Экспертный канал о цифровизации финансов в России и мире.
Следим за тем, как переписываются правила мировой финансовой системы.
Для тех, кто принимает решения, а не догоняет их последствия.
Сотрудничество:
@VeraMakarova
@Elizaveta_Ogloblina
Post #2068
40
Правильный ответ ещё не означает, что человек умеет решать задачу.
Продолжим разбор нашего исследования.
В нашем исследовании именно уровень Apply, применение знаний на практике, становится точкой, где профиль риска меняется качественно.
Генеративный ИИ здесь особенно полезен. Модель может показать последовательность расчёта, предложить дополнительную задачу, объяснить ошибку или продемонстрировать другой способ решения. Для экономических дисциплин с расчётами и формализованными процедурами такой режим даёт значительно больше возможностей для практики.
Но тот же инструмент позволяет сделать ровно обратное: получить готовый результат, не освоив процедуру его получения.
Разница возникает не столько из-за возможностей самой модели, сколько из-за конструкции задачи.
Если студент должен показать промежуточные шаги, объяснить логику решения и отдельно указать вклад ИИ, модель работает как поддержка формирования навыка. Если проверяется только конечный ответ, ИИ может выполнить ту самую когнитивную операцию, которую задание должно было проверить. Наш синтез поэтому определяет Apply как критическую развилку: зона контроля остаётся узкой при видимом процессе и резко расширяется при оценке только конечного продукта. Важная оговорка: именно этот вывод опирается в том числе на исследования непосредственно в экономическом образовании.
Условный пример. Студенту нужно рассчитать ценовую эластичность спроса и интерпретировать результат.
В первом случае он сам выбирает данные и формулу, выполняет расчёт, обращается к ИИ за проверкой отдельного шага и затем объясняет результат.
Во втором вводит условие задачи и получает готовый расчёт с убедительным объяснением.
На выходе могут оказаться два одинаково правильных ответа. С точки зрения формирования компетенции перед нами две совершенно разные системы.
Именно поэтому в статье мы выделяем видимость процесса как один из основных механизмов сохранения человеческого вклада: важен не только результат, но и возможность восстановить траекторию, по которой человек к нему пришёл.
Если перенести эту логику на профессиональную среду, возникает уже гипотеза для банков, консалтинга и аналитических подразделений. Организация может ускорить выпуск качественных материалов с помощью ИИ и одновременно перестать видеть, какие компетенции действительно остаются внутри команды.
Следующий вопрос сложнее: что происходит, когда ИИ уже не помогает применить известный метод, а начинает предлагать саму структуру анализа?
Исследование:
Makarova, V., Ogloblina, E. (2026). Human–GenAI Interaction Across Bloom’s Levels in University Economics Education. Discover Education.
#АрхДенег_Интеллект
Читайте в MAX
😀 Архитектура денег
Продолжим разбор нашего исследования.
В нашем исследовании именно уровень Apply, применение знаний на практике, становится точкой, где профиль риска меняется качественно.
Генеративный ИИ здесь особенно полезен. Модель может показать последовательность расчёта, предложить дополнительную задачу, объяснить ошибку или продемонстрировать другой способ решения. Для экономических дисциплин с расчётами и формализованными процедурами такой режим даёт значительно больше возможностей для практики.
Но тот же инструмент позволяет сделать ровно обратное: получить готовый результат, не освоив процедуру его получения.
Разница возникает не столько из-за возможностей самой модели, сколько из-за конструкции задачи.
Если студент должен показать промежуточные шаги, объяснить логику решения и отдельно указать вклад ИИ, модель работает как поддержка формирования навыка. Если проверяется только конечный ответ, ИИ может выполнить ту самую когнитивную операцию, которую задание должно было проверить. Наш синтез поэтому определяет Apply как критическую развилку: зона контроля остаётся узкой при видимом процессе и резко расширяется при оценке только конечного продукта. Важная оговорка: именно этот вывод опирается в том числе на исследования непосредственно в экономическом образовании.
Условный пример. Студенту нужно рассчитать ценовую эластичность спроса и интерпретировать результат.
В первом случае он сам выбирает данные и формулу, выполняет расчёт, обращается к ИИ за проверкой отдельного шага и затем объясняет результат.
Во втором вводит условие задачи и получает готовый расчёт с убедительным объяснением.
На выходе могут оказаться два одинаково правильных ответа. С точки зрения формирования компетенции перед нами две совершенно разные системы.
Именно поэтому в статье мы выделяем видимость процесса как один из основных механизмов сохранения человеческого вклада: важен не только результат, но и возможность восстановить траекторию, по которой человек к нему пришёл.
Если перенести эту логику на профессиональную среду, возникает уже гипотеза для банков, консалтинга и аналитических подразделений. Организация может ускорить выпуск качественных материалов с помощью ИИ и одновременно перестать видеть, какие компетенции действительно остаются внутри команды.
Следующий вопрос сложнее: что происходит, когда ИИ уже не помогает применить известный метод, а начинает предлагать саму структуру анализа?
Исследование:
Makarova, V., Ogloblina, E. (2026). Human–GenAI Interaction Across Bloom’s Levels in University Economics Education. Discover Education.
#АрхДенег_Интеллект
Читайте в MAX
😀 Архитектура денег
