База знань AIEdAIEd KB
На цій сторінці

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

Концепції

Саморегульоване навчання

Створено 2026-10-13

Автоматичний переклад цієї англійської сторінки, не перевірений носієм мови.

Саморегульоване навчання (SRL) описує здобувачів як активних учасників, які можуть успішно формувати й розвивати власні когнітивні та поведінкові дії. Інструменти ШІ можуть або забезпечувати скаффолдинг розвитку SRL, або ненавмисно зривати його, усуваючи регулятивні вимоги, що формують експертність.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)(The Evidence Base on AI in K-12: A 2026 Review) Лонгітюдні дані загострюють це розрізнення: рефлексивне використання навколо інструмента ШІ прогнозувало критичне мислення (β = 0,43), але не приріст у знаннях, а сам доступ до інструмента не змінював ні того, ні іншого.(Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study)

Питання для роздумів

  • SRL описує здобувачів, які активно керують власним навчанням через три фази: переддія (постановка цілей, планування, самоефективність), дія (стратегія, самоспостереження) і саморефлексія (оцінювання, адаптація). Перш ніж читати далі, яку фазу ви дійсно виконуєте добре — і яку пропускаєте, хоч знаєте, що не варто?
  • Ключова напруга сторінки: ШІ може забезпечувати скаффолдинг саморегуляції або зривати його, усуваючи регулятивні вимоги, що формують експертність. Як інструмент, який робить завдання легшим, водночас може зробити вас слабкішим регулятором власного навчання — і чи можете ви відчути цю різницю у власному досвіді?
  • Студенти часто демонструють «дефіцит продукції»: володіють знаннями про саморегуляцію, але не вдаються до них спонтанно — просять чат-бота «витягти основні ідеї» й повністю пропускають планування та моніторинг. Чи ловили ви себе на когнітивному еквіваленті цього, навіть знаючи про кращу стратегію?
  • Коли підтримка присутня, ваше власне судження може зникнути з картини: в одному дослідженні на основі даних-трейсів саме доступна підтримка, а не метакогнітивна точність здобувача, визначала обрану стратегію перегляду. Якщо зовнішня допомога перебиває вашу оцінку власного навчання, яке судження ви свідомі залишите у своїх руках?
  • Дослідження виявило «розрив у некаліброваності довіри»: студенти можуть відчувати більше навчання з GenAI, водночас запам’ятовуючи менше — віддаючи перевагу ШІ перед конспектуванням попри слабкіше утримання. Якщо ви відчуваєте себе продуктивним під час використання інструмента, як ви дізнаєтесь, що насправді не навчаєтесь більше?
  • Те, функціонує GenAI як скаффолдинг, ярлик чи партнер, залежить більше від регулятивного потенціалу здобувача, ніж від самого інструмента. Але сторінка також показує, що саморегуляція пом’якшує — хоч і не скасовує — шкоду глибокого когнітивного офлоадингу. Що означає ця обмеженість «пом’якшує, але не скасовує» для проєктування кращих інструментів ШІ?
  • Поставте ціль перед читанням: виберіть одне завдання, для якого ви регулярно використовуєте ШІ, і заздалегідь вирішіть, яку з трьох фаз SRL (переддія, дія, рефлексія) ви свідомі захистите від автоматизації. Який результат покаже, що це спрацювало?

Вступ

SRL — це процес, у якому здобувачі активно керують власним навчанням через три взаємопов’язані фази:

  1. Переддія: постановка цілей, стратегічне планування, вірування в Самоефективність
  2. Дія: розгортання стратегій, самоспостереження, фокусування уваги
  3. Саморефлексія: Самооцінювання, причинне пояснення, адаптація

Досвідчені саморегульовані здобувачі використовують когнітивні стратегії для підвищення успіху та залучають Метакогніція, щоб безперервно вдосконалювати свої навчальні процеси.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Емпірична робота в опосередкованому технологіями курсі підтверджує зв’язки між фазами: у восьмитижневому дослідженні адаптивної стохастики (194 студенти) цінність завдання, самоефективність, орієнтація на цілі та позитивні емоції на преакціональній фазі прогнозували акціональну регулятивну поведінку, тоді як негативні емоції їй перешкоджали, а постакціональне задоволення передавалося вперед до наступної преакціональної фази (Mejeh & Fromm (2026)).

Систематичний огляд 84 досліджень ШІ–SRL виявив, що дослідження зосереджені на студентах вищої освіти та на метакогнітивних і когнітивних аспектах саморегуляції, з недовизученим мотиваційним виміром і тим, що понад третина досліджень узагалі не специфікувала жодної теорії SRL (Banihashem et al. (2025)).

Принципово, що SRL навколо ШІ формується сприйняттям так само, як і поведінкою: Yilmaz et al. демонструють, що те, сприймають студенти зворотний зв’язок як такий, що надходить від ШІ чи від людини, суттєво впливає на їхнє саморегульоване навчання та поведінку при перегляді — нагадування, що соціальне обрамлення ШІ, а не лише його зміст, змінює те, як здобувачі регулюються навколо нього.

Один режим відмови стоїть перед початком регуляції: прокрастинація навчання за допомогою GenAI — непотрібне відкладання початку підтримуваної GenAI роботи попри щире намір її виконати. Серед 1243 китайських студентів бакалаврату частіше використання GenAI супроводжувалося меншою її мірою (β = −0,195), а тривожність щодо навчання GenAI підсилювала зв’язок між наміром і відкладанням (Li et al. (2026)).

Місце входження GenAI у цикл визначає його ефект: відображуючи фази переддії, дії та рефлексії Zimmerman на опосередковані ШІ середовища, фреймворк коагенції стверджує, що точка входу визначає, чи посилює інструмент почуття контролю здобувача, чи руйнує його, і що офлоадинг підтримує трансформативне навчання лише тоді, коли рішення свідоме, а не рутинне (Poudyal (2026)).

Поперечне обстеження 434 студентів-бакалаврів спеціальної освіти вимірює один такий ланцюг: GenAI-грамотність позитивно пов’язувалася з поведінкою саморегульованого навчання за допомогою GenAI (загальне B = 0,701), переважно через навчальну Суб’єктність здобувача (B = 0,345), а не через емоції виклику (B = 0,061) (Yang et al. (2026)).

Цифрова підтримка SRL

Навчальні щоденники

Навчальні щоденники — перспективна інтервенція для SRL: рефлексуючи над власними навчальними процесами, студенти підвищують усвідомленість когніції та зміцнюють регулятивний потенціал. Ключові міркування щодо проєктування:

  • Структура має значення: щоденники з відкритими запитаннями часто дають поверхневі записи; керовані підказки та зразкові моделі покращують глибину
  • Спад мотивації: мобільні застосунки для щоденників зазвичай демонструють швидке зниження залученості протягом кількох днів
  • Компроміс скаффолдингу: допомога ШІ, яка пише рефлексії за студентів, підриває практику SRL; допомога, що структурує підказки, не створюючи змісту, її зберігає

Дашборди, що повідомляють профілі SRL викладачам

Mejia-Domenzain et al. (2026) розширюють цифрову підтримку SRL на бік викладача: їхній Аналітика навчання (DashED) повідомляє викладачам у змішаних аудиторіях профілі саморегульованого навчання, отримані методами машинного навчання, і те, як викладачі діють на основі цих профілів, залежить від контексту. На практиці викладачі з перевернутих аудиторій (університет) дотримувалися послідовного дослідження й надавали перевагу адаптації на рівні курсу та показу дашбордів на занятті, тоді як викладачі професійно-технічних програм поверталися до зведених сторінок і використовували інструмент переважно для індивідуальних коучингових сесій. Запропоновані викладачами дії формувалися змістом, який був представлений, та їхнім рівнем викладання, а не типом графіка — викладачі університетів надавали перевагу щотижневим тестам і адаптації курсу, викладачі професійно-технічних програм — прямому, індивідуалізованому коучингу. Це позиціонує дашборд як скаффолдинг для регуляції викладачами навчального процесу, із потребами в проєктуванні, що різняться за контекстом, а не єдиним оптимальним інтерфейсом.

Студентський відповідник є набагато рідкіснішим: дашборд, який показував 46 студентам середньої школи їхні власні підказки до GenAI та перекриття їхніх текстів із відповідями моделі, відкривали лише близько третини класу, що робить обмеженням саме добровільну експозицію, а не візуалізацію (Fong et al. (2026)).

Експеримент 2×2 Scheu et al. (2026)

У рандомізованому польовому експерименті зі 179 студентами протягом 22 днів порівнювалися два принципи проєктування:

Принцип Механізм Ефект на SRL Ефект на мотивацію Ефект на залученість
Курс на основі зразків 7-денний навчальний план Викладання і ведення рефлексивного щоденника на основі модельованих відповідей Підвищення відчутної компетентності та задоволення Позитивний Стабільно позитивний
Великі мовні моделі (LLM)-асистент ведення щоденника GPT-3.5 узагальнює чернетки, ставить уточнювальні запитання, пропонує переформулювання Прямого ефекту на навички SRL не виміряно Без ефекту Зростає з часом (петля зворотного зв’язку)

Ключове прозріння: курс покращив навички SRL і внутрішню мотивацію через перенесення навичок, тоді як асистент покращив залученість, не впливаючи на мотивацію.(Designing a mobile chatbot-based learning journaling system for intrinsic motivation and engagement)

Інструменти ШІ та взаємна петля SRL–мотивація

Фундаментальний принцип теорії SRL: навички само-Регулювання ШІ в освіті та Мотивація утворюють взаємний зв’язок:

  • Кращий SRL → успішніше навчання → вища самоефективність → сильніша мотивація
  • Вища мотивація → інтенсивніша залученість → краща практика SRL

Інструменти ШІ можуть входити в цю петлю в різних точках:

  • Проєктування з пріоритетом SRL (наприклад, структуровані курси, поступові підказки, підказки до рефлексії): посилює петлю, формуючи справжню навичку
  • Проєктування з пріоритетом залученості (наприклад, автодоповнення, генерація контенту): може підвищувати поведінкову залученість, не входячи в петлю мотивації, ризикуючи залежністю від інструмента

Стратегічна регуляція GenAI як SRL

Kim (2026) переосмислює ефективне використання GenAI в академічному письмі як стратегічну регуляцію — втілену практику SRL перевірки, перегляду, вибіркового прийняття чи відкидання результатів ШІ. У змішаномутодному дослідженні 107 студентів вища тривожність щодо ШІ позитивно пов’язувалася з перевіркою та переглядом (β = .24), тоді як оцінювальний потенціал прогнозував активний перегляд і вибіркову інтеграцію (β = .46). Студенти розподілилися на чотири регулятивні типи — некритична залежність (18,7%), вибіркова інтеграція (34,6%), оцінювальна трансформація (31,8%) і стратегічне відкидання (14,9%) — що показує, що ШІ-грамотність у Вища освіта функціонує менше як прийняття, ніж як регулятивна компетентність, заснована на Оцінювальний розсуд та етичній відповідальності. Це позиціонує SRL як основний механізм, що відрізняє критичне використання ШІ від некритичного.

Управління інструментом саме по собі є вимірюваним аспектом: двохвимiрна валідація з китайськими здобувачами EFL (EFA N = 305; CFA N = 342) розділяє шість регулятивних вимірів і називає регуляцію середовища — перевірку згенерованого результату на точність, фільтрування запропонованих ресурсів і встановлення меж залежності — одним із них у власному праві (Wang, Zhang and Zhang (2026)).

Класифікуйте перед делегуванням: Tsim and Gutoreva (2025) перетворюють саморегуляцію на протокол для кожного завдання — позначте кожне підзавдання як Substitute (заміна), Complement (доповнення), Aid (допомога) або Non-negotiable (непорушне), обґрунтуйте це в короткій метакогнітивній нотатці та зберігайте журнал аудиту підказок, чернеток і людських правок — із повторенням циклу, щоб розподіл у межах одного завдання інформував наступне. Сама взаємодія як об’єкт регуляції. Brunnström and Palmqvist (2026) документують ту саму потребу в регуляції з іншого боку: у восьмираундовій демонстрації використання чат-бота для підготовки відповіді на домашній іспит стандартний результат ШІ залишався на кількісному, мультиструктурному кінці таксономії SOLO — відполірований, готовий до здачі та педагогічно тонкий — і досягав придатного триступеневого навчального циклу лише після повторних інтервенцій метарівня («це занадто багато, можете стиснути?»). Їхній висновок: продуктивне використання вимагало «тих самих саморегулятивних навичок, які інструмент мав підтримувати»: здобувач має ставити поступові цілі, запитувати коригування складності й рефлексувати над тим, що ще не зрозуміло, понад самим дисциплінарним змістом. Вони називають цю здатність AI-грамотністю взаємодії і розглядають відхід від інструмента як легітимне регулятивне рішення, а не як невдачу в наполегливості (Метакогніція).

  • Задоволення — це не саморегуляція. Liang et al. (2026) опитали 689 студентів бакалаврату програм індустрія–освіта та перевірили модель серійного опосередкування, у якій відчутні можливості контенту, згенерованого ШІ, підвищують AIGC-Самоефективність (beta = 0,583) і через неї — навчальну Мотивація (beta = 0,565) і саморегульоване навчання (beta = 0,250), причому мотивація є найважчим окремим предиктором SRL (beta = 0,527). Поряд із цими шляхами стоять несучі негативні результати: якість зворотного зв’язку щодо оцінювання від ШІ сильно прогнозувала задоволення (beta = 0,712), але не самоефективність (beta = 0,131), а задоволення не мало суттєвого впливу на саморегульоване навчання (beta = 0,032). Отже, добре сприйнятий і діючий асистент не є доказом покращення регуляції — механізм проходить через упевненість і мотивацію, а не через досвід здобувача з інструментом.

GenAI-усвідомлена рефлексія як SRL

Модель рефлексії 5P (Kadel et al. 2026) перецентровує структуровану рефлексію в епоху GenAI як втілену практику SRL. Оскільки здобувачі все більше співтворять сенс разом із ШІ, традиційні моделі рефлексії мають труднощі з автентифікацією студентської рефлексії, тому модель 5P (Purpose — мета, Process — процес, Product — продукт, Pitfalls — пастки, Plan — план) поєднує керовану переддією постановку цілей, рефлексію-в-дії (документування підказок і ітерацій), рефлексію-над-дією (перевірку ймовірнісного результату проти зовнішніх джерел), явний етап пасток для галюцинацій, плагіату та надмірної залежності і орієнтований вперед план — вбудовуючи моніторинг емоцій усередину. Його філософія «процес понад продукт» розглядає структуроване документування взаємодії людини та ШІ як ту регулятивну вимогу, що зберігає автентичність, Суб’єктність здобувача і метакогнітивну глибину, позиціонуючи GenAI-усвідомлену рефлексію як скаффолдинг для саморегуляції, а не як її замінник.

Співвідношення з проєктуванням для репетиторства

ШІ, спеціально призначений для репетиторства узгоджується з проєктуванням із пріоритетом SRL: він надає поступові скаффолдинги, які зберігають Суб’єктність здобувача і вимагають стратегічної саморегуляції. ШІ загального призначення часто повністю усуває регулятивні вимоги.(The Evidence Base on AI in K-12: A 2026 Review)

Наприклад:

  • Призначений для репетиторства чат-бот Bastani et al. зберігав покрокове мислення (вимога SRL)
  • Варіант GPT загального призначення просто надавав відповіді (обхід SRL)

Докази в різних контекстах

  • Змішані докази та розрив у некаліброваності довіри. Швидкий огляд досліджень GenAI у дошкільній та середній освіті (PreK-12) виявляє, що метакогнітивні здобутки під час підтримуваних завдань часто не зберігаються, коли підтримку прибрано, і що GenAI може підвищувати відчутне навчання, навіть коли тривалого навчання немає (розрив у некаліброваності довіри — студенти віддавали перевагу GenAI попри слабкіше утримання при конспектуванні). Студентам потрібне явне, відповідне до етапу навчання, щоб вирішувати, що делегувати і коли важливі самостійні зусилля.(Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education)

  • Агенційна ініціатива проти напруги саморегуляції. Woollaston et al. (2026) зазначають, що коли агенти автоматизують більшу частину завдання, здобувач виконує менше саморегульованої когнітивної роботи, — тому проєкти мають давати здобувачам контроль над ініціюванням агента (динамічний, поступово зникаючий скаффолдинг), щоб зберегти саморегулятивний потенціал, а не віддати його на аутсорсинг.

  • Саморегуляція формує використання ШІ-асистентів програмування. Дослідження ШІ-асистентів програмування виявило, що студенти з високим Обчислювальне мислення демонстрували сильнішу саморегулятивну узгодженість (планування–виконання–саморефлексія) й використовували AICA для розуміння коду, тоді як студенти з низьким ОМ використовували його для негайного отримання відповідей.

  • SRL співіснує з меншим цифровим відволіканням у онлайн-навчанні. Shi et al. (2026), використовуючи ненаглядний майнінг даних на 530 студентах коледжу, виявили, що стратегії SRL — постановка цілей, структурування середовища та керування часом — найпослідовніше співіснували з меншим цифровим відволіканням у онлайн-навчанні, поряд із залученістю «здобувач–викладач» і «здобувач–контент». Цей результат позиціонує конкретне навчання SRL як високоефективну інтервенцію для сфокусованого онлайн-навчання.

  • Метакогнітивна усвідомленість, а не доступ до інструмента, є найсильнішим драйвером адаптивних результатів у STEM. Alatoai and Alshahri (2026) побудували та валідували AI-STEM-MLCS із 649 студентами середньої школи в Саудівській Аравії (CFI = 0,983, RMSEA = 0,019; McDonald's ω = 0,888 до 0,905) і виявили, що їхні чотири виміри пояснюють 68% дисперсії в результатах саморегульованого навчання (R² = 0,68). Базована на ШІ метакогнітивна усвідомленість була найсильнішим предиктором (β = 0,38, p < 0,001), за нею — когнітивне перенесення та адаптивність (β = 0,29, p = 0,008) і посилене ШІ саморегульоване навчання (β = 0,21, p = 0,040), тоді як креативне та критичне мислення в AI-STEM не прогнозувало критерію (β = 0,14, p = 0,135). Автори читають цей патерн як доказ, що адаптивний зворотний зв’язок підвищує результати STEM переважно через спонукання здобувачів аналізувати помилки, перекалібровуватися й повторно використовувати стратегії, тому інструмент працює краще як діагностика, що локалізує прогалини в метанавчанні, ніж як єдиний глобальний бал. Це самоопитова міра, валідована в одній національній системі, тому коефіцієнти є тимчасовими.

  • Зовнішня підтримка може обходити власне метакогнітивне судження здобувача. Iqbal et al. (2026) простежили 87 студентів EFL, які переглядали есей за підтримки GenAI (ChatGPT 4.0), експерта-людини або без підтримки. Умова підтримки була найсильнішим корелятом обраної студентом стратегії перегляду (Cramér's V = 0,668), значно випереджаючи перенесення з попереднього завдання з письма (V = 0,333), тоді як точність метакогнітивного судження (p = 0,172), навичка письма (p = 0,261) і Мотивація (p = 0,683) не були пов’язані. Метакогнітивне судження відстежувало стратегію лише тоді, коли підтримка була недоступна (пермутаційний тест p = 0,0460). Студенти з підтримкою GenAI набрали найбільше (близько 4 балів у середньому за стратегії зменшення пошуку допомоги проти −0,5 балів за тією ж стратегією при підтримці експерта-людини), проте жодна стратегія перегляду не була пов’язана зі зміною бала (H(3) = 3,895, p = 0,273), тож здобутки йшли від інструмента, а не від кращої саморегуляції. Орієнтація авторів: GenAI має спонукати рефлексію над власною стратегією перегляду замість того, щоб надавати пряму допомогу.

  • Рефлексивне використання відстежує критичне мислення, а не приріст у знаннях. Melanou et al. (2026) спостерігали три паралельні групи студентів бізнес-інформатики (N = 87) протягом дев’ятитижневого курсу, зі зростанням знань у кожній групі (F(1, 50) = 29,87, p < 0,001, η²p = 0,374), без переваги ШІ, без взаємодії Час × Група і без ефекту Меттью (F(1, 48) = 2,46, p = 0,124; BF01 = 8,70). Рефлексивне використання (перевірка джерел і верифікація результатів ШІ перед їхнім прийняттям) було значно вищим в умові зі ШІ (3,72 проти 2,82; F(1, 40) = 20,21, p < 0,001) і прогнозувало критичне мислення (β = 0,43, p < 0,001), але не приріст у знаннях, який прогнозував релевантний когнітивний навантаження (β = 0,51, p = 0,001). Практичне прочитання: доступ до ШІ сам по собі не є інтервенцією, і його метакогнітивна вигода проявляється в якості мислення раніше, ніж у тестових балах.

  • Структура, а не лише ШІ, рухає здобутки SRL. Відображення фаз Циммермана на проєктне гібридне навчання зі ШІ як метакогнітивним скаффолдингом дало N-Gain 0,72 проти 0,28 для звичайної інструкції (t = 8,47, p < 0,001) (Priyambudi et al. (2026)), які стверджують, що ШІ зміцнює саморегуляцію лише всередині структури завдання — неструктуроване використання ризикує метакогнітивною ліністю.

Опосередковане LLM SRL: скаффолдинг, ярлик чи партнерство?

Група досліджень Learning Letters (2026) сходиться в одній ключовій напрузі: GenAI може забезпечувати скаффолдинг, зривати чи бути партнером саморегуляції залежно від проєктування й від того, як здобувачі регулюють його використання. Докази вказують на саму SRL — а не на інструмент — як на вирішальну змінну.

  • Viberg et al. виявляють, що LLM вплетені в багатошарову екосистему Пошук допомоги, а не замінюють людську підтримку: студенти спочатку намагаються виконати завдання самостійно, потім звертаються до ChatGPT як до першого кроку з низьким порогом, до однокурсників — для концептуального узгодження, а до викладачів — у високоставних питаннях. Вони надають перевагу інструментальному пошуку допомоги (підказки, покрокове керівництво) над виконавчим пошуком допомоги (готові рішення), здійснюючи вибіркову Довіра та перевіряючи результати проти матеріалів курсу — чотиристроковий процес (вирішення, чи потрібна допомога, вибір, до кого звертатися, визначення типу допомоги, оцінювання отриманої допомоги), який можна вимірювати й навчати.
  • Atif & Dickson-Deane трактують використання GenAI як Розвантаження когніції, який може бути або скаффолдингованим (здобувачі критикують і адаптують результати ШІ, зберігаючи Суб’єктність здобувача і осмислення), або заміщувальним (здобувачі приймають результати з мінімальною перевіркою, перекладаючи контроль на інструмент). У дослідженні 267 аспірантів з ІТ той самий інструмент міг забезпечувати скаффолдинг чи скорочувати шлях у SRL залежно від стратегії здобувача — упевнені користувачі демонстрували агенційність у постановці цілей і моніторингу; менш упевнені розглядали GenAI як ярлик або недоброчесну поведінку.
  • Lim & Bannert показують ризик конкретно: студенти добровільно використовували чат-бот GenAI (73%) і отримали вищі бали за есе, але вони відклали розуміння і синтез на бік (просячи чат-бот «витягти лише основні ідеї») і майже не займалися плануванням чи моніторингом — передаючи на аутсорсинг ключові регулятивні рішення. Це відображає дефіцит продукції: студенти володіють знаннями SRL, але не вдаються до них спонтанно, тому інструменти GenAI мають спонукати рефлексію (скаффолдинг моніторингу), коли запити вказують на офлоадинг.
  • Song et al. демонструють, що SRL є і стабільною здібністю, і динамічним станом: індивідуальні базові рівні узгоджені, але метакогнітивні знання та Благополуччя системно знижуються протягом семестру, що спричинено дедлайнами оцінювання. Вони показують, що GenAI може діяти як контекстно-усвідомлений навчальний партнер, коли отримує персональні, тимчасові та контекстні дані — підтримуючи студентів, не заміняючи їхніх зусиль. Це аргумент проти персоналізації типу «один розмір для всіх» на основі лише базової здібності.
  • de Barba розширює SRL теоретично, стверджуючи, що поле звузилося до регуляції, зосередженої на завданні, та до оптимізованих поведінкових проксі в освітніх технологіях. У статті пропонується міжмасштабний акаунт агенційності здобувача — регуляція (в межах завдань), інтеграція (у часі та контекстах) і позиціювання (критично щодо умов, що обрамовують навчання) — як орієнтація для проєктування алгоритмічно опосередкованих середовищ.
  • Саморегуляція пом’якшує, але не скасовує шкоди офлоадингу. Chen (2026) показує, що саморегульоване письмо послаблює — але не усуває — негативний зв’язок між глибоким Розвантаження когніції і незалежними результатами без ШІ в письмі за допомогою GenAI: взаємодія офлоадинг×SRL була позитивною (B = 0,22), згладжуючи шкоду з нахилу −0,54 (низький SRL) до −0,33 (високий SRL), але не скасовуючи її. Умова обмеженої підтримки, що поєднує межі делегування з обов’язковою рефлексією, дала найсильніші незалежні результати — доказ, що метакогнітивна регуляція частково захищає здобувачів, але не може повністю компенсувати передачу самої когнітивної роботи.

Де «рента» стоїть у моделях Winne. de Barba (2026) відображує механізм на SRL як операції, які система виконує замість здобувача: помічання, моніторинг і оцінювальне судження здійснюються інструментом, імпас розв’язується пошуком, а не власним вибором If-Then, Else здобувача, а стандарти, за якими здобувач судить, є запозиченими, а не побудованими. Здатність, в яку здобувач вірить, що володіє, тоді як нею володіє інструмент — прихована рента — придушує сигнал помилки, який інакше спонукнув би регуляцію, і десять пропозицій конкретизують, що перевіряти, включно з більшими витратами в акліматизації до домену та дрейфом стандартів до власних референсних точок моделі.

Спільний урок: SRL є основним механізмом, що відрізняє критичне використання ШІ від некритичного. Те, функціонує GenAI як скаффолдинг, ярлик чи партнер, залежить від регулятивного потенціалу здобувачів і від того, чи спроєктовані інструменти так, щоб зберігати (а не усувати) регулятивні вимоги, що формують експертність.

Яку підтримку задіяно, визначає, який посередник несе зв’язок: серед 3003 китайських майбутніх викладачів відчутна підтримка інструментами ШІ вела до інноваційної компетентності переважно через ШІ-Самоефективність (60,88% загального ефекту цього шляху), тоді як відчутна підтримка шкільного інтелектуального середовища вела переважно через саморегульоване навчання (29,64% проти 18,60%) (Liu et al. (2026)).

Наслідки

  • Для інструментів щоденників/чат-ботів: поєднуйте інструкцію SRL (на основі курсу) з опціональною підтримкою письма, щоб отримати і здобутки в мотивації, і в залученості
  • Для проєктувальників інструментів: зробіть оцінювання обов’язковим кроком, а не опціональним. Iqbal et al. виявили, що саме доступна підтримка, а не метакогнітивне судження здобувача, визначала обрану студентами стратегію перегляду, і що приріст балів за GenAI не надходив від кращої регуляції, тоді як Melanou et al. виявили, що рефлексивне використання прогнозувало критичне мислення там, де сам лише доступ до інструмента — ні. Саме взаємодії, які просять здобувачів перевіряти, порівнювати та переплановувати, несуть навчальну цінність.
  • Для викладачів: розглядайте базовану на ШІ метакогнітивну усвідомленість як перший важіль і перевіряйте її явно. Alatoai and Alshahri виявили її найсильнішим предиктором адаптивних результатів у STEM (β = 0,38), а перенесення та адаптивність — на другому місці (β = 0,29), тож активності, у яких студенти аналізують помилки й переносять стратегію в новий контекст завдання, дають більше, ніж загальні спонукання до критичного чи креативного мислення.
  • Для політики щодо ШІ: критерії закупівель мають питати, чи розвиває інструмент саморегуляцію, чи витісняє її
  • Для дослідників: необхідні довгострокові дослідження, що вимірюють результати SRL (не лише негайну продуктивність); Melanou et al. показують вигоду від такого терпіння, оскільки семестрове рефлексивне використання змістило критичне мислення (β = 0,43), не змістивши приріст у знаннях.

Розмовні агенти та SRL в імітаційних іграх

  • Розмовні агенти, що підтримують саморегульоване навчання в іграх. Wenzel, Geiger, and Liening (2026) показують, що розмовний агент ШІ (Lara) у бізнесовій ігрі-Симуляція може підтримувати саморегульоване навчання через метричний формативний зворотний зв’язок, керівництво на вимогу та структуровану рефлексію — вирішуючи поширене обмеження, що ігри-симуляції дають обмежений формативний зворотний зв’язок і підказки до рефлексії. Оцінки з майбутніми викладачами та учасниками BSG повідомляли про позитивне сприйняття когнітивної та соціальної присутності агента та його підтримки саморегуляції.

Автоматизоване виявлення SRL: що переноситься, а що ні

  • Класифікатори SRL на основі ембедингів переносяться між мовами в межах домену, але не між доменами. Дослідження 26 студентів (хімія та формальна логіка; протоколи мислення вголос, кодовані за моделлю Winne-and-Hadwin) виявило, що моделі на основі ембедингів (text-embedding-3-small), натреновані на англійській, класифікують SRL німецькою при AUC ≈ 0,8 із деградацією ≈ 0,1 — крім enacting (≈ 0,7). Міждоменний перенос не працює: перехід від хімії до логіки падає до ≈ 0,6, а enacting — до випадкового рівня (≈ 0,5) — саме домен, а не мова, обмежує.
  • Три режими відмови пояснюють, де перенос ламається. (1) Розрізнення понять на побутовому, а не доменному значенні — «cancel» проти хімічного «kürzen» — руйнує класифікацію enact. (2) Антропоморфізація — німецькі студенти, незнайомі з сильно скаффолдингованим тьютором, зверталися до нього як до людини, що давало висловлювання поза розподілом; перенос був кращим на менш скаффолдингованих платформах. (3) Неоднозначність «читання підказки проти формулювання плану» — моделі не можуть відрізнити читання метакогнітивної підказки від планування без даних логів. Усвідомлення помилок є стійким у кожній умові — помічання власної помилки не залежить від контексту. Виправлення: експертні словники або донавчання для доменних термінів; дані логів для підказок. (Large language models generalize SRL prediction to new languages within but not between domains)

Пов’язані поняття

Пов’язані статті

Пов’язані поширені питання

Пов’язані ресурси

  • Process Feedback
    A free, process-based alternative to AI detection: it records how a piece of writing was produced and turns that into a report for a conversation about learning rather than a verdict.

Метадані

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