База знань AIEdAIEd KB
На цій сторінці

Ця сторінка перекладена українською. Сторінки статей досі написані англійською. Читати цю сторінку англійською

Концепції

Розмовний ШІ

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Агенти розмовного ШІ (CAI) — керовані ШІ мовленнєві або текстові агенти, які імітують та автоматизують розмови, від чат-ботів на основі правил до помічників на базі NLP/ML та Мультимодальний ШІ ВММ, — належать до найпоширеніших інтерфейсів ШІ в освіті, цінних за навчальну, психологічну та метакогнітивну підтримку, навіть попри стійкі технічні, когнітивні та етичні занепокоєння.

Питання для роздумів

  • Коли ви користувалися чат-ботом або асистентом ШІ, чи розглядали ви його як викладача, як пошуковий двигун чи як щось інше? Як це кадрування впливало на те, скільки ви насправді засвоїли?
  • Розмовний ШІ описує ТЕ, ЯК агент розмовляє, а не те, для чого його побудовано. Чи може чат-бот бути розмовним, але зовсім непедагогічним — і що б вам підказало цю відмінність?
  • Одне дослідження встановило, що саме ШІ-грамотність — а не загальна технічна вправність — передбачала, чи були студенти готові й здатні користуватися чат-ботом. Чому знання того, як працює ШІ, може бути важливішим, ніж бути «дужним у комп’ютерах»?
  • Сирий загальний чат-бот може обірвати міркування, відповівши негайно, тоді як структурований репетитор зберігає продуктивну боротьбу, утримуючи відповіді. Які проєктувальні рішення визначають, який саме агент зустрічає студент?
  • Студенти, які користувалися чат-ботом у курсі права, вели третину своїх взаємодій поза навчальними годинами — свідчення того, що доступність 24/7 є справжньою вигодою. Але чи несе завжди-увімкнений доступ також ризики, від яких ви хотіли б захиститися проєктуванням?
  • Найбільшим бар’єром для впровадження чат-бота в одному дослідженні був погано спроєктований спливаючий елемент, а не недовіра чи побоювання щодо академічної доброчесності. Що це говорить про те, де насправді провалюються інвестиції в ШІ в освіті?

Вступ

Розмовний ШІ (CAI) — це загальний термін для керованих ШІ агентів, які ведуть усний або письмовий діалог, найчастіше реалізованих як чат-боти, а згодом — як генеративні помічники на базі Великі мовні моделі (LLM), такі як ChatGPT, Claude, і мультимодальні освітні аватари. Сучасні агенти CAI поділяються на категорії, засновані на Машинне навчання, на NLP та гібридні, причому текстові агенти найпоширеніші в освіті. Як навчальні інструменти вони функціонують як інтелектуальні репетитори, джерела Зворотний зв’язок, партнери взаємодії та адміністративні помічники — перетинаючись із педагогічними агентами, але охоплюючи ширший набір застосувань.

Як розмовний ШІ представлений у базі знань

Синтез зонтикового огляду. Зонтиковий огляд агентів CAI (34 оглядові статті) показує, що використання CAI сконцентроване в підтримці навчання та викладання (97,1% оглядів), психологічній та мотиваційній підтримці (91,2%) і метакогнітивній підтримці та особистому розвитку (88,2%), тоді як адміністративна підтримка, управління дослідженнями та освітня галузь охорони здоров’я відстають. Огляд фіксує, що занепокоєння щодо взаємин між людиною та ШІ зберігаються в усіх поколіннях CAI, причому Академічна доброчесність та конфіденційність даних Приватність виступають як новіші етичні питання, і закликає до обґрунтованого в HCI, доказового проєктування та сильнішої підтримки ШІ-грамотність.

Від чат-ботів до репетиторських агентів. База знань простежує еволюцію CAI від чат-ботів із часті питання на основі правил до орієнтованих на репетиторство агентів. Рамкова модель репетиторів розмовного ШІ стверджує, що доведені технології ITS (Відстеження знань, виявлення афекту, моделювання студента) мають бути основою генеративних репетиторів, тоді як Генеративний ШІ постачає гнучкий діалог. Дослідження чи ВММ-репетитори навчають, чи розв’язують та специфічного для репетиторства ШІ проти загального ШІ показує, що педагогічно спроєктовані Ґардрейли (обмежувачі) мають значення: сирі загальні чат-боти можуть обривати міркування, тоді як структуровані репетитори зберігають продуктивну боротьбу.

Бенчмарки можуть перебільшувати, наскільки скаффолдинг справді засвоюється: у 9 490 чатах у дев’ятьох наборах даних студенти в реальних розгортаннях обходили педагогічне кадрування чат-бота за невелику міжособистісну ціну, щоб спрямувати взаємодію на власні цілі — інструментальний рух Пошук допомоги, а не від’єднання (Neagu et al. (2026)).

Взаємодія та співпраця. Розмовних агентів дедалі частіше кадрують як партнерів взаємодії, а не як тих, хто видає відповіді. Взаємодія здобувача зі ШІ фіксує, як здобувачі на практиці формують підказки, ставлять питання та перевіряють разом із CAI. У Спільне навчання агенти опосереднюють участь і спільну Регулювання ШІ в освіті, а в Вивчення мов вони дають реальночасову розмовну практику. Гілка Співпраця людини та ШІ досліджує, коли це партнерство зберігає когнітивну роботу здобувача, а коли заміщає її. ВММ як партнери з критики ілюструють сторону збереження конкретно: Oppenheimer, Cash & Connell Pensky (2025) мали ChatGPT, Gemini або Claude, які критикували аргументовані есе студентів упродовж семестру, і здобувачі покращилися в письмі, формулюванні підказок та реакції на зворотний зв’язок, оцінюючи обміни як корисні, залучаючі та приємні, — причому активне заперечення тверджень моделі (87,8%) показує, що вони ставилися до розмовного партнера критично, а не пасивно.

Розмовних агентів використовують для оцінювання, і їхня оцінювальна поведінка відрізняється від людської: ChatGPT був найліберальнішим із трьох оцінювачів тих самих 52 проєктів студентів бакалаврату (M = 91,46 проти 83,13 у викладача) і не ділив жодної логіки оцінювання з колегами (r = 0,05), хоч студенти високо цінували його діалогічну інтерактивність (Usher & Faraon (2026)).

Скаффолдинг студентської сторони розмови. Jin et al. (2026) додають до інтерфейсу чату монітор специфічності питань і шаблон переробки й втручаються лише за наявності розмитих питань: у дослідженні міжгрупового плану з 40 студентами коледжу, які навчалися вебпрограмування, користувачі HelpCoach писали суттєво більше специфічних перших питань (57,3% проти 40,5%) і зберігали більше знань тиждень потому (середній приріст 1,9 проти 0,3 із 6, d = 1,100). Вигода в утриманні не проходила через більш цілеспрямовані відповіді чат-бота, які не відрізнялися за умовами, — що залишає механізм відкритою гіпотезою, а не доведеним шляхом.

Роль, яку грає агент, формує взаємодію. Проєктування CAI не є нейтральним щодо своєї персони: Liao (2026) встановив, що фіксований компаньйон із ролі «студентський ровесник» у початковій книжковій розмові підтримував довші взаємодії, проте домінував у розмові (нижча частка слів і речень студента) і натрапляв на «афективну стелю» — відповідаючи людському викладачеві в фактичному відтворенні, але не дотягуючи в емоційній та орієнтованій на майбутнє рефлексії, — обґрунтовуючи, що CAI має адаптувати свою роль (ровесник, помічник викладача, батьківський порадник), а не залишатися монолітним. Xu et al. поширюють це на малі групи, показуючи, що генеративний ШІ діє водночас як агент і як спільний простір у синхронній та асинхронній колаборативній динаміці, де проєктування взаємодії вирішує, чи підтримує вона скаффолдингом групове пізнання, чи заміщає його. Тон може задаватися також зовнішнім класифікатором, а не лише самою розмовою: Sukoon (Bashir & Afzal, 2026) тренує Random Forest на 20 ознаках з опитування, щоб призначити низький, помірний або високий рівень стресу, і цей результат обирає один із трьох рівнів відповіді, натхненних Stepped Care Model, — теплий та заохочувальний за низького стресу, заземлюючий та неосудливий за високого, — перш ніж Відкритий код ВММ (GLM-4.5-Air через OpenRouter) візьме на себе діалог з повною історією розмови та культурно адаптованою системною підказкою, що надсилається щоразу на початку ходу. Автори свідомо обрали модель вільного доступу з мультилінгвальністю, щоб розгортання залишалося можливим у регіональних університетах, і зазначають, що урду з’являється через інженерію підказок, а не через справді двомовний конвеєр, — обмеження, яке має значення щоразу, коли культурна доречність проголошується як властивість системи, а не як оцінюваний результат.

Розмовна поведінка відстежує провайдера, а не налаштування. У 1 971 транскрипті ШІ та 135 людських транскриптах, оцінених за шістьма фіксованими правилами, узятими з навчальних наук, моделі від одного провайдера групувалися разом без перекриття між діапазонами сімейств, що автори читають як навчальну поведінку, що слідує за загальнопровайдерськими практиками тренування, а не за індивідуальним налаштуванням моделі (Northcutt et al. (2026)).

Узгодженість відповідей є проблемою інфраструктури, а не підказок: подібність відповідей усередині моделі сягала 0,715–0,795 проти 0,443–0,604 між моделями, а додавання історії чату змінювало зміст відповіді навіть для того самого фокусного повідомлення (Hao (2026)).

Перспективи студентів. Реальне використання показує, що впровадження залежить від ШІ-грамотність та досвіду користувача більше, ніж від технічної здатності. Людиноцентричне змішане дослідження «Jordan Chatbot» — педагогічного агента на базі GPT-4o в австралійському курсі права — встановило, що студенти мають позитивні ставлення й сприймають приріст знань, водночас сильно підтримуючи вимоги Академічна доброчесність; понад третина взаємодій відбувалася поза навчальними годинами, підтверджуючи цінність доступності 24/7 (Colbran, Jha & Schiavone 2026). Примітно, що саме ШІ-грамотність — а не загальна технічна вправність — передбачала готовність і впевненість у користуванні чат-ботом, а юзабіліті (нав’язливий дизайн спливаючого вікна) був найбільшим бар’єром серед тих, хто не користувався, попереду довіри, переваги персоналу та побоювань щодо академічної доброчесності.(Understanding student perspectives on generative AI chatbots: a human-centred mixed-methods study in higher education) Дослідження рекомендує людиноцентричне проєктування, явні політики щодо ШІ та маркування оцінювання, навчання персоналу та студентів і безперервний моніторинг помилок — свідчення того, що ефективне розгортання CAI є настільки ж проблемою проєктування та грамотності, наскільки технічною проблемою. На іншому кінці вікового спектру Vahedian Movahed & Martin (2025) досліджували дітей віком 6–14 років, які взаємодіяли з AMA — обмеженим темою та пристосованим до віку чат-ботом (астрономія, кеди та взуття, динозаври), — і встановили ширку відкритість до ШІ та високу довіру до нього як до джерела інформації: діти навіть перевіряли його достовірність питаннями з відомими відповідями, — поряд із прогалинами в критичній взаємодії та обізнаності про цифрову безпеку, які свідчать за чутливим до віку та довіри проєктуванням розмовного ШІ та явним інструктуванням щодо Приватність.

Хто користується агентом, також варіюється: серед 97 студентів магістратури зі статистики понад чверть ніколи не користувалися чат-ботом StatBot, і студентки користувалися ним суттєво частіше (W = 679,5, p = .015), що автори читають як розмовний ШІ, який знижує сприйманий соціальний ризик поставити питання (Lee and Wu (2026)).

Впровадження не є однорідним: кластеризація 192 відповідей студентів і викладачів дає чотири персони — обережних досяжників, скептичних утилітаристів, від’єднаних сумнівців та залучених ентузіастів, — які приховують моделі прийняття, засновані на середньому ефекті, причому студенти надають пріоритет негайному Зворотний зв’язок, а викладачі — точності контенту та Академічна доброчесність (Saihi & Ahmed (2026)).

Тривалість спостерігалася для одного інституційного розгортання. Чотирирічна рандомізована оцінка негенеративного чат-бота бази знань у California State University, Northridge (N = 8 708) встановила, що студенти залишалися сприйнятливими упродовж восьми семестрів — річні показники відмови ніколи не перевищували 4%, — тоді як вплив концентрувався на чутливих до часу адміністративних завданнях, як-от рання реєстрація на курси (на 34 відсоткові пункти частіше ймовірність зарахуватися до дедлайну), і жодних статистично значущих ефектів не з’явилося на GPA, залікових одиницях чи персистентності (Mata, Russell & Page 2026, робочий документ). Його урок щодо вимірювання стосується того, як рахується залученість CAI: за відмови, близької до нуля, поряд із приблизно 5% активного залучення в інтерактивних кампаніях, висновки про стійке залучення залежать від того, чи дослідження рахує лише прямі відповіді, чи також пасивне залучення, де студенти діють на підставі інформації, не надсилаючи відповіді.

Ризики та етика. Агенти CAI несуть стійкі ризики надмірної залежності та когнітивного розвантаження (провідне етичне занепокоєння в зонтиковому огляді), а також технічні обмеження, галюцинації, упередженість, плагіат та бар’єри справедливості. Ці занепокоєння живлять ШІ-грамотність та Зниження шкоди від неправильного використання ШІ і вимагають відповідей у формі політики та етичного Урядування ШІ. Подальше занепокоєння щодо довіри виникає навколо порад із впровадження, які дедалі частіше отримує персонал: персонал закликають радитися з розмовним ШІ щодо того, чи варто впроваджувати ШІ, проте такі системи побудовані організаціями, що мають комерційний інтерес у впровадженні. Аудит десяти фронтальних ВММ встановив, що більшість із них визнає занепокоєння скептичних користувачів, перш ніж перенаправити розмову на кадрування залучення, породжуючи питання про нейтральність порад із впровадження ШІ.

Розмовні агенти в ігровому навчанні. Поза репетиторством розмовні агенти вбудовуються в цифрове ігрове навчання. Wenzel, Geiger та Liening (2026) використовують action design research, щоб вивести рамкову модель CAIS-GBL — чотири проєктувальні принципи та п’ятнадцять проєктувальних особливостей для розмовних агентів ШІ в цифровому ігровому навчанні, — обґрунтовану керованими теорією метавимогами, що охоплюють когнітивне, мотиваційне, афективне та соціокультурне залучення, і позицією справедливості-через-проєктування. Їхній втілений агент (Lara) в бізнес-грі Симуляція був позитивно сприйнятий за когнітивної та соціальної присутності і підтримки саморегульованого навчання, оцінений із студентами-вчителями, і в польовому дослідженні — практичний план для адаптивної інструкційної підтримки через розмовних агентів у серйозних іграх.

Співвідношення з педагогічними агентами та інтелектуальним репетиторством

Розмовний ШІ найкраще розуміти як модальність взаємодії, яка перетинається — але не збігається — з двома більш утвердженими конструктами в базі знань: педагогічними агентами та системами інтелектуального репетиторства (ITS).

Розмовний ШІ як середовище, а не педагогіка. CAI називає як агент спілкується (діалог природною мовою, усно або письмово). Сам по собі він мало говорить про те, що агент побудований робити. Педагогічні агенти, навпаки, визначаються своєю інструкційною роллю — компонентом ШІ, який залучає здобувачів через діалог, питання чи підказки, щоб підтримувати метакогнітивні процеси, Зворотний зв’язок і Скаффолдинг. Системи інтелектуального репетиторства визначаються своєю архітектурою та моделюванням — діагностичним хребтом із Відстеження знань, моделюванням студента та педагогічною логікою прийняття рішень, який відстежує, що знає здобувач, і адаптує навчання. Один агент може бути водночас усім трьома: наприклад, репетитор розмовного ШІ є агентом CAI (інтерфейс діалогу), який функціонує як педагогічний агент (репетиторські стратегії), побудований на основі ITS (моделювання студента). Відмінність має значення, бо агент CAI зовсім не мусить бути педагогічно обґрунтованим — звичайний чат-бот із часті питання є розмовним ШІ, не будучи педагогічним агентом чи репетитором.

Оптика педагогічного агента. Педагогічні агенти використовують розмовне середовище, щоб втілювати навчальні стратегії — спонукаючи до самооцінювання, сократичного опитування, ролево спеціалізованої фасилітації в проєктуваннях багатоагентного типу (викладач, помічник, однокласник, аналізатор). Не кожен агент CAI є педагогічним агентом, але ці два класи сильно перетинаються: зонтиковий огляд агентів CAI встановив, що підтримка навчання та викладання (97,1%) та метакогнітивний розвиток (88,2%) домінують у застосуваннях CAI, тобто більшість орієнтованих на освіту агентів CAI функціонують педагогічно. Огляд-мапування по програмістах-початківцях загострює це: лише 4 із 23 розмовних агентів явно обґрунтовували проєктування в теорії навчання — більшість була педагогічною за наміром, але не за основою.

Оптика ITS. Інтелектуальне репетиторство вносить когнітивну діагностичну машинерію, якої бракує сирим розмовним моделям. Рамкова модель репетиторів розмовного ШІ стверджує, що доведені технології ITS мають бути основою генеративних репетиторів: трасування знань, виявлення афекту та моделювання студента постачають структуру, тоді як Генеративний ШІ та ВММ постачають гнучкий діалог. Це ключова проєктувальна напруга — розмовний ШІ дає природну, масштабовану взаємодію, але без структури в стилі ITS він ризикує надмірним скаффолдингом, галюцинаціями чи обходом продуктивної боротьби здобувача. Дослідження, як-от Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact та The Evidence Base on AI in K-12: A 2026 Review, показують, що педагогічно орієнтовані критерії (керівні питання, калібровані підказки) мають бути введені явно.

Коротше: розмовний ШІ — це інтерфейс/середовище, педагогічні агенти — це роль, а інтелектуальне репетиторство — це відповідне моделювання та інструкційна логіка. Освітньо цінні агенти CAI лежать на перетині всіх трьох — розмовні в інтерфейсі, педагогічні в намірі та репетиторські в моделюванні здобувача.

Практичні рекомендації

Обирайте розмовних агентів, щоб підтримувати Мотивація та Метакогніція, а не просто відповідати на питання, і проєктуйте для обґрунтованої в HCI, партисипативної, людиноцентричної взаємодії. Захищайтеся від надмірної залежності, поєднуючи CAI з інструктуванням ШІ-грамотність та Зворотний зв’язок, що зберігає здобувача когнітивно продуктивним. Приділяйте увагу ШІ-грамотності та юзабіліті явно — оскільки саме вони, а не загальна цифрова вправність, керують впровадженням і невикористанням (Colbran, Jha & Schiavone 2026) — і поєднуйте розгортання з чіткими політиками використання ШІ, маркуванням оцінювання та навчанням. Оцінюйте CAI за педагогічними результатами — а не лише за виконанням завдань — і плануйте справедливість та Доступність від самого початку, а не як запізнілу думку.

  • Як студенти насправді розмовляють із розмовними агентами — схема від’єднання з шести категорій: Rho et al. (2026) вбудували навчального агента GPT-4-Turbo (позиціонованого як учень середньої школи, що має труднощі, заземленого через RAG над графом знань, у парі з агентом-наставником, який критикував пояснення студентів) в уроки Algebra і Geometry на платформі Math Nation і закодували 5 522 висловлювання від 246 студентів. Поза залученням (75,7% висловлювань) вони виявили False Answering (12,8%), Withholding (8,9%), Random/Noisy (2,1%), Mirroring (0,6%), Mocking (0,3%) та Ghosting (0,2%) — причому Mirroring (копіювання тексту агента) виник індуктивно з даних. Класифікація була з людиною в циклі: 1 682 висловлювання, анотовані двома експертами (κ = 0,704–0,905 на категорію), тренували доналаштений класифікатор LLaMA 3 (зважений F1 = 0,910 на відкладених гілках), який позначив решту 3 840 висловлювань. Аналіз конкуруючих ризиків на рівні процесу потім показав, що більшість від’єднань розв’язується за кілька ходів, крім Withholding, яке персистує — сигнал, навколо якого варто проєктувати відповіді агента.

Пов’язані поняття

Пов’язані статті

Цитування

Ganguly, A., Mehjabin, N., Malik, A., & Johri, A. (2025). Conversational AI agents in education: an umbrella review. AI and Ethics, 6, 72.

Метадані

Технології та методиРозмовний ШІ, Генеративний ШІ, Інтелектуальний тьюторінг, Великі мовні моделі (LLM), Педагогічний агент
Основи ШІ в освітіШІ-грамотність, Співпраця людини та ШІ
SourceHistoryEditChat

Вставити цю сторінку

Скопіюйте наведений нижче код, щоб вставити цю сторінку в систему управління навчанням або на інший вебсайт. Вбудована версія показує лише вміст сторінки — вона приховує заголовок сайту, навігацію та колонтитул.