База знань AIEdAIEd KB
На цій сторінці

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

Концепції

Співпраця людини та ШІ

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Співпраця людини та ШІ — розподіл когнітивної праці між людьми та моделями — є основною темою взаємодії бази знань: Human-AI collaboration in higher education: Exploring the impact of technology expectations and distrust, It Felt a Bit Eerie": Exploring Humanlike Interactions During Collaborative Writing with an Artificial Agent, Generative AI (GenAI) as a mindtool that supports generative learning (GL) та Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing досліджують довіру, агентність і доповнювальні ролі (Людина в циклі, Агентний ШІ). Визначальне питання — чи зберігає чи заміщає партнерство власну когнітивну роботу здобувача — та сама угода може підтримувати навчання або підміняти його залежно від того, як розподілена відповідальність.

Питання для роздумів

  • Визначальне питання співпраці людини та ШІ — чи зберігає чи заміщує партнерство вашу власну когнітивну роботу. Згадайте завдання, яке ви передали ШІ: ви генерували та вирішували, чи просто приймали?
  • Одне дослідження виявило, що вільна колаборація з ChatGPT давала лише тимчасові здобутки, які зникали на пізнішому завданні без допомоги, тоді як протокол «спочатку подумай, ChatGPT потім» давав стійке навчання. Чому те, хто генерує ідеї, може передбачати, чи ви справді навчаєтеся?
  • Той самий інструмент може підтримувати навчання або підміняти його залежно від того, як розподілена відповідальність. Чи можете ви згадати угоду, що утримувала вас когнітивно продуктивним, проти такої, що тихо знімала ваше мислення?
  • Одна угода інвертує звичайні ролі: замість того щоб модель постачала відповіді, студент пояснює зміст, а модель грає роль невігласа, який просить пояснень, прикладів і контраргументу. Якщо ШІ — той, хто запитує, що відбувається з тим, скільки мислення залишається на вашому боці?
  • Довіра описується як те, що має калібруватися, а не припускатися — спиратися на ШІ там, де доречно, і перевіряти там, де ні. Як ви зараз вирішуєте, коли довіряти, а коли перевіряти результати ШІ?
  • Research виокремлює режими колаборації, які пов’язують ефективність із глибиною вашої саморегуляційної engagement. Коли варто погоджуватися на меншу ефективність, щоб утримати більше навчання у власних руках?
  • Якщо колаборація — це pedagogical вибір у такій самій мірі, як і технічний, які проєктувальні ходи (підказки, робочі процеси, структури) ви б налаштували, щоб забезпечити посилення, а не заміщення мислення ваших здобувачів ШІ?

Вступ

Співпраця людини та ШІ описує, як здобувачі, викладачі та AI systems розподіляють когнітивну роботу — хто що робить, хто вирішує, і як підтримуються Довіра та Суб’єктність здобувача. Замість того щоб framing AI як або заміну, або пасивний інструмент, дослідження колаборації трактують ШІ як партнера з доповнювальними сильними сторонами, цінність якого залежить від того, як розподілена і моніториться відповідальність. На рівні спостережуваної поведінки Взаємодія здобувача зі ШІ фіксує, як здобувачі втілюють ці стосунки на практиці — питання, підказки та рухи перевірки, які вони здійснюють із ШІ від моменту до моменту.

Розподіл праці проходить також через людей, які проєктують взаємодію. У twelve teacher-education course implementations факультет позиціонував ШІ як партнера для мислення, генератора критики або інструмент репетиції, тоді як кандидати зберігали відповідальність за оцінювання, адаптацію та обґрунтування рішень, проте той самий білий папір повідомляє, що кандидати знецінили зворотний зв’язок, який раніше вже визнали корисним, щойно було розкрито авторство ШІ, — епізод, який він називає ефектом лопання балона. analysis of 1,378 designer-chatbot turns вказує в протилежному напрямі щодо генерації: проєктувальники використовували вбудованого помічника переважно для перевірок узгодженості цілей навчання та педагогічного підходу, а не для створення змісту. В обох випадках саме людське evaluative judgment, а не результат моделі, несе навчання.

Вигоди, ризики та наслідки для проєктування

Докази бази знань показують, що співпраця людини та ШІ — угода з двоєголовим лезом, результат якої визначається проєктуванням, а не самим ШІ:

  • Колаборація може посилювати навчання, коли зберігає когнітивну залученість. Дослідження GenAI as a mindtool та керованої колаборації показують, що коли розподіл праці утримує здобувача таким, що генерує, вирішує та оцінює, ШІ посилює, а не заміщає мислення — породжуючи стійкі здобутки в self-regulated learning та Креативність. Те, що здобувач зберігає вирішальну роль, масштабується й на письмо: Oppenheimer, Cash & Connell Pensky (2025) показують, що критики LLM аргументованих есе студентів покращили письмо за семестр, причому здобувачі вирішували, чи інтегрувати, чи відкинути зворотний зв’язок моделі (87,8% відкинули твердження) — угода, що зберегла оцінювальну роботу здобувача, — і здобутки з’являлися навіть на есе, написаних без підтримки LLM, що вказує на стійку навичку, а не на tool dependency.

  • Колаборація може підміняти навчання, коли знімає надто багато. Режим провалу — over-reliance: коли ШІ створює відповідь, роль здобувача згортається в пасивне прийняття, і негайна продуктивність завдання маскує відсутність стійкого навчання. Дослідження Performance-versus-learning та цикл шкоди від підміни до скаффолдингу (From Substitution to Scaffolding: Breaking the Self-Reinforcing Harm Cycle of AI in Education (and Beyond)) документують це систематично.

  • Кращий бал сам по собі не є доказом того, що колаборація чомусь навчила. Інші докази сторінки читають допоміжну продуктивність обережно, і рандомізований тест типу підтримки показує чому. У лабораторному дослідженні Iqbal et al.'s (2026) 87 студентів EFL написали есе без допомоги, а потім переробили його з ChatGPT 4.0 (n = 29), з викладачем-інструктором письма-людиною (n = 28) або без підтримки (n = 30). Те, яку з чотирьох отриманих зі слідів стратегій переробки використовував студент, сильно асоціювалося з підтримкою, яку він мав (V Крамера = 0,668), і лише помірно з його ранішою стратегією письма (V Крамера = 0,333); Мотивація, навичка письма та точність метакогнітивного судження не показували загальної асоціації, метакогнітивний зв’язок виявляючись лише в умові без підтримки (p = 0,0460). Критично, жодна стратегія переробки не передбачала зміни балу (p = 0,273), хоча тип підтримки передбачав: група GenAI покращилась значно більше, ніж групи людського експерта та контролю (H(2) = 16,591, p = 0,00025, η² = 0,174), і всередині тієї самої стратегії поступово зменшуваного Пошук допомоги студенти GenAI набували приблизно 4 бали в середньому, тоді як студенти людського експерта втрачали 0,5. Автори читають патерн як зовнішню підтримку, що обходить власне metacognitive judgment здобувача, і попереджають, що здобутки можуть бути оптимізацією, специфічною для завдання, а не стійкою здатністю. Це не скасовує принципу хто генерує і вирішує (дослідження варіювало, хто постачав підтримку, а не хто генерував мислення), але загострює тест, який має застосовувати викладач: здобуток, отриманий за допомоги, має витримати завдання без допомоги, перш ніж зарахуватися як навчання, і додавання людського експерта в кімнату не є автоматично безпечнішою угодою.

  • Додавання однолітків також не є автоматично безпечнішою угодою. Chu, Dai and Zhai (2026) поставили 87 студентів бакалаврату працювати поодинці або в парах із багатоагентною системою GenAI протягом восьми тижнів. Пари набрали найбільше на складному проєкті проєктування (M = 89,64 проти 85,85 для студентів, які працювали в парах без системи, і 86,45 для тих, хто працював із нею поодинці, p = 0,039), проте усвідомленість критичного мислення зросла найбільше в тих, хто працював поодинці (M = 0,41), і дещо зменшилась у пар (M = −0,04, p = 0,039).

  • Принцип проєктування — збереження продуктивної роботи здобувача. За всіма дослідженнями найгострішим предиктором того, чи колаборація допомагає, чи шкодить, є хто генерує і вирішує. Угоди, що утримують людину когнітивно продуктивною (кероване prompting, «спочатку подумай, потім звертайся до ШІ», кроки перевірки та оцінювання), підтримують навчання; угоди, що передають усе завдання моделі, — ні. Доповнювальний хід — змінити те, чому модель призначено бути. У квазіексперименті Wang et al.'s (2026) 68 preservice teachers або пояснювали концепцію перевернутого класу GAI початківцю-здобувачу, побудованому на ERNIE 3.5 (система, обрамлена як допитлива і вдячна, яка просила пояснень, прикладів, міркувань перевірки та протилежної перспективи, упорядкованих вгору за таксономією Блума), або ставили питання викладачеві GAI, побудованому на тій самій моделі. Студенти, які вчили ШІ, пояснювали краще (визначення перевернутого класу M = 4,18 проти 3,29; його навчальні дії M = 4,91 проти 3,06, обидва p < 0,001) і генерували більше та якісніших питань (M = 3,67 проти 2,14; M = 5,67 проти 3,07, обидва p < 0,001), тоді як об’єктивне пригадування було статистично невідрізнюваним (M = 23,18 проти 21,57, p = 0,416), тож перевага сиділа в поясненні та переносі, а не в добуванні фактів. Студенти в умові «ШІ-викладач» були відверті щодо компромісу: деякі визнавали, що він давав «точнішу та детальнішу інформацію», проте повідомляли, що «після використання я не хотів думати незалежно». Призначення моделі ролі learner to be taught, робить студента єдиним джерелом ідей і усуває давню трудність пошуку відповідного однолітка для навчання. Разом із цим приходять дві межі проєктування: планування та моніторинг не покращились (M = 4,01 проти 3,78, p = 0,062), тож інверсія ролей сама по собі не є metacognitive інтервенцією, і автори відстежують цей нуль до проєктування завдання, що утримувало студентів зосередженими на точності змісту. В аудиторії письма цей принцип набирає конкретної, придатної для навчання форми. У саудівському квазіексперименті EFL Alshehri et al.'s (2026) студенти виконували п’ятичастинну рутину — обрамувати проблему та проєктувати підказки, складати чернетку ітеративно, переробляти, перевіряти кожне твердження та цитування проти наукових баз даних і регулювати власну атрибуцію та опору — з кожним завданням, що вимагало AI-use log того, що вони прийняли, відкинули і чому. Письмо та цифрове critical thinking зростали разом і рухались майже в такт, і рефлексії студентів пов’язували рутини перевірки та відновлення від hallucination специфічно зі здобутками критичного мислення: ті самі звички допитування результатів формували їхні рішення щодо складання. Власна засторога авторів є необхідним доповненням принципу — робочий процес є контингентним, а не самодостатнім, і може стати контрпродуктивним за мізерного Скаффолдинг, низької готовності критичного мислення чи метакогніції (коли студенти не мають здатності ловити поганий результат), поступової делегації рішень щодо складання або неясної інституційної AI-use policy.

  • Обмежена авторитетність сама є патерном проєктування для колаборації високих ставок. Викладачі в Reichert et al. (2026) не прототипували відкритих помічників, а системи, чия свобода фіксувалася заздалегідь: кожне проєктування обмежувало чат-бот конкретним змістом уроку, а безпека нашаровувалася як межі галузі (межа, специфічна для уроку, плюс «квота інформації», що вимагає мінімальної кількості фактів або задач, перш ніж розмова просувалась), фільтрація змісту зі стандартизованими відмовами («Вибачте, це не частина моєї бази знань»), які також сповіщали викладача, і перевизначення викладача для неоднозначних випадків — наведений приклад був питанням про розмноження людей, легітимним у межах свого модуля, яке має маршрутизуватися до людини, а не автоматично відкидатися. Personalization формату, жанру, темпу та складності віталася всередині цих меж, і нагляд (повні журнали розмов, сповіщення в реальному часі, перевизначення) обрамлювався як професійна відповідальність, а не як недовіра до моделі. Наслідок — те, що в умовах високих ставок розподіл праці має бути специфікований як обмежений, моніторизований та відкличний, а не узгоджуваний крок за кроком.

  • Довіра має калібруватися, а не припускатися. Продуктивна колаборація залежить від того, чи калібрують здобувачі точно, коли спиратися на результати ШІ, а коли їх перевіряти, — пов’язуючись із Калібрування довіри та human oversight, а не з сліпим прийняттям чи загальним відкиданням.

  • Колаборація викладача зі ШІ є двоєголовою для залученості, а не лише для навчання. В опитуванні з трьох хвиль 468 університетських викладачів колаборація підвищувала робочу залученість через психологічну доступність (опосередковано 0,19), але знижувала її через робочу відчуженість (опосередковано −0,03); digital competency модерувала обидва, вирівнюючи схил відчуженості з 0,38 до 0,17 (Sun et al. (2026)).

  • Розподіл праці йде за надійністю, а не за здатністю. Те, на чому зупиняються здобувачі, — це принциповий розподіл: ШІ для негайного, широко придатного мовного зворотного зв’язку та викладачі для індивідуалізованого, реляційного керівництва, призначеного за сприйнятою надійністю кожного джерела, а не за його точністю, бо зв’язувальним обмеженням опори було сприйнята турбота, а не компетентність (Serpil & Mor, 2026).

  • Опора — це популяційний процес, а не лише індивідуальний вибір. В агент-орієнтованій моделі видимий соціальний доказ для неперевіреного використання згорнув перевірку з 0,29 до 0,002 і підняв надмірну опору з 0,30 до 0,52, тоді як видима перевірка однолітків відновила майже повну перевірку — зміна того, що здобувачі бачать, що роблять інші, перевершує зменшення вартості перевірки (Biswas (2026)).

Це робить співпрацю людини та ШІ педагогічною конструкцією в такій самій мірі, як і технічною: цінність партнерства формується тим, як викладачі проєктують взаємодію, як здобувачі її регулюють, і як система запрошує або відмовляє від продуктивної залученості.

Як співпраця людини та ШІ проявляється в дослідженнях

  • Довіра та очікування: Trust expectations досліджують, як очікування здобувачів щодо ШІ формують те, чи колаборація є продуктивною, чи веде до Over-Reliance.

  • Доповнювальні ролі в письмі та мисленні: Humanlike AI collaborative writing та GenAI as a mindtool показують, як ШІ може посилювати, а не заміщати мислення здобувача, коли розподіл праці зберігає когнітивну залученість здобувача.

  • Оркестрація та агентність: Teacher–student agency orchestration та student mental models розглядають, як агентність узгоджується між людьми та ШІ, пов’язуючись із Людина в циклі та Агентний ШІ.

  • Метакогнітивні та командні виміри: Human-centered AI metacognitive models та disciplinary mediation in student teams розширюють колаборацію на метакогніцію та командне навчання.

  • Компетенція колаборації як конфігурація, а не як контрольний список — метакогніція бере інтегративну роль Технологічні педагогічні знання змісту (TPACK). Dang, Hong, Doyle and Nguyen (2026) визначають компетенцію колаборації людини та ШІ як динамічну конфігурацію галузевої, AI competency та metacognitive competency плюс їхні перетини (робота зі ШІ, агентне навчання зі ШІ, агентний особистий і Professional Development, і сама HACC), явно відкидаючи адитивний список навичок ШІ, прибитий до існуючого curriculum. Їхній центральний хід перепризначає інтегративну роботу, яку в TPACK робить педагогіка: оскільки ШІ — адаптивний учасник, чий внесок зсувається в міру розгортання завдання, координувальне навантаження падає на власну метакогніцію здобувача — вирішення того, коли звертатися до ШІ, як обрамлювати взаємодію, і коли її перевизначати, — тож саме здобувач, а не викладач, утримує механізм, що зберігає колаборацію продуктивною. Learner agency свідомо опущена як окремий вузол; вона натомість — емерджентна якість, яку здобувачі виражають, коли координують три компетенції, що робить агентність властивістю конфігурації, а не навичкою для тренування ізольовано. Дослідження інтерв’ю рамки з 24 освітянами Нової Зеландії підтримало виміри дескриптивно, і рівень ролі зсував акцент, а не прийняття: мережі освітян-директорів центрувалися на ШІ зі зв’язками з HACC та професійним розвитком, значно відрізняючись від освітян вищого рангу (U = 10,00, p = .04) та освітян ранньої кар’єри (U = 7,00, p = .01).

  • Відмінні режими колаборації: емпірична робота виокремлює три режими колаборативної Вирішення задач людини та ШІ — делеговане міркування, узгодена інтерпретація та делегована розробка — викриваючи компроміс між ефективністю розподіленої системи «людина–ШІ» і глибиною саморегуляційної залученості здобувачів (делеговане міркування працює найкраще, але з нижчою саморегуляцією Регулювання ШІ в освіті).(Unpacking Interaction Profiles and Strategies in Human-AI Collaborative Problem Solving: A Cognitive Distribution and Regulation Perspective)

  • Людські та ШІ-фасилітатори можуть бути перцептивно взаємозамінними в структурованому обговоренні, але повторне використання ґрунтується на різних причинах. Kuhail et al. (2026) замінювали людського модератора на модератора GPT-4 (і назад) у 32 сесіях дебатів, проведених 32 студентами STEM, і не виявили статистично значущої різниці за ефективністю, задоволенням, задоволеністю, корисністю чи наміром використання (t варіювало від 0,23 до 1,30, p від 0,198 до 0,818). Різнилось те, чому студенти повернулись би: за модерації ШІ сприйнята корисність рухала намір використання (0,806, p = 0,004), тоді як задоволеність рухала його лише за людської модерації (0,556, p = 0,002). Автори читають плоске порівняння як нормалізацію в задачах, зв’язаних правилами, а не як доказ еквівалентності, і рекомендують зберігати людський нагляд з етичних та реляційних причин, водночас роблячи корисність модерованих ШІ діяльностей зрозумілою, а не спираючись на задоволення. Оскільки дослідження вимірювало лише сприйняття, воно не говорить нічого про те, чи сперечались студенти краще.

  • Призначай завдання, перш ніж делегувати його. Tsim and Gutoreva (2025) додають четверту зону — те, що модель уже знає, — до зон розвитку здобувача, даючи призначення «Підміна», «Доповнення», «Допомога» та «Непорушне», і стверджують, що режими автоматизації–посилення–колаборації відрізняються за локусом контролю та епістемічною відповідальністю, а не за складністю інструмента.

  • Інжиніринг підказок як педагогічне мислення, побудоване через дослідження уроку. Robinson et al. (2026) стежили за п’ятьма освітянами-викладачами в одній установі ОАЕ через два цикли дослідження уроку, що охоплювали 36 майбутніх викладачів середньої та початкової математики, проєктуючи підтримані ШІ уроки з ChatGPT (GPT-4o). Хід, який спрацював, був у парі ШІ з дисциплінарною рамкою: PST генерували завдання, оцінювали його когнітивний виклик проти модифікованої рамки Mathematical Task Analysis, потім переписували підказку, щоб підвищити концептуальну глибину, тож переробка була закріплена в математиці, а не в особливостях інструмента. Шістнадцять із 26 аналізовних підказок несли концептуальні особливості завдання, і освітяни дійшли висновку, що інжиніринг підказок — «не технічна навичка; це когнітивна». Повідомлене навчання зросло в переробленому уроці (5 зі 7 PST у першому циклі та 10 із 14 у другому повідомили про навчання розрізняти концептуальні та процедурні завдання), з засторогою, що прохання до ШІ про більш концептуальне завдання іноді породжувало лише більш ускладнене. Для faculty development аргумент — за стійке collaborative inquiry реальних уроків, а не за окремі майстерні інструментів.

  • Керівництво вирішує продуктивність проти навчання: Wong та Qiu (2026) протиставили вільну проти керованої співпраці людини та ШІ на креативному завданні. Вільна колаборація з ChatGPT породжувала лише тимчасову продуктивність, яка зникала на пізнішому завданні без допомоги, тоді як керований протокол «спочатку подумай, ChatGPT потім» — генерування власних ідей, потім використання ChatGPT для їх покращення, розвитку та оцінювання — давав стійкі здобутки в незалежній Креативність. Перевага опосередковувалася колаборативними підказками, націленими на покращення власних ідей, показуючи, що хто генерує (розподіл праці) передбачає, чи колаборація породжує learning чи substitution.(Think First, ChatGPT Later: Guiding Human–AI Collaboration for Learning Gains in Independent Human Creativity)

  • ШІ як посередник, а не лише партнер: Niari переконцептуалізує ШІ як педагогічного посередника, який оркеструє взаємодію, епістемічне осмислення та регуляторні процеси, перерозподіляючи агентність, авторитетність та відповідальність між людськими та нелюдськими акторами, а не трактуючи ШІ як репетитора, однолітка чи інструмент.

  • Колаборація викладачів зі ШІ також патернована, а не бінарна. Коли викладачі проєктують lesson designs з генеративним ШІ, їхня взаємодія набирає емпірично відрізнюваних форм. Choi et al. (2026) виокремили сім патернів взаємодії «викладач–ШІ» — від прямого прийняття та розробленого прийняття результатів ШІ до початкового відкидання, переробленого прийняття, послідовного керованого використання, складних взаємодій та обходу ШІ — де досвід викладання викладача та вмілість із ШІ спільно формують те, чи критично переставляють вони підказки та адаптують ШІ до студентів і контексту (доповнювальний, Розподілена когніція розподіл праці), чи пасивно приймають поради (ШІ-домінантний розподіл).

  • Медіаційний агент як гібридна форма участі. Замість того щоб бути серединою між інструментом і колаборатором, generative AI концептуалізується як медіаційний агент, який опосередковує дію, водночас генеруючи контингентні, непідзвітні внески — відмінна категорія, що перенаправляє проєктування від технологічної здатності до звичок участі (наглядна агентність, епістемічна пильність).(Generative AI as a Mediational Agent: Rethinking Learning in Sociocultural Theory)

  • Спільнота та епістемічна авторитетність: community-based AI learning показує, що колаборація — це також питання про те, хто авторитетний, закріплюючи залучення ШІ в живих епістемологіях здобувачів.

  • Керований даними пошук рис: Principal Trait Analysis (PTA) автоматизує виведення рис взаємодії з великих корпусів Великі мовні моделі (LLM)-розмов — конвеєр, натхненний PCA, з чотирьох етапів, який видобуває спостереження поведінки, кластеризує їх у кандидатські риси, оцінює кожного колаборатора і відбирає найбільш відрізнювальні риси. Оцінений на корпусі «студент–ШІ-репетитор» і корпусі «розробник–кодуючий агент», PTA знаходить риси, які пояснюють і передбачають результати (напр., глибока концептуальна залученість — позитивно, делегація завдань — негативно, в освітньому середовищі), і — оскільки вони ще не узагальнюються між семестрами/середовищами і не показують траєкторій кривої навчання — автори стверджують, що риси ще не є інтерпретовними як «навички». Це дає масштабоване, об’єктивне доповнення до рамок ШІ-грамотність та self-report measures, безпосередньо інформуючи те, як освітяни вчать «навичкам використання ШІ».

  • Стосунок людини та ШІ як найстійкіше занепокоєння в усіх поколіннях CAI. Зонтичний огляд conversational AI agents (Ganguly et al. 2025, 34 огляди) виявляє, що занепокоєння щодо стосунків людини та ШІ — надмірна опора, соціальна ізоляція, деперсоналізація, емоційна залежність, transparency, підзвітність — є найчастіше обговорюваною ethical проблемою в усіх поколіннях CAI, передуючи GenAI. Це позиціонує питання «збереження проти підміни» в самому центрі етики CAI і підсилює, що цінність колаборації визначається проєктуванням (хто генерує, хто вирішує, як розподілена відповідальність).(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

  • ШІ масштабує експертизу в реальному часі для початківців — перший РКТ живого навчання. Wang et al. (2024) проводили randomized trial (900 репетиторів, ~1 800 студентів K-12 у недостатньо обслугованих спільнотах), що розмістив ШІ на боці репетитора, а не студента: Tutor CoPilot генерував поради, подібні до експертних у реальному часі (побудовані з міркувань вголос досвідчених репетиторів), які репетитори-початківці могли редагувати або відкидати. Студенти лікованих репетиторів мали на 4 п.п. більшу ймовірність опанувати теми (p < 0,01), зі здобутками 9 п.п. серед студентів найнижче оцінених репетиторів — які піднялись, щоб зрівнятися з контрольними результатами вище оцінених репетиторів, — при ~$20/репетитор/рік. Знахідка — сильний емпіричний якір для teacher/tutor augmentation як equitable режиму співпраці людини та ШІ: людина зберігає педагогічне судження та автономію, тоді як ШІ постачає масштабовану експертизу.

  • Обмежені експерти: як викладачі розподіляють авторитетність зі ШІ. Reichert, Briceno, Tabarsi & Barnes (2026) провели дослідження партисипативного проєктування, в якому шість викладачів середньої школи прототипували чат-боти LLM для власних аудиторій і проаналізували, як має розподілятися авторитетність між викладачем і системою. Викладачі послідовно обрамлювали ШІ як обмеженого експерта — спеціалізовану здатність, обмежену строго визначеною галуззю і діючу під людським наглядом, — і розділяли цю обмеженість на два виміри: межі авторитетності, де професійна та правова відповідальність за навчання і безпеку студентів не може делегуватися, та межі експертизи, де системі бракує контекстуальних знань викладача про окремих студентів, динаміку аудиторії та інституційні норми. Відображення прототипів на дев’ять подій навчання Ганье показало, що делегація була селективною, а не «все або нічого»: викладачі вітали ШІ для подання змісту, постачання практичних задач, Скаффолдинг та формативного Зворотний зв’язок, але відмовились передати інформування студентів про цілі або summative Оцінювання. Проєктувальне прочитання — те, що інтерфейс колаборації має робити видимим те, де людина зберігає вирішальну роль, а не лише те, де модель здатна.

  • Роль має адаптуватися, а не лише позначатися. Liao (2026) показує, що фіксований «однолітський» компаньйон ШІ підтримував довші взаємодії обговорення книг, але домінував в обміні (нижча частка слів/речень студента) і досягав affective стелі, стверджуючи, що колаборація потребує логіки адаптації ролі — перемикання між однолітком, помічником і радником, — а не однієї статичної персони.

  • Спроєктовані спільно викладачем сторони та архітектура ролей також є колабораціями. Окрім орієнтованих на студента партнерів, викладачі колабораціюють з GenAI, щоб проєктувати інструкцію. Wang et al. (2026) systematically review співпроєктування навчальних завдань викладачем та ШІ, карти режими колаборації та напруги (агентність, епістемічна авторитетність, контроль), що виникають, коли викладачі та ШІ спільно створюють проєкти; Talebzadeh (2026) виявляє, що педагогічна експертиза викладачів — а не вміння володіти ШІ — визначає якість спроєктованих ШІ диференційованих групових діяльностей (багатство ролей, синергія, узгодженість рівня), позиціонуючи викладача як «bilingual проєктувальника навчання».

  • GenAI як агент і колаборативний простір у групах. Xu et al. (2026) спостерігають малі команди Вища освіта і показують, що роль GenAI узгоджується і конфігурується — від підлеглого помічника до запереченого товариша по команді — і що синхронне спільне використання підтримує спільне ґрунт, тоді як асинхронне приватне використання фрагментує прозорість, пропонуючи лінзу «підтриманої GenAI кооперативної роботи», яка трактує GenAI і як агента, і як інтерактивний колаборативний простір.

  • Доповнювальні половини колаборації в аудиторії. Два дослідження 2026 року картують доповнювальні половини співпраці людини та ШІ в аудиторіях. MeduAI-SP (Yang et al.) стверджує «функціональну доповнювальність» у clinical освіті: агенти ШІ обробляють повторювальне рольове відіграшування, послідовну Симуляція, моніторинг контрольних списків, Socratic підказування та попередній formative зворотний зв’язок, тоді як факультет і стандартизовані пацієнти-люди дають контекстуальну інтерпретацію, нюансовану емоційну відповідь, індивідуалізоване виправлення, оцінювання професійності та судження готовності, — підміна будучись обмеженою наслідками помилок, невизначеністю завдання, реляційною чутливістю та доступним людським рецензуванням, і системі ШІ явно заборонено автономно визначати клінічну компетенцію. В протилежному напрямі, обговорення етики зі змішаними 3 людьми/3 агентами з 45 студентів (Seo et al., 2026) документує двоєголовий патерн: агенти знижували соціальні бар’єри (учасники говорили більш прямо, бо агенти не мають емоцій, і не почували зобов’язання заповнювати тиші), проте той самий комфорт відводив взаємодію від людей — 79,7% питань ішли до агентів проти 60%, які передбачає їхня доступність (p = .017). Примітно, що присутність інших людей змушувала учасників ставитися до ШІ більш шанобливо, натякаючи, що людська співприсутність сама є афордансом для калібрування залучення ШІ.

  • Професійні програми перенаправляють підготовку від рутинного виробництва до компетенцій колаборації (протокол проєктування): Wang (2026) пропонує рамку на основі проєктування для освіти перекладачів, побудовану навколо інвентаря зсуву завдань (18 підзадач, оцінених за ймовірністю зсуву з боку ШІ з теґами походження [E]/[P]) і чотирьох перенаправлених компетенцій: міждисциплінарні знання, оркестрація ШІ, стратегічне судження та критична оцінка ШІ. Рамка — це пререєстрований протокол без емпіричних даних поки; її внесок — метод — аудітовний аналіз зсуву плюс шлях співпроєктування для реформи навчального плану, — який переноситься на будь-яку професійну програму, чиї рутинні завдання агентні системи дедалі більше виконують.

  • Типи заплутаності відрізняються тим, що вони вимагають від студента, і саме тому деякі залишаються рідкісними. Sun, Dohn and Rehm (2026) класифікують 102 дослідження вищої освіти за тим, як епістемічна робота розподілена між студентом і системою (помічник, сприятлювач, синтезатор, генератор, переуявляч), і виявляють, що дві форми, які тримають компетенцію віднесеною до окремого студента, становлять по 42,16% корпусу кожна, тоді як форми, які розподіляють авторство, залишаються маргінальними. Їхнє пояснення є інституційним, а не технічним: рідкісні типи просять студентів взяти епістемічну відповідальність за результати, яких вони не створювали, водночас будучи оціненими як індивідуальні автори, і саме це протиріччя — а не сам розподіл праці — тримає їх поза практикою. Проєктувальна відповідь — зробити розподіл епістемічної роботи явним, секвенсувати діяльності по спектру і будувати рефлексію про те, як була розподілена відповідальність.

Зв’язки

Співпраця людини та ШІ пов’язується з Людина в циклі (нагляд), Агентний ШІ (автономність), Викладання, Скаффолдинг та Метакогніція (як колаборація підтримує навчання) і Over-Reliance (режим провалу, коли колаборація стає підміною). Це основна тема в ШІ-грамотність, Саморегульоване навчання та Досвід здобувача.

Пов’язані поняття

Пов’язані статті

Метадані

Навчання та викладанняВзаємодія здобувача зі ШІ
Технології та методиГенеративний ШІ, Великі мовні моделі (LLM)
Основи ШІ в освітіСпівпраця людини та ШІ, ШІ-грамотність
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.