База знань AIEdAIEd KB
На цій сторінці

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

Концепції

Освіта з комп’ютерних наук (CS Education)

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Освіта з комп’ютерних наук (CS Education) — освіта з інформатики є найбільш дослідженою підгалуззю STEM у цій базі знань, що є результатом природного узгодження між інструментами ШІ та завданнями з програмування. Генерація коду, допомога в налагодженні та автоматизований огляд коду — ось її основні застосування ШІ. Оскільки студенти вчаться будувати ті самі інструменти, якими користуються, освіта з комп’ютерних наук перебуває в центрі дебатів про ШІ-грамотність, перепроєктування навчальних програм, агентну розробку програмного забезпечення та межу між справжнім навчанням і надмірною залежністю.

Питання для роздумів

  • Якщо ШІ вже може писати код, що проходить справжні іспити з програмування, чому студентам усе щі варто вчитися робити вручну — і чому варто припинити вчити в навчальній програмі?
  • Дослідження виявило, що вища довіра до асистента ШІ для програмування передбачала ГІРШУ здатність відрізняти правильні підказки від оманливих. Чим довіра відрізняється від доцільної залежності, і як би ви навчали останньої?
  • У спільному програмуванні студентів із ШІ майже 80% взаємодій покладалися на стратегії, що не ведуть до навчання, як-от перекладання відповідальності за відповіді, і лише приблизно 1 з 9 демонструвала глибоку епістемічну залученість. Чому справжнє навчання рідко відбувається саме по собі, коли доступний ШІ?
  • Навчання через навчання інших, який був надто компетентним, підривав практику студентів із налагодження. Чи зробили б ви свідомо тьютора ШІ таким, що помиляється, — і як саме?
  • Оскільки ШІ автоматизує реалізацію, навчальні програми зміщуються від написання коду до перевірки й керування згенерованими ШІ артефактами. Яких нових компетентностей це вимагає і що може бути втрачено в цьому зсуві?
  • Студенти будують ті самі інструменти, якими користуються. Як об’єднання ролей творця та користувача ШІ змінює те, що їм варто знати про його межі — і про його етику?

Вступ

ШІ в освіті з комп’ютерних наук

  • Генерація та доповнення коду: огляд коду в CS1, DURA для CS2 та помилки в програмуванні природною мовою досліджують, як студенти використовують ШІ для генерації коду і чого вчаться з цього.
  • Розмовні агенти для початківців (систематичний огляд): Barzanji & Loitsch (2025) картографують 23 дослідження (2019 – червень 2024) про розмовних агентів для програмістів-початківців, документуючи зсув від чат-ботів на основі правил до агентів на основі Великі мовні моделі (LLM) і RAG (генерація з доповненням пошуком) (причому генерація з посиленням через пошук знижує галюцинації) та персоналізованої підтримки навчання (наприклад, InfoBot, ProbSol-Bot, Lint Bot, Profe Alex). Прикметно, лише 4 з 23 досліджень обґрунтовують дизайн теорією навчання, а 17 із 23 прототипів є винятково англомовними, хоч більшість досліджень походить з неангломовних країн, — що вказує на слабке педагогічне обґрунтування й розрив в інклюзивності майбутнього дизайну розмовних агентів у вступному програмуванні.
  • Підтримка налагодження: інструменти налагодження, співпраця людини та ШІ в налагодженні та моделювання діадичного парного програмування використовують ШІ для виявлення й усунення помилок.
  • Інструмент-доповнений тьютор, що мешкає в браузері, — це архітектура, на якій сходиться галузь. Конструкція інструмент-доповненого SLM поєднує невеликий донавчений планувальник (1B–7B) із чотирма детермінованими інструментами — виконавцем коду, запускачем тестів, завантажувачем документації, модулем відстеження знань — за чотирирівневою політикою ескалації (спершу інструменти, потім SLM на пристрої, хмарна LLM за згодою, викладач), пересуваючи педагогічний контроль від моделі до аудитовної політики; попередня модель завершення ~150M досягає 10,97% HumanEval pass@1, вище кількох кодових базових ліній 100M–150M (Suvernev et al. (2026)).
  • Невеликий донавчений тьютор може перескаффолдити більшу загальну модель. Донавчання Qwen2.5-Coder-7B-Instruct на 1 213 синтетичних тьюторських діалогах знизило передчасне розкриття рішення з 7,43% до 1,88% ходів тьютора і підняло якість покрокового скаффолдингу та питань із налагодження вище за GPT-4o, хоча надійне генерування педагогічних планів залишилося відкритою проблемою (Kopytskyi et al. (2026)).
  • Автоматизоване оцінювання: оцінювання в Linux Bash, масштабне порівняння оцінювання 18 моделями та огляд інтервенцій із великими мовними моделями оцінюють автоматизоване оцінювання коду. Безпека цього робочого процесу — окреме питання: Humble (2026) провів ред-тимінг звичайного завдання з оцінювання ШІ і виявив, що інструкції, приховані в надісланому файлі, підвищували оцінку незадовільного есе без видимого попередження в 9 із 9 ітерацій для однієї стратегії та в 17 із 18 для іншої, — доказ того, що стійкість оцінювача належить до контрольного списку Валідність оцінювання поряд із точністю.
  • Однієї речення в підказці оцінювача може вистачити, щоб зламати велику мовну модель, а донавчання це відновлює. Habibullah et al. (2026) оцінювали практичний іспит із комп’ютерного зору (570 студентів із подвійним оцінюванням) у 171 конфігурації та іспит із машинного навчання (1 038 студентів) іще в 162: коротка вступна частина про «строгого оцінювача» вивела 14 із 17 моделей із відкритими вагами за межі оцінюваного діапазону (MAE ≥ 8), причому три припинили оцінювання взагалі, а шкідливий вплив було простежено до двох речень політики утримання балів, напрям яких не переносився на другий іспит (сім моделей покращилися). Один LoRA-адаптер на приблизно 3 900 об’єднаних оцінених прикладах довів п’ять малих відкритих моделей до паритету з оцінювачем-людиною.
  • Згенеровані ШІ навчальні медіа: згенеровані анімовані трасування показують, що візуалізації, згенеровані ШІ, можуть сприяти негайному навчанню, але мусять бути персоналізованими — студенти в середині навчання відчували зниження успішності, узгоджене з ефектом зворотного експертизи.
  • Критика аналогій генеративного ШІ як навчальний ресурс: Bernstein & Sibia (2026) обґрунтовують сприйняття аналогій генеративного ШІ матеріалом CS2: десять студентів, які вже завершили CS2, аудитували згенеровані генеративним ШІ аналогії для зв’язаних списків і рекурсії та відхиляли відображення, що не витримували структурної відповідності, — аналогію островів і маршрутів, яка відображала коло, а не однозв’язний список, чи бадмінтонний ралій, запропонований для рекурсії попри відсутність гарантованого скорочування вхідних даних, причому один студент запропонував замість нього гольф. Робота стверджує, що критика аналогій сама по собі є перевіркою розуміння понять, що робить дефектні аналогії ШІ придатним навчальним ресурсом, а не загрозою, яку треба відфільтровувати, і рекомендує призначати їх як об’єкти для розгляду й ремонту.
  • Моделювання хибних уявлень: таксономія хибних уявлень щодо умов і циклів дає автоматизованим системам точний словник для діагностики помилок початківців.
  • Згенеровані моделями стратегічні хибні уявлення: Miličević et al. (2026) побудували SocraticTrap-CS навколо 35 понять із навчальної програми ACM/IEEE CS2023 — алгоритмів, мов програмування, баз даних, мереж і операційних систем — і попросили сім моделей із відкритими вагами дати плавне авторитетне пояснення, що спирається на тонку помилку. Шість із семи породили підтверджене експертами стратегічне хибне уявлення для 91% або більше затребуваних понять (221 з 241 сегмента, 91.7%), без значних відмінностей між доменами комп’ютерних наук; домінували концептуальні помилки (66.5% концептуальних проти 33.5% фактичних, і жодної суто логічної), а переконливість і тип помилки різнилися за доменом. Тому автори рекомендують чутливі до домену контрзаходи — перевірки, зорієнтовані на міркування, у курсах із великою часткою програмування, перехресне порівняння зі специфікаціями протоколів у мережах — та оцінювання Автоматизована генерація питань і написаних ШІ пояснень за педагогічною достовірністю, а не лише за правильністю.
  • Успішність у Аутентичне оцінювання: Lepp & Kaimre (2026) показують, що системи генеративного ШІ 2026 року перевершують середній когортний результат студентів за автентичним вступним оцінюванням об’єктно-орієнтованого програмування і часто отримують повний бал за довші завдання з програмування, проте досі мають труднощі з інтерфейсами, абстрактними класами, успадкуванням і завданнями на основі зображень — повторювані патерни помилок, які викладачі можуть використати під час конструювання оцінювання. Поздовжнє дослідження CS1 підсилює сторону можливостей цього висновку: Ye et al. (2026) виміряли передові моделі на рівні 98.93–99.99% за лабораторними роботами проти 76.37–88.03% для робіт студентів.
  • Прогностичне моделювання для підтримки студентів із ризиком: Zhang, Jeffries & Koprinska (2025) показують, що інтерпретовані за своєю природою дерева рішень, натреновані на ознаках журналів взаємодії з контентом, точно передбачають прогрес на рівні модулів у масштабних онлайн-курсах програмування (85–91% точності на чотирьох K-12 курсах) і виявляють результати відпадання типу «немає здачі», даючи викладачам вікно в 7–8 днів, щоб втрутитися на підтримку студентів, які мають труднощі, і тих, хто втратив Здобувачі, до дедлайнів модулів, — доповнюючи наведену вище роботу з автоматизованого оцінювання та передбачення відпадання.
  • Підтримка через пошук для теоретичної інформатики пасує лише асинхронному навчанню. AlgoRAG відповів на всі 179 складених викладачами іспитних питань у межах 240-секундного тайм-ауту з середніми 38.0 секундами кожне, а його BLEU-4, рівний 0.0000 по всьому набору, є властивістю зіставлення n-грам на математичних доказах, а не відмовою системи (Adhikari (2026)).
  • Ухвалення відстежує завдання, а не підгалузь. На семи завданнях із 211 студентами Nizamani et al. (2026) виміряли використання великих мовних моделей від 89.6% в алгоритмах до 15.2% в розробці програмного забезпечення, пов’язуючи розкид із складністю завдання, можливістю перевірки та скаффолдингом, а не з самим предметом.
  • Зворотний зв’язок може бути поетапним, щоб діагноз залишався прихованим. Riazi & Rooshenas (2026) відокремлюють обґрунтований артефактом діагноз схеми бази даних студента від робочого процесу, який його розкриває, причому етапи створюють викладачі; на 383 епізодах 71.1% зворотного зв’язку досягли цільового рівня.

Педагогіка програмування: від блоків до втіленого та ігрового навчання

Освіта з програмування охоплює від вступного блокового програмування до передової розробки програмного забезпечення і дедалі частіше грунтує абстрактний код у конкретних, спостережуваних результатах.

  • Блокове візуальне програмування: середовища на кшталт Scratch і Blockly дозволяють початківцям збирати графічні блоки замість набору тексту, усуваючи синтаксичні помилки й роблячи структуру програми видимою, — що особливо цінно для молодших здобувачів і для керування освітніми роботами. В епоху ШІ їх дедалі частіше поєднують із розмовними агентами ШІ (наприклад, Micro:bit + MakeCode в підготовці викладачів, тьютори на малих мовних моделях).
  • Втілене блокове програмування: RoboBlockly Studio поєднує блокове програмування з розмовним агентом-викладачем і втіленим виконанням на роботі, створюючи ітеративний цикл авторства–запуску–спостереження–ревізії, що зберігає Суб’єктність здобувача здобувача.
  • Керування роботами природною мовою: EduSim-LLM дозволяє початківцям керувати змодельованими роботами через інструкції природною мовою, знижуючи бар’єр до програмування роботів без вимоги до експертизи в низькорівневому коді.
  • Робототехніка та обчислювальне мислення: Valls i Pou пов’язує обчислювальне мислення з освітньою робототехнікою в навчальних програмах середньої освіти STEAM, а дослідження підготовки викладачів стверджує, що завдання з робототехніки та машинного навчання варто вбудовувати в Професійний розвиток.
  • Ігрове та геміфіковане навчання: систематичний огляд порівнює ігрове навчання (придатне для неформальних умов) і геміфікацію (придатну для формальних аудиторій) в освіті з робототехніки, яка акцентує вступне програмування й модульні набори.
  • Проєктна робототехніка: Bots and Blocks навчає програмуванню роботів через гнучкий проєкт на семестр, закриваючи розрив між теорією та практикою у вищій освіті.
  • Вплив великих мовних моделей на навчальні результати: Jošt et al. (2024) та мета-аналіз генеративного ШІ та навчання програмуванню досліджують, чи допомагають інструменти з підтримкою ШІ досягненням у програмуванні, чи підривають їх.

Трансформація навчальних програм в епоху ШІ

Питання «чому студентам усе щі варто вчитися робити вручну?» нині перебудовує обчислювальні програми.

  • Від реалізації до перевірки: Reshaping Undergraduate CS Education стверджує, що оскільки генеративний ШІ автоматизує програмування, налагодження й тестування на рівні реалізації, навчальні програми мусять зміститися до розуміння та перевірки згенерованих ШІ артефактів, зберігаючи проєктування систем, абстрагування та критичне оцінювання й знижуючи акцент на деталях низькорівневої реалізації. Це узгоджується з рамками ШІ-грамотність, які цінують оцінювання понад генерацію.
  • Агентна розробка програмного забезпечення як дисципліна: ASE-26 формалізує керування агентами, а не написання коду, — навчаючи перевірності, контекстній інженерії, верифікації, робочим процесам із кількома агентами та AgentOps — і позиціонує компетентність у агентному ШІ як структуровану навчальну програму зі скаффолдингом, а не як опанування синтаксисом.
  • Від виробництва до судження: борг розуміння та AASEE. Mahmoud (2026) стверджує, що галузь має зміститися від моделі, зосередженої на виробництві, до моделі, зосередженої на судженні, і поширює борг розуміння — відкладені витрати на навчання та супровід, коли виробництво з допомогою ШІ випереджує здатність здобувача пояснити, протестувати, змінити та обґрунтувати програмне забезпечення, — на оптику Оцінювання, грунтуючись на 621 рефлексивному щоденнику від 207 студентів. Огляд уточнює рамку AASEE до п’яти нелінійних рівнів інтеграції, перетинутих чотирма зобов’язаннями доказовості — пояснити, перевірити, змінити та відзвітувати — і повідомляє про умовну доказову базу: STEM-мета-аналіз із крайньою гетерогенністю (I² = 96.32%) втрачає об’єднану вигоду, щойно виправляється упередженість публікації, а синтези 76, 72 і 64 досліджень показують короткострокові прирости ефективності, які не переносяться на успішність без допомоги.
  • Нові педагогіки та моделі оцінювання: Test-Driven AI-Assisted Learning замінює лекції самостійним навчанням з підтримкою ШІ, притримуваним щотижневими тестами без зошитів, зберігаючи індивідуальну відповідальність, тоді як агенти ШІ масштабують виробництво матеріалу та оцінювання під наглядом людини.
  • Навчіть механіки моделі офлайн. Набір ресурсів для практиків навчає всього конвеєра навчання→генерації великих мовних моделей без підключення — таблиць n-грам, порахованих вручну, і вибірки на кубиках, без припущення програмування чи математики — і повідомляє про проведення для приблизно 400 учасників, причому залученість починалася лише на етапі генерації (Swift (2026)).
  • Що передбачає успіх у Вайбкодинг — і чому варто й надалі вчити: попередньо зареєстроване дослідження CHI 2026 (N=100) чистого «безкодового» vibe-coding виявило, що й досягнення з інформатики (r = .39), і вмінність письмової комунікації (r = .29) незалежно передбачали успішність, причому досягнення з інформатики залишалися значущими навіть після контролю за домен-загальною когнітивною здатністю й давали приблизно вдвічі більше унікальної дисперсії, ніж вміння письма. Оскільки середовище приховувало згенерований код, знання з інформатики могли допомагати лише побічно (декомпозиція задач, алгоритмічне мислення), — що робить оцінку для інформатики нижньою межею для робочих процесів із підтримкою ШІ, які також дозволяють редагування. Автори стверджують, що навчальні програми мусять зважати на письмову комунікацію поряд із основами інформатики, а не трактувати vibe coding як опанування синтаксисом, що застаріло.

ШІ-грамотність, агенція та ризик надмірної залежності

Оскільки програмування — це місце, де підтримка ШІ найпотужніша, саме там найвидиміші й його режими відмов.

  • Довіра ≠ доцільна залежність: Trust and reliance on AI (Pitts et al.) виявляють, що вища довіра до асистента ШІ передбачала гірше розрізнення між правильними та оманливими підказками під час Вирішення задач мовою Python, — із модерацією за ШІ-грамотність та потребою в пізнанні. Мета — калібровка, а не упевненість.
  • Епістемічна ШІ-грамотність: Wu (2026) показує, що в спільному програмуванні студентів із ШІ 78.8% взаємодій покладалися на цілі, не зорієнтовані на опанування, та ненадійні стратегії (перекладання відповідальності, пошук підтвердження), і лише 11.1% демонстрували високу епістемічну залученість, — справжнє навчання рідко виникає без свідомої підтримки дизайну.
  • Запити до ШІ вузькі й зорієнтовані на генерацію. Класифікуючи 830 підказок з CS2 за таксономією Грассера, Amoozadeh and Alipour (2026) виявили, що твердження, перевірка та інструментальні підказки домінували в обох сесіях, і що студенти першого покоління ставили менше питань і спиралися на перевірку, тоді як однокурсники, які продовжували генерацію, використовували ШІ як активного партнера в розв’язуванні задач.
  • Структурні інтервенції проти залежності від копіювання-вставлення: Soft barriers for copying in AI-assisted programming оцінюють легкі дизайн-інтервенції (наприклад, механізми, які відмовляють від сліпого копіювання-вставлення результатів ШІ) і виявляють, що вони можуть знизити надмірну залежність, не блокуючи допомоги ШІ, — доказ того, що ризик надмірної залежності в освіті з комп’ютерних наук піддається виправленню засобами дизайну навчання, а не лише освітою здобувачів чи заборонами.
  • Навчальні агенти та продуктивна практика: Learning-by-teaching with ChatGPT покращила прирости знань і якість коду, але підірвала практику виправлення помилок, оскільки агент надто компетентний, — урок дизайну: робіть агентів свідомо такими, що помиляються, щоб зберегти налагодження.
  • Управління допомогою: систематичний огляд 90 систем вводить рамку PEA (політика, забезпечення, авторитет) для обмеження та контролю допомоги великих мовних моделей — порівняльний словник для конструювання Скаффолдинг, який обмежує надмірну залежність.
  • Відповідність управління, а не його строгість. Dickey (2026) пропонує шестивимірний профіль управління — педагогічне обґрунтування, навчальна авторитетність ШІ, людська відповідальність, агенція здобувача, межі контексту й видимість оцінювання — і показує на семи внутрішніх інструментах і чотирьох опублікованих системах програмування, що одна й та сама модель може розподіляти авторитет і відповідальність дуже по-різному; відповідальний масштаб передбачає відповідність управління навчальній функції, а не строгість інструмента.
  • Поведінковий контекст для адаптивного тьюторінгу ШІ: Barron et al. (2026) представляють TutorTrace — набір даних і конвеєр, який робить поведінковий контекст здобувачів обчислюваним у реальному часі на основі телеметрії IDE в курсах Python з підтримкою ШІ (N=480). Він виводить таксономію діяльності до, між і вздовж запитів до ШІ, може класифікувати, чи відображає наступний запит кероване чи залежне Пошук допомоги (AUROC=.717), і передбачати неминучі запити (AUROC=.726); поведінково обізнані підказки знизили інтервали запитів без самостійної роботи з 50.0% до 20.7% у попередньому оцінюванні. Це показує, як поведінкова телеметрія може зробити тьюторів ШІ для програмування адаптивними до фактичних зусиль здобувачів, а не лише до їхніх явних запитів.
  • Двоїстість будівництва того, чим користуєшся: унікальне положення студентів інформатики створює водночас метакогнітивну обізнаність про межі ШІ та реальний ризик Over-Reliance на згенерований ШІ код. Інтерв’ю про огляд коду та дослідження критичної залученості безпосередньо опрацьовують цю напругу.
  • Агентне програмування та розуміння в командному проєктному навчанні: Tanaka et al. (2026) впровадили розробку на основі специфікацій із агентами ШІ в проєктний курс із розробки програмного забезпечення для бакалаврату й виявили, що пропускна здатність реалізації (додані рядки коду) зростала протягом 2022–2025, тоді як інтенсивне використання ШІ збігалося з провалами в розумінні коду, які відновлювалися лише після індивідуальних перевірок викладача, — прямий доказ того, що прирости пропускної здатності не гарантують розуміння і що надмірна залежність в програмуванні з підтримкою ШІ піддається навчальному моніторингу.

Справедливість, культура та хто потрапляє в інформатику

  • Розширення участі: SuaCode документує мотивації до програмування на смартфонах серед африканських студентів (менш ніж 1% випускників середньої школи мають базові навички програмування), інформуючи доступні MOOCs з підтримкою ШІ для контекстів із обмеженими ресурсами.
  • Нейровідмінність та співпраця: нейровідмінні студенти інформатики повідомляють про дискомфорт від неоднозначних структур співпраці; структуровані завдання, менші сталі команди та явні ролі покращують Доступність, — уроки дизайну для інструментів ШІ, що входять в аудиторії інформатики.
  • Культура формує сприйняту етику: канадські й південнокорейські студенти інформатики судили тотожні практики програмування з допомогою ШІ по-різному попри функціонально тотожні політики, — гармонізація політик не породжує гармонізації сприйняття, що є проблемою Академічна доброчесність та Справедливість.
  • Прозорість співпраці за пояснюваним ШІ: Graf et al. виявляють, що неналагоджені уявлення партнерів про використання ШІ одне одним передбачають нижчі оцінки проєкту, особливо для менш успішних студентів, — механізми прозорості (розкриття, спільні журнали) можуть бути потрібні в колаборативному програмуванні.

Етична освіта та робоча сила

  • Розрив між етикою та поведінкою: the "Cost-of-Ethics Crisis" показує, що студенти інформатики, попри сучасну етичну освіту, ставлять оплату, місце розташування та культуру понад етичні міркування в пошуках роботи, — критичний розрив у тому, як навчання етиці переноситься на поведінку.
  • Перебудова робочої сили: систематичний огляд сірої літератури США окреслює «проблему подвійного потягу» — швидкі зміни ШІ, що випереджають інституційну адаптацію — та наполягає на стійких компетентностях у ШІ, етиці/управлінні та уповноваженнях на основі навичок, узгоджених із новими ролями (наприклад, Інженерія підказок, аудит ШІ, політика щодо ШІ).

Зв’язки

Освіта з комп’ютерних наук пов’язана з Обчислювальне мислення, Освіта в галузі STEM, Automated Grading, Інженерія підказок, ШІ-грамотність, Агентний ШІ, Конструювання навчальної програми, Співпраця людини та ШІ, Вища освіта, K-12 та Навчання на робочому місці. Її найближчий прикладний сусід — Освіта в галузі інформаційних технологій: освіта з комп’ютерних наук бере програму та алгоритм як свій об’єкт, тоді як освіта з інформаційних технологій бере розгорнуту організаційну систему й судження про неї практика, — чому ці дві галузі дебатують про різні шкоди ШІ, чи генерація коду руйнує навичку програмування проти чи усунення проблем із ШІ руйнує діагностичну навичку, і ставлять різні питання до своїх випускників, чи можуть вони будувати систему проти чи можуть вони управляти системами, якими адмініструють. Це домен, де інструменти AIED водночас використовуються і будуються, що робить його полігоном для Інтелектуальний тьюторінг, Роботи в освіті, Спільне навчання, Навчання на основі ігор та ризиків Over-Reliance.

Синтез 72 досліджень і рамка VIE. Kumar, Wongsirichot and Nanthaamornphong (2026) переглянули емпіричну літературу про генеративний ШІ в освіті з обчислювальних наук та програмування (січень 2022 – квітень 2026, 72 дослідження, 33 майданчики) і поставили на передній план саме ту структурну особливість, яка робить дисципліну відмінною: ШІ генерує сам оцінюваний артефакт, тому використання інструменту, навчання навичці й оцінювання збігаються в одне натискання клавіші. Їхній синтез 14 тем виявляє, що найбільш відтворений ефект галузі — короткострокові прирости ефективності та завершення (36 досліджень) — є водночас і найбільш оманливим: ці прирости не переносяться на успішність без допомоги (21 дослідження), а попередні знання модерують, чи стає допомога стійкою навичкою, чи милицею. Дослідження виявлення нечисленні (3 дослідження), тоді як перепроєктування курсів порівняно добре підтверджене (25 досліджень), а огляд консолідує корпус у три взаємозалежні вимоги дизайну — перевірка, реалізація та справедливість, — де критична залученість із результатами ШІ мусить бути оцінюваним, спостережуваним компонентом роботи студента, а не прагненням, залишеним на розсуд студента (Скаффолдинг, Валідність оцінювання).

Висновки для викладачів інформатики

  • Конструюйте оцінювання, які ШІ не може пройти на автопілоті. Використовуйте повторювані патерни відмов генеративного ШІ (інтерфейси, абстрактні класи, успадкування, завдання на основі зображень) замість прямої заборони інструментів, — системи генеративного ШІ досі мають там труднощі.
  • Автоматизовано оцінювані домашні завдання не дали жодного опору завершенню. Kaltchenko & Tiwana (2026) провели 50 сесій ChatGPT на кожне завдання з Qiskit, і всі 150 артефактів виконувалися й проходили оцінювач, оскільки персоналізація змінювала параметри, а не структуру завдання; ліки — безпосереднє оцінювання розуміння — контрольована модифікація або усний захист.
  • Калібруйте довіру, а не лише будуйте її. Дослідження довіри та залежності показує, що вища довіра передбачала гірше розрізнення оманливих підказок ШІ; навчайте верифікації та критичному оцінюванню, із модерацією за ШІ-грамотністю та потребою в пізнанні.
  • Зберігайте налагодження та продуктивну боротьбу живими. Обирайте інструменти чи свідомо такими, що помиляються, агенти (навчання через навчання), які зберігають практику виправлення помилок, і персоналізуйте згенеровані ШІ медіа, щоб уникнути ефектів зворотного експертизи (зворотний експертизи).
  • Керуйте допомогою ШІ явно. Визначте політику, забезпечення та авторитет для підтримки великих мовних моделей (PEA), а не залишайте межі неявними.
  • Зміщуйте навчальні програми до перевірки та керування агентами. Оскільки генеративний ШІ автоматизує реалізацію, навчіть розумінню/перевірці артефактів ШІ (перебудові навчальних програм) та структурованим навичкам агентної розробки програмного забезпечення (ASE-26).
  • Структуруйте співпрацю для всіх здобувачів. Менші сталі команди, явні ролі та прозорість використання ШІ підтримують нейровідмінних студентів і справедливу співпрацю, особливо там, де неналагоджені уявлення про використання ШІ знижують оцінки проєктів.
  • Адаптивні до великих мовних моделей пояснення помилок програмування (2026): дослідження на основі краудсорсингу (N=103) виявило, що переписані великими мовними моделями повідомлення про помилки покращують читабельність, але об’єктивна успішність налагодження залежить від узгодження стилю пояснення (прагматичний чи обумовлений) із навичкою програміста, — увага щодо скаффолдингу для освіти з програмування з підтримкою ШІ (Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors).

Пов’язані поняття

Пов’язані статті

Пов’язані ресурси

  • LiaScript
    Відкритий діалект Markdown, який перетворює звичайний текстовий файл на інтерактивний курс у браузері, з вікторинами та кодом, що виконується, а також мультиагентний помічник для створення курсів на ньому.

Метадані

ДисциплінаStem Education, Cs Education
РівеньHigher Ed, K 12
Технології та методиГенеративний ШІ, Великі мовні моделі (LLM), Інженерія підказок
Оцінювання та вимірюванняАвтоматизоване оцінювання
Основи ШІ в освітіШІ-грамотність, Обчислювальне мислення
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.