FAQ
Как включить ИИ-грамотность в мой курс?
Автоматический перевод данной английской страницы, не проверенный носителем языка.
Самый сильный подход — рассматривать ИИ-грамотность как часть дисциплинарного обучения, а не как отдельный урок о том, как пользоваться ChatGPT. Студенты развивают более полезную ИИ-грамотность, когда они повторно используют, ставят под вопрос, проверяют, критикуют и принимают решения об ИИ в аутентичных задачах курса, а не просто изучают техники составления промптов или посещают разовое вводное занятие. Эффективное обучение сочетает практическую компетентность с критической оценкой, этической осведомлённостью, Метакогниция и вниманием к тому, когда ИИ не следует доверять или использовать.
Полезный принцип дизайна — сначала думай, потом ИИ. Попросите студентов сформировать первоначальную интерпретацию, решение, аргумент, прогноз или черновик до обращения к ИИ. Затем они могут сравнить своё мышление с выдачей ИИ, найти совпадения и расхождения, проверить утверждения и решить, что — если вообще что-то — принять. Это не позволяет ИИ подменять когнитивную работу, которую должно развивать задание. Этот подход напрямую связан с озабоченностями по поводу когнитивной разгрузки и неправомерного использования ИИ, где непосредственная успеваемость может расти, даже когда независимое обучение страдает.
Синтез 2026 года 72 эмпирических исследований генеративного ИИ в области вычислительного образования уточняет этот тезис и даёт ему числа. Генеративный ИИ стабильно повышает краткосрочную завершённость заданий и сокращает время на задачу (36 исследований — самый сильный, наиболее воспроизведённый результат корпуса), однако эти выгоды эффективности «не переносятся на независимую успеваемость» (21 исследование): студенты выполняют больше, понимая меньше, если критическое взаимодействие с выдачей не требуется структурно. Польза также зависит от предшествующих знаний — хорошо подготовленные студенты превращают помощь ИИ в устойчивый навык, тогда как недостаточно подготовленные рискуют использовать её как костыль, устраняющий продуктивную неудачу. Авторы рекомендуют постепенный доступ как умолчание: сначала основы без ИИ, затем управляемое использование с обязательными задачами объяснения, затем рефлексивная критика. См. Генеративный ИИ в вычислительном образовании: систематический обзор и фреймворк ответственной интеграции.
Требуйте оценивания, а не только генерации
Деятельность по ИИ-грамотности должна требовать оценивания, а не только генерации. Студенты могут аннотировать ответ ИИ, отмечая фактические ошибки, необоснованные утверждения, смещения, отсутствующие перспективы, неуместную уверенность или слабое дисциплинарное рассуждение. Они могут сравнивать выдачу ИИ с чтениями, эмпирическими данными, профессиональными стандартами или рубрикой курса рубрика.
Особенно полезный паттерн — заставить ИИ произвести нечто правдоподобное, но несовершенное, и попросить студентов выступить в роли критика или редактора. Обнаружение ошибок ИИ — важный путь к более сильной калибровке и мышлению высшего порядка.
Относитесь к оцениванию как к обучаемой компетентности как таковой, а не как к побочному продукту знаний по предмету. В синтезе по вычислительному образованию студенты справлялись значительно хуже с исправлением сгенерированного ИИ кода, чем с традиционными задачами экзамена — прямое доказательство того, что оценивание и починка выдачи ИИ не переносятся автоматически от общей дисциплинарной подготовки, и что без обучения студенты рискуют бездумно пересылать неверную работу. Обзор сводит это к своему фреймворку VIE (Verification — проверка, Implementation — реализация, Equity — справедливость) и утверждает, что критическое взаимодействие должно быть оцениваемым, наблюдаемым компонентом работы студента, а не чаянием, оставленным на усмотрение — «общий механизм, связывающий каждую эффективную интервенцию в корпусе».
Сделайте ИИ-грамотность дисциплинарной и регулярной
Новые работы также отталкиваются от концепций списка навыков ИИ-грамотности — и показывают, как это выглядит на практике. Burriss et al. предложили 22 ученикам одиннадцатых классов создать видеообращения о проблемах ИИ-Этика, с которыми они реально сталкивались: школьная слежка, электронные «пропуска» и алгоритмические обвинения в плагиате. Основанная на критической постгуманистической грамотности и мультимодальном письме, эта программа просила молодых людей переводить абстрактные принципы в эмоционально резонирующие фильмы; студенты преобладающе изображали вред как возникающий из переплетённой ответственности человека и машины, а не из злонамеренного инструмента, переворачивали нарратив о списывании в чрезмерную опору взрослых на неисправный ИИ и всё же завершали на Автономность учащегося («решение в нашей власти»). Авторы утверждают, что историчество и совместное творческое производство принадлежат центру педагогики критической ИИ-грамотности — и что требование к студентам сочинять об ИИ, для настоящей аудитории, развивает критическую компетентность, которую не видят обычные шкалы компетенций, предполагающие индивидуально измеримые результаты. См. «Young Scholar[s] on the Beat»: мультимодальное письмо как форма педагогики критической ИИ-грамотности.
По возможности сделайте эту деятельность дисциплинарно-специфичной и регулярной. Общие правила вроде «проверяй ИИ на галлюцинации» менее полезны, чем показ студентам того, как выглядит ненадёжная выдача ИИ в вашей области: сфабрикованные ссылки в истории, неверные допущения в экономике, вводящие в заблуждение интерпретации экспериментальных данных в биологии, слабо обоснованные проектные решения в инженерном деле или поверхностно беглое, но методологически слабое письмо в психологии.
Синтез ИИ-грамотности базы знаний утверждает, что движение к критической оценке наиболее заметно, когда опыт ИИ-грамотности является устойчивым и встроенным в аутентичную учебную работу, а не изолированными семинарами. См. Практический пятиэтапный континуум ИИ-грамотности в высшем образовании. Это согласуется с количественными доказательствами: метаанализ 59 интервенций в области ИИ-грамотности обнаружил наибольшие эффекты для интегрированных и рефлексивных педагогик, предупреждая при этом, что интервенции, ориентированные на знания, показывают большие измеренные эффекты, чем те, что направлены на навыки, установки или этику.
Включите совместное обучение
Совместная деятельность может укрепить эту работу. Фреймворк ICAP предполагает переход от пассивного воздействия к активному, конструктивному и интерактивному вовлечению. Студенты могут сравнивать промпты в парах, дискутировать о том, заслуживает ли ответ ИИ доверия, совместно перерабатывать сгенерированный ИИ продукт или объяснять сокурсникам, почему они приняли или отвергли конкретные предложения.
Важно, что доказательства поддерживают когнитивно активные и совместные дизайны. См. Систематический обзор совместной учебной деятельности для развития ИИ-грамотности.
Оценивайте продемонстрированное суждение, а не только уверенность
Оценивание должно быть сосредоточено на продемонстрированном суждении, а не на уверенности или самооценённых навыках. Студенты часто переоценивают, насколько хорошо они умеют оценивать ИИ. Вместо вопроса о том, «чувствуют ли они себя уверенно с ИИ», давайте им задачи, требующие обнаруживать ошибки, проверять источники, улучшать выдачу, объяснять ограничения или обосновывать, почему конкретное использование ИИ уместно.
База знаний подчёркивает значимое несоответствие между самооценённой и основанной на выполнении ИИ-грамотностью и рекомендует оценивание по выполнению. См. Оценивание ИИ-грамотности: несоответствие самооценки и выполнения и GLAT: тест оценивания грамотности в области генеративного ИИ.
Это важно, поскольку неуправляемое использование по умолчанию принимает слабейшую форму. Исследование предикторы–процесс–продукт Yan et al. с 38 студентами обнаружило, что 76.32% опирались на паттерн «одно обращение — получил ответ — остановился», 78.94% интегрировали генеративный ИИ только до начала работы или после составления черновика, и даже ориентированные на мастерство студенты по умолчанию придерживались поверхностных процессов — парадокс эффективности, в котором скорость достигается ценой когнитивной работы, строящей схемы («скорость, с которой вы это забываете, тоже очень высока»). Авторы находят причину в «институциональном вакууме»: преподаватели запрещают копирование, но редко учат продуктивному использованию. Требование артефактов процесса — истории диалога, рефлексивной заметки о том, как использовался ИИ, журнала правок — делает рабочий процесс видимым и превращает саморегуляцию в нечто оцениваемое. См. От когнитивного аутсорсинга к перераспределению: 3P-анализ взаимодействия студентов с генеративным ИИ при неуправляемых оцениваниях.
Сценарное измерение даёт вам меру суждения, а не меру уверенности. Reed et al. (2026) предложили студентам виньетки — использование ИИ для улучшения грамматики в своём собственном черновике, генерация поисковых запросов до самостоятельного чтения, сдача сгенерированного ИИ рефлексивного дневника без личного вклада, минимальное редактирование сгенерированного задания — и спрашивали, этично ли каждое из них. Сообщаемая ими закономерность: студенты сходятся на очевидных случаях и расходятся наиболее там, где инструмент выполнил часть интеллектуальной работы, что и есть та граница, которую должна обозначать политика курса. Это делает виньетки пригодным инструментом аудитории: они вскрывают расхождения, на которые ваша политика молча опирается, и измеряют суждение о случае, а не самооценённую компетентность.
Вопросы и предостережения
Не отождествляйте ИИ-грамотность с инженерией промптов. Студенты могут становиться технически подготовленными к ИИ, оставаясь при этом плохими судьями его выдачи. Некоторые ориентированные на навыки измерения ИИ-грамотности положительно связаны с сообщаемой зависимостью от ИИ, что позволяет предположить, что операционное обучение без само-Регулирование ИИ в образовании, академической уверенности и метакогнитивной поддержки может невольно поощрять большую опору.
У ИИ-грамотности есть интеракционное измерение — и она предполагает те самые навыки, которые должна строить. Восьмираундовое исследование Brunnström и Palmqvist, демонстрирующее «наивного студента», использующего чат-бота на домашнем экзамене, обнаружило, что выдача по умолчанию была «отполированной, но педагогически тонкой», и что достижение пригодного учебного цикла потребовало восьми раундов мета-интервенций учащегося («упрости», «это слишком много, можешь сократить?»). Они называют эту способность ИИ-интеракционной грамотностью — управление, оценивание и обучение через итеративное взаимодействие с генеративным ИИ — и делают резкий вывод о справедливости: поскольку неуправляемое использование навязывает компетентность, которая распределена неравномерно, генеративный ИИ «может быть наиболее полезен уже привилегированным студентам». Обучение взаимодействию, а не только инструменту, — поэтому мера справедливости не меньше, чем педагогическая. См. ИИ-интеракционная грамотность: размышления о том, как генеративный ИИ может быть использован для поддержки саморегулируемого обучения в высшем образовании и Как ИИ влияет на студентов?.
Точно так же обучение грамотности само по себе не может решить проблем на уровне модели. Обучение может снизить некоторые ошибки, не устранив их. В исследовании контекстуального подхалимства обучение ИИ-грамотности и составлению промптов снизило прямое зеркалирование ошибок пользователей, но не предотвратило полностью их распространение в последующие советы ИИ. Поэтому студенты должны понимать, что «лучший промпт» не делает ИИ-систему надёжно исправной. См. Скрытая цена контекстуального подхалимства и Подхалимство ИИ.
Справедливость тоже важна. Студенты приходят на курсы с разным предшествующим доступом к платным инструментам, разным опытом работы с моделями, разным языковым фоном и разными уровнями цифровой уверенности. Требование изощрённого использования ИИ без обеспечения равного доступа и базовой поддержки может превратить предшествующее воздействие в академическое преимущество. Доступ, навыки и результаты — отдельные измерения цифрового разрыва.
Примеры из базы знаний об ИИ в образовании
- Экономика: Студенты сначала решают задачу по экономике, получают ответ GenAI, сравнивают его с собственным рассуждением, критикуют ИИ, рефлектируют и обсуждают с сокурсниками. См. Развитие грамотности в области генеративного ИИ в экономике.
- Психология: Студенты оценивают сгенерированный ChatGPT медиа-релиз по рубрике курса, выявляют слабые места и перерабатывают его. Это одновременно развивает дисциплинарную грамотность, грамотность обратной связи и ИИ-грамотность. См. Использование генеративного ИИ для развития психологической грамотности, грамотности обратной связи и ИИ-грамотности.
- Биология: Деятельность по ИИ-грамотности интегрирована в дисциплинарное обучение, а не преподаётся как отдельная техническая тема. См. Интеграция образования по ИИ-грамотности на уроке биологии.
- Учебная работа по базам данных/дизайну: Студенты анализируют сгенерированные ИИ ошибки и итеративно улучшают промпты и решения, используя анализ отказов как учебную деятельность. См. Педагогика ошибок ИИ.
- Междисциплинарные университетские курсы: Модель LearnAI использует совместное творчество с ИИ «вовремя», встроенное в разные дисциплины, вместо одного общего модуля ИИ-грамотности. См. LearnAI: совместное творчество с ИИ «вовремя» в разных дисциплинах.
- Физика: Переработанный вводный курс по физике частиц позволил генеративный ИИ как явного партнёра на задачах исследовательского типа, но экзамен в письменном виде без посторонней помощи (среднее 20.6 из 80, только два студента достигли 40) предупредил, что успеваемость с помощью и независимо извлекаемые знания — различные достижения, — поэтому авторы утверждают, что ИИ-грамотность, включая то, как проверять сгенерированные ответы и относиться к ИИ как к учителю, а не к копировщику, должна преподаваться раньше, наряду с выделенной практикой без посторонней помощи. См. ИИ в образовании по физике частиц: исследовательские задачи и базовые навыки.
- Дизайн учебного плана на уровне программы учебного плана: Континуум ИИ-грамотности предоставляет развивающую модель, двигающую студентов от неиспользования или некритического использования к информированному использованию, критической оценке и улучшению. См. Практический пятиэтапный континуум ИИ-грамотности в высшем образовании.
Практический вывод
Практический дизайн курса — это не просто «Неделя 2: как пользоваться ChatGPT». Вместо этого определите несколько мест, где ИИ пересекается с важными дисциплинарными суждениями, и стройте повторяющиеся циклы:
независимое мышление → использование ИИ → проверка → критика → переработка → рефлексия
Студенты в конечном счёте должны уметь объяснять не просто как они использовали ИИ, но почему они доверились одним выдачам и отвергли другие, что они проверили, какая когнитивная работа осталась их ответственностью, и когда использование ИИ подорвало бы цель задачи.
Эта комбинация гораздо ближе к конструкту ИИ-грамотности, который поддерживает текущая база доказательств, чем одна операционная компетентность. О том, насколько сильна на самом деле эта база доказательств — и где она истончается, — см. Какие доказательства по интервенциям в области ИИ-грамотности в высшем образовании?.