Попередні знання

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Попередні знання — наявні знання, навички, переконання й розумові моделі, з якими здобувач приходить до нового навчального завдання. Це найпотужніший передбачник подальшого навчання: нова інформація інтерпретується крізь призму того, що здобувач уже знає, і інтегрується з ним, тому навчання, яке активує й розбудовує попередні знання, дає сильніші та стійкіші результати, ніж навчання, яке розглядає кожного здобувача як чисту дошку. У ШІ в освіті попередні знання є центральними для Моделювання здобувача та адаптивне навчання (адаптації навчання до поточного стану здобувача), для Конструктивізм принципу, що знання активно конструюється поверх наявних розумових моделей, і для ризику того, що інструменти ШІ, які заздалегідь вилучають і виносять контент, обходять практику відтворення, що активує попередні знання.

Питання для роздумів

• Що таке те, що ви вивчили глибоко, і що таке те, чого ви ледве навчилися? Наскільки ця різниця зумовлювалася тим, що ви вже знали на початку?
• Мати попередні знання недостатньо — їх треба активно відтворювати та з’єднувати. Коли пригадування вже відомого (або нездатність це зробити) змінювало, наскільки добре ви навчилися чогось нового?
• Сторінка стверджує, що попередні знання можуть заважати, коли вони хибні (хибне уявлення). Чи можете ви згадати переконання, яке ви поділяли і яке ускладнювало засвоєння нової, правильної інформації?
• Генеративний ШІ, який заздалегідь знаходить відповіді, може обходити практику відтворення, що активує попередні знання. Як інструмент, створений, щоб допомагати вам навчатися, може насправді завадити вам пригадати те, що ви знаєте?
• Якщо ШІ має оцінювати ваш стан попередніх знань, щоб персоналізувати навчання, що стається, коли ця оцінка хибна? Наскільки ви впевнені, що система може точно знати, що ви вже знаєте?
• Чим «активація попередніх знань» відрізняється від простого запитання студентам перед викладанням? Що зробило б цю активацію справді поглиблювальною для подальшого навчання?

Вступ

Активація попередніх знань є одним із найстійкіших висновків наук про навчання: здобувачі не засвоюють новий матеріал у вакуумі, а відображають його на наявні схеми, і якість цього відображення визначає збереження й перенесення. Це поняття лежить в основі організаторів наперед Аузубеля, активації попередніх знань перед новим навчанням, практики відтворення як форми активації та зміцнення відомого, а також діагностичного Оцінювання того, що здобувачі вже знають. В епоху ШІ попередні знання набули нової нагальності, оскільки генеративний ШІ може або підтримувати активацію (підказками, які спонукають здобувачів пригадати й з’єднати відоме), або обходити її повністю (миттєво видаючи відповідь або заздалегідь вилучений контент, який здобувач ніколи не мусив відтворювати чи інтегрувати).

Роль попередніх знань

• Це найпотужніший передбачник навчання. Десятиліття досліджень показують, що те, що здобувач уже знає, корелює з навчальними результатами сильніше, ніж майже будь-який інший фактор, оскільки нова інформація кодується відносно наявних розумових моделей. Тому системи ШІ, які адаптуються до стану попередніх знань кожного здобувача, несуть особливу обіцянку для ефективності та перенесення.
• Активація важлива, а не лише наявність. Мати попередні знання недостатньо — їх треба активно відтворювати та з’єднувати з новим матеріалом. Саме тому «активація попередніх знань» є стандартним навчальним ходом, і саме тому практика відтворення (пригадування відомого перед його доповненням) покращує навчання понад простий повторний контакт.
• Вона не завжди передбачає, хто виконує роботу, що рухає навчання. У п’ятиденному дослідженні навчання через навчання зі 23 репетиторами з середньої школи попередні бали за тестами не передбачали частку відповідей, що будують знання, які дав репетитор, а репетитори зі слабкими попередніми знаннями, які будували знання, закінчили статистично нарівні з однокурсниками з сильними попередніми знаннями (Ameen et al., 2026).
• Вона формує інтерпретацію. Здобувачі інтерпретують нову інформацію крізь призму вже наявних переконань. Коли ці переконання хибні (Хибні уявлення про AI), попередні знання можуть заважати навчанню, і саме тому навчання має виявляти та опрацьовувати хибні уявлення, а не припускати нейтральну відправну точку.
• Вона рухає моделювання студента. Щоб персоналізувати, система ШІ має оцінювати стан попередніх знань здобувача — основу Відстеження знань, моделювання студента та адаптивного Скаффолдинг. Якість цих оцінок визначає, чи є адаптація справді корисною, чи оманливою.
• Зміст знань визначає, яку практику процесу він залучає. Те, чи спирається навчання на пам’ять чи на індукцію, задається структурою попередніх знань цілі: Rachatasumrit, Koedinger & Carvalho (2025) дотримуються рамки KLI, розрізняючи компоненти знань із сталими умовами та відгуками (факти, що набуваються через пам’ять і практику відтворення) від тих, що мають змінні умови та відгуки (навички, що набуваються через індукцію та узагальнення на нові входи) — чому оптимальне співвідношення розв’язаних прикладів і практики різниться для змісту-фактів і змісту-навичок.

Попередні знання в епоху ШІ

Генеративний ШІ зробив попередні знання центральним чинником проєктування, а не фоновою змінною:

• Ризик обходу. Проактивний агентний ШІ, який заздалегідь вилучає та виносить контент, може обходити практику відтворення, що активує попередні знання, — здобувач ніколи не мусить пригадати або інтегрувати відоме перед отриманням відповіді. Це один із шести педагогічних ризиків, виявлених у рамці найкращих практик агентної освіти, і він безпосередньо пов’язаний із надмірною опорою та принципом Бажані труднощі, згідно з яким зусилна обробка підтримує стійке навчання.
• Попередні знання формують структуру розвантаження, а не лише результати. У дослідженні письма-синтезу кластер із високими знаннями й мінімальним розвантаженням написав 80% свого есе проти 2% у кластера з найсильнішим розвантаженням (у середньому 25,1 підказка), тому обсяг підказок відстежував попередні знання, а не зусилля (Poquet et al. (2026)).
• Розрив у користі накопичується. Оскільки продуктивне використання ШІ залежить від того, що здобувач уже знає, студенти з сильнішими попередніми знаннями використовують його краще, тоді як новачки найімовірніше розглядають його як замінник — розподільний ризик, який може розширювати розриви в здобутках навіть за рівного доступу (Lodge & Loble (2026)).
• Праймування та активація як проєктування. Підходи до GenAI як розумового інструменту свідомо «праймують навчальне завдання», активуючи попередні знання та цікавість через підказки-питання, згенеровані ШІ візуалізації та аналогії (наприклад, «Що ви вже знаєте про екосистеми?») перед введенням нового контенту — моделюючи шлях відтворення-та-інтеграції, а не шлях постачання відповідей.
• Моделювання студента та пам’ять. Системи ШІ все частіше моделюють стан попередніх знань здобувача та його довгострокову пам’ять (наприклад, включаючи стан попередніх знань і криві забування в пам’ять репетитора), уможливлюючи інтервальне повторення та адактивне повторення, що розбудовують те, що кожен здобувач уже знає.(PersonaVLM: Long-Term Personalized Multimodal LLMs)
• Важіль персоналізованої адаптації. Оскільки здобувачі сильно різняться за попередніми знаннями, адаптація має бути налаштована на індивіда — ключовий аргумент на користь Персоналізоване навчання та адаптивного Скаффолдинг, які зустрічають здобувачів у їхньому фактичному поточному стані, а не в припущенні про класовий середній.

Наслідки для проєктування ШІ в освіті

1. Активуйте перед тим, як постачати. Проєктуйте взаємодії зі ШІ так, щоб вони спонукали здобувачів відтворити й сформулювати вже відоме перед постачанням нового контенту чи відповідей — зберігаючи практику відтворення, а не обходячи її.
2. Моделюйте стан попередніх знань здобувача. Базуйте моделювання студента та адаптацію на оцінених попередніх знаннях (і пов’язаних із ними хибних уявленнях), а не на припущенні однорідності, щоб персоналізація була справді відгуковою.
3. Виявляйте та опрацьовуйте хибні уявлення. Коли попередні знання хибні, вони заважатимуть; навчання має викликати та виправляти хибні уявлення, а не додавати новий контент поверх хибних підстав.
4. Зважуйте компроміс із тертям. Активація попередніх знань додає бажану трудність (відтворення, інтеграцію), яку типові налаштування ШІ, знімаючі тертя, схильні стирати, — це напруження треба керувати свідомо, а не дозволяти автоматизації вирішувати його за замовчуванням.

Пов’язані поняття

• Здобувачі — Здобувачі: головна категорія для понять на боці здобувача
• Конструктивізм
• Персоналізоване навчання
• Моделювання здобувача та адаптивне навчання
• Хибні уявлення про AI
• Рамкова модель ICAP
• Відстеження знань
• Скаффолдинг
• Саморегульоване навчання
• Перенесення навчання
• Метакогніція
• Розвантаження когніції
• Бажані труднощі
• Теорії навчання
• Продуктивна невдача — Продуктивна невдача
• Ретривал, інтервалювання та чергування — як те, що здобувач уже знає, визначає, що може зробити практика відтворення

Пов’язані статті

• Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning — Напруження між автоматизацією та навчанням (ризик активації попередніх знань)
• Generative AI (GenAI) as a mindtool that supports generative learning (GL) — GenAI як розумовий інструмент: праймування та активація попередніх знань
• PersonaVLM: Long-Term Personalized Multimodal LLMs — Моделювання студента та пам’ять на базі LLM
• Artificial intelligence, cognitive offloading and implications for education — Lodge & Loble про когнітивне розвантаження
• Profiling cognitive offloading in LLM-mediated synthesis writing: Volume vs. content — Когнітивне розвантаження в письмі-синтезі за допомогою LLM
• WIP: Bridging the Gap Between Instructional Design and Pedagogical Use: A Framework for Mathematics Educators — Рамка навчального проєктування для математики
• Beyond prior knowledge: the predictive role of knowledge-building in tutor learning — будуювання знань, а не попередні знання, передбачає навчання репетитора, і репетитори зі слабкими попередніми знаннями, які будують знання, доганяють однокурсників
• Evidence and Theory for why the Best Example-Problem Ratio To Optimize Learning Gain Depends on Knowledge Content