Как не допустить чрезмерной опоры студентов на ИИ?

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Вы выставили оценки за работу, которая написана лучше, чем может объяснить сам студент. Он без труда решает домашний набор задач и теряется на экзамене. Оценки перестали предсказывать, что именно он понимает, и вы подозреваете, что думает инструмент.

Скорее всего, вы правы, и это проблема проектирования, а не проблема надзора. Чрезмерная опора — это не то же самое, что частое использование, и меры, которые её снижают, — это в основном конструкции заданий, а не ограничения доступа. Устойчивое обучение строится на воспроизведении, elaborации и генерации, а генеративный ИИ способен поставлять продукт этих процессов, не требуя их протекания.

Главный вывод: поставьте собственную попытку студента перед инструментом, защитите моменты, когда инструмента нет, сделайте проверку видимой, а не просто доступной, и оценивайте то, что студент делает без посторонней помощи.

Что такое чрезмерная опора на самом деле и как понять, что у вас проблема

Когнитивная разгрузка (cognitive offloading) — это перенос когнитивных требований на внешние инструменты, что освобождает ограниченные умственные ресурсы для обработки более высокого порядка. Guo и Ye (2026) рассматривают эту конструкцию через динамическую метакогнитивную модель Нельсона и Нарена, в которой мониторинг трудности определяет решение о разгрузке на внутреннюю или внешнюю стратегию. Разгрузка — это саморегуляторный выбор, а не дефект; сбой заключается в неверной калибровке доверия, а не в объёме.

Biswas (2026) моделирует опору как три действия — решить самостоятельно, принять ответ ИИ без проверки, либо использовать его и проверить — и определяет две ошибки калибровки симметрично: чрезмерная опора — это принятие ошибочного результата, недостаточная опора — отбрасывание полезного ИИ после того, как он ошибся. Коллективная чрезмерная опора — это отказ популяции от проверки, и поскольку «сырая» чрезмерная опора расходится со сожалением, высокая опора не вредна автоматически. Студент, который сверяет каждый ответ ИИ с вашими материалами, — не ваша проблема; тот, кто сдаёт первый черновик модели, — да.

Большая часть того, что вы можете измерить, — это самоотчёт. Gerlich (2025) опросил 666 участников из Великобритании с 50 интервью и обнаружил, что использование ИИ отрицательно коррелирует с критическим мышлением (r = −0.68), при частичном опосредовании через разгрузку (общий эффект b = −0.42; косвенный b = −0.25). Gao, Sun и Khan (2026) использовали трёхволновые данные лэггированного опроса от 623 китайских студентов плюс интервью с преподавателями и обнаружили, что эффективное использование ИИ одновременно повышает устойчивые учебные результаты и чрезмерную опору. Обе конструкции корреляционны, и оба исследования об этом говорят.

Поведенческие инструменты тоньше. PAUSE (Alam, 2026) — это браузерная самопроверка без данных о надёжности или валидности, и её ключевое предупреждение касается валидности пунктов: пункты фиксируют, когда и как часто ИИ входит в рабочий процесс, а не сохраняется ли вовлечённость собственного рассуждения студента, поэтому студент, который сознательно выстраивает скаффолдинг с помощью ИИ на раннем этапе, честно получит высокий балл по шкале разгрузки. В ней также цитируются Padmakumar и др. (2026) и их Offloading Score, который оценивает долю усилий, перенесённых на внешний ресурс, по поведенческим логам (n = 40 разработчиков). Частота использования — это не конструкт; конструкт — то, что студент может сделать без посторонней помощи.

Как ИИ вытесняет работу, которая производит обучение

Lodge и Loble (2026) описывают риск как «беглость по требованию» (fluency on demand): связный, уверенный результат, обходящий Полезные трудности — воспроизведение, elaborацию, генерацию — через которые консолидируется знание. Их парадокс эффективности: работа с ИИ ощущается беглой, и студенты хорошо выступают в моменте, сохраняя при этом меньше — иллюзия компетентности. Они называют это метакогнитивной леностью (по Fan и др. 2024): удобство позволяет учащимся отказаться от саморегуляторных процессов, которые им необходимо развивать. Guo и Ye (2026) добавляют границу проектирования: субститутивная разгрузка заменяет внутреннюю обработку, тогда как дублирующая разгрузка её дополняет; уберите внешнее хранилище, и субститутивные разгрузчики резко ухудшатся, тогда как дублирующие сохранят точность через внутреннее кодирование.

Причинная доказательная база здесь наиболее остра. Brcic и Frljic (2026) сообщают, что неохраняемый ИИ-помощник оставил старшеклассников примерно на 17% хуже на экзамене без посторонней помощи по сравнению с одноклассниками без инструмента, что та же модель, перестроенная так, чтобы не выдавать ответы, устранила вред, и что хорошо сконструированный тьютор примерно удвоил обучение. Их диагноз: если впускание ИИ делает задачу ощутимо без усилий, оно находится не на своём месте. PAUSE добавляет согласующиеся находки: Bastani и др. (2025) обнаружили, что студенты, получившие GPT-4, решали больше задач с инструментом, но выступали хуже контрольной группы после его удаления, а Liu и др. (2026) обнаружили, что помощь также снижала настойчивость в рандомизированных контролируемых испытаниях (N = 1,222).

Что действительно меняет поведение студентов, в порядке отдачи

1. Удерживайте или нормируйте то, что задание должно построить (высшая отдача, умеренная цена). Рычаг с наибольшим причинным следом — инструмент, который отказывается отвечать: охраняемый ИИ (подсказки, примеры, практика) в средних фазах, защищённая финальная проверка в конце. Это превращает политику использования ИИ в правило размещения по навыкам, а не в список запретов. Zohar, Bloom и Inzlicht (2026) утверждают, что связь усилия и смысла имеет форму перевёрнутой U, поэтому цель — градиент: убрать подавляющие препятствия, сохранив те трудности, которые порождают понимание и сопричастность, причём помощь должна быть дополнением, а не заменой.

2. Упорядочивайте помощь вместо того, чтобы её ограничивать (высокая отдача, высокая цена — перепроектирование). Сильнейшая протестированная структура — «сначала думай, потом ChatGPT». Wong и Qiu (2026) дали N = 196 студентам работать самостоятельно, со свободным ChatGPT или в регулируемом условии: генерировать собственные идеи, сотрудничать с ChatGPT для их улучшения и оценивания, затем самостоятельно доработать и сдать одно решение. Группа свободного использования произвела более креативную работу на вспомогательном задании, но откатилась к человеческому уровню на последующем, более трудном задании без ChatGPT; регулируемая группа не показала немедленного преимущества, но затем превзошла обе другие по независимой креативности. Анализ процесса показал, что 88.6% её промптов были совместными — единственный тип промпта, значимо коррелировавший с последующей независимой оригинальностью.

3. Сделайте проверку видимой и обязательной (высокая отдача, низкая цена). Biswas (2026) обнаружил, что видимая проверка запускала встречный каскад к почти полной проверке (чрезмерная опора 0.00, сожаление снизилось до 0.07), тогда как снижение трения при проверке было самым слабым рычагом, потому что оно не противодействует социальному притяжению к непроверенному использованию. Требуемое предложение о сверке источников превосходит ссылку на библиотеку. Сверка результата с материалами курса, однокурсниками или преподавателями при неопределённости точности — это то, что уже делают более сильные студенты, как обнаружили Viberg и коллеги (2026).

4. Приурочьте рефлексивные промпты к фазе, на которую они могут повлиять (умеренная отдача, низкая цена). Guo и Ye (2026) выводят принцип соответствия времени и компонента: обратная связь, нацеленная на стабильные убеждения, работает до задания, тогда как немедленная обратная связь по правильности и трудности в рамках задания работает во время него. Lodge и Loble (2026) рекомендуют интегрированные метакогнитивные промпты, которые заставляют учащихся остановиться, поразмышлять и оценить своё понимание, наряду с Load Reduction Instruction, которая управляет когнитивной нагрузкой, обеспечивая постепенную независимость. Минутное предзадачное предсказание не стоит ничего и попадает в это окно.

5. Требуйте воспроизведения, объяснения и переноса без посторонней помощи (высокая отдача, умеренная цена). Вспомогательный продукт — плохая замена способности; оцениваемый момент должен включать такой, где инструмента нет. Последующее невспомогательное задание Wong и Qiu (2026) — это именно такое измерение — и даже их группа «только человек» ухудшилась на более трудном последующем задании, так что одиночная работа без скаффолдинга тоже не была ответом. Чередование режимов имеет поддержку: PAUSE сообщает результат Kosmyna и др. (2025) за четвёртую сессию, в которой участники «только мозг», впоследствии использовавшие ChatGPT, превзошли постоянных пользователей LLM. Подотчётность работает через объяснение: Makransky и др. (2025) обнаружили, что тьюторский чат-бот, побуждавший студентов связывать идеи и объяснять свои рассуждения, давал лучшие результаты оценивания, чем традиционное обучение.

Что не работает и что даёт обратный эффект

• Снижение трения. Делать проверку дешевле — самый слабый рычаг в модели Biswas; барьер социальный, а не механический. Лучший антиплагиат не заставит студента проверять.
• Запреты или тотальный надзор. Доказательства указывают на размещение, а не на запрет: инструмент — не переменная; важно, где он находится в задании.
• Одиночная работа без скаффолдинга. Группа «только человек» у Wong и Qiu (2026) также ухудшилась на более трудном последующем задании. Убрать инструмент, не поддержав учащегося, — это не вмешательство.
• Подсчёт использования и опросных установок. Пункты PAUSE фиксируют, когда и как часто ИИ входит в рабочий процесс, а не сохранялось ли рассуждение, поэтому осторожный проектировщик скаффолдинга получает балл разгрузчика. Действия по этим числам наказывают именно тех студентов, которых вы хотите уберечь.
• Удовлетворённость и беглость как доказательство. Это иллюзия. Предпочитайте выполнение без посторонней помощи и отсроченный перенос.
• Опора на ИИ-грамотность студентов вместо поддержки преподавателей. Lodge и Loble (2026) предупреждают, что чрезмерные вложения здесь могут быть ошибочным распределением.

Перепроектируйте задание так, чтобы опора была более трудным путём

Четыре шага несут основную тяжесть, и ни один не требует кампусной политики.

Конструкция задания. Просите собственные идеи студента, гипотезы или черновик до того, как инструмент увидит задание. В регулируемом условии Wong и Qiu последовательность была фиксирована: генерировать собственные идеи, сотрудничать с ChatGPT для их улучшения и оценивания, затем самостоятельно доработать и сдать одно решение. Настройте инструменты так, чтобы они подсказывали, а не отвечали, везде, где целевым навыком является то, что измеряет задание.

Требования к проверке. Сделайте проверку результатом: сверка источников, сравнение с однокурсниками, проверка преподавателем — вписанные в задание, а не подразумеваемые. Видимые нормы проверки важнее, чем более дешёвая проверка.

Демонстрация режимов отказа в аудитории. Проводите демонстрацию вживую: дайте задание, позвольте студентам решить его с уверенным ответом ИИ, который неверен, затем заставьте сверить его с текстом курса. Добавьте доказательства: неохраняемый помощник оставил студентов примерно на 17% хуже на экзамене без посторонней помощи, а студенты, получившие GPT-4, решали больше задач с инструментом, но выступали хуже контрольной группы после его удаления. Одна показанная неудача учит больше, чем десять предупреждений.

Перепроектирование оценивания. Сохраните первую трудную попытку и финальную проверку без посторонней помощи свободными от ИИ — два момента, которые Brcic и Frljic (2026) идентифицируют как защищённые, — и оценивайте ту, что без посторонней помощи. Просите студентов объяснять свои рассуждения и работать над параллельным или перенесённым заданием, и читайте вспомогательный продукт как эффективность, а не как обучение. Там, где целевым навыком является анализ, а не механика, разгрузка нижнего уровня может служить высшему — PAUSE цитирует Hong и др. (2025), где преднамеренная разгрузка письменных задач нижнего порядка ради высвобождения внимания для анализа и правки дала больший прирост критического мышления.

Здоровое обращение за помощью против вредной разгрузки

Доказательства различают это ясно, и ваша рубрика должна делать то же. Viberg, Feldman-Maggor и Wong (2026) опросили 20 студентов STEM-университета и обнаружили четырёхстадийный процесс — решение о необходимости помощи, выбор источника, выбор типа помощи, оценивание полученной помощи — в котором более сильные студенты предпочитают инструментальную помощь (подсказки, объяснения) по сравнению с исполнительной помощью (прямые решения). Они предупреждают, что использование LLM для отладки или межъязыкового программирования может обходить независимое Решение задач, даже когда студенты избегают просить ответы.

Инструментальное использование — подсказки, примеры, объяснения, отладка, которую вы затем исправляете сами, — это дублирующая разгрузка, которая выдерживает исчезновение инструмента. Исполнительное использование — взять результат и сдать его — это субститутивная разгрузка, которая рушится. Свободное использование тяготеет ко второму: в эксперименте Wong и Qiu (2026) (N = 196) 70.9% промптов группы свободного использования были несовместными, а 59.6% просто просили ChatGPT сгенерировать идеи напрямую. Регулируемая группа показывает противоположную сигнатуру — 88.6% совместных промптов, единственный тип, коррелировавший с последующей независимой оригинальностью. Впишите это различие в задание, потребуйте совместный промпт и оценивайте рассуждение, которое добавляют студенты.

Кто наиболее подвержен и когда

Lodge и Loble (2026) локализуют риск в предшествующем знании и саморегуляции, называя его метакогнитивным разрывом в справедливости: хорошее использование ИИ требует ресурсов, которых нет у новичков, поэтому студенты, которым практика нужнее всего, наиболее вероятно делегируют само обучение. Они сообщают, что 80% австралийских студентов уже используют ИИ, и две трети преподавателей средней школы начального уровня тоже (OECD 2025). Gerlich (2025) обнаружил, что участники в возрасте 17–25 лет показывали большую зависимость от ИИ и разгрузку и более низкое критическое мышление, чем те, кому 46 лет и старше, и что уровень достижений предсказывал лучшее критическое мышление независимо от использования ИИ (r = +0.34), при значимом взаимодействии, указывающем, что он смягчает негативный эффект. Gao, Sun и Khan (2026) обнаружили, что полихроничность — склонность к многозадачности — моделирует этот путь, причём студенты с высокой полихроничностью подвержены большему риску.

Контекст важен не меньше, чем человек, и именно здесь может действовать ваш курс. Biswas (2026) показывает, что трудность задания и качество ИИ задают базовый уровень (чрезмерная опора растёт с ≈0.02 до 0.38 с ростом трудности; на трудных заданиях — 0.38 при слабом ИИ против 0.16 при хорошем ИИ) и что наибольшее сожаление исходит от ИИ высокого качества на трудных заданиях (0.441), потому что агенты чрезмерно уступают и редко полагаются на себя — способная модель на требовательном задании — это место, где прекращается проверка. Экспозиция среди сверстников усугубляет это: когда видимое социальное доказательство растёт с 0 до 0.6, проверка падает с 0.29 до 0.002.

«Но...» — три возражения

«Это просто хорошая педагогика». Частично — это скаффолдинг, формирующая обратная связь и продуктивная борьба. Но видимая проверка превзошла более дешёвую проверку, и двумя защищёнными моментами являются первая трудная попытка и финальная проверка без посторонней помощи. Делайте знакомые вещи в новом порядке.

«Я не могу это контролировать». Не можете, и доказательства говорят, что не стоит пытаться. Сильнейший результат здесь получен за счёт размещения, а не запрета. Сконструируйте задание так, чтобы присутствие инструмента в неуместный момент проявлялось в самой работе — необъяснимый ответ, отсутствующий шаг проверки, — а не полагалось на наблюдение.

«Мой курс слишком большой». Самые дешёвые рычаги масштабируются. Требуемая строка проверки, минутное предзадачное предсказание и перенос оцениваемой проверки в аудиторию без ИИ стоят минут на группу. Дорогой рычаг — полностью упорядоченный блок «сначала думай» — может начаться с одного задания. Перестройте один набор задач на вспомогательную и невспомогательную половины и посмотрите, что скажет разрыв.

Что ещё не установлено (прочитайте, прежде чем действовать)

Ни одно исследование в этом корпусе не проверяет, сохраняет ли конкретное вмешательство против чрезмерной опоры устойчивость между условиями или семестрами. Конструкция «сначала думай» опирается на один эксперимент (N = 196), а результат удержания происходит из синтеза Brcic и Frljic (2026), а не из отдельного испытания. Аргумент о трении — это концептуальный Comment без новых данных, чья связь с перевёрнутой U опирается на единственный эмпирический якорь и не квантифицирована, поэтому место оптимума для конкретного учащегося не определено.

Biswas (2026) указывает на границы модели — экзогенное стационарное качество ИИ, фиксированная сеть, стилизованная проверка — и называет то, что будущая работа должна будет оценить по лонгитюдным следам: частоту проверки по заданиям, силу социального доказательства и то, как обновляется доверие после проверенного и непроверенного использования. Измерение остаётся слабейшим звеном: доминирующие конструкции — опросы, и Gerlich (2025) и Gao, Sun и Khan (2026) призывают к лонгитюдному и экспериментальному продолжению. PAUSE не имеет психометрики и был построен для взрослых. Возможность закрытия разрыва в справедливости обучением теоретизируется, а не демонстрируется.

Ваш список действий на эту неделю

1. Добавьте шаг проверки в следующее задание: одно предложение, называющее, что студент проверил и против чего.
2. Перенесите оцениваемую проверку в момент без ИИ и оценивайте именно её.
3. Поставьте первую трудную попытку перед инструментом: идеи, гипотезы или черновик до того, как ИИ увидит задание.
4. Настройте инструмент, который вы рекомендуете, на подсказки, а не на ответы.
5. Продемонстрируйте вживую один уверенный отказ ИИ и заставьте студентов поймать его на сверке с текстом курса.
6. Добавьте минутное предзадачное предсказание перед трудным блоком.
7. Замените один пункт теста пунктом «объясните свои рассуждения» по тому же содержанию.
8. Попросите студентов обозначить своё использование ИИ как инструментальное или исполнительное и оценивайте рассуждение, которое они добавили.
9. Читайте вспомогательную работу как эффективность, а не как обучение, и сравнивайте её с проверкой без посторонней помощи.
10. Относитесь к вовлечённости и удовлетворённости как к слабым индикаторам и предпочитайте выполнение без посторонней помощи и отсроченный перенос.

Чем эта страница отличается от соседних FAQ

Помогает ли использование ИИ студентам действительно учиться? спрашивает, производит ли ИИ обучение вообще, и излагает разрыв между эффективностью и обучением; Как я могу снизить списывание с ИИ в своём курсе? охватывает целостность, пределы обнаружения и безопасность оценивания. Эта страница предполагает, что студенты могут использовать ИИ честно, и спрашивает, какие конструкции сохраняют рассуждение учащегося в цикле.

Для окружающего исследования см. Помогает ли использование ИИ студентам действительно учиться? и Как переработать оценивание так, чтобы оценка по-прежнему говорила мне нечто защитимое о том, что студент знает или умеет?, а также концептуальные страницы Когнитивный оффлоадинг, Метакогниция и Полезные трудности.