AIEd база знанийAIEd KB
На этой странице

Читать эту страницу на английском

Концепции

Письменная речь

Создано 2026-10-13

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Письменная речь — использование инструментов ИИ для обучения письму, Оценивание, Обратная связь и изучения того, как генеративный ИИ перестраивает сам процесс письма. Обучение письму — одна из наиболее затронутых ИИ доменов, потому что LLM преуспевают именно в тех видах деятельности, вокруг которых центрировано обучение письму, — генерация текста, редактура и оценивание. Исследование в этой области охватывает автоматизированное оценивание, качество обратной связи от ИИ, поддержку процесса письма, письмо на втором языке, академическую честность и более глубокий вопрос о том, как ИИ меняет то, что значит писать и быть писателем.

Вопросы для размышления

  • Центральный тезис страницы состоит в том, что письмо — это не просто продукт, а когнитивный, социальный и риторический процесс, — и что ИИ может вытеснять именно ту умственную работу, которая делает письмо учебной деятельностью. Когда вы пишете, что происходит в вашем мышлении, что готовый абзац, произведённый ИИ, просто стирает?
  • Распространённое обрамление — «ИИ как инструмент» или, на противоположном полюсе, «ИИ как угроза авторству». Страница предлагает третье видение: письмо как человеко-ИИ сплетение, где агентность распределена. Какое из этих обрамлений соответствует вашему собственному опыту письма с ИИ или без него — и что каждое из них подразумевает для того, как вы бы преподавали?
  • Исследование обнаружило, что делегирование более глубоких слоёв письма — рассуждения и аргументационной логики — вредит вашему независимому письму сильнее, чем делегирование поверхностных слоёв вроде грамматики. Подумайте о вашем последнем произведении письма с помощью ИИ. Какой слой вы на самом деле делегировали, и что это предсказывает о том, что вы теперь можете делать сами?
  • Страница предупреждает, что обратная связь от ИИ при письме не является нейтральной по языку: персонализация обратной связи с учётом расы, языка или инвалидности студента может сдвигать её в стереотипно-согласованных направлениях — таких как чрезмерная похвала или утаивание критики. Если вы получали или давали «персонализированную» обратную связь от ИИ, как бы вы обнаружили, что инструмент смягчает свою критику для некоторых учащихся?
  • Руководство по проектированию здесь — «коучинг, а не сочинение»: пусть ИИ задаёт вопросы и критикует планы, но требуйте, чтобы учащийся сначала произвёл прозу. Почему позволение учащемуся сделать черновик до того, как вмешается ИИ, может защищать принадлежность и суждение таким образом, каким не может инструмент, пишущий черновик?
  • Один результат: студенты часто говорят «это нормально, потому что…» чтобы рационализировать использование ИИ, переводя вопрос от полицейского контроля плагиата к этике и ИИ-грамотности. Если бы вы проектировали курс письма, как бы вы встроили в него честность и этическое суждение об ИИ, а не полагались на обнаружение или наказание?

Введение

Письмо — это не просто продукт, а когнитивный, социальный и риторический процесс. Именно поэтому влияние ИИ на обучение письму столь значительно и оспариваемо: ИИ может быть опорой, которая помогает студентам делать черновики, редактировать и получать обратную связь, которую они иначе не получили бы, но он может и вытеснять когнитивную работу — и человеческую аудиторию, — которые делают письмо учебной деятельностью. Исследования базы знаний последовательно обрамляют ИИ в письме как человеко-центрированное дополнение к социальным и когнитивным процессам письма, а не как их замену. Там, где фокус — конкретно английский язык — английский для академических целей (EAP) и преподавание английского языка (EFL/ESL/L2), — см. выделенную концептуальную страницу Образование в области английского языка (EAP / EFL / ESL), которая отличает исследования, специфичные для английского языка и академического регистра, от общего письма и общего изучения языков.

Как ИИ в обучении письму проявляется в исследованиях

  • Автоматизированное оценивание эссе: системы Автоматизированное оценивание эссе вроде AES на основе анкоров и AIAWE оценивают студенческое письмо в масштабе, поднимая вопросы об валидности конструкта и сведении письма к измеримым признакам. Для короткой аргументативной письменной работы (около 150–200 слов) на испанском согласие ИИ-оценивания резко варьируется по измерению рубрики (Curi et al., 2026): элементы, ориентированные на структуру и регистр, — введение, заключение, регистр, именное согласование, согласование подлежащего и сказуемого, — достигли умеренного согласия, скорректированного на случайность, с оценщиками-людьми в издании 2025 года, тогда как элементы лингвистического микроуровня (лексика, синтаксис, пунктуация, коннекторы, аргументация) оставались в диапазоне от удовлетворительного до слабого. Это предполагает, что содействие LLM наиболее защитимо для макроуровневых дискурсивных признаков и что низкоуровневые языковые конвенции должны сохранять детерминированные инструменты или человеческое рецензирование.

  • Оценивайте больше образцов, а не большие модели. В исследовании универсального скрининга для Grades 3–6 оценки сравнительного суждения на базе LLM сходились с исследовательскими рубриками (r = .59–.73), и усреднение трёх волн скрининга повышало критериальную валидность (β = .68–.74 для шкалы ELA, AUC = .82–.86 для владения), тогда как большая способность модели или стоимость добавляли мало (Mercer & Reed (2026)).

Согласие — это свойство корпуса, а не оценщика: Li (2026) оценил 60 студенческих маркетинговых постов с помощью детерминированных правил, LLM и равновзвешенного гибрида — LLM лидировал при ICC(2,1) = .435, тогда как .266 гибрида сохранял негативное смещение правил, — и добавление 15 анкоров низкого качества подняло LLM до .846.

  • Обратная связь при письме: исследование качества обратной связи от ИИ (GenAI против обратной связи преподавателя, заботливая обратная связь, повторяющаяся обратная связь от ИИ) рассматривает, улучшает ли обратная связь от ИИ письмо и как она сравнивается с человеческой. Модель PAIRR (Рецензирование коллегами и ИИ плюс рефлексия) соединяет ИИ с Взаимное оценивание и обнаруживает, что обратная связь от ИИ наиболее полезна в человеко-центрированном процессе. 8-недельный квазиэксперимент с 61 писателем на L2 из Китая (Tang et al., 2026) придаёт этому человеко-центрированному тезису конкретную форму: обратная связь преподавателя доставляла намного больше элементов (316 против 185 в первой задаче) и пере-приоритизировалась к организации и аргументации, но её преимущество в редактуре после публикации ослабевало с 4.06 до 2.73 баллов, как только вторая задача потребовала структурных изменений, тогда как взаимная обратная связь с поддержкой ИИ удерживала более узкий, устойчивый фокус и обгоняла (3.89 баллов, при среднем редактуры второй задачи 89.82 против 88.35 у контроля — небольшая разница, не достигшая значимости). Ни один режим не сдвинул синтаксическую сложность, поэтому авторы аргументируют за гибридное разделение труда «ИИ-коллега-преподаватель»: ИИ для маркировки ошибок и руководства по содержанию, коллеги для согласования правок, преподаватели для сложного синтаксиса и аргументации.

  • Обратная связь от ИИ не адаптируется к стадиям письма так, как это делают преподаватели. Almousa et al. (2026) обнаружили, что преподаватель значимо менялся по пяти типам фокуса обратной связи между стадиями черновика — Похвала, поднимаясь с 26.9% изначально до 84.9% в финальных черновиках, — тогда как ближайшая модель двигалась по трём типам, а самая слабая — ни по одному, и ни одна модель не воспроизвела дифференциацию преподавателем учащихся с высокими и низкими результатами.

  • Редактура и диалогическое позиционирование: там, где большинство исследований обратной связи при письме спрашивают, улучшила ли редактура текст, Zhao and Ji (2026) спрашивают, какую позицию занимает отредактированный текст. Кодируя 168 аргументативных эссе на EFL с помощью теории оценки (Appraisal Theory) — первые черновики, редактуры после обратной связи коллег и редактуры тех же черновиков ChatGPT-4, — они обнаружили, что три условия статистически неразличимы по объёму используемого языка Engagement, но по-разному сконфигурированы: редактуры после обратной связи коллег становились более контрактивными (больше Counter и Endorse, меньше Entertain), тогда как редактуры ИИ сохраняли более сбалансированную смесь Contract/Expand, соединявшую более сильное контраргументирование с продолжающимся хеджированием. Их прочтение состоит в том, что редактура ИИ наиболее полезна как контрастный текст, который студенты сравнивают со своей собственной редактурой, а не как образцовый ответ, и что обратная связь от ИИ по аргументации может улучшать прозу, тихо закрывая при этом диалогическое пространство писателя — измерение, которое не улавливает ни одна текущая рубрика.

  • Поддержка процесса письма и агентность: исследование разрыва агентности и исследование владения стадиями рассматривают, как ИИ меняет процесс письма от планирования до редактуры и как затрагивается Автономность учащегося студентов, когда ИИ участвует на разных стадиях.

  • Постгуманистические перспективы: Постгуманистический подход к ИИ-грамотности переосмысляет письмо как человеко-ИИ сплетение, в котором Автономность учащегося распределена, бросая вызов и некритическому антропоморфизированию ИИ, и его отрицанию как простого инструмента, — реляционное, а не транзакционное видение ИИ-грамотности.

  • Письмо на L2 / многоязычном: оценивание письма на L2, исследование лингвистического разнообразия и исследование владения стадиями рассматривают, как ИИ поддерживает (или ограничивает) писателей на втором и многих языках, включая риск усиления норм стандартного академического английского. Самая молодая выборка L2 в базе знаний исходит из девятинедельной программы письма-мнения с поддержкой GenAI с 301 учеником Grades 5 и 6 в Восточном Китае (Lu et al., 2026), которая повысила идеальное письмо на L2 и академическую устойчивость (buoyancy) и улучшила оцениваемое по рубрике использование языка, оставив организацию и общие оценки неизменными — поддержка ИИ двигала отдельные измерения письма, а не письменную способность в целом.

  • Смещение в персонализированной обратной связи (Marked Pedagogies): Tan et al. (2026) показывают, что инструменты обратной связи при письме на Большие языковые модели (LLM) не являются нейтральными по языку: персонализация обратной связи с учётом расы, этнической принадлежности, обозначения ELL, нарушения обучаемости, достижений или мотивации студента систематически сдвигает обратную связь в стереотипно-согласованных направлениях — включая смещение в сторону положительной обратной связи и смещение в сторону утаивания (чрезмерное употребление похвалы, менее содержательная критика, предположения ограниченной способности) для студентов, помеченных расой, языком или инвалидностью, даже когда эссе идентично. Это делает «персонализацию» саму по себе вектором смещения, который инструменты обратной связи при письме должны проверять и контролировать.

  • Академическая честность: доказательства опроса усложняют рамку полицейского контроля напрямую: среди 504 студентов социологии (Kuznetsov et al., 2026) 65 процентов использовали GenAI для курсовых работ, но только 3 процента — для генерации текста задания и 2 процента — для производства полного черновика, тогда как страх академического нарушения был вторым наиболее распространённым опасением (28 процентов), и примерно четверть не сообщили никакого руководства (19 процентов) или руководства, которое они сочли неясным. На этих доказательствах проблема обучения письму — это неоднозначность относительно разрешённого использования, а не широкое распространение генерации текста. Nash and Burriss (2026) показывают, как такая неоднозначность производится на уровне аудитории. Кодируя собственные политики ИИ в аудитории 27 будущих преподавателей английского языка и литературы, они обнаружили, что 26 из 27 разрешали некоторое использование генеративного ИИ, но в основном на определяемых преподавателем условиях, при этом 22 из 27 разрешали ИИ для генерации идей и брейншторминга, запрещая при этом сочинение ИИ предложений, абзацев или работ. Пределы редко операционализировались — один участник разрешал ИИ «чтобы начать ваше мышление» и объявлял «здесь следует провести границу», не говоря, где именно, — и многие политики одновременно запрещали подачу ИИ-текста и возлагали на студентов ответственность за поданный ими ИИ-текст, противоречие, оставляющее студентов неспособными соответствовать. Двадцать две из 27 политик хранили молчание о чтении вообще, отдавая работу по пониманию с поддержкой ИИ без всякого руководства.

  • Политика расходится на пяти сайтах. Опрашивая 20 студентов старших курсов, Kim и коллеги находят пять различных сайтов политики ИИ — намерение преподавателя, формальную политику, интерпретацию студента, самополитику и практику — и каталогизируют 23 рационализации, в основном ad hoc и post hoc, объясняющие, почему правила на одном сайте редко формируют поведение на другом (Kim et al. (2026)).

  • Соответствие может маскировать отсутствие исследования (академическое стирание). Из 49 рассказов преподавателей Nwagboso & Atuba (2026) называют академическое стирание — беглость, удовлетворяющую каждому поверхностному критерию, обходя при этом эпистемический труд аргумента, — и прослеживают его драйвер к культуре оценивания, где рубрики, вознаграждающие полировку, делают использование ИИ рациональным ответом, а не нарушением.

Письмо как мышление

Поскольку письмо — это когнитивный процесс, исследования ИИ в письме соединяются с Когнитивный оффлоадинг (обходит ли поддержка письма с ИИ мышление?), Метакогниция (улучшает ли обратная связь от ИИ Самооценивание?), Саморегулируемое обучение (регулируют ли студенты своё использование обратной связи от ИИ?) и ИИ-грамотность (могут ли студенты критически оценивать произведённое ИИ письмо?). Исследования скаффолдинга критического мышления и обратной связи от ИИ для критического мышления показывают, что педагогическая ценность ИИ в письме зависит от того, побуждает ли он рефлексию и суждение, а не замену ответов.

Двухволновая валидация с изучающими EFL из Китая (EFA N = 305; CFA N = 342) разделяет шесть регулятивных измерений и добавляет экологическую регуляцию — проверку произведённого контента, фильтрацию предлагаемых ресурсов и ограничение опоры, — фасет, которого не несли существующие шкалы письма на L2 (Wang, Zhang and Zhang (2026)).

Chen (2026) обостряет это объяснением, чувствительным к слоям, когнитивной разгрузки в академическом письме с поддержкой GenAI: делегирование более глубоких слоёв (рассуждение, аргументационная логика) несёт более сильную отрицательную связь с качеством независимого письма без ИИ и мышлением высшего порядка, чем делегирование поверхностных слоёв (грамматика, лексика). Открытое сотрудничество с ИИ давало наилучше поддержанный продукт, но наихудшие независимые результаты, тогда как ограниченная поддержка с рефлексией сохраняла компетентность, — доказательство того, что поддержка письма с помощью GenAI не является равномерно вредной, но её эффект зависит от того, какой когнитивный слой делегируют студенты.

  • Ограничение выхода ИИ на основе предшествующей вовлечённости возвращает усилие писателю. С 398 участниками Su et al. (2026) обнаружили, что писатели сочиняли в течение 28.02 минут против 23.26 с открытым чат-ботом, затем оценивали отрывки быстрее (17.41 против 22.21 минут) при равной точности и без дополнительного времени на задачу. Там, где Chen локализует цену в каком слое делегируется, эта конструкция решает, когда модель вообще может говорить.

Lu et al. (2027) распространяют это мышление на мультимодальное сочинение младшими писателями. Заставляя 60 учеников Grade 5 экстернализировать свои нарративы как сгенерированные ИИ изображения и короткие видео, они получили устойчивые самоотчётные приросты в интерпретации, анализе, оценке и объяснении — фасетах, которые упражняет мультимодальная ресемиотизация, — но никакого прироста в умозаключении. Сделать смысл визуально явным снижало потребность выводить имплицитный смысл из текста — ровно тот механизм разгрузки, который описывает Chen; только структурированное обсуждение с коллегами восстановило поводы для умозаключения. Исследование предостерегает, что мультимодальное сочинение с ИИ помогает младшим писателям размышлять о ясности и связности, потенциально снимая сливки с умозаключительной работы, которую сохраняет письмо только текстом, — соображение проектирования для преподавателей письма, соединяющих визуальные материалы ИИ с обратной связью от коллег.

Специфичный для измерений паттерн повторяется по всей этой литературе, и это полезный диагностический признак. В программе письма на L2 начального уровня эмоциональная и поведенческая вовлечённость росли, тогда как когнитивная и метакогнитивная вовлечённость — нет, и авторы называют сниженное самоконтролирование во время письма явным риском поддержки GenAI (Lu et al., 2026). Поэтому наслаждение и деятельность по задаче не являются доказательством того, что происходит более глубокая обработка — то же различие, которое проводят исследования разгрузки, когда спрашивают, какой слой когнитивной работы делегировал студент.

Метаанализ 2026 года (метаанализ) (Teng, 2026) 11 эффектов уровня исследования, взятых из 31 исследования, усиливает этот диагноз с противоположного направления. Он сообщает большое среднее преимущество для обучения письму с поддержкой GenAI (g = 0.80), но гетерогенность достаточно высока, что новая реализация вполне могла бы не показать никакой пользы, и единственным устойчивым модератором была классификация риска смещения, а не какая-либо педагогическая особенность: качество исследования, а не конструкция преподавания, объясняло большую часть дисперсии. Тот же синтез обнаруживает, что GenAI последовательно сильнее на признаках низшего порядка (грамматика, лексическое разнообразие, беглость предложений), тогда как эффекты высшего порядка на аргументацию и связность остаются непоследовательными, что и есть тот разрыв слоёв, который эта страница трактует как центральную проблему проектирования.

Проектирование поддержки письма с ИИ: коучинг, а не сочинение

Поскольку у письма нет единственного правильного ответа, инструменты письма с ИИ требуют конструкции, отличной от тьюторов с проверяемыми ответами. Руководство по проектированию базы знаний (см. разобранный пример ИИ-репетитора по письму в FAQ о проектировании ИИ-тьютора) центрируется на сохранении авторства и оценочного суждения, а не на производстве готового текста:

  • Отслеживайте письменные способности, а не только оценки эссе. Модель учащегося репетитора по письму может отслеживать аргумент (специфичность тезиса, согласованность утверждения и доказательства, контраргумент), организацию, интеграцию доказательств, редактуру и стиль — чтобы обратная связь нацеливалась на способности, сохраняющиеся между эссе.
  • Основывайте обратную связь на задании. Извлекайте фактическое задание, рубрику, материалы курса, конвенции цитирования и жанра и политику использования ИИ, чтобы обратная связь ссылалась на конкретное задание, а не изобретала обобщённые ожидания.
  • По-разному обращайтесь со стадиями письма. Участие ИИ на планировании снижает воспринимаемое владение меньше, чем на составлении черновика, а генерирование черновика ИИ даёт наибольшее снижение владения. Поэтому репетитор может задавать вопросы и критиковать планы на планировании, требуя при этом, чтобы учащийся сначала произвёл прозу на стадии составления.
  • Делайте обратную связь приоритизированной и рефлексивной. Каждый раунд может предлагать одну силу, которую нужно сохранить, один вопрос высокого воздействия, один вопрос, требующий суждения писателя, и одну конкретную цель правки — и репетитор должен просить учащихся оценить, согласны ли они с предложением, развивая оценочное суждение, а не послушание.
  • Сохраняйте авторский голос и защищайтесь от гомогенизации. Репетитор должен различать ошибки, проблемы ясности, риторические выборы и предпочтения стиля — и не «исправлять» автоматически последние, особенно для многоязычных писателей и нестандартных риторических стилей.

Два недавних синтеза уточняют, насколько хорошо это руководство по проектированию следует на практике. Обзор 23 эмпирических исследований кастомизации (Luo, 2026) обнаруживает, что, хотя цели сдвинулись к процессам письма и навыкам высшего порядка, доминирующий технический маршрут остаётся инженерией промптов (13 из 23 исследований), нацеленной на оптимизацию качества выхода, при этом теория обучения ограничена интерфейсом, так что система ведёт себя «в значительной степени агностично к теории» — несоответствие, которое помогает объяснить чрезмерную опору и поверхностную редактуру, о которых сообщают те же исследования. Его переосмысление состоит в том, чтобы трактовать кастомизацию как архитектуру, а не как формулировки: секвенирование стадий, утаивание ответов и встраивание циклов редактуры. Структурированный рабочий процесс из пяти частей, опробованный в течение 11 недель с 53 студентами EFL из Саудовской Аравии (Alshehri et al., 2026), показывает альтернативу на практике: студенты формулируют проблемы и проектируют промпты, пишут черновики, редактируют, проверяют утверждения и цитаты по академическим базам данных и регулируют собственную опору, логируя, что они принимают или отклоняют и почему. Владение письмом и цифровое критическое мышление росли вместе в этом условии (15.23 против 11.91 и 89.84 против 56.18 на посттесте), тогда как контроль без ИИ едва двигался, хотя результат одного сайта, частично основанный на самоотчёте, является предварительной верхней границей, а не установленным эффектом.

Эта позиция «коучинг, а не сочинение» является выражением в домене письма пограничного принципа базы знаний «тренер, а не костыль»: определите когнитивную деятельность, которая производит обучение (планирование, составление, оценивание, редактура), и спроектируйте ИИ, чтобы он её поддерживал, не отнимая её у учащегося.

Связи

Обучение письму соединяется с Автоматизированное оценивание эссе, Качество обратной связи ИИ, Академическая добросовестность, Когнитивный оффлоадинг, ИИ-грамотность, Изучение языков, Формативное оценивание, Взаимное оценивание, Метакогниция, Саморегулируемое обучение и Высшее образование. Это домен, где способности и риски ИИ одинаково высоко видимы, что делает его богатым местом для изучения того, как ИИ трансформирует педагогику, Оценивание и саму природу авторства и Автономность учащегося.

Следствия для преподавателей письма

  • Обрамляйте ИИ как дополнение, а не замену, процессу письма. Исследования базы знаний последовательно трактуют ИИ как опору для составления, редактуры и обратной связи, защищая при этом когнитивную работу и человеческую аудиторию, которые делают письмо учебной деятельностью, — коучинг, а не опора.

  • Используйте обратную связь ИИ в человеко-центрированном процессе. PAIRR обнаруживает, что обратная связь от ИИ наиболее полезна в сочетании с рецензированием коллегами и рефлексией; проектируйте циклы обратной связи, сохраняющие центральными аудиторию преподавателя и коллег.

  • Проверяйте автоматизированную обратную связь на смещение. Marked Pedagogies показывает, что обратная связь LLM сдвигается в стереотипно-согласованных направлениях при персонализации атрибутами студента: отслеживайте смещение в сторону положительной/утаивания и будьте явны в том, что персонализация может быть вектором смещения.

  • Защищайте когнитивную работу письма. Следите за чрезмерной опорой, обходящей планирование, редактуру и самооценку; используйте ИИ на выбранных стадиях (владение на основе стадий), чтобы защищать агентность студентов.

  • Проектируйте для расширения возможностей, а не для принуждения. Исследование PLS-SEM с 327 студентами EFL из Китая (Li & Zhang, 2026) проверило два рычага, которые преподаватели письма действительно удерживают, и обнаружило, что работает только один из них. Грамотность в промптах ИИ сильно предсказывала воспринимаемую компетентность, психологическую безопасность и внутреннюю мотивацию, и все три психологические потребности частично опосредовали её связь с вовлечённостью в глубокую редактуру, при этом внутренняя мотивация была самым сильным отдельным драйвером глубокой редактуры. Внешние мандаты не имели никакого прямого эффекта. Практический перевод состоит в том, что требование глубокой редактуры не производит её: принудительное требование может быть необходимо, чтобы редактура вообще произошла, но глубина происходит из развития способности студентов к промптам и внутренней мотивации и психологической безопасности, которые из этого следуют.

  • Решайте академическую честность конструктивно. Переходите от полицейского контроля использования ИИ к развитию ИИ-грамотность и обрамлению этического использования, позволяющего студентам использовать ИИ без непреднамеренного нарушения.

  • Обнаружение не является стратегией честности для письма. Bassett et al. (2026) утверждают, что оценки детекторов не могут соответствовать стандарту баланса вероятностей, которого требуют дела о честности, и что дихотомия «человек или ИИ» неверно читает работу, созданную с ИИ, а не им, рекомендуя учреждениям перенести бюджет с обнаружения и слежки к проектированию оценивания и ИИ-грамотность.

Связанные концепции

Связанные статьи

Связанные FAQ

Связанные ресурсы

Метаданные

ДисциплинаLanguage Learning, Writing Education
УровеньHigher Ed
Обучение и преподаваниеМетакогниция
Оценивание и измерениеКачество обратной связи ИИ, Автоматизированное оценивание эссе, Взаимное оценивание
Основы ИИ в образованииАкадемическая добросовестность, ИИ-грамотность, Когнитивный оффлоадинг
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.