​​От постепенного высвобождения ответственности к постепенному высвобождению технологий: аргументы в пользу поэтапного использования ИИ в формальном образовании
Автор: Люк Роу
Автор предлагает отказаться от бинарного вопроса «ИИ полезен или вреден для образования» и перейти к вопросу «когда, как и в какой степени конкретному учащемуся следует разрешать использовать ИИ». Для этого он предлагает модель GRAIT (Gradual Release of AI Technology) — постепенного внедрения технологий ИИ.
Возникает «парадокс производительности»: результат при использовании ИИ улучшается, но последующая работа без ИИ может оказаться хуже.
Отсюда важный принцип: Хороший результат с помощью ИИ ≠ устойчивое обучение.
Люк Роу связывает проблему с концепциями когнитивной нагрузки и когнитивной разгрузки.
Разгрузка может быть полезной, если ИИ берет на себя рутинные операции и освобождает ресурсы для более сложного мышления. Но она становится вредной, если ИИ выполняет именно те когнитивные операции, посредством которых формируются знания и навыки.
Например, если студент еще не научился самостоятельно формулировать вопросы, строить аргумент или решать базовые математические задачи, передача этих операций ИИ лишает его необходимой практики.
Поэтому автор выступает не против когнитивной разгрузки как таковой, а против преждевременной разгрузки.
Модель GRAIT расширяет классическую педагогическую модель Gradual Release of Responsibility (GRR) — постепенного перехода ответственности от учителя к ученику.
GRR отвечает на вопрос:
«Кто выполняет когнитивную работу?»
GRAIT добавляет второй вопрос:
«Когда и каким образом эту работу можно передать ИИ?»
У модели GRAIT три этапа:
Этап 1. Самостоятельное познание (преимущественно проходить без генеративного ИИ) Инструменты могут использоваться, если они не выполняют за ученика саму целевую когнитивную работу.
Этап 2. Совместное познание (ИИ постепенно вводится как партнер в мышлении, но под контролем преподавателя).
Этап 3. Перераспределение когнитивных задач (учащийся может начать стратегически делегировать ИИ отдельные операции).
Переход между этапами определяется не возрастом, а готовностью (Знания, Навыки, Эпистемическое понимание, AI-грамотность).
Особенно важен принцип «сначала компетентность — потом автоматизация»
Из модели следует довольно радикальное требование: часть оценивания должна проходить без ИИ - объектом оценки постепенно становится не только «что студент произвел», но и «как он организует человеческо-ИИ взаимодействие».
GRAIT предлагает воспринимать ИИ не как еще один инструмент, который просто добавляется в образовательный процесс, а как технологию, доступ к которой должен постепенно расширяться по мере развития компетентности.
Логика выглядит так:
Самостоятельное познание
↓
формирование базовых знаний и навыков
↓
Совместное познание с ИИ
↓
формирование способности критически взаимодействовать с ИИ
↓
Стратегическое делегирование ИИ
↓
перераспределение человеческих усилий на более сложные задачи
Автор при этом подчеркивает, что GRAIT — концептуальная, а не окончательно доказанная модель. Она требует дальнейшей эмпирической проверки в разных дисциплинах, возрастах и образовательных контекстах.
Для высшего образования эта идея предполагает переход от политики «AI allowed / AI prohibited» к гораздо более содержательной политике «AI access according to demonstrated competence» — доступ к ИИ в зависимости от продемонстрированной компетентности.
Читать 26мин