перенос

• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Педагогическое управление LLM для продуктивного провала

• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content

• AI in Particle Physics Education: Research Problems and Foundational Skills — ИИ в образовании по физике частиц: исследовательские проблемы и базовые навыки

• From Memorization to Experiential Learning: Reconfiguring Classroom Pedagogy in Management Education through Generative AI — утверждает, что защищённые симуляции в аудитории могут формировать привычки принятия решений, которые терпят неудачу за их пределами

• AI-Assisted Speaking Practice and Human-Directed Communicative Readiness: Survey and Scenario Evidence on Anxiety, Self-Efficacy, and Evaluation Pressure — Практика устной речи с помощью ИИ повысила готовность общаться с людьми, но ни одно исследование не наблюдало говорения с человеком

• AIfred: Augmented Learning through Functional Robotic Embodiment at the Desk — AIfred: дополненное обучение через функциональное роботизированное воплощение на столе