Каковы передовые практики обучения письму в контексте ИИ?

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Данный FAQ предназначен для преподавателей, которым приходится решать — курс за курсом и задание за заданием, — что именно ИИ разрешено делать в письменных работах студентов. Он опирается на базу знаний ИИ в образовании, особенно на её синтезы по темам ИИ в обучении письму, когнитивная разгрузка, качество обратной связи от ИИ, ИИ-грамотность в обратной связи и академическая добросовестность.

Исследования указывают на один последовательный принцип:

Используйте ИИ, чтобы увеличить объём обратной связи, рефлексии, критики и переработки текста, — а не чтобы снять ту интеллектуальную работу, ради развития которой и существует письмо.

Этот принцип важен потому, что письмо — это не производство отполированного текста, а когнитивный, риторический и социальный процесс. ИИ может улучшить продукт, ослабив при этом процессы рассуждения, авторства, оценки источников и переработки текста, которым ваше задание призвано научить. Всё, что изложено ниже, — это способы применения данного различения.

Восемь обоснованных исследованиями практик для преподавателей

1. Сначала решите, какую интеллектуальную работу студенты должны сохранить, а затем задайте границы для ИИ. Прежде чем решать, «разрешён» ли ИИ, назовите конструкт, который задание развивает или оценивает. Если цель — аргументация, студенты должны формулировать и отстаивать утверждения. Если речь идёт о дисциплинарной интерпретации, они должны выносить интерпретационные суждения. Если это научное рассуждение, они должны связывать доказательства с выводами. Использование ИИ, заменяющее эту работу, подрывает валидность задания, даже если итоговая проза превосходна, — продукт больше не подтверждает тот вывод, который вы хотите из него сделать. Такова центральная логика обучения письму и академической добросовестности, и именно поэтому правила на уровне задания превосходят запреты на уровне курса.

Nash и Burriss показывают, насколько трудно провести эту границу корректно. Среди 27 будущих преподавателей английского языка и их курсовых политик в отношении ИИ 22 допускали ИИ для генерации идей и мозговых штурмов, 22 запрещали или оставляли неопределённым использование ИИ для написания предложений, абзацев или работ, и 22 вообще не упоминали чтение. Выявленное авторами противоречие поучительно: те же преподаватели называли генерацию идей и переработку текста «мышлением», но при этом помещали подлинное мышление только в итоговый письменный текст. Если мышление распределено по планированию, черновикам, правке и оцениванию, — как утверждает исследование письменной речи, на которое опирается данная статья, — то политика, охраняющая только итоговый продукт, охраняет не тот шаг, и чтение заслуживает такого же явного внимания, как и письмо.

2. Предпочитайте «студент думает, ИИ отвечает» схеме «ИИ пишет, студент правит». Это наиболее действенный принцип всей доказательной базы. Исследование Чена, чувствительное к уровням (слоям) письма, охватившее 168 студентов-бакалавров из шести целостных учебных групп, различало поверхностную, структурную, смысловую и рациональную (логическую) разгрузку: открытое сотрудничество с ИИ давало наилучшее качество письма при поддержке ИИ, но наихудшую последующую самостоятельную успеваемость, при этом делегирование рассуждения сильнее всего негативно ассоциировалось с самостоятельным мышлением высшего порядка. Ограниченное условие, которое ограничивало делегирование и требовало от студентов объяснить, как они приняли, модифицировали или отклонили предложения ИИ, давало лучшие результаты в самостоятельном письме, глубине аргументации и переработке текста. Исследование квазиэкспериментальное, с участием лишь шести целостных групп, поэтому к утверждению о причинно-следственной связи следует относиться осторожно, — но картина согласуется с более широкой литературой по разгрузке.

Из этого следует практическое правило: требуйте, чтобы студенты сформулировали собственную интерпретацию, гипотезу, аргумент или анализ до того, как попросят ИИ раскритиковать или развить их. ИИ можно спросить: «Вот три возражения против моего аргумента». Редко следует спрашивать: «Напиши мой аргумент за меня».

3. Будьте особенно осторожны с черновиками, созданными ИИ. В исследовании 253 авторов любая помощь ИИ снижала воспринимаемое чувство авторства, но помощь в написании черновика снижала его сильнее всего, тогда как помощь в планировании — слабее всего; больший объём текста и идей, внесённых ИИ, сопровождался лучшим качеством эссе, но более низким чувством авторства (исследование чувства авторства на этапах от планирования до правки). Компромисс реален: в одной и той же работе вы можете получить лучшее эссе и более слабое чувство авторства. Если сохранение авторства важно в вашем курсе, разделите ИИ, который помогает планированию, и ИИ, который генерирует абзацы, — первый защитим почти везде, второй — редко, когда сочинение и есть целевой навык.

4. Используйте ИИ как одного из партнёров по обратной связи и сохраняйте в системе человеческую обратную связь. Самые сильные данные из учебной аудитории здесь — это PAIRR, охватившее 654 студента из десяти курсов письма и трёх STEM-курсов с интенсивной письменной работой: студенты писали черновики, проводили взаимное оценивание, получали рубрифицированную обратную связь от ИИ, сравнивали и оценивали оба источника, составляли планы правки, правили тексты и размышляли. 58% предпочитали комбинацию взаимной и ИИ-обратной связи, и лишь 6% предпочитали обратную связь только от ИИ. Студенты находили ИИ полезным для общих рекомендаций по рубрике, тогда как сокурсники давали контекстные знания и подлинную реакцию аудитории. Будьте точны в том, что это показывает: PAIRR измеряло опыт студентов и их оценку обратной связи, а не долгосрочные учебные результаты, поэтому это сильное доказательство в пользу дизайна обратной связи и более слабое — в пользу устойчивого улучшения письма.

5. Учите студентов оценивать обратную связь, а не просто запрашивать её. Доступа к хорошей обратной связи недостаточно. Студентам нужна ИИ-грамотность в обратной связи: способность искать обратную связь, судить о её качестве, управлять своей реакцией на неё и превращать её в правку. Студенты с более высокой ИИ-грамотностью в обратной связи получают от ИИ-обратной связи значительно больше пользы, тогда как те, кто воспринимает её как непререкаемый авторитет, — меньше (качество обратной связи от ИИ). Полезным компонентом задания является короткая таблица решений по обратной связи — предложение ИИ → принять / отклонить / модифицировать → почему → критерий рубрики или доказательство, подтверждающее решение. Это превращает продукт ИИ в материал для суждения, а не в инструкции, которым нужно подчиняться, и даёт вам нечто оцениваемое, что не является самой прозой.

6. Сохраняйте часть письма и рассуждения наблюдаемой независимо. Успеваемость с помощью ИИ — это не независимая способность. Оставляйте случаи изъятия: краткое письмо без ИИ, интерпретация в аудитории, устное объяснение, конференция, спонтанная правка или дополнительная задача, требующая переноса того же рассуждения на новый случай. Это важнее всего тогда, когда итоговая работа несёт существенный вес в оценке. Это не означает превращение каждого задания в экзамен под наблюдением, — несколько стратегически размещённых независимых образцов дают и вам, и студенту базис, на фоне которого можно интерпретировать работу с помощью ИИ (когнитивная разгрузка; исследование Чена). Это частный случай письма общего аргумента о перепроектировании оценивания из Как переработать оценивание так, чтобы оценка по-прежнему говорила мне нечто защитимое о том, что студент знает или умеет?.

7. Используйте раскрытие как рефлексию, а не как ловушку. Раскрытие не нейтрально: студенты скрывают использование ИИ, когда политики двусмысленны, карательны или стигматизирующи, и честность может даже привлекать подозрения. Раскрытие работает педагогически, когда делает принятие решений видимым, — для чего использовался ИИ, что ему было предоставлено, какие предложения имели значение и что студент в итоге принял или отклонил (заявления об использовании ИИ и раскрытии; исследование рационализации использования ИИ студентами). Руководство под конкретную задачу лучше, чем общее правило «ИИ разрешён» или «ИИ запрещён», потому что правильная граница различается между мозговым штурмом, развитием аргумента, правкой предложений, работой с источниками и итоговым сочинением. Укажите, как раскрытие повлияет на оценивание, иначе студенты предположат худшее.

Моделирование дизайна оценивания в работе Mohamed и Temimi даёт механизм: раскрытие становится привлекательным вариантом только когда цена честности остаётся низкой, а поскольку ложные срабатывания детектора падают и на честных студентов, более жёсткий мониторинг может сделать сокрытие относительно более привлекательным. Их совет — проектировать для студента, наиболее склонного к сокрытию, и читать заявленное использование как контекст, а не как признание.

8. Не рассматривайте суждение обычной Большие языковые модели (LLM) как замену вашего суждения, особенно в итоговом оценивании. Два на вид противоречащих результата совместимы: тщательно калиброванные системы с подробными рубриками и примерами могут хорошо оценивать отдельные задачи, тогда как готовое оценивание LLM «из коробки», без настройки, существенно расходится с суждением человека. Mathew и соавт. обнаружили слабое согласие между человеком и LLM, которое систематически меняется вместе с качеством эссе, — LLM завышают оценки коротким, поверхностно читаемым эссе и занижают — длинным, более сильным эссе с незначительными поверхностными ошибками, стягивая оценки к середине шкалы. Поэтому применение ИИ гораздо легче обосновать для формирующей обратной связи с низкими ставками, составления комментариев или сортировки, чем в роли автономного итогового оценщика (автоматическое оценивание эссе).

Студенты сами проводят аналогичную границу. На курсе технической коммуникации для студентов-бакалавров, где ChatGPT оценивал рукописные работы и студентам об этом сообщили, все 13 участников нашли обратную связь ясной и полезной для правки поверхностного уровня, однако большинство отделяло полезность обратной связи от оценивающего авторитета, — принимая критику, но настаивая на том, что оценку выставляет преподаватель (Who Should Grade My Work? Student Perspectives on Transparent AI-Assisted Writing Assessment in Higher Education). Эта схема двух суждений говорит о необходимости проектировать человеческий надзор как ту точку, в которой продукт ИИ превращается в оценку, а не рассматривать его как необязательную вежливость.

Универсальная последовательность работы, которую можно принять или адаптировать

Устойчивая последовательность письма в эпоху ИИ сохраняет рассуждение за студентом и ставит ИИ в консультативную роль:

Этап	Ответственность студента	Уместная роль ИИ	Что вы можете собрать
1. Знакомство с фактическим материалом	Читать, наблюдать, аннотировать, считать, проводить эксперимент	Обычно никакой, или только пояснения	Заметки, аннотации, наблюдения
2. Формирование исходной позиции	Генерировать интерпретацию, вопрос, гипотезу, утверждение	Может задавать вопросы или оспаривать допущения	Записка с утверждением или гипотезой
3. Планирование	Определять доказательства, последовательность, аудиторию, жанр	Может критиковать план или предлагать альтернативы; решение принимает студент	План + обоснование
4. Черновик	Создавать содержательную прозу и рассуждение	Ограничена в соответствии с целью обучения	Черновик и история версий
5. Человеческая реакция	Давать и получать обратную связь от сокурсников или преподавателя	Не требуется	Комментарии сокурсников
6. Обратная связь от ИИ	Запрашивать критику, соотнесённую с критериями	Критик, читатель, генератор контраргументов, проверяющий ясность	Транскрипт обратной связи от ИИ
7. Оценка обратной связи	Сравнивать предложения сокурсников, преподавателя и ИИ; принимать или отклонять с обоснованием	Продукт ИИ становится объектом оценки	Записка о решениях по обратной связи
8. Правка	Вносить и обосновывать содержательные изменения	Проверять ясность, предлагать альтернативы	Правка
9. Проверка	Проверять каждое фактическое или опирающееся на источник утверждение	ИИ не может проверять собственный продукт	Источники и доказательства
10. Рефлексия и раскрытие	Объяснять роль ИИ и то, что изменилось в их мышлении	Нет	Краткая рефлексия о процессе
11. Независимая проверка при необходимости	Объяснять или применять рассуждение без ИИ	Нет	Устная защита, быстрая письменная работа, новый случай

По сути это расширенное PAIRR: черновик → человеческая обратная связь → обратная связь от ИИ → критическое сравнение → правка → рефлексия, с независимым базисом и более чёткими границами вокруг рассуждения.

Рекомендации по дисциплинам

Курсы сочинения и письма

Преподаватели сочинения имеют самые веские основания защищать сам процесс письма, потому что черновики, риторические решения, правка, понимание аудитории и развитие голоса — это не просто способы демонстрации обучения, а сами являются целями обучения. Обучайте использованию ИИ поступательно, а не по принципу «или всё, или ничего». В начале семестра соберите несколько независимых образцов, чтобы и вы, и студент знали, на что автор способен в настоящий момент. Затем вводите ИИ главным образом как аудиторию, критика и партнёра по правке: просите его указать, где читатель теряет нить рассуждения, генерировать возражения против тезиса, сравнивать черновик с рубрикой, отмечать неподтверждённые утверждения или объяснять, почему абзац кажется бессвязным. Студенты сами судят о предложениях.

Сохраняйте взаимное оценивание и когда доступна обратная связь от ИИ: сокурсники дают контекстные знания и знание аудитории, которого нет у ИИ, и оценка различий между ними сама по себе является тренировкой писательского мастерства. Будьте консервативны в вопросе о генерации ИИ длинных фрагментов первого черновика, когда целью обучения является сочинение, — на это указывают и доказательства о чувстве авторства, и доказательства о разгрузке, приведённые выше. В то же время избегайте тотальных запретов на помощь с грамматикой, формулировками или языком, — они создают излишние барьеры для многоязычных авторов. Лучший ход — отделить языковую поддержку от интеллектуального авторства: студенты могут получать помощь с выражением мыслей, оставаясь ответственными за идеи, доказательства, риторические решения и смысл. Помните, что обратная связь от ИИ не является языково-нейтральной: Tan и соавт. обнаружили, что одинаковое письмо получало больше похвал и меньше содержательной критики, когда демографические или образовательные атрибуты студента включались в промпт, поэтому аудит предвзятости должен быть частью вашего дизайна обратной связи.

Курсы гуманитарных и социальных наук

Здесь целевой способностью часто является интерпретация, поэтому обеспечьте, чтобы знакомство с источником предшествовало знакомству с ИИ. Студенты должны аннотировать первоисточник, исторический источник, произведение искусства, архивный предмет, интервью или теоретический отрывок и сформулировать исходную интерпретацию до того, как обращаться к ИИ. После этого ИИ становится педагогически полезен как фольга: «Предложи альтернативное прочтение»; «Какие доказательства поставили бы под сомнение мою интерпретацию?»; «Какие допущения делает мой аргумент?»; «Сгенерируй интерпретацию с контрастирующей теоретической позиции». Студент сам решает, какое прочтение подтверждает действительный текст.

Задания также могут сделать критику ИИ самой себя частью дисциплинарного обучения: дайте студентам интерпретацию стихотворения, события, аргумента или социального явления, созданную ИИ, и попросите ответить, что он замечает, что упускает, какие доказательства подтверждают его утверждения, чья позиция отсутствует и где он сворачивает неоднозначность в гладкий ответ. Это сохраняет интерпретационное суждение, которому учат гуманитарные науки, вместо того чтобы рассматривать LLM как оракул. Оценивайте интерпретационные решения и доказательное обоснование, а не отполированность, — короткий вопрос на конференции вроде «Почему вы прочитали этот отрывок именно так, а не так, как в отвергнутой вами альтернативе?» является гораздо более сильным свидетельством понимания, чем догадка о том, «выглядит ли предложение сгенерированным ИИ» (обнаружение ИИ).

STEM-курсы и лабораторные отчёты

Сначала оговорка: в базе знаний гораздо более сильные доказательства об ИИ-поддержке академического письма в целом, чем об ИИ в письме лабораторных отчётов в частности; практические и лабораторные Педагогики и стратегии преподавания остаются недостаточно освещёнными, в том числе в литературе по инженерному образованию. Приведённые ниже рекомендации — это аргументированное применение доказательств о письме, разгрузке, валидности и инженерном деле, а не вывод из большой литературы о лабораторных отчётах.

Проводите границу для ИИ вокруг научного рассуждения, а не прозы в целом. Студенты остаются ответственными за наблюдения, сырые данные, расчёты, погрешности, рисунки, выбор методов анализа, результаты и рассуждение вида «утверждение — доказательство». Как только всё это существует, ИИ разумно может помогать с организацией, читаемостью, переходами и дисциплинарными условностями, — то же различение поверхности и рассуждения, что и выше (исследование Чена)).

Поэтому сильный пакет лабораторного отчёта в эпоху ИИ включает отчёт плюс избранные сырые данные, расчёты или выдачи записной книжки, рисунок с написанной студентом интерпретацией и краткое изложение того, как центральный вывод следует из доказательств. Для ответственных отчётов задайте один-два индивидуальных дополнительных вопроса о графике, аномальном результате, методологическом выборе или ограничении. Не позволяйте беглости письма подменять концептуальное понимание: база знаний сообщает, что автоматическое оценивание физики может занижать оценку концептуального понимания, когда языковое выражение слабее, что сильнее всего бьёт по многоязычным студентам (автоматическое оценивание эссе). Если научное рассуждение и научное письмо — обе цели обучения, оценивайте их отдельно.

Инженерные курсы добавляют профессиональную ответственность. Обзор 99 эмпирических исследований в сфере инженерного образования выявил прозрачность, человеческий надзор, независимость студента, приватность, авторство, справедливость и благодеяние как повторяющиеся этические проблемы и утверждал, что ИИ-этика принадлежит профессиональному становлению, а не только соблюдению правил. В лабораторном или проектном отчёте просите студентов не только раскрыть помощь ИИ, но и заверить, что они проверили расчёты, источники, допущения и утверждения, имеющие отношение к безопасности.

Что перестать делать

• Требовать отполированной прозы, игнорируя процесс. Это делает продукт всё труднее интерпретируемым как свидетельство обучения.
• Опираться на детекторы ИИ. Обнаружение решает задачу обнаружения, а не обучения или валидности оценивания, и его доказательная база слаба: в скрытом полевом исследовании 94% сгенерированных ИИ работ на экзамене не были обнаружены и получили более высокие оценки, чем настоящие студенты, а контрольное исследование показало, что детекторы помечали допустимое лёгкое редактирование с помощью ИИ в 38–80% случаев, но при этом пропускали более 96% гуманизированных переписываний (Detecting the Undetectable? Reassessing Academic Misconduct Procedures in the Era of Generative AI; Why AI Detection Fails for Academic Integrity).
• Давать неограниченный доступ к ИИ, не обучая оценке обратной связи. Это предполагает наличие ИИ-грамотности в обратной связи, которой у многих студентов ещё нет.
• Подменять обратной связью от ИИ взаимодействие с сокурсниками и преподавателем. Это устраняет контекстную и межличностную информацию, которую студенты стабильно сообщают как ценную.
• Написать «ИИ разрешён» и на этом остановиться. Студенты обоснованно читают это как покрытие всего — от проверки орфографии до генерации центрального аргумента. Ожидания на уровне задания яснее и делают раскрытие менее угадыванием (заявления об использовании ИИ и раскрытии).

Быстрое правило для решения о том, что ИИ может делать

Для каждой задачи задайте три вопроса:

Вопрос	Если ответ «да»
Является ли эта когнитивная деятельность само по себе целью обучения?	Сохраните существенную ответственность за студентом.
Понадобится ли студентам эта способность для самостоятельного выполнения позже?	Добавьте самостоятельную практику и некоторое оценивание без ИИ.
Может ли ИИ помочь студентам оценивать, отрабатывать или пересматривать эту способность, не выполняя её за них?	Обычно самый сильный аргумент в пользу интеграции ИИ.

В применении: если цель — аргументация, ИИ может оспаривать аргумент, но не должен штатно его поставлять. Если цель — историческая интерпретация, ИИ может предложить конкурирующее прочтение, которое студент критикует. Если цель — коммуникация в лабораторном отчёте, ИИ может улучшать прозу после того, как студент выполнил анализ и рассуждение. Это на практике та граница «тренер вместо костыля».

Насколько сильны доказательства?

Многообещающие, но пока недостаточно сильные, чтобы оправдать единую универсальную политику письма с ИИ. Часть лучших доказательств поступает из масштабных аутентичных исследований в учебной аудитории, таких как PAIRR с его 654 студентами. Другие выводы опираются на квазиэксперименты, малые экспериментальные выборки, концептуальные анализы и работы 2025–2026 годов: ограниченное исследование письма Чена охватывало 168 студентов, но только шесть целостных групп; исследование чувства авторства использовало короткую экспериментальную задачу на письмо; а исследование, сообщившее о непосредственном приросте качества после практики с ChatGPT, включало лишь 21 студента-первокурсника-иностранца и не установило долгосрочного переноса (Leveraging ChatGPT in academic writing: ChatGPT enhances students' writing quality, writing experience, and ownership).

Относитесь к консенсусу как к принципам дизайна, а не к устоявшимся предписаниям. Самый надёжный межисследовательский вывод — сохранять активность студента, оценочное суждение, независимую компетентность, дисциплинарное рассуждение и человеческую обратную связь, используя при этом ИИ для расширения доступности критики, практики, поддержки правки и языковой помощи.

Краткая версия для учебного плана или семинара для преподавателей: студенты сначала выполняют интеллектуальную работу; ИИ в основном ставит вопросы, критикует, объясняет и поддерживает правку; студенты оценивают, а не просто реализуют его продукт; и оценивание включает достаточно процессуальных или независимых свидетельств, показывающих, что студент действительно может делать.