Какие существуют значимые пробелы в исследовательской литературе по ИИ в образовании?

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Наиболее весомые пробелы в сфере ИИ в образовании (AIEd) касаются того, дают ли конкретные образовательные решения устойчивые преимущества, для кого, с помощью каких механизмов и при каких условиях, — а не просто способен ли ИИ выполнять образовательные задачи. База знаний документирует многообещающие интервенции наряду с устойчивыми слабостями в области измерения, причинно-следственного вывода, обобщаемости, внедрения и воспроизводимости. Часто это пробелы в убедительности, конкретности или применимости доказательств, а не полное отсутствие исследований. См. Ограничения исследований в AIEd.

Пробелы также различаются в разных областях поля. Доказательства об устоявшихся интеллектуальных тьюторских системах, предиктивной аналитике, генеративном ИИ и автономных агентах не следует считать взаимозаменяемыми. Точно так же использование ИИ для поддержки обучения и обучение людей самому ИИ связаны с родственными, но различными исследовательскими вопросами, как объясняется в обзоре ИИ в образовании.

1. Выделение того, что именно добавляет ИИ помимо хорошего обучения

Строгие эксперименты в учебных аудиториях существуют, поэтому пробел уже нельзя адекватно описать словами «нам нужны рандомизированные испытания». Более точный вопрос — добавляет ли ИИ-компонент ценность помимо дополнительной практики, лучших материалов, своевременной обратной связи или возросшей поддержки обучения.

Например, работа One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment сообщает о скромном приросте учебных результатов в 18 средних школах наряду с ограниченным содержательным взаимодействием учащихся с тьютором. Авторы отмечают, что этот прирост напоминал результаты, ассоциируемые со структурированной практикой без ИИ. Это устанавливает доказательства об реализованном учебном пакете, но не позволяет чисто выделить приростный вклад его ИИ-компонента.

Под этим лежит как концептуальная, так и эмпирическая проблема. «ChatGPT» — это название инструмента, а не метода, и аудит Weidlich et al. (2025) 19 сравнений использования ChatGPT в образовании показывает, чего это стоит: только 4 (21%) из них специфицируют все три элемента — воспроизводимую экспериментальную схему, операционализированный контроль и валидную меру обучения (74% — хорошо определённая схема воздействия, 42% — хорошо определённый контроль, 53% — результат обучения). Их более общий тезис состоит в том, что когда новый ИИ вводится вместе с новыми видами деятельности, обратной связью или дизайном интерфейса, среда и метод смешиваются, и никакой эффект не может быть приписан ИИ.

Поэтому исследованиям нужно больше сравнений с сильными, реалистичными альтернативами без ИИ, при максимально возможном постоянстве учебной программы, возможностей практики и поддержки. Независимые репликации должны проверять, сохраняются ли преимущества при изменении учебного заведения, преподавателя, предмета и модели. Как подчёркивает страница Методы исследования эффективности, разные методы отвечают на разные вопросы: качественные и основанные на проектировании исследования помогают объяснить внедрение, тогда как надлежащим образом спроектированные эксперименты усиливают причинно-следственные утверждения.

2. Отслеживание устойчивого обучения и самостоятельных способностей во времени

Улучшенная работа при использовании ИИ не обязательно является доказательством обучения, сохраняющегося после прекращения помощи. Синтезы прироста в обучении и когнитивного оффлоадинга (переноса когнитивной нагрузки на ИИ) неоднократно проводят различие между ассистированным выполнением заданий и удержанными знаниями, самостоятельным рассуждением и переносом на незнакомые задачи.

Работа Making AI Tutoring Productive иллюстрирует проблему измерения. В рандомизированном эксперименте с участием более 6 000 учащихся средних школ правило освоения «три правильных ответа подряд» повышало определяемый платформой показатель успешности, но само по себе не приводило к обнаружимому приросту в обучении через неделю. Наиболее убедительные доказательства по отсроченному тесту появлялись, когда ИИ был встроен в рабочий процесс освоения и был сосредоточен на отработанном материале.

Оставшийся пробел касается траекторий способностей, а не просто ещё одного пост-теста. Исследования должны изучать удержание в течение месяцев, перенос между задачами, выполнение заданий после снятия помощи, а также точность учащихся в оценке того, что они знают. Им следует также различать неспособность приобрести навык и утрату уже сформированного навыка. Исследования оффлоадинга должны проверять, когда делегирование поддерживает эти траектории, а когда вытесняет практику, необходимую для их развития.

3. Объяснение того, какие компоненты обучения работают — и почему

«Обучение с поддержкой ИИ» часто объединяет несколько изменений: новую обратную связь, дополнительную рефлексию, обсуждение в группе, иные последовательности заданий и изменённые стимулы оценивания. Успешный пакет не устанавливает, какие компоненты необходимы и какой механизм породил преимущество.

Мультисайтовый эксперимент Human-centered GenAI feedback design in higher education даёт полезное продвижение. Среди 1 176 студентов первого курса бакалавриата рефлексивные и гибридные дизайны обратной связи превзошли прямую обратную связь ИИ по отсроченному переносу без ИИ. Гибридное условие сочетали самооценку, взаимное оценивание и критику со стороны ИИ. Это поддерживает исследование того, как организуется и используется обратная связь, вместо того чтобы рассматривать доступ как интервенцию.

Дальнейшие исследования должны выделить вклад и временную позицию начальных самостоятельных попыток, самостоятельного объяснения, вклада сокурсников, корректирующей обратной связи, подсказок и постепенно снимаемой помощи. Им следует проверять, как эти компоненты взаимодействуют с предшествующими знаниями и сложностью задачи.

Сопутствующий теоретический пробел не менее важен: назвать теорию обучения — не то же самое, что проверить её. Исследования должны связывать теоретическое предсказание с конкретным поведением системы и измеримым процессом обучения. Статистическое опосредование может информировать такое объяснение, но само по себе не устанавливает причинный механизм. См. Разработка теории в области ИИ в образовании и Скаффолдинг.

4. Валидация мер, автоматических суждений и симулированных учащихся

Такие конструкты, как «вовлечённость», «критическое мышление», «ИИ-грамотность» и «персонализация», измеряются непоследовательно. Самоотчёты могут описывать восприятия и переживания, но не могут заменить продемонстрированную компетентность. Техническая точность, оценённое экспертами качество результата и обучение студентов — это также различные мишени оценивания. Эти различия занимают центральное место на страницах Измерение в образовании и Оценивание ИИ в образовании.

Особенно важный пробел касается систем ИИ, используемых для оценивания других систем ИИ. В работе Simulating Students or Sycophantic Problem Solving? симулированные студенты часто отказывались от назначенных Заблуждения об ИИ после корректирующей обратной связи независимо от того, была ли она направлена на данное заблуждение. Поэтому их ответы могли делать неэффективное обучение выглядящим успешным. Целевое обучение улучшило меру достоверности в исследовании, но улучшение по этой мере не эквивалентно валидации по сравнению с обучением человека.

Исследованиям необходимо установить, какие автоматические оценки и симулированные модели поведения предсказывают результаты у реальных учащихся, включая учащихся и условия, не использовавшиеся при разработке. Человеческие суждения также требуют проверки: согласие между экспертами не является автоматическим доказательством того, что оценивается правильный конструкт.

Пробел — это валидация всей цепочки оценивания: от поведения модели через педагогическое суждение и реакцию учащегося к образовательному результату.

5. Установление валидности оценивания, когда ИИ может создавать и оценивать доказательства

ИИ создаёт две связанные проблемы оценивания: он может помогать создавать работу, которая оценивается, и может влиять на то, как эта работа оценивается.

Исследование изучение агентов ИИ, выполняющих оцениваемые задачи в LMS в базе знаний документирует агентов, работающих в живом курсе бакалавриата и выполняющих оцениваемые виды деятельности. Эти демонстрации устанавливают возможность, которая бросает вызов допущениям о доказательствах, созданных студентами; они не устанавливают распространённость такого использования и не аннулируют всякое асинхронное оценивание.

Исследовательский вопрос — какие дизайны оценивания всё ещё поддерживают защитимые заключения об учащемся. Портфолио, рефлексии, поэтапные сдачи работ и журналы активности сами должны быть валидированы, а не считаться установленным доказательством авторства или понимания. Исследования должны изучать комбинации доказательств в сопоставлении с независимо наблюдаемой компетентностью, учитывая при этом доступность, нагрузку, приватность и тревожность студентов. См. Валидность оценивания.

При автоматическом оценивании работа LLMs Do Not Grade Essays Like Humans сообщает о систематических расхождениях между моделями «из коробки» и человеческими экспертами. Её результаты специфичны для конкретной конфигурации, но демонстрируют, почему внутренней согласованности недостаточно.

Полезное концептуальное различение даёт работа A Human Capability Test for Learning Outcomes in the AI Era: оценивайте, что учащиеся должны делать самостоятельно, что они могут делать с ИИ и что они должны проверять и отстаивать. Это предложенная рамка, требующая эмпирической валидации, а не установленное решение для оценивания.

Karr et al. (2026) количественно показывают, почему обнаружение — тупиковый путь. На 642 опубликованных английских аннотациях два коммерческих детектора ИИ при τ = 0.50 помечали лёгкое правление с использованием ИИ, соответствующее руководствам, в 38–80% случаев, помечали неизменённые оригиналы 2023–25 гг. в 9–15% случаев (не-STEM значительно выше STEM, p < 0.001), а после «очеловечивания» выявляли менее 4% переписанных текстов с маркировкой ИИ (частота ложноотрицательных результатов > 96%). Оценка, которая наказывает честную помощь, пропуская при этом уклонение, не может быть основой защитимого заключения об учащемся; пробел, который она вскрывает, — это дизайны и доказательства процесса, не зависящие от такой оценки.

6. Доказательство того, что ИИ-грамотность переходит в ответственное поведение

Исследований интервенций в области ИИ-грамотности достаточно для синтеза. AI Literacy Interventions in Education: A Meta-Analysis of Effects and Moderators включает 59 исследований и 7 211 участников. В нём сообщается о положительном среднем эффекте, но при существенной вариативности между исследованиями и широком интервале предсказания, охватывающем ноль. Ориентированные на знания результаты демонстрировали более сильные эффекты, чем навыки, отношения или этика.

Более острый пробел поэтому — не просто разработка новых рамок компетентностей. Это определение того, меняет ли обучение грамотности то, как люди действуют при использовании ИИ.

Могут ли учащиеся распознавать неподтверждённые утверждения, проверять источники, отвергать вводящие в заблуждение предложения, выявлять неуместное согласие и выбирать, когда не делегировать задачу? Сохраняются ли эти модели поведения под давлением времени и переносятся ли они на незнакомые системы и дисциплины?

Исследования должны сочетать оценивание, основанное на выполнении заданий, с наблюдением реальных решений и отсроченным последующим наблюдением. Им следует различать концептуальные знания, операциональную компетентность и критическое суждение, а не считать их взаимозаменяемыми. Синтезы ИИ-грамотность и Калибровка доверия дают полезные отправные точки для этих различений.

7. Понимание обобщаемости и справедливых результатов — а не только справедливого доступа

Выводы из одного курса, учебного заведения, языка или популяции учащихся часто дают ограничённые основания для решений в других местах. Синтез Ограничения исследований в AIEd определяет это как повторяющуюся проблему. Нужны дополнительные доказательства о том, как эффекты обучения различаются в зависимости от стадий развития, дисциплин, предшествующих знаний, инвалидности, языка и условий ресурсообеспеченности.

Исследования справедливости также должны различать доступ, навыки и результаты. Синтез Цифровое неравенство ясно показывает, что предоставление устройств или доступа к инструментам не устанавливает равной способности извлекать из них пользу.

Например, исследование Does School-Based AI Education Narrow Readiness Gaps? проследило за 752 учащимися младшей ступени среднего образования Гонконга. Разрывы в психологической готовности сократились, тогда как различия по объективному тесту на ИИ-грамотность сохранились. Все группы улучшили результаты, но общее улучшение не устранило неравенство. Поскольку профили предшествующего обучения не распределялись случайным образом, исследование не устанавливает их причинных эффектов.

Собственное покрытие базы знаний также показывает, где доказательства на уровне групп являются скудными, а где — неравномерными. Страница Дифференциальные эффекты у различных групп учащихся учитывает литературу по тому, кого она изучает: учащиеся на втором языке и многоязычные учащиеся, а также студенты с инвалидностью — это наиболее глубокие ветви, далее следуют гендер и нейроразнообразие, тогда как студенты первого поколения и иностранные студенты имеют по одному исследованию в этом корпусе, одарённые и высокоуспевающие учащиеся фактически не изучены как группа, а учащиеся-беженцы, иммигранты и перемещённые лица не встречаются вовсе. База доказательств такой формы не может отвечать на вопросы справедливости путём агрегирования; её необходимо формировать осознанно.

Приоритет исследования — выявление того, какие дизайны сокращают различия в продемонстрированных способностях, участии и самостоятельности. Исследования должны изучать результаты и нагрузку подгрупп, а не только средний прирост. Исследования доступности должны различать устранение барьеров для участия и замену способности, которую учащийся должен развивать. См. Справедливость в образовании с ИИ и Доступность.

Возможности также различаются внутри одной национальной системы таким образом, который не фиксируется категориями управления. Adeniranye et al. (2026) оценили интеграцию ИИ в 45 нигерийских университетах и обнаружили лишь умеренное общее внедрение (M = 4.79, разброс 1.83–7.83 по 10-балльной шкале), при этом тип учебного заведения перестал предсказывать интеграцию после контроля возраста и географии (возраст β = 0.43; расположение на юго-западе β = 0.31). Внутренние возможности коррелировали друг с другом на уровне r = 0.79–0.80, а международные коллаборации — с партнёрствами с индустрией на уровне r = 0.74, поэтому хорошо связанные заведения накапливают нарастающие преимущества. Пробел заключается в проверке того, какие дизайны развития потенциала меняют результаты в более новых, менее связанных заведениях.

8. Определение того, как следует разделять контроль между учащимися, преподавателями и агентами

Поскольку системы ИИ планируют, инициируют действия, удерживают память и координируют инструменты, образовательный вопрос становится более конкретным, чем польза от коллаборации человека и ИИ: кто должен контролировать какие части процесса обучения и когда этот контроль должен меняться?

Работа Agentic AI in Education: A Scoping Review картирует 474 исследования и выявляет ограниченную лонгитюдную валидацию, концентрацию в высшем образовании и STEM, а также слабую интеграцию образовательной теории. Только 29% рассмотренных исследований явно опирались на образовательную теорию — вывод об этом корпусе, а не обо всём исследовательском поле AIEd.

Исследования должны сравнивать конфигурации, в которых учащиеся или агенты инициируют помощь, задают цели, выбирают стратегии, отслеживают прогресс и принимают окончательные решения. Им следует проверять, может ли поддержка постепенно сниматься по мере развития компетентности и сохраняют ли учащиеся способность оспаривать систему.

Синтезы Agentic AI и Коллаборация человека и ИИ также поднимают вопросы о вмешательстве преподавателя и ответственности в средах с множеством агентов. Возросшую автономность следует оценивать как педагогический выбор дизайна, а не предполагать, что она представляет собой образовательный прогресс.

9. Связывание педагогической и реляционной безопасности с реальными образовательными последствиями

Образовательная безопасность выходит за рамки фактической точности, оскорбительного контента или запрещённых запросов. Тьютор может дать правильный ответ, подрывая при этом возможность учащегося рассуждать, закрепляя лежащее в основе заблуждение или поощряя неуместную зависимость. См. Педагогическая безопасность.

Работа SafeTutors: Pedagogical Safety in AI Tutoring выявляет такие сбои, как чрезмерное раскрытие ответов и отказ от скаффолдинга, причём существенно больше сбоев при тестировании с несколькими ходами диалога. Это результаты Бенчмарк при заданных условиях тестирования — не оценки распространённости или тяжести вреда в учебных аудиториях.

Нерешённый вопрос — как такие сбои влияют на реальных учащихся при длительном использовании. Какие из них порождают временную путаницу, устойчивые заблуждения, снижение мотивации или ослабление самостоятельных способностей? Какие меры защиты снижают эти риски без чрезмерного отказа или фрустрации?

Более долгосрочные исследования также должны изучать доверие, готовность обращаться за помощью к человеку, самостоятельность учащегося, а также отношения с сокурсниками и преподавателями. Эти вопросы особенно важны для детей и требуют соответствующих возрасту исследований, связывающих поведение системы с образовательными и реляционными результатами.

10. Объяснение того, как внедрение, развитие преподавателей и затраты формируют результаты

Техническая возможность не устанавливает, что инструмент будет использован продуктивно или что профессиональное развитие улучшит обучение студентов. Недостающее звено часто проходит от подготовки преподавателей через изменившуюся практику в учебной аудитории к результатам студентов.

В работе Pedagogy First, Technology Second многоуровневое исследование 46 преподавателей и 2 832 студентов показало, что педагогические знания об ИИ были связаны с восприятиями и намерениями студентов, но ни один из измеренных компонентов знаний преподавателя не был напрямую связан с приростом знаний студентов об ИИ. Эти ассоциации не устанавливают, что конкретная интервенция в форме обучения вызвала бы лучшее обучение.

Исследования должны изучать, какие комбинации коучинга, согласования учебной программы, регламентов проверки, планирования и институциональной поддержки дают устойчивые улучшения. Им следует наблюдать реализуемое обучение, а не только уверенность преподавателя или намерение внедрить новшество. См. Компетентность преподавателя в области ИИ и Развитие образования.

Ещё один приоритет — сравнительная экономическая эффективность. Оценивание должно включать верификацию, исправление ошибок, обучение, супервизию, сопровождение и время на внедрение, — а не только стоимость подписки или использования модели, — и сравнивать обеспечение с поддержкой ИИ с реалистичными альтернативами. Актуальный вопрос — какую образовательную пользу даёт полное устройство в сравнении с ресурсами, которые оно требует.

11. Оценивание управления, приватности и содержательного участия

Этические принципы и рамки управления необходимы, но их существование не устанавливает, что они меняют практику или защищают учащихся.

Работа Identifying the Ethical Values and Norms for Artificial Intelligence in Education рассматривает 25 статей и обнаруживает, что конечные пользователи в значительной степени пассивны в рассмотренной литературе по этике, при этом голоса студентов практически отсутствуют. Она также выявляет противоречия между ценностями и асимметрии власти между заинтересованными сторонами. Это описание рассмотренной литературы; из него не следует делать обобщённое утверждение, что студенты никогда не участвуют в проектировании AIEd.

Исследовательский пробел касается того, какие механизмы управления дают измеримую разницу. Меняет ли участие студентов и преподавателей закупки, дизайн инструментов, правила оценивания или меры по исправлению после ошибок? Выявляют ли процедуры человеческой проверки значимые ошибки? Действительно ли доступны альтернативы использованию ИИ?

Исследования приватности аналогичным образом должны изучать образовательную ценность дополнительного сбора данных, а не предполагать, что более детальное наблюдение за учащимися оправдано. Исследования могут сравнивать дизайны, минимизирующие сбор данных, с более интрузивными альтернативами, оценивая при этом и обучение, и самостоятельность учащегося. См. Управление ИИ и Приватность.

12. Создание воспроизводимых исследований и достоверных накопительных доказательств

AIED сталкивается с необычно трудной проблемой воспроизводимости. Исследования могут не указывать промпты, версии моделей, настройки, код или детали обучения; проприетарные системы также могут изменяться во время или после интервенции. Эти проблемы документированы на странице Ограничения исследований в AIEd.

Воспроизводимость требует описания учебного устройства, а не только модели: учебных задач, источников контента, разрешённых действий, интерфейса, поддержки преподавателя, условий оценивания и изменений в процессе внедрения. Исследователям следует различать воспроизведение одной конфигурации и проверку того, переносится ли её педагогический принцип на другую ситуацию. Обсуждение отчётности на странице Методы исследования эффективности обращается к этой необходимости прозрачных описаний.

Синтез доказательств требует сопоставимой тщательности. Страница Мета-анализ и систематический обзор подчёркивает слабость первичных исследований, публикационное смещение, разнородность интервенций и несовместимость результатов как ограничения для объединённых выводов.

Единый средний «эффект ИИ» может скрывать различения, наиболее необходимые преподавателям. Обзоры должны разделять ассистированное выполнение заданий и самостоятельное обучение, различать типы интервенций и условия сравнения, а также делать решения по кодированию и анализу поддающимися проверке. Нулевые результаты, неудачные внедрения и граничные условия являются существенным вкладом в эту накопительную базу доказательств.

Сама литература синтезов является пробелом. Форензикский аудит O'Neill (2026) 14 влиятельных мета-анализов показал, что ни один из них не даёт валидного основания для своих утверждений: отсутствие связного конструкта (инструмент рассматривается как единая интервенция, а многомерные результаты объединяются), невалидная оценка публикационного смещения во всех 14, сообщённый I² между 77.2% и 94.4% в каждом анализе, где он указывался (12 из 13 — выше 80%), и наличие проблем валидности в 61% случайно проверенных первичных исследований. Эти 14 анализов набрали более 2 000 цитирований примерно за 16 месяцев, а отозванный мета-анализ по-прежнему цитировался как авторитетный в 60% статей, цитирующих его после отзыва, без упоминания отзыва. Некритичное восприятие не ограничивается отозванными работами: в выборке из 14 статей, цитирующих другой аудитированный мета-анализ, чья аннотация рекламировала большой эффект «образования с ИИ», на деле измерявшего обучение студентов самому ИИ, только 2 цитировали его корректно, тогда как 8 трактовали его как доказательство того, что интеграция ИИ улучшает обучение, и 4 были некорректны иным образом. Рекомендации аудита направлены прямо на эту цепочку: они просят журналы требовать полной прозрачности данных для мета-анализов (протоколы поиска, закодированные характеристики исследований, извлечённые статистики и аналитический код), просят редакторов не рассматривать публикационную историю как доказательство компетентности в рецензировании и просят, чтобы отзывы делались видимыми везде, где статья обнаруживается, экспортируется или цитируется. Таким образом, воспроизводимость охватывает целостность цепочки синтезов, а не только отдельных исследований.

Преподаватели, которые хотят ознакомиться с версией этих вопросов на уровне учебной аудитории — какие меры и дизайны сравнения использовать, — могут следовать методическим указаниям на странице Какие измерения и методы исследования может использовать преподаватель для оценки ИИ-интервенций?.

Общий вывод

Центральная исследовательская потребность — не просто больше исследований, показывающих, что студентам нравится ИИ, преподаватели экономят время или работа с поддержкой ИИ получает более высокие оценки. Это более сильные доказательства, отвечающие на вопрос:

Какой образовательный дизайн, для каких учащихся, в каком контексте, с помощью какого механизма, порождает какие устойчивые человеческие способности — и с каким распределением пользы, затрат и вреда?

Ответ на этот вопрос требует взаимодополняющих методов: хорошо специфицированных экспериментов, лонгитюдного последующего наблюдения, валидированных оцениваний, качественного и основанного на проектировании исследования, целенаправленной выборки для справедливости и прозрачного синтеза. Цель — база доказательств, которая объясняет не только, сработала ли интервенция, но и почему она сработала, где она может потерпеть неудачу и что преподаватели могут ответственно перенести в другую ситуацию.