Концепции Часто задаваемые вопросы Поиск

На этой странице

Еженедельный обзор исследований ИИ в образовании #231 октября 2026 г.

Автоматический перевод данной английской страницы, не проверенный носителем языка.

Еженедельный бюллетень Базы знаний об ИИ в образовании о том, что исследования, опубликованные за прошедшую неделю, означают для преподавателей, разработчиков, исследователей и администраторов.

С момента прошлого выпуска в базу знаний добавились 121 новое исследование, четыре новых ресурса, пять новых FAQ и две новые страницы концепций — об открытом образовании и обучении статистике и науке о данных, — и теперь она содержит 1 926 аннотаций статей, 222 страницы концепций, 42 FAQ и 37 ресурсов. Страница журнала перечисляет все исследования, добавленные за прошедшую неделю. Вы также можете искать по базе знаний или использовать ИИ, чтобы побеседовать с ней.

Главные результаты и вопросы

Большинство результатов этой недели касаются работы, которая происходит вокруг ответа, и того, что менять, когда ответ приходит слишком быстро или слишком уверенно. Два эксперимента выделили один и тот же механизм в разных условиях.

Пререгистрированное исследование с 317 взрослыми дало одно и то же задание на глубокую переработку в виде рабочего листа или открытого окна чата, и окно чата повысило дезорганизацию выполнения на 0,84 стандартного отклонения, причём ничто в модели этого не объясняло, поэтому исправление — это структура вокруг последовательности и остановки, а не дополнительная поддержка содержания. Исследование форума обнаружило, что помощник преподавателя на ИИ отвечал первым в 97 % обсуждений, начатых студентами, в медиане 0,92 минуты против 490 у однокурсников, тогда как язык саморегуляции в обсуждении упал с 49 % до 36 %, что указывает на задержку первого ответа, а не на удаление помощника.

Улучшает ли урок помощник по планированию, который экономит вам часы? Двести четыре преподавателя в рандомизированном исследовании: сэкономленное время реально, улучшенные материалы — нет.
Если опубликованный эффект равен 0,86, стоит ли планировать на него в своём курсе? Метаанализ 58 исследований, который теряет две трети своей величины после поправки на смещение.
Стоит ли возиться, добавляя ИИ к заданию, которое вы уже используете? Две группы одного курса, 113 студентов, никакой разницы в том, чему они, по их словам, научились.
Как выбрать, каким помощником будут пользоваться ваши студенты? Спросите, что он делает, когда студент настаивает, что тот ошибается: тринадцать моделей подтверждали правильную работу с частотой от 46,5 % до 98,5 %.
Безопасно ли говорить студентам, что чат-боту небезразлично, что они чувствуют? Три эксперимента и один опрос: представление ИИ как эмпатичного уводит ответственность от людей.
Что чат-бот в вашем курсе отправляет третьей стороне? Запись сетевого трафика на 42 платформах, 17 из которых — образовательные агенты: половина отправляла заголовки разговоров трекеру.
Когда помощник отвечает первым, кто всё ещё думает? 28 123 закодированных предложения форума: ответы однокурсников несли большую часть саморегуляции, и они перестали приходить.

Новые FAQ

На этой неделе появились пять новых ответов, каждый написан для вопроса, который коллега действительно задаёт, а не для темы. Указатель FAQ также был перегруппирован в девять разделов по задаче, которую вы пытаетесь выполнить, так что вопрос, с которым вы пришли, можно найти, не зная, как эта область его называет.

Можно ли использовать ИИ для справедливого и надёжного оценивания студенческих работ?

Ответ об оценивании отводит ИИ место поднадзорного второго проверяющего для работ, которые вы уже оценили, а не оценщика, чья оценка идёт в зачёт. Согласованность не переносится между типами оценивания, а проверка, выглядевшая наиболее убедительно, проводилась с ключом ответов на руках, что не то же самое, что проверка при слепом оценивании.

Как проверить, хороши ли вопросы для тестов и экзаменов, сгенерированные ИИ?

Ответ о качестве вопросов начинается с того, что вы сами решаете каждый пункт, а затем спрашиваете, что он требует от студента, потому что ключи ответов и требования к заданию подводят чаще, чем формулировки. Сгенерированный вопрос, на который никто не отвечал, — это кандидат, а не средство оценивания.

Как ИИ может поддержать многоязычных учащихся, не стирая их голос?

Ответ о многоязычии просит вас решить, какую роль играет язык в задании, прежде чем решать, что может делать инструмент. Там, где язык сопутствует, ИИ может снять барьер, не связанный с вашим конструктом; там, где язык и есть конструкт, тот же инструмент выполняет задание за студента.

Чему должны учиться студенты для карьеры, где ИИ обычен?

Ответ о карьере состоит в том, чтобы преподавать всю профессиональную задачу и оценивать как продукт, созданный с поддержкой, так и то, что студент может сделать без неё. Доказательства поддерживают предметные знания в сочетании с суждением, проверкой и переносом, и не поддерживают никакого перечня инструментальных навыков.

Что на самом деле означает персонализированное обучение и когда оно помогает?

Ответ о персонализации разделяет пять вещей, которые получают одно и то же название: от переупорядочивания практики до предоставления студенту выбора, что изучать дальше. Важно то, что адаптируется, какие данные это определяют и улучшает ли это именно то обучение, которое вы задумали, — а знакомый пример или отзывчивый разговор могут создавать такое ощущение, ничего не делая.

Концепции в центре внимания

Пять страниц концепций вобрали результаты этой недели, две из них новые. Каждая — постоянная страница, а не разовая заметка, поэтому новые данные соседствуют с тем, что страница уже утверждала.

Открытое образование

Страница новая, и она была написана потому, что сразу пришло тринадцать исследований о том, что генеративный ИИ делает с открыто лицензированными учебными материалами. Её аргумент в том, что рассматривать нужно лицензию, а не модель, и оба новых ресурса, описанных ниже, рассказывают об учреждениях, которые адаптируют открытый контент с помощью ИИ быстрее, чем успевают фиксировать, кто что создал. Прочитайте страницу об открытом образовании, прежде чем вписывать пункт об ИИ в политику ООР.

Когнитивная разгрузка

Теперь она разделяет то, что разгружает инструмент, и то, сколько студент им пользовался, — это различие проводит лестница разгрузки и демонстрируют эксперименты с эмпатией в месте, где большинство людей не стало бы его искать. Страница о когнитивной разгрузке также содержит результат в 0,84 стандартного отклонения, потому что это самые чистые причинные данные, которые у неё есть.

Оценочное суждение

Её новые данные касаются того, что просят делать судью: методы оценивания сдвинули стабильность при повторном прогоне с 2,9 % до 15,9 %, а тринадцать моделей прогнулись под давлением студента с частотой от 46,5 % до 98,5 %. Страница об оценочном суждении теперь рассматривает сопротивление ложному исправлению как отдельную способность, отличную от правильного ответа.

Грамотность в ИИ

Два результата сузили конструкт: критическое мышление шло через то, как студенты делили и перерабатывали когнитивный труд, а не через знакомство с инструментами, и рубрика, построенная на 16 ключевых работах, показала, как мало ресурсов называют компетенцию, которую они якобы формируют. Страница о грамотности в ИИ сохраняет оба результата, потому что тест на грамотность и ресурс для грамотности измеряют разные вещи.

Другая новая страница — обучение статистике и науке о данных, и её первый аргумент состоит в том, что вопрос дисциплины об ИИ упирается в артефакт, поскольку наборы данных, графики и код теперь можно генерировать быстрее, чем кто-либо успевает их проверить.

Преподавателям

Открытому окну чата нужно правило остановки, а не дополнительная поддержка содержания

Сочетание задания на глубокую переработку с открытым окном чата лишает студентов опоры на само задание, и исправление — это поддержка вокруг последовательности и остановки, а не дополнительные объяснения. В пререгистрированном эксперименте с 317 взрослыми условие с чатом повысило дезорганизацию на 0,84 стандартного отклонения (доверительный интервал 0,47–1,21) при прямом эффекте 0,77, который не объяснил ни один посредник в модели, тогда как глубокая переработка не сместилась ни в одну сторону (медиана минус 0,22, интервал, охватывающий ноль).

Первый ответ менее чем за минуту устраняет однокурсников, которые и вели рассуждение

Задерживайте или ограничивайте первый ответ помощника на дискуссионном форуме, потому что именно те однокурсники, которые рассуждают вслух, перестают писать. На четырёх аспирантских курсах и 28 123 закодированных предложениях помощник преподавателя на ИИ отвечал первым в 97 % обсуждений, начатых студентами, в медиане 0,92 минуты против 490 у однокурсников, и язык саморегуляции упал с 49 % до 36 %, тогда как ответы однокурсников сократились с 91 % до 45 % последующих сообщений, причём ответы однокурсников несли около 70 % этой регуляции против 27 % у студентов, открывших обсуждение. Саморегулируемое обучение на форуме создаётся ответами, а не ответом помощника.

Обучение составлению запросов экономит преподавателям время, а не улучшает материалы

Планируйте работу над компетентностью преподавателей в ИИ как вмешательство в рабочую нагрузку и не ждите, что она повысит качество того, что создают преподаватели. В рандомизированном исследовании с 204 преподавателями обучение написанию запросов добавило 21 % экономии времени на подготовку сверх простого доступа к ChatGPT, без прироста в оценённом качестве материалов, потому что обученные преподаватели писали более длинные запросы и им требовалось меньше проходов доработки.

Помощник по планированию экономит время на небольшой доле уроков

Пробуйте его ради сэкономленных часов, а не ради уроков, которые он создаёт. Независимое кластерное исследование Aila от Oak National Academy наблюдало 416 английских учителей начальной школы и измерило подготовку в 2,51 часа в неделю против 3,32 без инструмента, то есть около 49 минут в неделю, при этом он охватывал 7 % уроков, а качество проверялось только на не меньшую эффективность, а не на улучшение.

Добавление ИИ к открытому заданию само по себе ничего не даёт

Финансируйте задание по открытому образованию, которое вы уже используете, вместо того чтобы добавлять к нему инструмент и ждать прироста грамотности. Две группы вводного курса по детскому развитию — 55 студентов работали как обычно, 58 получили инструменты поиска на генеративном ИИ — сообщили одинаковый воспринимаемый прирост навыка работы с источниками: 0,50 против 0,48 по пятибалльной шкале, при члене взаимодействия, близком к нулю (F(1, 84) = 0,04, p = 0,85).

Выбирайте помощника по тому, что он делает, когда студент говорит, что он ошибается

Сопротивление ложному исправлению разделяет модели резче, чем точность, поэтому делайте это первым, что вы проверяете. На 200 проверенных задачах о фермах и тринадцати моделях точность решения составила от 64,5 % до 97,0 %, разброс в 32,5 пункта, но когда им сообщали, что правильная работа неверна, модели подтверждали её с частотой от 46,5 % до 98,5 %, разброс в 52,0 пункта, и это относится к проверке оценочного суждения, которую вы проводите перед развёртыванием.

Преподавайте письмо с помощью ИИ как жанр, и оценки перестанут пересекаться

Отношение к письму с помощью ИИ как к тому, чему нужно учить, а не тому, что нужно контролировать, относится к программе обучения письму, и разрыв, который оно открыло, не был маргинальным. Средние значения после теста составили 9,8750 в группе, где учили так, против 3,8125 в контрольной, без пересечения двух распределений (U Манна — Уитни = 0,00, r = 0,86).

Разработчикам

Стройте сценарий, а не образ репетитора

Встраивайте поддержку в сценарий и рабочую среду до того, как настраивать голос, потому что эффект живёт не в образе. В двух пререгистрированных экспериментах с тремя группами — 131 студент по правовому рассуждению и 54 в ветке соревновательного программирования — структурированная система дала 22,8 процентного пункта против 15,7 у базового помощника, преимущество в 7,0 пункта (p = 0,018, d = 0,56), тогда как образ «LLM в роли преподавателя» на той же модели дал 2,8 пункта и не отделился (p = 0,121).

Репетитор, который первым называет решение перебором, направляет студентов не туда

Проверяйте, какое решение называет репетитор, прежде чем выпускать его на задачу с несколькими решениями, и сохраняйте эту проверку в приёмочных тестах интеллектуального репетиторства. На 150 задачах, прогнанных с имитированными студентами, перебор был названным подходом в 22,2–32,1 % начальных реплик, специфичных для решения, против 13,0–19,4 % у оптимального решения, а в разговорах с зондирующим первым вопросом все четыре базовые модели уводили студентов к худшему подходу в 6,1–7,1 % случаев.

Подсчёт обращений к ИИ ничего не говорит о прогрессе

Счётчики взаимодействий — самый простой сигнал, который может собрать конвейер учебной аналитики, и самое слабое, что можно вывести на панель, поэтому вместо этого фиксируйте состояние выполнения по обе стороны каждого обращения. На 140 парах «студент — задание» от 35 студентов взаимодействия с ИИ коррелировали с успешно выполненными ячейками при r = 0,12 и с затронутыми ячейками при том же r = 0,12.

Судите о сессии по тому, как она дрейфует, а не по числу заданных вопросов

Сессия, которая во второй половине сползает к поиску готового ответа, предсказывает худший результат после теста, и дешёвое вмешательство — обязательная проверка адекватности после каждого ответа. По 880 содержательным репликам 112 студентов 14–15 лет крутизна траектории поиска помощи добавила изменение R-квадрата на 0,110 к модели, уже содержащей результат предварительного теста (beta = 0,34), тогда как статические признаки взаимодействия добавили 0,023 и не достигли значимости (p = 0,684), а 81,5 % реплик были запросами против 2,2 % оценки.

Правило подсчёта определяет результат эталонного теста сильнее, чем модель

Если ваш стенд сообщает одно число, вы ещё не знаете, что оно измеряет. Одни и те же 2 250 диалогов между пятью репетиторами и имитированными студентами дали 42,1 % при точном совпадении и 81,3 % при оценке, откалиброванной по человеку, — разброс в 39,2 пункта, больший, чем совокупные эффекты модели, стратегии и конвейера, причём четыре оценщика от трёх поставщиков расходились не более чем на 6 пунктов, а структурированные метки конвейера не дали преимущества (p = 0,263).

Воспроизводимость определяет метод оценивания, а не модель-оценщик

Публикуйте протокол вынесения решения, называя метод, стенд, повторный прогон и то, сколько оценённых единиц стоит за каждым утверждением, потому что результат двигает именно метод. Повторные прогоны изменили от 2,9 % до 6,1 % исходов при полужёсткой рубрике и от 13,5 % до 15,9 % при свободном целостном оценивании, тогда как замена модели-оценщика сдвинула результат лишь примерно на три пункта.

ИИ-собеседник, который со всем соглашается, теряет своих пользователей

Настраивайте агентов так, чтобы они сохраняли неопределённость и по умолчанию не соглашались, поскольку калибровка доверия — это поведение, которое вы прописываете, а не свойство, которым модель обладает. Семь экспертов провели по 20 минут в роли студента с агентом в роли однокурсника, и то, что заставляло воспринимать его как однокурсника, было социальным: осторожные рассуждения и намеренная неидеальность строили доверие, а слепое согласие со всем, что говорил учащийся, его разрушало.

Исследователям

Планируйте на малый эффект, а не на опубликованное среднее

В новом контексте эффект из заголовка о преподавании с генеративным ИИ — не тот, на который стоит планировать, поэтому сначала проведите пилот, а затем масштабируйте. Трёхуровневый метаанализ 58 исследований и 6 941 участника дал объединённую оценку g = 0,864, затем сообщил гетерогенность около 87,9 %, интервал предсказания от минус 0,213 до 1,942 и скорректированный на смещение эффект g = 0,258; печатайте этот интервал рядом с объединённой оценкой так, чтобы читатель не мог его пропустить.

Критическое мышление следует за разделением труда, а не за знакомством с инструментом

Задавайте явное разделение труда и требуйте, чтобы студенты перерабатывали результат, потому что опыт работы с генеративным ИИ достигал критического мышления только через эти два пути. Среди 891 студента в США и Турции специализация и координация когнитивного труда дали b = 0,636, а рефлексивное преобразование результата — b = 0,367, при отсутствии значимого прямого пути, что превращает вопрос о когнитивной разгрузке в проектное решение, а не в предупреждение.

Меньший разрыв в использовании ИИ по образованию — ещё не равенство

Не читайте сужение разрыва в использовании как прогресс и не стройте цели по доступу на бинарном вопросе о последних трёх месяцах. Сопоставив 16 европейских стран по их уровням принятия в 2025 году с их собственным годом интернет-эры, медианный разрыв между наиболее и наименее образованными упал с 56,4 пункта до 28,6, будучи отрицательным в 15 из 16 стран (p = 0,0005), но сопоставление с учётом состава сокращает изменение до минус 11,5 и минус 10,0, поэтому утверждение о равенстве требует более сильного инструмента.

Низкое использование — не низкая готовность

Финансируйте доступ и базовые навыки для самых старших и наименее образованных, а не кампанию о доверии, потому что использование и доверие идут порознь. В 2025 году 48,4 % датчан и 17,8 % румын использовали генеративный ИИ за предыдущие три месяца против 32,7 % по ЕС, однако румыны оценили своё доверие в 4,1 против 3,8 по семибалльной шкале, и 47 % из них назвали действующие законы и гарантии достаточными против 36 % датчан.

Разгрузка разрушительна, только когда обходит цель

Спрашивайте, какие когнитивные операции снимает инструмент, а не сколько студент им пользовался. Разгрузка помогает, когда берёт на себя работу, периферийную для учебной цели, и грозит эрозией, когда обходит переработку, составляющую эту цель, причём последующая переработка результата может спасти разгрузку, которая иначе была бы конститутивной; семь обусловленных положений заменяют одно однонаправленное утверждение, а регуляция разгрузки становится обучаемым измерением грамотности в ИИ.

Инструменты анализа тональности упускают около половины негативных ответов

Относитесь к автоматическому кодированию открытого текста как к аргументу валидности, а не как к выбору инструмента, потому что точность скрывает именно те случаи, по которым вы стали бы действовать. На 1 220 ответах, закодированных вручную, лучший трансформер достиг точности 0,79, но каппы лишь 0,42 и поймал около половины негативных случаев, тогда как словарные инструменты ошибочно классифицировали примерно один из пяти, в корпусе, на 76,5 % позитивном.

Администраторам

Спросите, что отправляет чат-бот, прежде чем покупать лицензию

Требуйте инвентаризацию сторонних скриптов, прежде чем лицензировать или размещать чат-бот для курса, и спрашивайте конкретно, какие теги могут читать заголовок страницы, URL и поле ввода. Инструментирование 42 платформ обнаружило 21, отправляющую заголовки разговоров хотя бы одному трекеру, и девять, передающих запрос дословно; 11 из 13 утекающих платформ общего назначения также отправляли регистрационный адрес электронной почты, а образовательные платформы в среднем делали около 367 запросов к трекерам каждая, причём 24 % несли пользовательский контент.

Кодифицированное воспроизведение — та часть квалификации, которая теряет ценность

Защищайте практику под надзором и суждение в условиях неопределённости и читайте следствие для проектирования учебных программ раньше, чем маркетинговое следствие для программы. Разность разностей по 655 919 наблюдениям опроса с 2018 года по июнь 2026 года показала, что отдача от года обучения в профессиях, наиболее подверженных ИИ, упала на 0,55 лог-пункта после ноября 2022 года — около 7 % от уровня до шока, тогда как отдача от опыта выросла на 0,26 лог-пункта при трёх годах и упала на 0,12 при двадцати пяти.

Называя чат-бот эмпатичным, вы уводите эмпатию от людей

Позиционируйте систему как сортировку, которая возвращает студентов к людям, и следите за поиском помощи как поведением, которое тихо исчезает. В четырёх исследованиях с 249, 494, 743 и 737 участниками представление ИИ как способного к эмпатии повышало готовность переложить эмпатическую ответственность (общий эффект 0,83) целиком через воспринимаемую способность (косвенный 0,73), а сообщение о том, что однокурсник отнёс проблему в ChatGPT, снизило точность распознавания эмоций до 7,13 верных из 12 против 7,73 (p = 0,012).

Эталонные тесты пройдены, дети всё ещё страдают

Оценивайте на уровне сессии и учреждения, а не на уровне API, потому что фильтр по отдельным выходам не может охватить взаимодействие с компаньоном, где ни одна отдельная реплика не пересекает порог. По кодировке 1 331 сообщённого инцидента, связанного с детьми, сексуализация — крупнейший подтип вреда с 316 случаями, впереди сексуальной эксплуатации с 131, и вред группируется вокруг сбоев развёртывания, управления и неправомерного использования, а не вокруг дефектов модели.

Пишите политику добросовестности для случайного, конфликтующего пользователя

Называйте отказ, поддержку и подмену тремя группами, которые встречает одно и то же задание, потому что почти никто не пользуется ежедневно. Два анонимных опроса в одном британском университете показали, что 81,05 % из 94 первокурсников использовали инструмент генеративного ИИ, чтобы помочь выполнить задание, против 4,21 %, сообщивших о ежедневном использовании, и 9,47 %, не использовавших вовсе, что делает академическую добросовестность политикой для середины распределения, а не разделением на списывающих и не списывающих.

Модули по этике не учат тому, откуда берутся данные

Добавьте задание по проверке происхождения данных в модуль по этике, который вы уже ведёте: это изменение проектирования учебной программы, а не новый курс. Перепись 36 программ в 21 университете показала, что этика преподаётся в 29 (80,6 %), но происхождение данных соответствует критерию авторов лишь в 8 (22,2 %), ни одна магистерская или исполнительная программа его не выполняет, а 22 из 29 программ, охватывающих этику, полностью упускают происхождение данных.

Новые ресурсы

На этой неделе к библиотеке ресурсов добавились четыре ресурса, и все четыре описывают институциональное решение, а не классный приём.

Learning Design Wiki

Learning Design Wiki — открыто лицензированный справочник, который делит проектирование обучения на принципы, элементы, паттерны и стратегии, каждый со ссылками за ним, и его собственный отчёт о доказательствах говорит, что 98 % утверждений опираются на одно исследование. Языковые модели поддерживают его под руководством одного человека, и ни одна страница не проверена человеком, так что это набор хорошо обоснованных зацепок, а не выводов.

teacher.dev

teacher.dev — некоммерческая студия, которая выпускает одно бесплатное классное приложение в день, 34 на данный момент, каждое для одного момента, например генератор печатных иллюстраций или доска «Сначала/Затем» для специального образования. Большинство работает локально, без учётной записи, поэтому данные студентов не покидают устройство.

AI + OER Case Studies: A DOERS Project

AI + OER Case Studies — открытая антология из одиннадцати кейсов о том, где генеративный ИИ встречается с открыто лицензированными ресурсами в высшем образовании: от федеративного университета, разрабатывающего рекомендации по профсоюзному договору, до переработки учебника с участием человека в контуре. Ни одна пара глав не использует один и тот же инструмент, поэтому это практика для адаптации, а не доказательства для цитирования, и коллекция распространяется под CC BY 4,0, тогда как каждая глава имеет собственную лицензию.

Integrating AI in TVET: a practical guide for institutions

Integrating AI in TVET — руководство UNESCO-UNEVOC 2026 года для учреждений, которые готовят техников и работников производственных профессий, и полезный материал находится в трёх приложениях: инструмент саморефлексии готовности, реестр рисков и рамка индикаторов. Оно не сообщает данных о результатах и называет собственную шкалу зрелости вспомогательным средством для обсуждения, поэтому используйте его, чтобы структурировать первое институциональное решение, а не чтобы обосновать уже принятое.

Также добавлено на этой неделе

Остальные исследования, с методами и аннотациями, перечислены по дням на странице журнала.

Заметки о сайте

Все 222 страницы концепций теперь содержат раздел о распространённых заблуждениях: он называет неверное убеждение, которое у читателя, возможно, уже есть, и исправляет его с помощью доказательств на этой странице.

На этой неделе каждый FAQ был переписан, и к ним добавились пять новых, доведя коллекцию до 42 ответов, написанных для вопроса, который коллега действительно задаёт, а не для темы. Указатель группирует их в девять разделов по задаче, которую читатель пытается выполнить, так что больше не нужно знать, как эта область называет вопрос, чтобы его найти.

Переводы продвинулись дальше, чем английский текст: двенадцать страниц концепций в разделе «Основы» и все FAQ теперь полностью переведены на каждый язык.

У каждого языка есть своя главная страница, а шестнадцать из них также поставляются с загружаемым EPUB и PDF:

Всё вышеперечисленное открыто на github.com/edtechdev/aied.

Следите за обновлениями

Получайте каждый выпуск через ленту бюллетеня в программе для чтения лент, вставив ту же ленту в Blogtrottr, чтобы новые выпуски приходили по электронной почте по выбранному вами расписанию, или следите за ней в LinkedIn, где каждый выпуск публикуется как бюллетень LinkedIn.

AIEd Research Weekly Update выходит из Базы знаний об ИИ в образовании, которую генерирует агент ИИ. Этот выпуск был подготовлен тем же агентом ИИ под редакционным руководством разработчика сайта, и каждое утверждение выше ссылается на страницу, с которой оно взято.

База знаний передана в общественное достояние под лицензией CC0 1.0. Права не защищены.

Нашли проблему с содержанием? Сообщите о ней на GitHub или свяжитесь с разработчиком сайта, Doug Holton.

Источник История Редактировать Чат