Как ИИ может помочь в исследовании в сфере образования?

Автоматический перевод данной английской страницы, не проверенный носителем языка.

ИИ может избавить от реальной работы в исследовательском проекте по образованию — поиск литературы, отбор тысяч аннотаций, написание кода для анализа, обобщение открытых ответов, доводка рукописи. Чего он не может — взять на себя ответственность за выводы проекта. Честная картина, и та, которую подтверждают доказательства, — это разделение труда, а не передача дел: поручите автоматизации процедурную нагрузку, проверяйте каждый результат и сохраняйте интерпретационные решения за человеком (Wang et al., 2026).

Эта страница посвящена ИИ как инструменту исследовательской работы — поиск, отбор, синтез, кодирование, анализ и написание текста, включая исследовательскую практику, которую преподаватель проводит по своему собственному курсу. Помогает ли конкретная интервенция с ИИ учащимся — другой вопрос, который освещают связанные вопросы в конце страницы и страница «ИИ-помощь в исследовании в сфере образования». Многое из сказанного ниже — честная оговорка: база доказательств тонкая, и несколько режимов отказа протекают молча.

Краткая версия

1. Заранее, до начала проекта, письменно определите, какие исследовательские задачи могут использовать ИИ, а какие — нет. Участники фокус-группового исследования Dai and Chan (2026) калибровали использование по ставкам и интеллектуальной центральности, а не по общему разрешению — активнее на низкорисковой процедурной работе, осторожнее там, где научный вклад был центральным.

2. Оставьте автоматизацию на процедурном бремени. Отбор — место, где она помогает больше всего; извлечение данных, согласование и синтез остались у проверяющих-людей в единственной команде, описавшей свой рабочий процесс (Wang et al., 2026).

3. Проверяйте каждый результат по человеческому стандарту и указывайте, кто принимал решение. Согласие между моделью и человеком-кодировщиком — или между двумя моделями — это мера сходства, а не доказательство правильности кодирования (Agreement Is Not Quality: Blind Expert Verification of Human and LLM Qualitative Coding When Human Consensus Is Not Ground Truth).

4. Закрепите свои рубрики и кодовые книги до автоматического анализа; конструкты, рубрики кодирования и обучающие данные — решения человека, а не выдачи модели (Martin et al., 2026).

5. Проверяйте каждую цитируемую ссылку вручную, особенно поля авторов, если к написанию текста прикасался ИИ (Denny et al., 2026).

6. Ведите журнал промптов, версий моделей и версий корпусов, раскрывайте роль ИИ и закладывайте время на проверку и документирование — для большинства команд это работа добавленная, а не убранная.

Где ИИ действительно экономит работу — а где её добавляет

Поиск и извлечение литературы

Генеративный поиск обобщает, рекомендует, синтезирует и ведёт диалог, что подрывает допущение о том, что систему находит источники, а интерпретация остаётся за читателем (Report on CHIIR 2026 Workshop on Generative AI and Academic Search (GAI&AS)). Это быстрый способ найти литературу-кандидаты. Две предосторожности с того семинара: возможности неравномерны — высокоцитируемые учёные восстанавливались примерно вдвое чаще их менее цитируемых коллег, — и библиотекарь сообщил о разрыве доверия, в котором студенты чрезмерно доверяли генеративному поиску, тогда как преподаватели ему не доверяли. Используйте его для обнаружения, затем проверьте каждый источник сами.

Отбор и систематические обзоры

Систематические обзоры — та область, где автоматизация продвинулась дальше всего. Инструменты вроде ASReview, SWIFT-Review, Covidence, AIScreenR и MetaMate снизили процедурное бремя в основном на этапе отбора аннотаций, тогда как извлечение и синтез остались человеческими (Wang et al., 2026). Запишите правила принятия решений для пограничных случаев до начала отбора, сохраняйте категории «возможно» и фиксируйте каждое принятое решение в общем журнале, чтобы одинаковые суждения применялись последовательно.

Качественное кодирование и анализ

Качественный анализ — это этап, где интерпретация и есть продукт. ИИ может масштабировать первый проход по открытым ответам, но он сдвигает вашу роль с кодирования на проверку выдач модели и меняет набор навыков, которых требует задача (Martin et al., 2026). Делегируйте по кодам, а не оптом: одно исследование с слепой проверкой классифицировало 15 из 72 пунктов кодовой книги как однозначно требующие экспертизы человека, 12 — как лучше решаемые моделью и 16 — как пригодные для сортировки по уровню уверенности.

Анализ данных

Функции автоматического измерения могут выглядеть точными и предсказательными, оставаясь при этом непрозрачными, — именно поэтому здесь важен объяснимый ИИ: он может выявить, отслеживает ли модель семантическое понимание или только ключевые слова (Martin et al., 2026). Рассматривайте любой автоматический балл как гипотезу, требующую проверки по мере, связанной со способностью, которую вы намерены изучать. О самих мерах см. Какие измерения и методы исследования может использовать преподаватель для оценки ИИ-интервенций?.

Написание текста, цитирование и редактирование

Черновики, структурирование и редактирование — то, чем большинство исследователей уже пользуются: 27 из 28 аспирантов в Dai and Chan (2026) использовали GenAI где-то в рабочем процессе, включая академическое письмо и перевод. Единственный безусловный шаг — проверка ссылок.

Ведение рабочего процесса: журналы, раскрытие и бюджет усилий

Тематическое исследование продолжительностью 115 дней с одним исследователем над постоянным исследовательским агентом обнаружило, что сильнейшая закономерность — расширение возможностей, а не доказанная замена труда: по мере накопления памяти и процедур объём делегируемой работы рос, а не сокращался вклад человека. Это и есть реалистичное ожидание. Ведите журналы промптов и ответов и версии корпусов — связный сгенерированный список тем выглядит неизбежным задолго до того, как началась его доказательная работа (Holster, 2026) — и раскрывайте роль ИИ как путь, а не галочку.

Практические советы исследователям-практикам

Стипендия по преподаванию и обучению и исследование в аудитории — преподаватель, изучающий собственный курс, часто в малом масштабе, — являются самой тонкой ветвью корпуса. «ИИ-помощь в исследовании в сфере образования» называет это пробелом, а не находкой: ИИ-помощь в исследовательской практике преподавателей, вероятно, широко распространена и почти не задокументирована, а доказательства по автоматизации обзоров и библиометрии не решают, как преподавателю изучать собственное преподавание. Что переносится — это установка, а не результат.

1. Используйте ИИ там, где ваше локальное окружение не является переменной: поиск литературы в вашей области, расшифровка и обобщение собственных записей, составление инструментов или текста согласия.

2. Оставьте интерпретационные шаги — что считается темой, что означает комментарий студента, что подтверждает ваши данные из аудитории — за собой и укажите в описании, какие шаги сделала модель, а какие — вы (Holster, 2026).

3. Заранее определите свои критерии и держите их на виду, поскольку небольшое локальное исследование не может оправиться от конструкта, определённого после получения данных.

4. Сообщайте роль ИИ, проведённую вами проверку и ограничения дизайна с одним курсом и одним исследователем. Не подавайте описание рабочего процесса как результат эффективности.

5. Рассматривайте моделирование когорты как продвинутую опцию, а не умолчание: моделируемые учащиеся, как правило, покрывают самый лёгкий квадрант реального поведения студентов и редко валидируются после использования (Моделирование учащихся). См. Как заставить симулированного студента вести себя как настоящий учащийся?, прежде чем доверять вердикту симулятора.

Оговорки и вопросы, которые стоит учесть

Сфабрикованные ссылки и ошибки цитирования

Составление текста с помощью ИИ делает дешёвой правдоподобную выдуманную ссылку, и отказы непропорционально часто случаются в полях авторов — поле, которое несёт признание. В аудите 723,930 публикаций и 15,872,533 ссылок Denny et al. (2026) проверили 30 сфабрикованных ссылок в 14 работах по вычислительному образованию, все из 2025 и 2026 годов; 17 из 30 были гибридами, соединявшими реальное название с выдуманными или неверными авторами, и проверенное количество на одном техническом симпозиуме выросло с 3 в 2025 году до 17 в 2026 году, появившись в 2.3% статей сборника того года. Их количество — намеренная нижняя граница, а автоматические проверщики наследуют изъяны метаданных, которые они считают истиной. Проверяйте каждую ссылку сами, и начинайте с авторов.

Пробел в отчётности и аудите

Внедрение опередило отчётность. Zabaleta and Lin (2026) проанализировали 888 работ по автоматизации обзоров: с 2023 года 38.0% статей о программном обеспечении и продуктах не сообщали о какой-либо оценке вовсе, против 9.3% статей об LLM, а доступ к моделям был преимущественно проприетарным (84.1%). Даже благоприятная общая оценка не означала пригодности к делегированию — 52% из 118 статей только с положительными результатами всё равно сообщали об озабоченности, что рабочий процесс не дотягивает до планки, требуемой его ролью. Их фреймворк PRISMA-LLM разделяет раскрытие реализации и оценку, чувствительную к последствиям, и рассматривает свои пять уровней как уровни раскрытия, а не уровни риска. Практический вывод: глубина оценки рабочего процесса должна быть заявлена, а не предполагаема: назовите систему, версию, промпты, что проверяли люди и где происходили сбои.

Согласие — не доказательство качества

Высокое согласие с кодировщиками-людьми — или между двумя моделями — обычно сообщается так, как будто оно устанавливает правильность. Это не так. Liu et al. (2026) попросили независимого эксперта судить 855 пар наборов кодов вслепую относительно источника: согласие человек–LLM (средний коэффициент Жаккара 0.30) оказалось значительно ниже согласия человек–человек (0.52), однако слепой проверяющий предпочитал человеческое и машинное кодирование с неразличимыми частотами (51.5% против 48.5%, p = 0.537). Иногда человеческий консенсус кодировал общее смещение, которое проверяющий отвергал в пользу модели. Вводите слепую проверку, сообщайте золотой стандарт и того, кто принимал решение, и маршрутизируйте по кодам, а не рассматривайте конвейер как единую однородную среду человеческой проверки.

Конструктная валидность, когда автоматическая мера становится инструментом

Когда выдача модели становится исследовательским инструментом, вопрос измерения — это вопрос конструктной валидности. Martin et al. (2026) формулируют это через номическую проблему измерения Chang: измерение величины требует закона, связывающего её с чем-то наблюдаемым, однако этот закон нельзя проверить, уже не зная величины. Функции измерения, выведенные из ИИ, возникают из обучающих данных и оптимизации, а не от исследователя, поэтому они могут выглядеть точными, оставаясь непрозрачными, — и сопоставимость должна распространяться на разные популяции студентов, поскольку машинное обучение, как правило, лучше кодирует канонические идеи, чем разнообразные способы, которыми студенты выражают более слабые. Удобный автоматический балл может также индексировать не тот конструкт: в оценке восьми обучающих агентов на базе ИИ агент, занявший третье место по собственному баллу платформы, занял последнее по подтверждённой экспертами рубрике. Расхождение человек–машина систематично, а не случайно, и операционализация рубрики часто важнее мастерства в составлении промптов (Tseng et al., 2026).

Ответственность за интерпретацию остаётся за вами

Кто-то должен отвечать за исключённое исследование, закодированную тему или утверждение о распространённости. Предобученные модели добавляют слой эпистемической зависимости — их обучающие данные, дообучение и цели могут быть неизвестны, — и поскольку они возникают из социально-технических сетей, ответственность становится трудно распределить, что есть «проблема многих рук» (Martin et al., 2026). Назвать роль ИИ в методах — часть ответа, но это не передаёт ответственность. Сохраняйте интерпретационный путь проверяемым, оспоримым и пересматриваемым (Holster, 2026) и назначьте поименованного человека ответственным за каждое значимое решение.

Приватность и согласие в отношении данных студентов в сторонних инструментах

Классные данные и данные студентов, проходящие через сторонние инструменты, несут обязательства по согласию, управлению и конфиденциальности, которые предшествуют любому аргументу об эффективности. Zabaleta and Lin (2026) обнаружили, что доступ к моделям был преимущественно проприетарным (84.1%), а это означает, что текст студента, как правило, покидает ваше учреждение. Собирайте только то, что нужно образовательной цели, делайте использование данных и ограничения инструмента прозрачными, проверяйте, обучаются ли модели поставщика на данных учащихся, и предпочитайте локальные или синтетические данные там, где чувствительность высока. Полное рассмотрение этих обязательств — вместе со справедливостью, доступностью и педагогической безопасностью — см. в Как исследования ИИ в образовании должны учитывать справедливость, доступность, конфиденциальность, этику и педагогическую безопасность?.

Чего доказательства ещё не устанавливают

• Нет прямого сравнения. Работа-ориентир выносит сравнение методов с помощью ИИ и традиционных в будущую работу; ни одно исследование здесь не показывает, что методология с ИИ даёт более валидные выводы (Martin et al., 2026).
• Тонкие дизайны повсюду. Доказательства — это предложение фреймворка, рефлексивный отчёт одной команды, отчёт семинара, фокус-групповое исследование и наблюдательная библиометрия — а не контролируемое испытание метода с помощью ИИ. Утверждения о сдвиге роли и расширении возможностей исходят от отдельных мест с одним исследователем.
• Пробел в отчётности, а не аудит практики. PRISMA-LLM читает молчание на уровне статей; рабочий процесс без оценки в своей статье всё ещё может быть валидирован в отчёте о продукте, протоколе или репозитории.
• Исследования преподавателей-практиков недопредставлены. Корпус не может обосновать утверждения о том, как преподавателям использовать ИИ для изучения собственной практики.
• Инструменты — движущаяся цель. Находка о рабочем процессе 2025 года описывает поколение систем, которых может уже не существовать в том виде, поэтому воспроизводимость должна быть привязана к версии модели и дате.

Связанные вопросы

• Какие меры и исследовательские методы может использовать преподаватель для оценки интервенций, связанных с ИИ? — вопрос дизайна метода, от которого зависят рабочие процессы с помощью ИИ
• Каковы лучшие практики отчётности и интерпретации исследований по ИИ в образовании? — как сообщать об ИИ-системе, мере и вашем собственном использовании ИИ
• Каковы заметные пробелы в исследовательской литературе по ИИ в образовании? — где доказательства отсутствуют или слабы
• Как исследования по ИИ в образовании должны учитывать справедливость, доступность, приватность, этику и педагогическую безопасность? — обязательства вокруг данных студентов и безопасности
• ИИ-ассистируемое образовательное исследование — полная концептуальная страница об ИИ как инструменте исследовательской работы
• Как сделать так, чтобы моделируемый студент вёл себя как настоящий учащийся? — прежде чем использовать симулятор как исследовательский инструмент