Видео в образовании

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Видео в образовании — использование видео как среды для преподавания и обучения, а также то, как генеративный ИИ его меняет: сгенерированные ИИ и персонализированные им (personalized) учебные видео, ИИ-аватары и ведущие, адаптивная генерация видео, видео-основанная аналитика обучения и распознавание внимания/вовлечённости, и поддержка потребления лекционных видео со стороны ИИ. База знаний рассматривает видео и как устоявшуюся среду онлайн-обучения, и как быстро эволюционирующее место инноваций на основе ИИ, охватывающее онлайн-, гибридное и очное преподавание.

Вопросы для размышления

• Учебное видео долгое время было ресурсом «одного размера на всех» — идентичное содержание для каждого учащегося. Генеративный ИИ теперь делает видео «на каждого учащегося» осуществимым, и исследования показывают, что студенты высоко ценят такую персонализацию. Что добавляет персонализация помимо релевантности, — и чего она может стоить?
• Студенты часто говорят, что они всё ещё ценят присутствие и аутентичность человека-преподавателя в видео. Однако при прямом сравнении предпочтений персонализированное ИИ-видео может побеждать обобщённые записи лекций людьми. Какие компромиссы на самом деле выбирают учащиеся, и насколько они устойчивы?
• Аватары ИИ, клонированные с преподавателей, могут генерировать видео в масштабе, — но они также могут вызывать дискомфорт «зловещей долины» и этические возражения (воздействие на окружающую среду, труд, академическая добросовестность). Когда ИИ-ведущий приемлем, а когда он пересекает черту, которую не устраняет никакое техническое исправление?
• Много видео-исследований опирается на предпочтения студентов и самоотчёт. Насколько хорошо заявленные предпочтения предсказывают фактические результаты обучения, — и когда видео, которое «приятно на вид», может учить хуже того, которое не приятно?
• Видеоаналитика может обнаруживать точки внимания, вовлечённости и отсева. Каковы педагогические следствия и следствия для Приватность от инструментирования обучения по видео так плотно?

Введение

Видео является краеугольным камнем современного образования — особенно онлайн- и гибридного обучения, — и ценится за его гибкость, масштабируемость и последовательность. Однако обычное учебное видео производится как артефакт «одного размера на всех», представляющий идентичное содержание каждому учащемуся независимо от его интересов, предшествующего опыта или предшествующих знаний. Генеративный ИИ смещает видео из статической вещательной среды в динамическую, индивидуально подогнанную, а также порождает новые вопросы о присутствии, Доверие, Приватность и измерении.

Как кластеризуются исследования базы знаний

• Сгенерированные ИИ и персонализированные учебные видео. Центральная линия задаёт вопрос, принимают ли студенты произведённое ИИ видео и как оно сравнивается с содержимым, записанным людьми. Опросы студентов в вычислительном образовании исследуют восприятия и предпочтения в отношении сгенерированного ИИ учебного видео. При крупном внедрении в реальных условиях Tomlinson et al. (2026) обнаружили, что студенты предпочитали сгенерированные ИИ персонализированные видео неперсонализированным записанным людьми лекциям — предпочтению, в котором эффект персонализации перевешивал ценность, придаваемую ведущему-человеку. Исследование двойной фильтрации (dual gatekeeping) показывает, как надзор преподавателя («gatekeeping») на двух стадиях производства ИИ-видео даёт более педагогически обоснованный продукт, связываясь с проектированием «человек в контуре».
• Адаптивная и структурированная генерация видео. CourseBlueprint предлагает структурированный конвейер, который генерирует адаптивное педагогическое видео, основанное на корпусах курсов, показывая, что явная педагогическая структура — а не просто беглость в ИИ — обеспечивает эффективное ИИ-видео. Bespoke применяет ту же логику в масштабе целых лекций: из 31 лекции для аспирантов он сгенерировал 209 видео для здравоохранения, финансов, энергетики и общей аудитории, и 25 согласованных по предметной области экспертов, оценивших 92 из них, поставили 87% на середину шкалы или выше, записанную как «качество стандартной лекции MOOC» (среднее 3,42 из 5), при стоимости API около \$0,22 за минуту, — причём голос, синхронизация слайдов и вёрстка являлись повторяющимися дефектами.
• Цикл обучения побеждает лучший рендеринг. Ma et al. (2026) планируют каждое видео как раскадровку целей, активации предварительных требований, разобранных примеров и диагностических проб, в паре с викториной, избегающей примеров из видео, и коррекцией для каждого неверного варианта; 96,9% из 32 преподавателей сочли цикл более эффективным, чем самостоятельное видео.
• Аналитика видеообучения и внимания. Инструментирование видео раскрывает, как вовлекаются учащиеся. Оценка вовлечённости в видеообучении и SAVVY визуализируют внимание студентов во время обучения на основе видео, поддерживая аналитику обучения, саморегуляцию и раннее предупреждение о потере вовлечённости. Работа по сегментации (например, временная сегментация видео) адаптирует видео под индивидуальные различия.
• Аватары и присутствие. Аватары ИИ — виртуальные ведущие и педагогические агенты — поднимают вопросы об идентичности, социальном присутствии и доверии. Идентичность аватара и эпистемическое доверие исследует, как видимая идентичность ведущего формирует доверие учащихся, тогда как аватары ИИ в обучении распространяют эту закономерность на профессиональную практику.
• Комментарии-скаффолдинг внутри видео, — и в чём ИИ всё ещё ошибается. Wang, Du и Jin (2026) генерируют i-Comments — сообщения Скаффолдинг, отображаемые внутри кадра видео и синхронизированные с содержанием, — вычисляя покадровую энтропию и вставляя поддержку только в интервалах с низкой информативностью. При сравнении с 120 комментариями опытных преподавателей 1 000 комментариев ChatGPT были плотнее, значительно менее структурно разнообразны (разнообразие POS-триграмм 5,5–6,2% vs. 25,1–38,5%), труднее для чтения по каждому индексу читаемости и менее согласованы тематически (BERTScore для эмоциональной поддержки 0,317 vs. 0,574); 40 учащихся оценили человеческие комментарии значимо выше по времени подачи и полезности, хотя более новая модель сузила этот разрыв. Аргумент является аргументом о проектировании в той же мере, что и об автоматизации: поддержка, встроенная в среду, избегает внимательных и когнитивных издержек паузы для запроса к отдельному чат-боту (качество обратной связи, эмоциональная поддержка).
• Поддержка потребления лекционного видео со стороны ИИ. Помимо генерации, ИИ помогает учащимся и преподавателям работать с существующим видео: двуязычные компаньоны по лекциям на базе LLM поддерживают саморегулируемое обучение с записанными лекциями, а конвейеры расшифровки преобразуют лекционное видео в доступный текст.

Персонализация vs. присутствие человека

Возникающее напряжение заключается в том, может ли ценность персонализации перевесить ценность видимого человека-преподавателя. Tomlinson et al. (2026) формулируют персонализацию и социальное присутствие как частично взаимозаменяемые сигналы педагогической заботы: человеческая подача усиливает аффективный опыт и аутентичность, тогда как персонализация усиливает релевантность, — и студенты готовы обменять одно на другое. Их данные о ранжировании в крупных курсах (88,4% предпочитали какое-то персонализированное видео; лишь 73,8% предпочитали записанное людьми) предполагают, что персонализация теперь часто является более влиятельным фактором, указывая на комплементарную модель, где люди-преподаватели поставляют экспертность и социальную связь, а ИИ расширяет их охват индивидуально подогнанными медиа.

Проектирование, этика и измерение

Производство эффективного ИИ-видео требует педагогической структуры и человеческого надзора, а также поднимает отдельные заботы: ИИ-ведущие могут вызывать дискомфорт или недоверие («зловещая долина»); генеративное видео рискует фактической неточностью, которую учащиеся могут не заметить; масштабирование персонализации требует сбора или вывода атрибутов учащегося, с сопутствующими заботами о Приватность, смещениях и Управление ИИ; и подмножество учащихся возражает против сгенерированного ИИ обучения по принципиальным основаниям (воздействие на окружающую среду, труд, автоматизация, академическая добросовестность). Измерение также находится в движении — многие доказательства покоятся на заявленном предпочтении и воспринимаемой ценности, а не на объективных результатах обучения, поэтому данные о предпочтениях должны читаться наряду с (часто ещё не полученными) данными о результатах.

Связанные концепции

• Онлайн-преподавание и онлайн-обучение — видео как основная среда онлайн- и гибридного обучения
• Генеративный ИИ — движок сгенерированного ИИ и персонализированного видео
• Персонализированное обучение — персонализация как драйвер притягательности ИИ-видео
• Адаптивное обучение — адаптивная генерация видео и его темп
• Мультимодальный ИИ — видео, сочетающее визуальную, аудиальную и текстовую модальности
• Аналитика обучения — аналитика вовлечённости и внимания при работе с видео
• Вовлечённость студентов — вовлечённость, повысить которую стремится персонализация видео
• Педагогический агент — аватары/ведущие ИИ как виртуальные педагогические агенты
• Большие языковые модели (LLM) — большие языковые модели, лежащие в основе генерации сценариев и видео
• Доверие — доверие учащегося к ведущим и содержанию на основе ИИ

Связанные статьи

• Bespoke: Generating MOOC-Quality Industry-Personalized Lecture Videos at Scale — Bespoke: генерация персонализированных по отраслям лекционных видео качества MOOC в масштабе (Puech et al. 2026)
• Assessing ChatGPT-Generated Comments for Video-Based Learning Content to Enhance Knowledge and Emotional Support Based on Scaffolding Theory — Сгенерированные ChatGPT комментарии внутри видео: тайминг по энтропии, разрывы в качестве по сравнению с человеческими комментариями (Wang, Du & Jin 2026)
• Students Prefer Personalized, AI-Generated Educational Videos over Non-Personalized, Human-Recorded Videos — Студенты предпочитают персонализированные сгенерированные ИИ видео неперсонализированным записанным людьми (Tomlinson et al. 2026)
• Student Perceptions and Preferences Regarding AI-Generated Instructional Videos in Computing Education — Восприятия/предпочтения студентов относительно сгенерированного ИИ учебного видео в вычислительном образовании
• When Saying No Makes Better Videos: Designing Dual Gatekeeping for Pedagogically Grounded AI Content Creation — Двойная фильтрация для педагогически обоснованного создания ИИ-видео
• CourseBlueprint: A Structured Pipeline for Adaptive Pedagogical Video Generation Grounded in Course Corpora — CourseBlueprint: адаптивная генерация педагогического видео
• EduGage: Methods and Dataset for Sensor-Based Momentary Assessment of Engagement in Self-Guided Video Learning — Оценка вовлечённости в видеообучении
• SAVVY: Student Attention Visualization for Video-based Learning Analysis — Визуализация внимания студентов для обучения на основе видео
• Face value: How avatar identity shapes epistemic trust in AI-mediated learning — Как идентичность аватара формирует эпистемическое доверие в опосредованном ИИ обучении
• A Bilingual, LLM-Mediated Lecture Companion for Self-Regulated Learning: Architecture, Theoretical Framework, Comparative and Usability Evaluation, and a Pre-Registered Outcomes Protocol — Двуязычные компаньоны по лекциям на базе LLM для саморегулируемого обучения
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education — Временная сегментация видео под индивидуальные различия
• Toward Accessible Psychotherapy Training Using AI-Driven Interactive Patient Avatars — Аватары ИИ в обучении психотерапии
• Using Gemini and LuaLaTeX to transcribe physics videos into PDF/UA-2 and ISO 32005 math-accessible PDFs — Расшифровка видео лекции по физике в доступный текст
• From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning — From Content Generation to Learning Support: Pedagogy-Guided Generative Video Tutors for STEM Learning