База знань AIEdAIEd KB
На цій сторінці

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

Концепції

Метакогніція

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Метакогніція — мислення про власне мислення — є водночас і ціллю AI education research у сфері AI (чи можуть AI-інструменти розвивати метакогнітивні вміння здобувачів?), і фактором ризику (виконання завдань за допомогою AI може придушувати метакогнітивну практику). (The Evidence Base on AI in K-12: A 2026 Review)(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Питання для роздумів

  • «Метакогніція» — це мислення про власне мислення: усвідомлення того, що ви знаєте, самостеже за собою та коригування власних стратегій. Коли ви вчитеся або розв’язуєте задачу, наскільки ви усвідомлюєте в цей момент, чи справді розумієте матеріал, а не лише впізнаєте його?
  • Прикметний висновок: здобувачі, які користувалися AI-допомогою в написанні есе, часто не могли згадати цитати з власних есе, бо не взаємодіяли зі змістом під час його створення. Коли інструмент продукує результат, яку практику втрачає здобувач, — і чи важлива ця практика?
  • Сторінка трактує метакогніцію водночас як ціль (чи може AI її будувати?) і як ризик (чи може AI її придушувати?). Чи може той самий AI-інструмент або посилювати, або послаблювати метакогніцію здобувача залежно від того, як його проєктовано чи використовують? Що визначає, у який бік це піде?
  • Структуровані підказки, які просять здобувачів пояснити самих себе, оцінити стратегії або виявити прогалини, зберігають метакогнітивний запит, тоді як AI, який просто виконує завдання, витісняє його. Якби ви проєктували AI-інструмент для навчання, що б ви збудували, щоб він запрошував до рефлексії, а не заміщав її?
  • Сторінка виявляє, що те, чи є використання AI метакогнітивно багатим, залежить від мотивації та позиції здобувача не менше, ніж від технології. Чи траплялося вам користуватися інструментом поверхнево, а потім усвідомлювати, що ви нічого не навчилися, — і чим відрізнялися часи, коли ви користувалися ним глибоко?

Вступ

Метакогніція в освіті — це усвідомлення здобувачами, стеження та Регулювання ШІ в освіті власних когнітивних процесів:

  • Метакогнітивні знання: розуміння того, що саме ти знаєш, які стратегії доступні й коли їх застосовувати
  • Метакогнітивне регулювання: планування, стеження та оцінювання власного навчання в реальному часі

У рамках підходів Саморегульоване навчання метакогніція — центральний механізм, який дає здобувачам змогу адаптувати стратегії, впізнавати непорозуміння та доречно звертатися по допомогу. (Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

То, як здобувачі насправді застосовують метакогніцію навколо AI, формується чимось більшим, ніж сам інструмент: Cui et al. виявляють, що мотивація студента та роль взаємодії, яку він бере на себе, формують його метакогнітивне engagement з GenAI, — тобто те, чи є використання AI метакогнітивно багатим, залежить від позиції здобувача не менше, ніж від технології. Miles, Haber-Curran and Arar (2026) додають саму AI interaction як об’єкт цієї рефлексії: завершальний крок їхнього циклу Prompt Literacy просить здобувачів дослідити, що процес розкрив про те, як функціонують підказки, і які припущення сформували відповідь, і роблять рефлексію та перегляд тією фазою, в якій розвиваються авторство та критичне судження.

Фундаментальніша роль метакогніції з’являється, коли центр координування зміщується від викладача до здобувача. Dang, Hong, Doyle and Nguyen (2026) стверджують у своїй рамці Human-AI Collaboration Competency (HACC), що інтегративна робота, яку TPACK призначає педагогіці, переходить — коли діючою особою стає здобувач — до власної метакогніції здобувача, тобто до компетентності, яка дає студентам змогу керувати співпрацею, calibrate свою залежність від AI та залишатися авторами свого навчання. Вони трактують метакогнітивну компетентність як механізм, через який утілюється learner agency, свідомо виключаючи автономію як окремий компонент і читаючи її натомість як емерджентну властивість координування компетентностей у галузі, AI та метакогнітивної компетентності. Їхній Epistemic Network Analysis інтерв’ю з 24 педагогами вищої освіти виявив, що метакогнітивні висловлювання зростають разом із рівнем ролі — викладачі вищого рангу пов’язували їх із галуззю, AI та навчанням із AI, — що автори читають як ознаку того, що педагоги з ширшою відповідальністю за навчальну програму сприймають стійкі труднощі здобувачів як регуляторні, а не технічні.

Як AI-інструменти впливають на метакогніцію

Ризик придушення (Stanford SCALE, 2026)

Коли AI виконує завдання на міркування за здобувачів — розв’язує математичні задачі, пише есе, генерує код, — здобувач втрачає практику в стеженні за власним розумінням і виборі стратегій. (The Evidence Base on AI in K-12: A 2026 Review)

Залежність — це не поразка: Du and Yuan (2026) судять AI-опосередковане навчання за шістьма діагностичними критеріями — оспорюваність, відновлюваність, перенесення, простежуваність, розподілена відповідальність та епістемічний плюралізм — і відрізняють інструментальну допомогу, яка сприяє створенню результату, від допомоги, несущої судження, яка постачає стандарти, за якими результат судиться.

Найменування питання управління. Lin and Chang (2026) пропонують метакогнітивне володіння — управління здобувачем стандартами, оцінними судженнями та діями, які вносить AI, — розділяючи привласнення стандартів, управління судженням-стеженням та авторизацію контролю, і вимагаючи реалістичної можливості діяти інакше.

Ключові висновки:

  • Kosmyna et al. (2025): здобувачі, які користувалися AI-допомогою в написанні есе, були на 83 % нездатними згадати цитати з власних есе проти 11 % у тих, хто не користувався, — що вказує, що вони не взаємодіяли зі змістом під час його створення.
  • Stadler et al. (2024): AI загального призначення знизив когнітивне навантаження, але давав нижчу якість міркування проти традиційного пошуку, що вказує на витіснення метакогнітивного залучення.
  • Lehmann et al. (2025): загальний AI для programming шкодив розумінню в здобувачів із низьким Попередні знання — тобто тим, хто найбільше потребував метакогнітивного скаффолдингу, давали відповіді замість нього.
  • Метакогнітивна лінь. Галузь називає особливий режим невдачі, в якому здобувачі поступаються своїми метакогнітивними обов’язками на користь інструменту, — приймаючи термін метакогнітивна лінь для виниклої ілюзії компетентності й попереджаючи, що її когнітивні ризики найважчі для новачків та слабких саморегуляторів (Lodge & Loble (2026)).

Вільне володіння — причина, з якої втрата залишається непоміченою. Здобувачі судять про своє навчання частково з того, наскільки легко матеріал обробляється, а Bjork et al. (2013) показують, що сигнали вільного володіння призводять до переоціння власного розуміння, коли зміст здається легким; вільне AI-генероване текст постачає це відчуття незалежно від того, чи відбулося розуміння, створюючи умови для виробленої ілюзії компетентності. Generativism трактує це як причину, з якої адаптивну метакогніцію не можна припускати: здобувач мусить запитувати, чи відбиває легкість читання розуміння, замість того щоб читати легкість як відповідь.

Усвідомлення не гарантує, що завершення зупиниться. Jia (2026) називає метакогнітивно розбіжне завершення: здобувач, який вклав реальні зусилля, має сформований від першої особи вердикт, що розуміння не настало, і все одно відпускає роботу, — випадок, який і припущення ілюзії вільного володіння, і припущення відкликаного зусилля обходять.

Здобувачі також погано калібровані щодо витрат AI: учасники точно передбачали час на самостійну роботу, але недооцінювали час із допомогою AI і повідомляли про менші зусилля (0,61 пункта за шкалою NASA-TLX), тоді як AI прискорював лише 3 з 24 завдань, — упередження, відсутнє, коли уявним помічником була інша людина (Yu et al. (2026)).

Витрата виявляється обмеженою, а не глобальною: перекладання погіршує конкретну вправовану навичку, а не базові доменно-загальні здатності, і проявляється при відкликанні: дослідження ендоскопії виявило падіння виявлення аденом з 28,4 % до 22,4 %, коли AI ставав недоступним, залишаючи стеження за джерелом (відрізнення міркування AI від власного) відкритим метакогнітивним ризиком (Cash et al. (2026)).

Можливість посилення (Scheu et al., 2026)

Коли AI проєктовано підтримувати рефлексію, а не заміщати її, метакогніцію можна посилити:

  • Навчальні щоденники — класична метакогнітивна практика: рефлектуючи над процесами навчання, здобувачі підвищують усвідомлення власної когніції

  • Структуровані підказки, які просять здобувачів пояснити самих себе, оцінити стратегії або виявити прогалини в знаннях, зберігають метакогнітивний запит. CoMeT (Hou et al. 2026) дає цій фразі визначення й емпіричне підґрунтя: він трактує метакогнітивний запит як величину, відмінну від cognitive load, — те, що здобувач мусить вирішити, сформулювати або оцінити до прибуття допомоги, а не просто те, що залишається, коли допомогу притримано, — і утримував його статистично еквівалентним тьютору, який за дизайном притримував відповіді (p_TOST = .004), тоді як власна підтримка системи нарощувалася та спадала на одну сходинку за раз. Спадання трималося, коли хід здобувача був націлений на рішення, що отримувало підтримку: націлено іншими об’єктами, отримували пізнішу поступку в 40,3 % випадків проти 28,8 % для націлених ходів — різниця в 11,5 пунктів, — тому те, що тьютор мусить читати, — це де сидить увага здобувача, а не скільки зусилля демонструє хід.

  • Призначайте рівень використання AI на завдання. HAIML поєднує свої три шари з чотирма рівнями використання AI — від відсутності використання AI через мозковий штурм до співпраці з AI та створення з інтеграцією AI й оцінкою результату, — тому викладач задає рівень для завдання й утримує метакогнітивну рефлексію центральною на кожному рівні (Reardon, 2026).

  • Курс на прикладах у chatbot від Scheu et al. підвищив сприйняту компетентність (метакогнітивну Самооцінювання), навіть коли сам Великі мовні моделі (LLM)-помічник цього не робив

  • Нове формулювання ставить у контур не лише індивіда, а й систему. Бібліометрично-систематичний огляд 135 досліджень STEM-аудиторій (24 ключові дослідження) виявляє постантропоцентричне формулювання, яке позиціонує AI як корегулятора навчання, зсуваючи одиницю аналізу від індивідуальної рефлексії до системної Регулювання ШІ в освіті та distributed cognition (Tsakeni et al. (2025)).

  • Виведення на поверхню патернів взаємодії, які здобувачі не бачать. Kuang, Li and Weng (2026) стежили за рухами очей, веденням нотаток та мовленням, коли 22 стажери з усного перекладу працювали з системою розпізнавання мовлення та машинного перекладу, і виявили, що спосіб, у який здобувачі розподіляли attention між результатом AI та власними нотатками, був невидимий для них самих: 58,3 % змінювали профіль між етапами завдання, а найінтенсивніші читачі результату AI демонстрували найнижчі показники вільного володіння подачею та якості цільової мови. Педагогічний наслідок: рефлексію треба скаффолдити зовнішніми доказами, бо стратегія здобувача не є інтроспективно доступною — автори виступають за те, щоб скеровувати здобувачів описувати й оцінювати, чому вони працювали саме так на кожному етапі.

  • Докази процесу залежать від каналу. У 79 студентів бакалаврату, які працювали з generative AI, стеження та планування більшої глибини з’являлися частіше в одиницях мислення вголос, тоді як регулювання більшої глибини — частіше в журналах взаємодії, тому один запис сам по собі применшує деякі процеси (Li and Liu (2026)).

  • Рефлексивні практики можуть виникати із звичайного предметного використання. У восьми данських школах вищого рівня середньої освіти здобувачі, які працювали з Генеративний ШІ як із когнітивним партнером, розвинули чотири практики — пояснення, створення, натхнення та покращення, що розгорталися в одинадцять процесів, — у яких рефлексія з’являлася і в предметному, і в процесуальному регістрі, хоча кожна практика могла однаково служити й заміщенню (Dalsgaard & Prilop, 2026)).

  • Рефлексивний скаффолдинг може звикнути і замістити те самостеження, яке він захищає. de Jong (2026) попереджає, що повторювані заклики до рефлексії можуть зиждуватися через звикання — так само, як повторювані попередження автоматично відкидаються, — тому фахівець, який рефлектує лише тоді, коли просить система, може опинитися ні з інструментом, ні зі звичкою самостеження; у праці стверджується, що рефлексивні підказки слід трактувати як інтервенцію формування навички, що поступово знімається, і перевіряти, чи рефлектують користувачі без них.

  • Вибірковий приріст: метакогнітивні знання без планування та стеження. Wang et al. (2026) розділили 68 майбутніх викладачів на групу, яка пояснювала перевернуту аудиторію генеративному AI-новачку (n=33), і групу, яка ставила питання генеративному AI-викладачу (n=35). Група «новачок-здобувач» набрала вище за метакогнітивні знання та стратегії навчання (p < 0,001, d Коена = 0,41), але не за планування та стеження (M = 4,01 проти 3,78, p = 0,062), хоча бали за пояснення та застосування в тій самій групі зросли (r = 0,474 і r = 0,642), тоді як фактичне пригадування не розділило груп (p = 0,416). Цей розрив слідує за двома компонентами у Вступі: пояснення тому, хто ставить зустрічні питання, будувало декларативне усвідомлення того, що саме ти знаєш, але ніщо в дизайні не змушувало здобувача прокладати маршрут чи перевіряти прогрес, що автори пояснюють дизайном завдання та когнітивним навантаженням, а не самою роллю. Отже, Навчання через навчання інших з AI є важелем на метакогнітивні знання, а не автоматично на regulation, і автори рекомендують додавати явні підказки на планування та зворотний зв’язок щодо прогресу.

  • Мислення вголос підтримує раннє усвідомлення, але не глибоку оцінку. Karaki and Baroudi (2026) провели дослідження дією зі змішаними методами зі 44 студентами першого курсу підприємництва, які використовували метод Think Aloud під час курсів із підтримкою AI. Think Aloud зробив конструювання підказок здобувачами, практики перевірки та етичного прийняття рішень більш видимими, але критична оцінка результатів AI «часто залишалася на поверхневому рівні, особливо серед здобувачів, які потребують додаткової підтримки», — здобувачі помічали загальні або невідповідні відповіді, проте й далі сильно спиралися на них. Самозвітна метакогнітивна обізнаність була найвищою з трьох досліджених конструктів (M = 3,79), але єдине постинтервенційне опитування не може відокремити сприйняття від зміни. Висновок авторів — Think Aloud не є автономним рішенням і мусить поєднуватися з явною інструкцією в ШІ-грамотності, конструюванні підказок і стратегіях перевірки, — розширює лінію доказів процесу вище від що фіксують записи до що сама вокалізація змінює.

  • Попереднє метакогнітивне навчання обумовлює користь від партнера ШІ з рефлексією. У експерименті 2 × 2 із 60 майбутніми викладачами Zhang et al. (2026) виявили значну взаємодію метакогніції × інструмент: партнер-Сократ на основі ШІ переверщив традиційні цифрові інструменти на 0,56 бала лише після навчання, без переваги без нього (ΔM = −0,03).

Розрізнення залучення та мотивації

Scheu et al. (2026) виявили критичний розрив:

Вимір Ефект LLM-помічника Ефект курсу
Внутрішня мотивація (готовність залучатися) Без ефекту Позитивний
Поведінкове залучення (обсяг написаного) Зростає з часом (feedback loop) Постійно позитивний

Це вказує, що метакогнітивна підтримка та Мотивація не є тотожними. Скаффолдинг Скаффолдинг у щоденниках LLM-помічником збільшував те, скільки здобувачі писали (поведінкове залучення), але не робив так, щоб вони хотіли писати більше (внутрішня мотивація). (Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Розрізнення уявлень і досвіду

Guo & Ye (2026) пропонують теоретично точніше уявлення про те, як метакогніція керує вибором стратегії, розрізняючи два компоненти, що діють у різних фазах:

  • Метакогнітивні уявлення — стійкі, самореферентні уявлення про себе, що зберігаються в довгостроковій пам’яті (наприклад, уявлення про власні можливості пам’яті або про надійність інструменту). Вони закріплюють вибір стратегії до початку завдання.
  • Метакогнітивний досвід — динамічні, специфічні для завдання переживання (сприйнята складність, упевненість, розумове навантаження), які рушать оновленням уявлень під час виконання завдання.

Це розрізнення дає принцип узгодження часу та компонента: зворотний зв’язок, націлений на уявлення (наприклад, порівняльні рейтинги), найефективніший у фазі підготовки до завдання, тоді як зворотний зв’язок, націлений на досвід (наприклад, негайні індикатори правильності), найефективніший під час виконання завдання. Абстрактний зворотний зв’язок у вигляді рейтингів може відокремитися від — або бути перекритим — специфічним для завдання досвідом, який домінує в негайному прийнятті рішень, пояснюючи, чому деякі інтервенції зі зворотним зв’язком не змінюють поведінку. Це дає educators фаза-контингентну підставу для проєктування метакогнітивних скаффолдингів навколо AI-інструментів: калібруйте уявлення перед використанням, надавайте негайний специфічний для завдання зворотний зв’язок під час використання.

Зовнішня підтримка може також стати повністю перед судженням. Iqbal et al. (2026) дали 87 студентам EFL відредагувати есе з ChatGPT 4.0, досвідченим викладачем академічного письма або без підтримки та відтворили стратегії, які застосовували здобувачі, зі слідів кліків, натискань клавіш і рухів миші. Їхній вибір був сильно пов’язаний із наявною підтримкою (V Крамера = 0,668), але не з точністю метакогнітивного судження (H(3) = 4,995, p = 0,172), яке показало лише маргінальний зв’язок в умові відсутності підтримки (p = 0,0460). Жодна стратегія редагування не була пов’язана зі зміною бала за есе (p = 0,273), проте група GenAI покращилася суттєво більше за дві інші (H(2) = 16,591, p = 0,00025, η² = 0,174), тому сильніші есе походили не від кращої саморегуляції. Коли спроможний партнер може постачати наступний хід, метакогнітивне судження перестає бути тим, що його обирає, і наведений вище виклад про вибір стратегії описує здобувача без допомоги більше, ніж підтримуваного. Практичне прочитання авторів — націлювати допомогу AI на спонукання до рефлексії про стратегії письма, а не на постачання прямої допомоги.

Калібрування є тренованим: прогноз + зворотний зв’язок

Ngai & Gilbert (2026) надають прямі причинні докази, що метакогнітивне калібрування — це тренована вмілість. У двох пререєстрованих експериментах (N=164, N=416) лише п’ять тренувальних спроб, що поєднують прогноз продуктивності з достовірним зворотним зв’язком, покращили калібрування і зменшили упередженість. Адитивний дизайн із чотирьох груп ізолював причинний компонент: сам по собі прогноз був неефективним; додавання зворотного зв’язку про продуктивність рушило покращенням; явне позначення над-/недоупередженості не додало нічого далі. Критично, що покращення діяло на абсолютне калібрування — підвищуючи упевненість у недоупереджених і знижуючи її в над-упереджених, — тобто виправляло miscalibration в обох напрямах, а не зсувало всіх в один бік (і саме тому знакові/напрямлені ефекти були нульовими). Це посилює наведений вище виклад «досвід, а не уявлення» і показує мінімальне життєздатне метакогнітивне тренування: прогноз + негайний, специфічний для завдання зворотний зв’язок.

  • Коротка підказка на рефлексію загострює стеження під час рішень із підтримкою AI. Ren (2026) додав три підказки на рефлексію перед фіналізацією відповідей у триумовному експерименті зі 342 студентами бакалаврату: прийняття неправильної поради ChatGPT впало з 62,4 % до 39,7 % (OR = 0,40), а калібрування обізнаності зросло (0,59 проти 0,41), тоді як точність рекомендацій і узгодженість з правильною порадою залишилися високими. Рефлексія зробила залежність більш розрізняльною, а не рівномірно оборонною, що підтримує трактування залежності як проблеми стеження, а не питання про те, скільки AI використовується.
  • Вкладайте підказування всередину метакогнітивного циклу. Рамка IDEA послідовно організовує використання GenAI як Intent, Deconstruction, Expression та Adaptation, роблячи підказування одним кроком у плануванні та стеженні, а не автономною вмінням; здобувачі, навчені нею, створювали підказки вищої якості, ніж ровесники, навчені підказуванню Role–Task–Context–Format, в усіх п’яти категоріях завдань (Wang et al., 2026).

Наслідки для проєктування інструментів

  1. Зберігайте «тертя» мислення: якщо AI пише рефлексію, здобувач не будує метакогнітивну вмілість. Помічники для щоденників мусять скаффолдити, а не авторствувати.
  2. Моделюйте метакогнітивну мову: курс на прикладах спрацював частково тому, що знайомив здобувачів із метакогнітивною самою розмовою вправних моделей.
  3. Розділяйте підтримку мотивації та вміння: розвиток метакогнітивної вміння (через структуру курсу) і посилення продуктивності (через допомогу AI) можуть потребувати різних стратегій проєктування.

AI може змінювати метакогнітивний поріг для рішення, що ти знаєш достатньо, щоб відповідати: Marcoccia et al. (2026) виявили, що сам доступ до поради AI придушував готовність людей призупиняти судження за невизначеності, навіть за неправильної поради та інсентивів до точності, — ефект, який витримав ненадіслану з боку AI відповідь і грошові ставки.

Проактивний agentic AI може витісняти власний метакогнітивний цикл здобувача: Woollaston et al. (2026) стверджують, що коли агенти заздалегідь доставляють, ініціюють і самовиправляються, планування, стеження та оцінка агента заміщають такі ж операції здобувача, усуваючи retrieval practice і самостеження, від яких залежать desirable difficulties і метакогнітивне тренування.

  • Педагогіки та стратегії викладання на помилках як метакогнітивне тренування: Hosseini (2026) показує, що свідоме знайомлення здобувачів із AI-генерованими помилками на курсі проєктування баз даних активує метакогнітивне стеження — здобувачі перевіряли результати, знаходили помилки та переробляли дизайни, а не приймали результат AI на віру. Самозвітна Self-reported корелювала слабко й негативно з об’єктивною AI literacyкомпетентністю (r = −0,39) — розрив калібрування, який покликаний звузити цикл «критика–вдосконалення».

  • Productive failure залучає метакогнітивне стеження. Kim et al. (2026) показують, що навчання на основі продуктивної невдачі активує рефлексію над власними спробами; завдання типу clue-before-correction вимагають від здобувачів діагностувати й виправляти власні помилки — метакогнітивна діяльність, в якій AI дає підказки, а не відповіді.

  • Саморегуляція пом’якшує шкоду від перекладання, але не може її скасувати. Chen (2026) показує, що метакогнітивне регулювання (саморегульоване письмо) послаблює негативний зв’язок між глибинним cognitive offloading і незалежними результатами без AI в письмі за допомогою GenAI (взаємодія B = 0,22), але не усуває його, — умова обмеженої підтримки, що поєднує обмеження делегування з обов’язковою рефлексією про те, як були прийняті/відкинуті поради AI, дала найсильнішу незалежну продуктивність.

  • Глибина пошуку пояснень передбачає якість завдання, а не пригадування. Tsiligkiris (2026) показує, що підказки на пошук пояснень (глибина) в LLM-взаємодії передбачають якість завдання, але не негайне пригадування, інтерпретуючи дисоціацію через елаборацію (засвоєння) проти практики відтворення (консолідація), — і припускаючи, що пошук пояснень корелює з метакогнітивним стеженням, хоча вимоги відтворення треба додати для стійкого утримання в пам’яті.

  • Самозвітна метакогніція — слабкий сурогат регулювання разом із LLM. Clerc et al. (2026) дали 116 здобувачам middle-school двогодинний семінар із ШІ-грамотності, а потім виміряли їхню LLM-взаємодію під час задач із природничих наук: навчені здобувачі частіше відкидали недостатньо специфіковані підказки (51,5 % проти 66,7 %), набагато частіше ставили уточнювальні питання після слабкої відповіді (59,2 % проти 27,9 %, d = 0,80) і чутливіше судили про правильність відповіді залежно від якості підказки (взаємодія OR = 2,52). Ні загальна шкала метакогнітивної обізнаності (Jr. MAI), ні самозвіти GenAI не передбачали ці поведінки чи фінальну продуктивність (r = .04 і r = .01), — стеження і контроль під час використання generative AI є специфічними для завдання, і спостережувана поведінка несе більше інформації, ніж самозвітні інструменти, створені, щоб її фіксувати.

  • Автоматизоване оцінювання дійшло до фази продуктивності, а не до планування, яке їй передує. Chen and Liu (2026) дали 46 студентам з усного перекладу 14 тижнів щотижневого автоматизованого оцінювання з поверненим балом, позначеними помилками та еталонним виконанням: група з автоматизацією набрала більше загалом (d = 1,03), але лише стеження під час практики корелювало з приростами балів (r = 0,42), тоді як планування до навчання сиділо біля середини шкали (M = 3,01). Оцінювання та рефлексія несли другий за висотою середній бал (3,87 із 5), проте показували майже нульовий зв’язок із приростами (r = 0,10), тому високий бал за рефлексію не слід читати як продуктивну рефлексію.

  • Грамотність перевірки окупається лише через метакогнітивну саморегуляцію. Davor, Larbi and Boateng (2026) опитали 533 студентів університетів і виявили, що грамотність AI-перевірки не мала прямого зв’язку з критичним мисленням або технічним вирішенням проблем; вона мала значення лише опосередковано, через метакогнітивну саморегуляцію (патерн повної медіації). Схильність до Cognitive offloading працювала в інший бік, передбачаючи нижчу саморегуляцію (−0,294) разом із нижчим критичним мисленням (−0,240) і вирішенням проблем (−0,312).

  • Рефлексія росла разом із доступом до AI, і вона живила міркування, а не бали тестів. Melanou, Beege and Kimmig (2026) спостерігали три класи (N = 87) упродовж дев’ятитижневого курсу, вимірюючи в трьох точках. Знання покращилися в усіх умовах без переваги для жодної з умов із AI і без ефекту Матвія (BF01 = 8,70), але рефлексивне використання (перевірка джерел і верифікація результату AI перед його прийняттям) було значно вищим в умові з AI, ніж у контрольній групі (M = 3,72 проти 2,82, F(1, 40) = 20,21, p < 0,001), і передбачало критичне мислення (β = 0,43, p < 0,001, R² = 0,183), не передбачаючи жодного приросту знань. Рефлексія виникала від одного доступу до інструмента, а не від скаффолдингу, і, оскільки її виплата лягає в міркування, тест на знання не зареєструє метакогнітивної користі курсу з підтримкою AI.

  • Усередині самозвітного інструмента метакогніції обізнаність перевершує решту. Alatoai and Alshahri (2026) валідували 45-пунктову міру навчання STEM із підтримкою AI на 649 саудівських школярах середньої ланки (CFI = 0,983, RMSEA = 0,019; субшкали ω = 0,888–0,905) і використали її для ранжування компонентів. Чотири виміри пояснили 68 % дисперсії в балах саморегульованого навчання, причому AI-заснована метакогнітивна обізнаність була найсильнішою (β = 0,38, p < 0,001), когнітивне перенесення та адаптивність — далі (β = 0,29, p = 0,008), а креативне та критичне STEM-міркування з AI — незначним (β = 0,14, p = 0,135). Обізнаність — той компонент, який несе адаптивну продуктивність, автори радять звітувати субшкали окремо, а не одним глобальним балом, і залишають міркування вищого порядку для завдань на якість міркування; міра тим не менш є самозвітною, тому, як і в дослідженні семінару вище, вона фіксує сприйняту здатність, а не спостережуване використання стратегій.

  • Стеження оцінювача — це теж метакогнітивна робота. Hoppe, Loibl and Leuders (2026) стверджують, що AI-генерований діагностичний висновок — не сирий доказ, а вже зроблена інтерпретація, тому викладачі мусять інтегрувати його з власними спостереженнями в процесі, який вони називають метадіагностикою, свідомо вирішуючи, прийняти, відкинути чи модифікувати його. Це ставить другий метакогнітивний цикл поряд із циклом здобувача: не лише те, як студент регулює мислення з AI, а й те, як викладач оцінює те, що система стверджує про це мислення.

Пов’язані поняття

Пов’язані статті

Пов’язані поширені питання

Пов’язані ресурси

  • Student Guide to AI
    A free three-edition student guide to artificial intelligence from Elon University, AAC&U and The Princeton Review, whose 2026 edition builds ten human capacities with teacher-ready learning modules and an anonymous self-assessment.

Метадані

РівеньK 12, Higher Ed
Цільова аудиторіяLearners
Навчання та викладанняМетакогніція, Скаффолдинг, Саморегульоване навчання
Технології та методиГенеративний ШІ, Великі мовні моделі (LLM)
Оцінювання та вимірюванняФормативне оцінювання
Основи ШІ в освітіШІ-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.