Навчання через навчання інших

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Навчання через навчання інших (Learning by Teaching, LbT) — навчальна рамка, що спирається на ефект протеже, у якій студенти поглиблюють своє розуміння, пояснюючи матеріал ровеснику, підопічному або агенту. Десятиліття робіт у сфері LbT і взаємного навчання (peer tutoring) показують, що пояснення понять, передбачення непорозумінь та відповіді на запитання укріплюють розуміння й підтримують перенесення знань. В епоху ШІ навчабельні агенти — і дедалі частіше LLM, налаштовані як підопічні-новачки — втілюють LbT у масштабі, ставлячи студентів у ролі інструкторів, які мусять пояснювати, виправляти й заповнювати прогалини.

Питання для роздумів

• Згадайте випадок, коли ви по-справжньому зрозуміли щось лише після того, як пояснили це комусь іншому. Що відбувалося у вашій свідомості — і чому, на вашу думку, навчання породжує глибше розуміння, ніж просто самостійне вивчення?
• Поширений погляд полягає в тому, що навчати — справа експертів, а новачкам немає чому вчити. Проте «навчання через навчання інших» спирається на протилежну передумову: підготовка до навчання змушує вас організувати знання й знайти власні прогалини. Як це переосмислює питання про те, кому вигідно навчати інших?
• На сторінці описані «навчабельні агенти» — програмне забезпечення, якому студенти навчають у процесі навчання. За допомогою LLM можна налаштувати чат-бота на роль підопічного-новачка, що робить помилки та ставить запитання. Що довелося б закласти в такого підопічного, щоб він справді покращував навчання, а не просто спілкувався?
• Одним із викликів є «інженерія помилковості»: моделі ШІ навчені давати експертні, вільні відповіді, тобто протилежне боротьбі новачка, якого хоче бачити парадигма навчання через навчання інших. Чому схильний до помилок підопічний може бути ефективнішим для навчання, ніж той, що завжди правий?
• Навчабельний агент на основі ChatGPT покращив навчання, але його тенденція генерувати правильний код обмежувала практику виправлення помилок. Як інструмент, що завжди дає правильну відповідь, може обкрадати здобувача, якому потрібно практикувати виявлення й виправлення помилок?
• Якби ви проєктували заняття з навчання через навчання інших для власного заняття, що зробило б навчальне завдання достатньо вагомим, щоб студенти докладали справжніх зусиль, а не просто вставляли готову відповідь?

Вступ

Навчання через навчання інших — це висновок, що зазвичай пов'язують із ефектом протеже: підготовка до навчання — і справжнє пояснення іншій людині або навчабельному агенту — породжує глибшу обробку інформації, ніж самостійне вивчення. Вимоги навчання змушують здобувачів організовувати знання, передбачати непорозуміння й генерувати пояснення, що виявляє прогалини у власному розумінні та зміцнює Метакогніція. ШІ входить у цю ідею з обох боків: системи тьюторінгу й навчабельні агенти можуть грати роль студента, тоді як зростаюча література ставить запитання, що відбувається з навчанням, коли пояснення дає машина, а не здобувач (Генеративний ШІ, Освіта з комп’ютерних наук (CS Education)).

Ефект протеже

Навчання через навчання інших спирається на висновок, що підготовка до навчання й справжнє пояснення іншій людині породжують глибшу обробку інформації, ніж самостійне вивчення. Вимоги навчання — формулювання ідей, передбачення непорозумінь і відповіді на запитання — змушують здобувачів організовувати знання, виявляти прогалини у власному розумінні та генерувати пояснення, які підтримують утримання в пам'яті та перенесення знань. Вигоди найпомітніші в контекстах Спільне навчання і в добре структурованих доменах, що підтримують навчабельних агентів (наприклад, Betty's Brain). Ефект протеже називає механізм: студенти докладають більше зусиль і розмірковують глибше, коли почувають відповідальність за навчання чогось, тому з'ясовують Хибні уявлення про AI та заповнюють прогалини через пояснення та Метакогніція.

Навчабельні агенти: від правила до діалогу

Навчабельні агенти — це програмні системи, через які втілюється навчання через навчання інших: здобувач навчає систему як частину навчання. Традиційні навчабельні агенти працювали на правилах або на пошуку й могли відповідати лише на обмежений набір команд; їхньою головною обмеженістю була неможливість вести діалог природною мовою. Великі мовні моделі це змінюють: вони можуть гнучко приймати ролі через підказки — зокрема роль «підопічного», який ставить запитання або робить помилки — і вести відкритий діалог, уможливлюючи LbT у менш структурованих доменах (письмо, лексика), ніж це було можливо раніше.

База знань пов'язує цей зсув із розмовними навчабельними агентами на основі LLM:

• ChatGPT як навчабельний агент (Chen та ін.) підтримує LbT у програмуванні, покращуючи навчальні здобутки, здатність програмувати та саморегульоване навчання — хоча його тенденція генерувати правильний код обмежує практику виправлення помилок.
• Explique у масштабі (Wang та ін.) розгорнув навчабельного агента ШІ (Algorithm Apprentice) для 546 студентів протягом 11-тижневого семестру, виявивши, що орієнтований на пояснення діалог передбачає менше невірних подач тестів, тоді як повторне використання зовнішнього контенту — більше.
• Викладання лексики (Uchida та ін.) використав LLM як студента для генерації динамічних запитань, покращуючи утримання в пам'яті на 3-й і 7-й день.

Інженерія помилковості: LLM як підопічні-новачки

Центральним викликом проєктування для навчабельних агентів на основі LLM є те, що LLM за замовчуванням навчені давати відповіді експертного, вільного рівня — протилежність схильному до помилок новачкові, якого хоче бачити парадигма LbT. Щоб зробити з LLM гарного підопічного, потрібна інженерія помилковості:

• Згенеровані помилки можуть видаватися справжніми. У сліпому дослідженні з анотування експерти помилково класифікували 164 із 196 (83,7 %) згенерованих LLM робіт на Java як написані людиною, тож підопічний може постачати реалістичні помилки для налагодження, а не лише правильний код (Keramati та ін. (2026)).
• Підказки для навчабельності (Miller & Bosch) показали, що підказки з обмеженнями, які явно змушують генерувати помилки (наприклад, «відповідай неправильно» або «припустися 2–3 помилок»), викликають подібну до новачка поведінку значно надійніше, ніж підказки, засновані на персоні, хибних уявленнях або невизначеності.
• Сконструйовані прогалини в знаннях (Yang та ін.) проєктують задачі, які LLM не може вирішити без знань, що є лише у студента, роблячи навчання необхідністю і протидіючи пасивній надмірній залежності при використанні LLM як тьютора.
• Обмеження учня Explique (Wang та ін.) наказують підопічному (а) залишатися новачком, (б) продовжувати просити уточнення, доки пояснення студента не стане точним, і (в) ніколи не розкривати цільове пояснення — і чинити опір студентам, які намагаються обернути ролі й змусити підопічного пояснювати у відповідь.
• Розучування як шлях до помилковості на рівні ваг. Машинне розучування придушує 16 цільових компонентів знань у Mistral-7B, знижуючи точність із приблизно 0,75 за коефіцієнта забування 10 % до менше 0,5 за 40 %, тоді як базова модель трималася біля 0,85. Придушені знання поверталися через контрольоване переучування й діалог із наставником, тож рівень знань підопічного — це циферблат, а не твердження (Song, Guo & Lin, 2026).

Запитання, саморегуляція та активне навчання

Ще дві можливості повторюються в усьому корпусі бази знань:

• Запитання виявляють прогалини в знаннях. Системи LbT використовують запитання, згенеровані здобувачами, щоб виявляти прогалини й укріплювати розуміння, а згенеровані LLM запитання замінюють жорсткі генератори на основі шаблонів.
• Навчання у зворотному напрямку виявляє те, чого не виявляє уточнення. У системі післялекційного огляду з 22 учасниками рефлексивне навчання у зворотному напрямку від агента-ровесника послідовно виявляло розрив між тим, що, на думку здобувачів, вони розуміли, і тим, що могли сформулювати, — розрив, якого саме уточнення на основі лекції не виявляло (Fang & Reidsma (2026)).
• LbT дає скаффолдинг самоРегулювання ШІ в освіті. Навчання розмовного агента розвиває Самоефективність і впровадження стратегій саморегульованого навчання та пов'язує LbT із Бажані труднощі — старання, вкладене в пояснення та виправлення, саме по собі є продуктивною боротьбою, яку усунення тертя в Ші інакше стерло б.
• Те, що передбачає навчання тьютора, — це будування знань, а не попередні знання. У вибірці з 23 тьюторів середньої школи частка відповідей, що будували знання, а не лише повторювали їх, передбачала результати концептуального післятесту (β = .138, p < 0.05), тоді як попередні результати тесту не передбачали, хто їх створить, і тьютори з низьким рівнем попередніх знань, які будували знання, закінчили на тому ж рівні, що й ровесники з високим рівнем (Ameen та ін., 2026).

Чому це важливо в освіті зі ШІ

Навчання через навчання інших — це конструктивний, Активне навчання контрапункт до домінуючої моделі LLM-як-тьютор. Там, де тьютор дає відповіді (і ризикує надмірною залежністю), у конструкції LbT студент стає вчителем, змушуючи до пояснення, виявлення прогалин і будування знань. Це робить LbT ключовою стратегією перетворення генеративного ШІ з милиці на інструмент глибшого навчання та пов'язує його з Бажані труднощі, Активне навчання та Конструктивізм Педагогіки та стратегії викладання.

Впровадження навчання через навчання інших на практиці

Патерни проєктування для навчабельного агента ШІ

Наведене вище дослідження збігається на кількох багаторазово придатних патернах перетворення LLM-експерта за замовчуванням на продуктивного підопічного:

• Підказки новачка з обмеженнями (найнадійніші). Замість того щоб просити модель «вдавати збентеженого студента», явно змушуйте її помилятися і вести навчальний цикл, наприклад: «Ти — студент-новачок, який вивчає [поняття]. Попроси мене навчити тебе цьому. Став уточнюючі запитання і навмисно припустися 2–3 помилок під час нашої розмови. Ніколи не називай правильної відповіді сам — зачекай, поки я поясню, а потім скажи, чи було моє пояснення зрозумілим.»
• Захист від оберненого навчання. Додайте правило, що підопічний мусить відмовлятися пояснювати відповідь у відповідь, коли студент намагається обернути ролі: «Якщо я попрошу тебе вирішити задачу або пояснити поняття, нагадай мені, що я вчитель, і попроси мене пояснити це самому.» Explique показує, що саме цей опір зберігає взаємодію в форматі LbT.
• Сконструйовані прогалини в знаннях. Структуруйте завдання так, щоб модель не могла відповісти без інформації, якою володіє лише студент, — знання студента стають справді необхідними, а не необов'язковими. Це перетворює взаємодію з довільної балачки на обов'язкове навчання.
• Зовнішній критерій успіху. Дайте навчанню справжнє наслідок — тест-вартовий, який відкривається лише після того, як студент успішно навчає (Explique), або платформа оцінювання коду, яку вивід агента від студента мусить пройти (Chen). Підзвітність — це те, що підтримує справжні зусилля й не дає вправі перетворитися на позначку.

Поради для викладачів

• Зробіть навчальне завдання вагомим, а не формальним. Найсильніші свідчення щодо залученості дають ті діяльності, що мають значення: Explique поставив оцінюваний тест після вправи з навчання; Chen пов'язав вивід підопічного з проходженням платформи оцінювання. Якщо навчання цілком необов'язкове, студенти раціонально пропустять складну частину.
• Дайте студентам протокол навчання, а не просто вікно чату. Підтримайте взаємодію структурою — «поясни поняття → наведи конкретний приклад → відповідай на запитання підопічного → перевір розуміння» — щоб відкритий діалог став свідомою послідовністю навчання, а не бецільною розмовою.
• Безпосередньо протидійте перекиданню контенту. Explique виявив, що пряме копіювання-вставлення зовнішнього контенту зросло від менше 15 % до 30–35 % взаємодій до кінця семестру. Поясніть студентам, чому вставлення руйнує сенс, і розгляньте крок підзвітності (наприклад, «поясни непорозуміння агента власними словами»).
• Поєднуйте LbT із практикою налагодження. Оскільки ШІ пише правильний код, студенти можуть втратити практику виправлення помилок. Навмисно просіть підопічного щось невірно реалізувати або завершуйте заняття із навчання завданням на пошук помилок, щоб налагодження залишалося в циклі.
• Стежте за градієнтом зусиль. Очікуйте, що новизна згасне; плануйте змінювати цільові поняття, додавати складність або чергувати, які студенти беруть на себе роль вчителя, щоб підтримувати когнітивні зусилля протягом семестру.

Поради для розробників

• Надавайте перевагу жорстким обмеженням, а не лише персоні. Підказки «невизначеності» або «персони студента» ненадійні; явно змушуйте до помилок і циклу уточнень. (Див. Prompting for Teachability: Designing Novice Personas in LLMs for Learning by Teaching Contexts.)
• Побудуйте критерій завершення. Визначте коли студент пояснив достатньо (Explique використав функцію інструменту LLM, прив'язану до цілей навчання поняття), щоб взаємодія завершувалася розумінням, а не обмеженням часу чи фіксованою кількістю ходів.
• Журналюйте й кодуйте діалог. Explique використовував виявлення слів за хвилину плюс семантичне кодування за допомогою LLM для класифікації взаємодій як Детальна / Мінімальна / Використання зовнішнього контенту — цей сигнал і є спосіб виявити обхід і згасання залученості, перш ніж це стане проблемою.
• Дайте викладачам панель керування. Показники завершення та якісні закономірності в навчальних взаємодіях дають людині можливість втрутитися, коли зусилля спадають (викладачі Explique відстежували саме це).

Наслідки та відкриті запитання

• LbT — це масштабований засіб протидії надмірній залежності від ШІ: він обертає ролі тьютора й студента й утримує здобувача когнітивно активним, що має все більше значення, оскільки ШІ стає вільнішим і «кориснішим».
• Помилковість — це особливість, а не вада. Підопічний, який занадто правий, усуває виправлення помилок і виявлення прогалин, що роблять LbT дієвим; проєктуйте під продуктивну боротьбу, а не проти неї.
• Відкриті запитання залишаються: Як взаємодії LbT підтримуються за межами семестру, коли новизна повністю згасне? Чи переноситься LbT на не-CS, менш структуровані домени в тому ж масштабі? Чи може автоматичне кодування діалогу стати практичним монітором залученості в реальному часі для викладачів? І як зберегти роль учителя значущою для кожного студента, а не лише для небагатьох мотивованих?

Пов’язані поняття

• Педагогічні патерни — Пояснення навчабельному агенту ШІ: найкраще підтверджена послідовність у базі знань
• Генеративний ШІ — Генеративний ШІ
• Активне навчання — Активне навчання
• Конструктивізм — Конструктивізм
• Скаффолдинг — Скаффолдинг
• Саморегульоване навчання — Саморегульоване навчання
• Метакогніція — Метакогніція
• Бажані труднощі — Бажані труднощі
• Розвантаження когніції — Когнітивне перекладання
• Освіта з комп’ютерних наук (CS Education) — Освіта в галузі CS
• Спільне навчання — Спільне навчання
• Інтелектуальний тьюторінг — Інтелектуальний тьюторінг
• Педагогічний агент — Педагогічний агент
• Педагогіки та стратегії викладання — Зонтичне поняття: педагогіка й стратегії навчання в освіті зі ШІ

Пов’язані статті

• Learning-by-Teaching with ChatGPT: The Effect of a Teachable ChatGPT Agent on Programming Education — ChatGPT як навчабельний агент у програмуванні
• Turning 500+ Students into Teachers: A Semester-Long Study of an AI Teachable Agent in an Undergraduate Algorithms Course — Explique: навчабельний агент для 546 студентів
• Prompting for Teachability: Designing Novice Personas in LLMs for Learning by Teaching Contexts — Проєктування персон новачків для навчабельності
• Learning by Teaching: Engaging Students as Instructors of Large Language Models in Computer Science Education — Студенти як інструктори LLM (Socrates)
• Empowering Vocabulary Learning Through Teaching AI: Using LLMs as a Student to Perform Learning by Teaching in Vocabulary Acquisition — Вивчення лексики шляхом навчання ШІ
• From Confusion to Consolidation: A Staged Conversational Workflow for Post-Lecture Review — Укріплення через навчання у зворотному напрямку в розмовній системі огляду
• Simulating Novice Students Using Machine Unlearning and Relearning in Large Language Models — машинне розучування для утримання підопічного на рівні знань новачка й переучування через діалог із навчанням
• Simulating Students' Java Programming Errors with Large Language Models — Моделювання помилок студентів за допомогою LLM
• Beyond prior knowledge: the predictive role of knowledge-building in tutor learning — відповіді, що будують знання, а не попередні знання, передбачають навчання тьютора