Інклюзивне навчання

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Інклюзивне навчання — проєктування та надання освітнього досвіду, що враховує різноманітні потреби здобувачів, охоплюючи фізичні, когнітивні, сенсорні та ситуативні відмінності. В освіті зі ШІ research інклюзивного навчання вивчає як те, як інструменти ШІ можуть усувати бар’єри для здобувачів з інвалідністю та нейровідмінністю, так і те, як самі AI systems мають бути спроєктованими, щоб не створювати нові прогалини в доступності.

Питання для роздумів

• Доступний інструмент не гарантує інклюзивної інструкції, а асистивні технології не гарантують значущої агентності. Яка різниця між усуненням бар’єра для формату та проєктуванням освіти так, щоб усі могли значуще брати участь?
• Сторінка розрізняє інклюзивне навчання, доступність, асистивні технології, спеціальну освіту та універсальне проєктування. Де ШІ у вашому власному контексті — і на яке питання ви насправді намагаєтеся відповісти?
• Одне дослідження виявило, що сегментовані ШІ відео з фіксованими паузами усунули розрив у продуктивності між здобувачами з СДУГ і без СДУГ. Як проєктування для потреб однієї групи може покращити навчання для всіх?
• Описується, що системи ШІ ризикують створити нові прогалини в доступності, навіть усуваючи старі. Який тип здобувача може мовчки виключати текстовий, візуальний, завжди онлайн-інструмент ШІ?
• Дослідження інклюзивного оцінювання викриває напругу між заходами проти обману та врахуванням потреб здобувачів із порушеннями візуальної обробки. Коли безпека та доступність конфліктують, як має прийматися компроміс — і ким?
• Кілька інструментів інвертують припущення, що edtech має бути візуальним, — напр., голосові компаньйони для здобувачів із порушеннями зору. Які припущення щодо «типового» здобувача можуть робити ваші власні інструменти або матеріали?

Вступ

Інклюзивне навчання — це зобов’язання проєктування: освіта має бути побудована так, щоб усі здобувачі могли значуще брати участь, а не адаптована постфактум для тих, хто має труднощі. Тут воно функціонує як парасолька над суміжними, але відмінними поняттями — Доступність (чи може кожен сприймати формат і працювати з ним?), Асистивні технології (які інструменти подоланують access gap окремої людини?), Універсальне проєктування навчання (як проєктування має передбачати варіативність?) — і воно залучає Нейрорізноманіття та Спеціальна освіта як контексти проєктування, а не як винятки. ШІ входить тут і як обіцянка (персоналізація, врахування потреб, переклад), і як нове джерело виключення (вартість, дані, мовне покриття та припущення, вбудовані в моделі).

Як пов’язані поняття узгоджуються між собою

Інклюзивне навчання — це парасолькове поняття; сторінки нижче знаходяться в ньому, кожна відповідаючи на різне питання. Вони перетинаються, але не є взаємозамінними — знання того, до якого з них належить твердження, зберігає точність бази знань:

На практиці: UDL — філософія проєктування, яка запобігає бар’єрам; доступність — властивість, що усуває бар’єри формату; асистивні технології — шар інструментів, якими користуються люди; спеціальна освіта — інструкційна галузь для діагностованих інвалідностей — і це переважно термін K-12, тоді як у higher education (і дедалі частіше також у K-12) поширенішою рамкою є Universal Design for Learning. Інклюзивне навчання — парасолька, що утримує їх разом навколо спільної мети рівноправної участі. Доступний інструмент не гарантує інклюзивної інструкції, а асистивні технології не гарантують значущої агентності — саме тому парасолька має охоплювати їх усі.

Інклюзивне навчання знаходиться на перетині Справедливість, Проєктування навчання та Спеціальна освіта, і підтримується конкретним шаром інструментів Асистивні технології та властивістю проєктування Доступність. На відміну від вузьких адаптацій, які дообладнанням додають доступ до існуючих систем, перспектива інклюзивного навчання — заснована на Universal Design for Learning — стверджує, що середовища мають бути спроєктованими для повного діапазону людського різноманіття від самого початку. Статті в цій базі знань досліджують, як ШІ може це забезпечити через автоматизовану трансформацію змісту, адаптивні інтерфейси оцінювання та інструменти, спроєктовані з neurodivergent users' як відправної точки.

Ключові теми досліджень

Доступність змісту на основі ШІ демонструє, як автоматизовані конвеєри можуть зменшувати бар’єри. Pimenova et al. показали, що сегментовані ШІ instructional videos з фіксованими паузами усунули розрив у продуктивності між здобувачами з СДУГ і без СДУГ — сильний доказ на користь Універсального проєктування для навчання через автоматизовану трансформацію змісту. Дослідження пов’язується з дослідженнями I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning про те, як структури collaborative learning впливають на комфорт нейровідмінних осіб. Chen et al. спроєктували систему генерування питань на основі Великі мовні моделі (LLM) для глухих та слабочуючих здобувачів, запровадивши стратегії візуальних та емоційних питань, націлених на моменти візуальних або емоційних труднощів у відео, — водночас виявивши стійку невідповідність між текстовими підказками ШІ та першими мовами на основі жестів у глухих та слабочуючих осіб, підкреслюючи потребу в проєктуванні ШІ, обізнаному щодо мови та культури. MuTSE працює над доповнювальним бар’єром — рівнем читання — оцінюючи спрощення тексту на основі LLM для Інтелектуальний тьюторінг, узгоджуючи складність змісту з поточним рівнем кожного здобувача через рамку оцінювання з human-in-the-loop, а не покладаючись на лінгвістичні метрики, які пропускають pedagogical якість.

Відео, насичене рівняннями, може бути зроблене доступним, а не вручну транскрибованим: конвеєр Gemini плюс LuaLaTeX перетворив 16 навчальних відео з фізики на PDF, які пройшли валідацію PDF/UA-2 та ISO 32005, і лише одне відео потребувало другої спроби (Looney & Duston (2026)).

Сенсорна доступність: сліпі, слабозорі та глухі здобувачі. Кілька статей інвертують припущення, що edtech має бути візуальним. Kutti AI робить усну розмову основним і достатнім модальним каналом для дітей із порушеннями зору — виявлення труднощів у реальному часі, multilingual узгодження відповідей та розпізнавання мови на пристрої з пріоритетом офлайн усувають і залежність від зору, і вимогу з’єднання. Obiuwevwi et al. побудували багаторазовий конвеєр, який генерує тактильні 3D-надруковані статистичні графіки для сліпих і слабозорих студентів менш ніж за 250 мс, з опціональним видобуванням діаграм із зображень на основі LLM. Bolla et al. дослідили, чи може соціальний робот Pepper створювати зрозумілу італійську мову жестів, спроєктувавши спільно з глухим студентом і експертом-інтерпретатором 52 жести, — розширюючи Роботи в освіті на комунікаційну доступність для глухих здобувачів, водночас підкреслюючи виклик відтворення немануальних компонентів (вираз обличчя, поза), критичних для значення. Khlaif et al. (2026) розширюють цю лінію робіт на вищу освіту, виявивши в qualitative кейс-дослідженні 21 студента бакалаврату із порушеннями зору в Палестині, що GenAI підлаштовує темп, зміст і надання під індивідуальні профілі та перетворює складні академічні тексти між модальностями — тоді як здобувачі сприймають GenAI як доповнення, а не заміну викладачів, зберігаючи людський зв’язок, водночас забезпечуючи участь.

Проєктування інклюзивного оцінювання бореться з напругою між безпекою та доступністю. BAVD пропонує теоретичну рамку для адаптивного візуального відволікання, яке протистоїть обману через зняток екрана, водночас враховуючи потреби здобувачів із порушеннями візуальної обробки, — явно моделюючи компроміс між заходами проти обману та принципами інклюзивного навчання. Це пов’язується з широкішими занепокоєннями щодо Академічна доброчесність та Оцінювання.

Досвід нейровідмінних здобувачів ставить у центр голоси студентів з інвалідністю та нейровідмінністю. Zastudil et al. виявили, що нейровідмінним студентам інформатики потрібні структуровані завдання, малі сталі команди та явні визначення ролей — вподобання, які мають враховувати AI tutoring та інструменти колаборації. DysLexLens проаналізував обговорення на форумах здобувачів із дислексією, виявивши, що, хоча вони цінують ШІ за підтримку грамотності, вони стикаються зі значними бар’єрами доступності через нестабільну якість результатів і відсутність рівних адаптацій. Обидва дослідження пов’язуються зі Спеціальна освіта та Досвід здобувача.

Cognitive offloading та компроміс доступ–розвиток. Seung & Basham (2026) показують, що для студентів із порушеннями навчання той самий GenAI, який знижує бар’єри доступу до читання та письма (вирівнювання рівня тексту, узагальнення, підтримка складання), може, якщо його не охороняти, підмінити собою практику розуміння, планування та моніторингу, яка цим здобувачам найбільше потрібна, — напруга справедливості, центральна для інклюзивного навчання. Тому інклюзивне проєктування має враховувати не лише те, чи є інструмент доступним, але й чи зберігає він у здобувача можливість розвивати саме ті навички, які має забезпечити доступ.

ШІ для дислексії: виявлення, підтримка та personalized learning. Міждисциплінарний systematic review 2026 року (Dabaghi, D'Urso & Sciarrone, керований PRISMA, 2018–2024, n=72) виявляє, що ШІ підтримує студентів із дислексією у виявленні, асистивній підтримці та персоналізованому навчанні — але ці напрями розвиваються паралельно, а не в інтеграції, рухаючись більше технологічними можливостями, ніж консолідованою освітньою теорією. Інструменти допомоги на основі машинного навчання охоплюють п’ять галузей (конкретні застосування, залученість, персоналізація, рекомендації, загальна підтримка), проте акцентують технічну продуктивність і точність класифікації, нехтуючи екологічною валідністю та практичним розгортанням в аудиторіях. Дослідження виявлення (ЕЕГ, айтрекінг, моделі машинного навчання) показують діагностичну перспективність для ранньої інтервенції, але часто потребують спеціалізованого обладнання та контрольованих середовищ, обмежуючи масштабованість і доступність у типових шкільних умовах. Відкриті виклики включають обмежену експериментальну валідацію, масштабованість, занепокоєння щодо Етика/приватності стосовно чутливих даних студентів, обмежену підтримку та підготовку teacher та мовні/культурні бар’єри (більшість досліджень націлена на англомовні популяції) — підкреслюючи, що інклюзивне навчання має поєднувати технічну здатність із валідованим, масштабованим та етично обґрунтованим розгортанням.

Критика ШІ, зосереджена на інвалідності, досліджує, як системи ШІ можуть маргіналізувати, а не включати. Tali-Otmani стверджує, що системи generative AI у вищій освіті активно маргіналізують зосереджені на інвалідності способи пізнання через англоцентричні, західноорієнтовані навчальні дані, — пов’язуючи це із занепокоєннями Справедливість щодо епістемічної справедливості.

Воротарство формальної діагностики виключає здобувачів, яких інструмент нібито має обслуговувати. У огляді Rempel et al.'s (2026) 40 досліджень цифрових асистивних технологій для нейровідмінних студентів 28 зробили формальну діагностику умовою участі, і лише три розглядали середовище, а не студента.

Доступні інструменти на практиці показують, як ШІ може розширювати участь. SuaCode продемонстрував, що курси програмування на основі смартфонів досягають студентів в африканських контекстах із обмеженими ресурсами, де менше 1% мають навички програмування. Pimenova et al. працювали зі сліпими та слабозорими музикантами, щоб розробити невізуальні стратегії навчання, ставлячи в центр керований інвалідністю embodied дизайн. LUDIA надає безкоштовного, приватного, багатомовного помічника для міркувань, що пов’язує освітян із принципами UDL. Special-R1 розширює reinforcement learning на моделювання когнітивного та комунікаційного різноманіття між профілями інвалідності.

Зв’язки зі спорідненими поняттями

Інклюзивне навчання глибоко пов’язане з Справедливість — доступність є не просто технічним занепокоєнням, а питанням про те, кому дозволено брати участь у навчанні. Воно пов’язується з Доступність як свій конкретний шар доступу, з Асистивні технології як шаром інструментів, з Універсальне проєктування навчання як своєю теоретичною основою, зі Спеціальна освіта для специфічних для інвалідності підходів, з Проєктування навчання для того, як будуються курси та інструменти, і з Нейрорізноманіття як лінзою, що переосмислює відмінність як різноманіття, а не як дефіцит. Роботи над роботами жестової мови та тактильними інструментами пов’язують доступність із Роботи в освіті та Освітня NLP, тоді як спрощення тексту пов’язує її з Соціокультурне навчання та Адаптивне навчання. Зв’язки з ШІ в освіті та Генеративний ШІ підкреслюють і обіцянку (автоматизована адаптація змісту), і небезпеку (системи ШІ, що відтворюють виключення).

Наслідки для викладачів, які проєктують інклюзивне навчання

• Проєктуйте для виключеної модальності спочатку, а не наостанці. Побудова для сліпих/слабозорих користувачів від самого початку (Kutti AI, tactile graphs) дає інструменти, які працюють також офлайн і в умовах обмежених ресурсів — доступність як каталізатор, а не дообладнання постфактум.
• Спроєктовуйте спільно з цільовою спільнотою. Sign-language robots та DHH question generation показують, що залучення спільноти викриває бар’єри (напр., перші мови на основі жестів), яких проєктувальники не можуть передбачити — залучайте здобувачів і спільноти до проєктування.
• Оцінюйте педагогічну якість, а не лише лінгвістичні метрики. MuTSE показує, що варіативність результатів LLM потребує оцінювання з людиною в циклі, щоб спрощення допомагало, а не спрощувало надмірно.
• Використовуйте ШІ для закриття розривів у продуктивності. AI-segmented videos усунули розрив у продуктивності за СДУГ — розгортайте адаптивний ШІ там, де докази показують, що він вирівнює результати.
• Явно трактуйте компроміс безпека/доступність. BAVD моделює, як заходи проти обману можуть ненавмисно виключати здобувачів із порушеннями візуальної обробки — зважуйте доброчесність проти доступу.
• Доступ може залежати від формулювання, а не лише від формату. За незмінного базового завдання точність моделі зросла з 82,4% для формулювань низької грамотності до 83,4% для експертних формулювань, тож вимога до студентів ставити кращі підказки додає нове виключення; переписувач на боці системи, який нормалізує запити, усував значний розрив, не змінюючи змісту (Jin et al. (2026)).
• Стережіться відтворення виключення ШІ. Disability-centered critique, попереджає, що англоцентричні, західноорієнтовані навчальні дані маргіналізують інвалідні способи пізнання — аудитуйте інструменти ШІ на епістемічну справедливість разом із Справедливість.

Пов’язані поняття

• Диференційовані ефекти в різних групах здобувачів
• Справедливість
• Доступність — конкретний шар доступу (субтитри, альтернативний текст, сумісність із асистивними технологіями)
• Асистивні технології — шар інструментів, яким студенти користуються для доступу до змісту
• Спеціальна освіта
• Проєктування навчання
• Універсальне проєктування навчання
• Нейрорізноманіття
• Досвід здобувача
• ШІ-грамотність
• Вища освіта
• K-12
• Освіта з комп’ютерних наук (CS Education)
• Оцінювання
• Академічна доброчесність
• Приватність
• Генеративний ШІ
• ШІ в освіті
• Роботи в освіті
• Освітня NLP
• Соціокультурне навчання
• Адаптивне навчання
• Мовленнєві та голосові технології

Пов’язані статті

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Привілей підказок: вимірювання та пом’якшення розривів у доступі до LLM
• Leveling the Playing Field: Temporal Video Segmentation for Individuals with ADHD in Computing Education
• Exploring the Design of LLM-Powered Question Generation for Deaf and Hard of Hearing Learners — Генерування питань на основі LLM для глухих і слабочуючих здобувачів
• MuTSE: A Human-in-the-Loop Multi-use Text Simplification Evaluator — Спрощення тексту для інтелектуального навчання
• Kutti AI: A Voice-First, Offline-Capable Learning Companion with Real-Time Struggle Detection for Visually-Impaired Children — Kutti AI: голосовий компаньйон для дітей із порушеннями зору
• Touching and Feeling the Data: A Reusable Software Pipeline for Tactile Statistical Graphs in Accessible Education — Тактильні 3D-надруковані статистичні графи
• Using the Pepper Robot to Support Sign Language Communication — Робот Pepper, що підтримує комунікацію мовою жестів
• Behaviorally Adaptive Visual Diversion for Inclusive and Resilient Digital Assessment Delivery
• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums
• I can't read your mind": A Study of Neurodivergent Computing Students' Experiences with Collaborative Active Learning
• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education
• Designing for What Cannot Be Seen: Supporting Embodied String Learning for Musicians with Blindness and Low-Vision
• Why SuaCode?": Understanding African Students' Motivations for Taking a Smartphone-Based Online Coding Course
• LUDIA: A Design and Evidence Statement
• Special-R1: Reinforcement Learning for Special Education — Aligning LLM Tutors to Diverse Learners through Disability-Adaptive Training
• Using Gemini and LuaLaTeX to transcribe physics videos into PDF/UA-2 and ISO 32005 math-accessible PDFs — Доступна для математики транскрипція відео з фізики на Gemini+LuaLaTeX
• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — Асистивний GenAI для здобувачів із порушеннями зору
• Generative AI, virtual reality, and beyond: A scoping review of digital assistive technologies for neurodivergent students in higher education — Генеративний ШІ, віртуальна реальність і не лише: огляд цифрових асистивних технологій для нейровідмінних студентів у вищій освіті