База знань AIEdAIEd KB
На цій сторінці

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

Концепції

Педагогічний агент

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Синтез: Pedagogical агенти — це керовані ШІ розмовні інтерфейси, вбудовані в навчальні середовища, які використовують педагогічні стратегії (викликання, повідомлення, скаффолдинг) для підтримки learner engagement, рефлексії та метакогніції. Дизайни варіюються від простих провайдерів інформації до інтерактивних партнерів із діалогу, що адаптуються до станів здобувача.

Питання для роздумів

  • Згадайте випадок, коли чат-бот чи репетитор дав вам бездоганну відповідь, яка не зробила вас мудрішим. Що змушує ШІ «викладати», а не просто «вирішувати», — і чому бал бенчмарку може не зловити цієї відмінності?
  • Сторінка виявляє, що бали репетиторства «вирішення» та бали «педагогіки» корелюють лише слабко між моделями. Що це має вам сказати про оцінювання репетитора ШІ за його здатністю відповідати на питання?
  • Деякі дизайни дають ШІ чіткі ролі — Teacher (вчитель), Classmate (одноліток), Mentor (наставник), — і навіть утримують батька центрально залученим (як у ParaTutor). За вашим досвідом, чи змінює надання агенту чіткої ролі те, як Здобувачі взаємодіють із ним?
  • Справжні студенти часто «обходять» педагогічну рамку чат-бота, коли цілі агента суперечать власним цілям здобувача. Чому здобувач міг би раціонально ігнорувати добрий скаффолдинг, і що це означає для припущення «якщо ми це побудуємо, вони залучатимуться»?
  • Ви б радше навчалися від ШІ, який вам щось повідомляє, від того, який ставить вам питання, або від того, який опосередковує групову дискусію? Як ваша перевага формує те, яким, на вашу думку, має бути «педагогічний агент»?
  • Від простого провайдера інформації до флоту спеціалізованих агентів, що оркеструють цілий курс, — де, на вашу думку, насправді лежить цінність (і ризик) розмовного репетиторства ШІ?

Вступ

Педагогічний агент — інтерактивна компонента ШІ всередині навчальної системи, яка залучає здобувачів через діалог, питання або підказки, підтримуючи когнітивні та metacognitive processes. На відміну від пасивних dashboards або статичного зворотного зв’язку, педагогічні агенти застосовують засновані на доказах стратегії репетиторства — такі як викликання самоassessments здобувача перед наданням Зворотний зв’язок, або Скаффолдинг Вирішення задач через сократичний діалог. Це узагальнення тепер охоплює все — від єдиного розмовного intelligent tutor до флотів роль-спеціалізованих agents, які читають лекції, наставництюють, фасилітують співпрацю і навіть оркеструють генерацію курсу, — усе, засноване на десятиліттях research систем інтелектуального репетиторства.

Як педагогічних агентів досліджують в базі знань

Дизайн і архітектура розмовних агентів. Повторювана нитка — те, як агенти структуровані, а не просто те, які моделі ними керують. conversational AI tutors framework стверджує, що перевірені technologies ITS — Відстеження знань, виявлення афекту, student modeling — мають закріплювати генеративні репетитори, зберігаючи діагностичний хребет, поки Генеративний ШІ постачає гнучкий діалог. Багатоагентські дизайни штовхають це далі: MAIC замінює «одне відео для N студентів» MOOC на керовану Великі мовні моделі (LLM) аудиторію агентів Teacher (вчитель), Assistant (помічник), Classmate (одноліток) та Analyzer (аналізатор) для надання personalized learning в масштабі, тоді як LecturaAgents додає embodied ProfessorAgent, чий алгоритм TASA узгоджує видимі teaching дії (рукописне письмо, підсвічування) з профілями здобувачів. Навіть репетиторство батьків і дитини стає проблемою двох агентів у ParaTutor, де скаффолдинг із розділеними ролями утримує батька центрально залученим, замість того щоб дозволити універсальному чат-боту його витіснити. Та сама роль-базована логіка з’являється в Instructional Agents, де агенти Teaching Faculty (викладацький склад), Designer (дизайнер), TA (асистент) та Program Chair (голова програми) співпрацюють через ADDIE, щоб генерувати матеріали курсу.

Доповнювальне використання роль-базованих агентів спрямовується на teacher практику, а не на навчання студента: Mohne et al. (2026) поєднують педагогічні персони студентів, пам’ять, закріплену в справжньому матеріалі курсу, і оракул-спікер LLM-as-a-judge, щоб недосвідчені викладачі репетирували заняття малої групи — 254 необов’язкові сесії, що в середньому становлять приблизно 16 хвилин кожна, за приблизно \0,05–0,05–\\0,10 на сесію.

Викладацька поведінка проти поведінки вирішення. Центральна емпірична знахідка — що продукування відповідей не є підтримкою навчання. Measuring whether LLM tutors teach or solve показує, що бали вирішення та педагогіки на бенчмарках репетиторства корелюють лише слабко (r = 0,421 на восьми моделях), стверджуючи, що бенчмарки мають повідомляти орієнтовані на педагогіку критерії — керуючі питання, калібровані підказки, не розкриваючий скаффолдинг, — окремо. Це узгоджується з доказами tutoring-specific vs general AI: педагогічно спроєктовані репетитори зі Ґардрейли (обмежувачі) пом’якшують падіння балів іспитів та придушене мислення, які продукують сирі загальні чат-боти, зберігаючи desirable difficulties та продуктивну боротьбу, а не замикаючи їх. Проте бенчмарки можуть переоцінювати, наскільки добре навіть заскафолдинжені репетитори працюють в реальних умовах. Rethinking scaffolding in LLM tutors виявляє, що справжні студенти часто обходять педагогічну рамку чат-бота — раціональну відповідь на невідповідність між цілями агента та власними цілями здобувача, — тож взяття має оцінюватися, а не припускатися.

Роль у репетиторстві та співпраці. Агентів дедалі частіше позиціонують не як того, хто дає відповіді, а як фасилітаторів і посередників. Niari's pedagogical mediator framework переосмислює ШІ в collaborative learning як інтеракційного, епістемічного та регуляторного посередника — скаффолдивши участь і спільну Регулювання ШІ в освіті без витіснення learner agency вчителя чи здобувача. Конкретно collaborative AI tutoring (ProPACT) трактує саму співпрацю як об’єкт інструкції, прогнозуючи діадичні розлади за 30 секунд наперед і надаючи мінімально нав’язливі скаффолди, які зберігають Метакогніція. Embodied inquiry with AI as facilitator показує, що ШІ може доповнити створення моделі руками, фасилітуючи застосування побудованої моделі, тоді як robot-assisted language learning meta-analysis виявляє, що результати відстежують те, як роботизований агент позиціонований в інструкції (взаємодія на основі групи), більше, ніж його технічну витонченість. Чи достатньо ролі, яку грає агент, чи він має також адаптувати свою поведінку, ставиться під питання Liao (2026): дослідження «розмови про книжки» з elementary виявило, що фіксований компаньйон «студент-одноліток» підтримував довші взаємодії, проте придушував агенцію студента і впирався в «affective стелю» (слабка емоційна та спрямована в майбутнє рефлексія), стверджуючи, що рольове позначення має поєднуватися з роль-адаптивною логікою взаємодії, а не з монолітним дизайном єдиної ролі.

Ethics Training Agents (Seo et al., 2026) показує, що відбувається, коли педагогічного агента просять модерувати, а не викладати: фасилітатор LLM, що керує передачею ходу (накопичення з 15-секундними вікнами підняття руки), керуванням часом (автоперехід етапу до зведення після 9 хвилин) і поступовим пакетним зведенням, знизив когнітивне навантаження учасників і дав їм почуття, що дискусія була «на правильному шляху», — один учасник протиставив це сприятливо ChatGPT, який «часто може здаватися неорганізованим або утрудняти бачення прогресу ідей». Той самий дослідження викриває стелю агентів на основі персони: три різні агенти ethical орієнтації були оцінені значно нижче людських однолітків за внеском, різноманітністю та впливом (Kruskal-Wallis p < .001), а учасники просили орієнтованого на процес («як агент мислить»), а не орієнтованого на висновок виходу.

Де розмовні агенти (і не) використовуються — картина узагальнювального огляду. umbrella review of conversational AI agents (Ganguly та співавтори, 2025, 34 огляди) квантифікує використання CAI: підтримка викладання та навчання (97,1 % оглядів), психологічна та motivational підтримка (91,2 %) і метакогнітивний і особистий розвиток (88,2 %) ведуть, тоді як адміністративна підтримка (50 %), керування дослідженнями та інформацією (52,9 %) і підтримка охорони здоров’я/медицина (41,2 %) відстають. Він також позначає, що дослідження CAI не мають наскрізних настав щодо дизайну, методів usability, специфічних для CAI, і конкретних стратегій оркестрації в аудиторії для ролі вчителя, — посилюючи, що дизайн педагогічного агента має бути заснованим на HCI, заснованим на доказах та уважним до ШІ-грамотність.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Орієнтація ролі є дизайнерською змінною, а не стилістичним вибором. physics agent comparison (Wang та співавтори, 2026, 59 здобувачів) ізолює задану підказкою роль, утримуючи модель, платформу та температуру фіксованими: орієнтований на вчителя агент, закріплений у обмеженому джерелі підручника та відповідаючий з перспективи інструктора, проти орієнтованого на студента агента, налаштованого зі знанням розуміння студентів і запрограмованого діагностувати хибні уявлення, називати поняття та transfer на аналогічний випадок. Орієнтована на студента роль виграла за кожним виміряним результатом — діяльність на постртесті, нижче зайве та вище значуще когнітивне навантаження, досвід потоку та сприйнята емпатія, — навіть попри те, що орієнтований на вчителя агент був тим, який оптимізувався для точності та вірності підручнику. Це робить роль і патерн взаємодії дизайнерським параметром першого класу поряд із prompt та вибором моделі, і показує, що емпатію можна спроєктувати з розмовної структури, а не з інакше навченої моделі (Афективні обчислення).

Намір авторства не гарантує втіленої педагогіки. Коли 27 вчителів середньої школи налаштовували звернений до вчителя інструмент авторства чат-ботів, оцінювання 108 оцінок критеріїв на рівні ботів виявило, що згенеровані відповіді узгоджувалися набагато краще з чуйністю (88,9 %) і персоною (81,5 %), ніж з правилами (70,4 %) або заявленою метою (59,3 %), що автори висувають через педагогічні форми Норманової затоки виконання та затоки оцінювання — налаштовувальні керуючі елементи самі по собі не зробили інструкційний намір вчителя видимим у поведінці бота (Riahi et al. (2026)).

Агенти в умовах імерсивності та розширеної реальності. Ross and Kaspar (2026) розширюють поняття на extended reality (AR, доповнену віртуальність та VR) з ACLIME — концептуальною рамкою, яка, на відміну від CAMIL, CATLM-VR та TICOL, утримує агента всередині моделі. Вона називає два режими взаємодії, узятих з літератури: репетитор, що пропонує керівництво, заохочення, рефлексивні питання та пояснення, і партнер із рольової гри, який посідає визначену роль всередині сценарію, такого як місцевий мешканець на польовій екскурсії щодо зміни клімату або сторона переговорів у корпоративній підготовці. Тіло агента (від лише голови до повного тіла) та поведінка трактуються як дизайнерські поверхні: візуальний проти поведінкової реалізму, гнучке керування ШІ проти фіксованого скриптового керування на основі правил, синтезоване проти заздалегідь записаного мовлення, і невербальні канали, включно з поглядом, жестом і проксемікою. Імерсивність і тілесна інтерактивність, як стверджується, примножують соціальні сигнали за social presence, — поведінковий реалізм, а не візуальний реалізм, пропонується як вирішальний предиктор, — тоді як власне віртуальне тіло здобувача додає вимір embodiment (владність тілом, агенція власного віртуального тіла, само-розташування) та ефект протея. Явним компромісом рамки є когнітивний: імерсивність і сама присутність агента можуть підвищувати когнітивне навантаження, навіть коли соціальна взаємодія з агентом знижує його через ефект колективної робочої пам’яті, і часовий шар (ознайомленість, дозрівання стосунків людина–агент, спад новизни, розвиток кіберхвороби) додається до звичайних змінних дизайну. Його статус свідомо тимчасовий: майже жодна емпірична робота ще не перевіряє педагогічних агентів в імерсивних медіа, а довготривалі learning outcomes, а також характеристики здобувачів, сидять поза моделлю.

Оцінювання та бенчмарки. Вимірювання педагогічного агента вимагає перевіряти педагогіку, а не контент. The Teaching Monster Challenge бенчмаркує педагогічне знання контенту, просячи агенти адаптувати урок до вказаної персони здобувача, виявляючи системи сильними за контентом, проте слабкими за його адаптацією, — і викриваючи, що судді LLM помилково ранжують сильні системи. EduAgentBench оцінює агентів через професійний педагогічний судження, situated багатоходове репетиторство та завершення робочого процесу в стилі canvas, показуючи, що моделі не дотягують до професійних стандартів викладання. AI-generated interactive fiction додає кут дизайн-оцінювання: когерентність і інтеграція тестів, а не здатність генерації, обмежує корисність для student experience. Стрес-тест стійкості персони через кілька ходів. Shouqi et al. (2026) запустили шість ескалюючих атак проти агентів рольової гри з автоматичним суддею: багатостратегійне тестування знизило стійкість на 0,17–0,20 проти базису єдиної стратегії, і критичні невдачі скупчилися після 5–6 ходу, тож короткі або одноходові оцінювання переоцінюють стійкість персони та етичну відповідність.

Практичні настанови

Проєктуйте для агенції здобувача, а не для зручності моделі. Віддавайте перевагу специфічним для репетиторства обмеженням — Скаффолдинг, підказкам, Socratic questioning, цілюванню misconception, — над сирою генерацією відповідей, оскільки вирішення та викладання розходяться. Розподіляйте підтримку за роллю користувача (батько проти дитини, одноліток проти однолітка), а не через єдиний універсальний інтерфейс, і трактуйте співпрацю як валідну ціль для скаффолдингу. Не припускайте, що студенти візьмуть скаффолдинг; оцінюйте взяття в реальних контекстах. Вбудовуйте human oversight в авторство — як це робить PromptDecipher, роблячи QA викладачем відповідей ботів діяльністю першого класу, — і обирайте дешевші бекенди там, де якість утримується. Повідомляйте бали викладання та вирішення окремо, і валідовуйте згенерований контент з користувачами, а не припускаючи, що генерація дорівнює корисності.

Перевага здобувача є бідним замінником для якості скаффолдингу: студенти в підтримуваному ШІ математичному моделюванні діяли найкраще з ролями Peer (одноліток) та Teaching Assistant (помічник викладача), проте оцінили більш директивні ролі Tutor (репетитор) та Excellent Student (відмінний студент) найвище за корисність і самоефективність (Zhu, Yang and Yang (2026)). Огляд 46 досліджень агентів ШІ в комп’ютерно-підтримуваному спільному навчанні розрізняє когнітивний скаффолдинг, соціальну фасилітацію та інструкційну оркестрацію, і виявляє, що когнітивні здобутки послідовні, тоді як поведінкові, соціальні та емоційні результати залежать від контексту, — тож функція агента має обиратися для того результату, який він має продукувати (Ba et al. (2026)).

Зв’язки з пов’язаними поняттями

Педагогічні агенти сидять на перетині Інтелектуальний тьюторінг (їхній діагностичний хребет із Відстеження знань та моделюванням студента) та Генеративний ШІ/Великі мовні моделі (LLM) (їхній механізм доставки). Вони операціоналізують Скаффолдинг та Зворотний зв’язок, спрямовуються на Метакогніція і Саморегульоване навчання, і дедалі частіше цілють Спільне навчання. Занепокоєння щодо безпеки повторюються через Педагогічна безпека, якість авторства та ризик, що агенти offload навчання, а не підтримують його. Усе це оцінюється через Оцінювання ШІ в освіті і benchmarks, які мають вимірювати викладання, а не просто вирішення.

Найважливіше, що педагогічні агенти судять за їхні learning gains, а не за тим, наскільки вільно вони відповідають. Докази бази знань — що агенти продукують довготривалі здобутки, коли спроєктовані як специфічні для репетиторства тренери з обмеженнями — tutoring-specific AI consistently outperforms general-purpose chatbots, — і можуть зашкодити навчанню, коли підставляються замість зусилля здобувача (the guardrail RCT, LLM-reliance and grades). Тому вимірювання Навчальні здобутки агента вимагає недопоможних, переносних мір результатів, а не діяльності в межах інструмента.

Кращий зворотний зв’язок — це не те саме, що краще навчання: налаштування агента знаннями та робочим процесом підвищило точність і специфічність зворотного зв’язку, проте залишило саморегуляторні поведінки, навчальні досвіди та результати незмінними, і його перевага в здобутках з’явилася лише за директивного зворотного зв’язку (Han et al. (2026)).

Пов’язані поняття

Пов’язані статті

Пов’язані поширені питання

Метадані

ДисциплінаStem Education
РівеньHigher Ed, K 12
Цільова аудиторіяLearners
Навчання та викладанняСкаффолдинг, Взаємодія здобувача зі ШІ
Технології та методиГенеративний ШІ, Інтелектуальний тьюторінг, Великі мовні моделі (LLM), Персоналізоване навчання
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.