Какие 10 главных выводов из исследований ИИ в образовании должны знать преподаватели?

Автоматический перевод данной английской страницы, не проверенный носителем языка.

От вас не требуют стать исследователем в области ИИ. От вас требуют принимать обычные педагогические решения — что разрешать в задании, что именно должна доказывать оценка, что ваши студенты должны уметь делать без инструмента, — и хотелось бы, чтобы эти решения опирались на большее, чем мнения и заявления вендоров.

Главный итог по всем исследованиям, собранным в этой базе знаний: то, как ИИ встроен в учебную деятельность, определяет, усиливает он мышление или заменяет его. Это не просто «используйте ИИ» или «запретите ИИ», а исследования, лежащие в основе этих выводов, недавние, зачастую краткосрочные и привязанные к конкретным курсам. Воспринимайте их как самые сильные из доступных ориентиры, а не как устоявшийся закон.

Краткая версия

• Определите, какое мышление должна развивать задача, затем поручите ИИ работу, которая не выполняет это мышление за студента.
• Оценивайте успех по тому, что студенты умеют делать позже, без инструмента, — а не по тому, насколько хорошо выглядит работа сейчас.
• Используйте ИИ как тьютора, тренера или критика гораздо чаще, чем как машину для выдачи ответов.
• Считайте отполированную сдачу работы слабым свидетельством обучения и собирайте также свидетельства самого процесса.
• Сформулируйте явное правило по ИИ для каждого крупного задания и объясните, почему правило именно такое.
• Учите студентов проверять, подвергать сомнению и оспаривать выдачу ИИ. Это не развивается само собой от одного лишь контакта с ним.

1. Работа, которая выглядит лучше с ИИ, не является доказательством лучшего обучения

С помощью генеративного ИИ студенты могут создавать более сильные работы и завершать их быстрее, при этом самостоятельно учась меньше. Риск здесь — когнитивное перекладывание: он сильнее всего бьёт по обучению, когда ИИ выполняет те рассуждения, которые студент должен был отработать. Существенное различие — между успешностью при поддержке и обучением, продемонстрированным позже без поддержки.

Самый прочный ориентир — систематический обзор 72 рецензируемых исследований по информатике в образовании: генеративный ИИ достоверно повышал краткосрочную завершённость заданий и сокращал время на их выполнение в 36 исследованиях — самый воспроизводимый результат во всём корпусе, — однако эти выигрыши в эффективности «не переносятся на независимое выполнение» в 21 исследовании. Исследование 38 студентов бакалавриата с помощью интервью с проговариванием мыслей вслух обнаружило то же разделение в том, как они фактически работали: 76.32% оставались в однооборотной схеме «вопрос–ответ–стоп», и лишь 21.06% чередовали использование ИИ с самостоятельным чтением и написанием текстов. Работа 2026 года, формулирующая эту концепцию называет эту картину парадоксом критического мышления: оценки и продукты могут расти, в то время как умственная работа, создающая прочное обучение, падает.

В аудитории: предусмотрите в каждом модуле минимум одно задание, где студенты извлекают, объясняют, решают или защищают идеи без участия ИИ, и оценивайте именно его.

2. ИИ заслуживает места тьютора, а не машины для ответов

Десятилетия исследований интеллектуальных тьюторов указывают в одном направлении: диагностировать, что понимает студент, задавать вопросы, давать градуированные подсказки, просить его объяснять, давать обратную связь — вместо того чтобы вручать готовое решение. Современные работы о Педагогический агент проводят ту же границу между обучающим поведением и производством ответов. Аналогия с кухонным комбайном Thermomix делает это наглядным: один прибор может либо готовить за вас, так что вы теряете навык, либо выступать партнёром по проверке идей, которые вам всё равно предстоит осмыслить. Эти режимы согласуются с рамками ICAP, которые предсказывают разное обучение при пассивном, активном, конструктивном и интерактивном использовании.

Более новые работы показывают тот же принцип внутри узкого инструмента. Тьютор, структурно читающий инженерные чертежи, достиг 93.0% по метрике F1 на уровне связей против 89.3% точности на уровне целого чертежа, а значит способен назвать конкретные пропущенные или неверно прочитанные связи даже когда весь чертёж в целом неверен — это обратная связь, на которую студент может отреагировать, в отличие от «зачтено/не зачтено».

В аудитории: велите студентам просить «одну подсказку», «задай мне вопросы» или «прокритикуй мои рассуждения», а «реши это» сделайте редким случаем.

3. Не сглаживайте продуктивную борьбу

Продуктивная неудача — это вывод о том, что обучающиеся часто лучше удерживают материал, когда сначала пытаются решить задачу, и лишь потом им показывают, как это делается. Делая обучение беспрепятственным, можно убрать ровно ту работу, которая и создаёт обучение. В исследовании с интервью 38 студентов самая большая группа (n = 31) описывала цели овладения материалом, но работала фрагментированными одиночными оборотами, а затем сообщала о чрезмерном перекладывании на инструмент, умственной самоуспокоенности и быстром забывании — один из участников сформулировал это так: «скорость, с которой вы это забываете, тоже очень высока». Аналогия с Thermomix сжимает этот риск до пяти слов: с Thermomix вы теряете способность готовить.

В аудитории: используйте последовательность попытка → помощь ИИ → доработка → рефлексия, а не открывайте инструмент на первой секунде каждой задачи.

4. Обратная связь что-то значит только тогда, когда студент что-то с ней делает

Обратная связь от ИИ может быть своевременной, конкретной, масштабируемой и приемлемой для студентов, в том числе в высшем образовании. Но учит ли она, — зависит от точности, педагогической согласованности и грамотности в восприятии обратной связи студентов, то есть их способности оценивать обратную связь и действовать в соответствии с ней. Критический анализ 14 институциональных руководящих документов предупреждает, что обобщённые промпты дают результаты, виды деятельности и оценивание изолированно: поскольку инструмент не может знать, насколько взаимосвязана тема, его обратная связь остаётся общей, а не диагностически точной.

Два исследования 2026 года показывают, насколько сильно входные данные меняют выход. В исследовании обратной связи ИИ по целям обучения сама модель объясняла 26.9% вариаций качества обратной связи, а добавление промпта поднимало эту долю до 42.8% — дополнительные 15.9%. Единственная характеристика промпта, которая имела значение, — предметная терминология; замена её бытовыми перефразировками существенно ухудшала обратную связь. Выбор модели тоже имел значение: Claude 3 и Gemini Advanced давали значимо более низко оцениваемую обратную связь, чем ChatGPT-4. Между тем сравнение 18 языковых моделей, оценивавших 6,081 программную работу обнаружило средние оценки от 0.290 до 0.608 в зависимости от модели, причём доля точного согласия достигала минимум 0.20 у одних и 0.74 в лучшем случае.

В аудитории: предложите студентам взвешивать обратную связь ИИ против вашей рубрики, решать, что принять, а что отклонить, и объяснять, что они изменили.

5. Проектирование обучения важнее, чем какую модель вы используете

Сравнение основанного на теории чат-бота, который выстраивал скаффолдинг (опору, постепенно снимаемую поддержку) для объяснений студентов, с обычным ChatGPT и преподаванием «как обычно» не выявило значимых непосредственных различий, — но четыре недели спустя группа со скаффолдингом удержала больше концептуальных знаний. Это одно исследование, а не универсальный эффект, и оно является самым ясным свидетельством того, что дизайн может перевесить возможности модели. Обзор 72 исследований приходит к тому же уровню дизайна, называя критическое взаимодействие с выдачей ИИ «общим механизмом, связывающим каждое эффективное вмешательство в корпусе», и рекомендуя градуированный доступ — вводить генеративный ИИ только после того, как продемонстрирована базовая компетентность.

В аудитории: проектируйте виды деятельности с ИИ вокруг самостоятельного объяснения, извлечения из памяти, сравнения, аргументации, обучения других или критики, а не вокруг генерации содержания.

6. Перестаньте пытаться ловить ИИ; начните производить доказательства обучения

У детекторов ИИ хорошо документированы проблемы надёжности и справедливости, а более глубокий вопрос — валидность: отполированный продукт, сделанный дома, больше не показывает, что человек, который его сдал, обладает соответствующей компетентностью. Политика, построенная на обнаружении, также подавляет законное использование. В смешанном исследовании 85 студентов педагогических специальностей 62.4% отказались использовать генеративный ИИ даже там, где это было разрешено, 41.5% из отказавшихся сослались на страх быть обвинёнными в плагиате, и 9 из 11 интервьюируемых истолковали саму разрешительную политику как ловушку.

Новые данные повышают ставки в вопросе автоматического оценивания. В исследовании 1,426 дипломных работ по психологии за десять учебных лет все четыре ИИ-оценщика поставили наименьшие оценки написанным студентами работам и наивысшие оценки написанным ИИ работам; 10 из 16 сравнений были достаточно велики, чтобы различия такого размера встречались в исследованиях образования редко, вплоть до крупнейшего наблюдаемого разрыва. Смещение было сильнее всего для полностью сгенерированного ИИ текста, а значит оценщик может вознаграждать текст за машиноподобность, даже когда в его инструкциях сказано оценивать содержание.

В аудитории: оценивайте процесс наряду с продуктом — черновики, рассуждения, критические разборы, устные защиты, демонстрации, рефлексии.

7. Одно правило по ИИ для всех заданий не устоит

Полезная рамка оценивания различает три случая: ограничьте ИИ, когда вы измеряете именно независимую компетентность, поддержите ИИ скаффолдингом, когда ограниченная помощь не подрывает эту компетентность, и требуйте ИИ, когда само овладение квалифицированным человеко-ИИ взаимодействием и есть то, что студенты должны выучить. Исследование студентов педагогических специальностей показывает, почему условия должны быть явными и последовательными: лишь 37.6% студентов вообще использовали разрешённый генеративный ИИ, их выбор отслеживал культуру программы и устройство оценивания сильнее, чем разрешение какого-либо одного курса, и их собственные декларации о раскрытии занижали фактическое использование в каждом курсе.

В аудитории: указывайте условие по ИИ для каждого крупного оценивания и объясняйте, почему у этого задания именно такое правило.

8. ИИ-грамотность — это гораздо больше, чем написание хороших промптов

Современные рамки для высшего образования рассматривают ИИ-грамотность как концептуальное понимание, операциональный навык, критическую оценку, этическое суждение и осознание ограничений, — а не просто как инженерию промптов. Студентам нужно научиться тому, когда не следует доверять инструменту, проверять утверждения, замечать смещения, распознавать неопределённость и нести ответственность за выводы. Обзор по информатике в образовании говорит об этом конкретно: инженерия промптов, проверка выдач и анализ ошибок ИИ — это обучаемые навыки, которые не развиваются через один лишь контакт, и проверка является первым из трёх его требований к дизайну.

Два исследования 2026 года о педагогах показывают, насколько это далеко от автоматизма. Среди преподавателей естественных наук, уже прошедших обучение по ИИ, средний уровень ИИ-грамотности составлял 16.7 из 30, ниже 18.79 у референсной выборки, и он не был связан ни с возрастом, ни с полом, ни со стажем, ни с тем, насколько много они использовали ИИ. Опрос 412 будущих преподавателей математики обнаружил готовность на ранней стадии: преподавательские убеждения получили наивысшие оценки (среднее 5.24 по семибалльной шкале), тогда как технические знания об ИИ — наименьшие (4.23).

В аудитории: давайте студентам намеренно несовершенную выдачу ИИ и оценивайте их способность проверять, критиковать, улучшать и контекстуализировать её.

9. ИИ может расширять разрывы, даже когда у всех есть доступ

Цифровое неравенство теперь проходит по меньшей мере трём линиям: доступ к инструментам, навык пользования ими и то, кто фактически получает полезный результат. Один только навык составления промптов создаёт «привилегию промпта», когда более опытные пользователи получают лучшую выдачу от той же системы. Обзор 72 исследований разделяет два механизма: разрыв в навыках, когда студенты с более сильными предшествующими знаниями превращают помощь в прочные результаты, тогда как недостаточно подготовленные студенты подменяют ею практику, и разрыв в ресурсах, когда надёжный интернет и платный доступ поддерживают лучшее использование инструментов в разных заведениях. Лишь шесть исследований в корпусе прямо рассматривали справедливость, — что авторы считают проблемой.

Исследование с четырьмя экспериментами, где учащиеся обнаруживали скрытые правила с помощью ИИ-агента обнаружило, что помощь сокращала необходимое число ходов на 33–52%, но выгода сосредоточилась у самых слабых исполнителей: более сильные учащиеся были в основном не затронуты. Помощь может сократить разрыв, иными словами, но только для тех студентов, которые взаимодействуют с ней, а не для тех, кому она и так не нужна.

В аудитории: не позволяйте предшествующему опыту работы с ИИ стать скрытым предварительным требованием. Обеспечьте справедливый доступ, разобранные примеры, прямое обучение, альтернативы и адаптации.

10. Человеческое суждение всё ещё остаётся той частью, которая не автоматизируется

Интеграция ИИ поднимает связанные вопросы о смещении, конфиденциальности, прозрачности, автономии учащегося, подотчётности и педагогической безопасности. Преподавательскому составу поэтому нужна педагогическая компетентность в области ИИ, а не только техническая осведомлённость; обзоры подготовки педагогов описывают её как педагогическое рассуждение плюс критическое и этическое суждение. Анализ руководящих документов предлагает конкретный ответ на уровне дизайна: ограниченный, настроенный на уровне заведения агент с дополненным поиском, который направляет мышление, не выдавая ответов, помечает несоответствия и на границах передаёт вопрос человеку, — авторитет, который является «производным и ограниченным», а не автономным.

Теперь есть прямые доказательства в пользу сохранения людей в контуре, а не только перед ним. Система генерации учебных материалов получила более высокие оценки, когда люди оставались вовлечёнными: режим с наибольшим человеческим вкладом улучшил оценки рецензентов на 0.5–0.9 баллов по сравнению с полностью автономным режимом. Его автономные рецензенты также вели себя иначе, чем человеческие, — ИИ-рецензенты тесно группировались вокруг 2.9–3.1, тогда как человеческие эксперты расходились шире и различали точнее, — поэтому авторы оставили человеческое суждение основным сигналом качества.

В аудитории: сохраняйте значимые учебные и оценочные решения под осмысленным человеческим контролем, особенно когда на кону точность, справедливость, конфиденциальность или продвижение студента.

Закономерность под всеми 10

ИИ, заменяющий мышление → рискованнее для обучения.

ИИ, вызывающий мышление → потенциально ценен для обучения.

Поэтому вместо вопроса «Должны ли студенты использовать ChatGPT?» задайте три лучших вопроса:

Какое мышление мне нужно, чтобы студенты отрабатывали? → Какую роль должен играть ИИ, не выполняя это мышление? → Какие доказательства покажут мне, что студент это выучил?

Это ведёт к таким видам деятельности, как попытка до ИИ, ИИ как сократический тьютор, критика ИИ, сравнение человеческих и ИИ-решений, обратная связь ИИ плюс суждение студента, процессные портфели и короткие устные защиты, — и в сторону от ложного выбора между открытым использованием и полным запрещением.

Что можно сделать на этой неделе

Выберите одно задание, которое вас беспокоит, и внесите два изменения: явно сформулируйте правило по ИИ с однострочным обоснованием и добавьте короткий аудиторный или записанный элемент, показывающий рассуждение студента без ИИ. Эта пара сама по себе обычно решает вопрос о том, измеряет ли задание то, что вы хотели им измерять, и почти не стоит вам учебного времени.

Возражения, которые вы, вероятно, услышите

• «Мои студенты говорят, что ИИ им помогает». Обычно он действительно помогает с работой, лежащей перед ними; вывод же касается того, что остаётся после. Спросите, что они ещё могут делать без помощи, и вы получите другой ответ.
• «Инструменты обнаружения — всё, что у нас есть». Они ненадёжны, они неправильно оценивают законную работу, и страх перед ними подавляет разрешённое использование — 41.5% не начавших пользоваться в одном исследовании сослались на этот страх. Доказательства процесса сильнее и справедливее.
• «У меня 200 студентов; я не могу читать черновики». Вам не нужно читать всё. Короткие устные проверки, письмо в аудитории и рефлексивные заметки о взаимодействии с ИИ дешевле полного разбора черновиков и гораздо более диагностичны.
• «Я не преподаю ИИ; это не мой предмет». Эти выводы касаются вашего предмета: именно тогда, когда ИИ выполняет практику, которую ваш курс существует для того, чтобы обеспечить, он и мешает.
• «Запретить проще». Проще, и обычно это не работает — внедрение в одном исследовании отслеживало культуру программы, а не политику какого-либо одного курса, и раскрытие занижало фактическое использование в каждом курсе.

Для версии этих недоразумений по каждому заинтересованному участнику см. Как мы можем разобрать распространённые заблуждения об ИИ в образовании?; для требований к дизайну, вытекающих из выводов 9 и 10, см. Как исследования ИИ в образовании должны учитывать справедливость, доступность, конфиденциальность, этику и педагогическую безопасность? и Как следует перепроектировать оценивание в эпоху ИИ?.

Одна важная оговорка: база доказательств по генеративному ИИ развивается быстро. Большая её часть состоит из кратких вмешательств, исследований самоотчёта, отдельных дисциплин или формирующихся работ 2025–2026 годов, и выводы зрелых исследований Интеллектуальное тьюторство в целом сильнее утверждений о неограниченных чат-ботах общего назначения. Будьте особенно скептичны к результатам, которые показывают только удовлетворённость студентов, скорость выполнения задачи, качество выдаваемого продукта или непосредственную успешность при поддержке, не измеряя отсроченного или безопорного обучения.