ТрудностИИ преподавания | Алексей Вадимович

🤍 Спор о том, кому принадлежит научный текст

В прошлом году в Higher Education Research & Development вышла необычная статья — Питер Баннистер написал её сам как манифест против штампованного академического письма о генеративном ИИ. Он специально избегает всех клише жанра: никаких "стремительного роста технологий" и "многогранного влияния", вместо этого — пародия на сам этот язык и график, показывающий, как частота слова "leverage" ((расплывчатый управленческий жаргонизм вроде "задействовать" или "извлечь выгоду из") в препринтах arXiv выросла с нескольких сотен случаев в 2014 году до 25 тысяч в 2024-м.

🤍 Главная мысль Баннистера: точка невозврата уже пройдена, и спорить о том, использовать ли GenAI в науке, бессмысленно. Вопрос в другом — как её использовать ответственно. Он вводит термин "гибридное со-конструирование" (можно понимать, как гибридное со-творчество): учёный работает с ИИ как музыкант с синтезатором — инструмент участвует в создании звука, но голос остаётся узнаваемым, если автор берёт на себя ответственность за результат.

Отдельная часть статьи — про "охоту на ведьм": детекторы ИИ ненадёжны настолько, что GPTZero определил Конституцию США 1787 года как более чем на 95% написанную ИИ, а заодно и речь Мартина Лютера Кинга "У меня есть мечта". На этом фоне страх обвинений заставляет учёных, особенно тех, для кого английский не родной, переписывать свои тексты до неузнаваемости — лишь бы не показаться "слишком гладкими".

В этом году в том же журнале вышел ответ — Тимоти Хэмпсон и Александр Де Суте в целом соглашаются с Баннистером, но указывают на слепое пятно в его аргументации. Идея "ИИ-грамотности" про использование инструмента с умом звучит красиво, но сама по себе не снимает вреда. Три их тезиса:

🤍 Во-первых, "охота на ведьм" — не выдумка. Авторы приводят реальные случаи: журнал Neurosurgical Review отозвал 129 статей, British Educational Research Journal — ещё 19 с признаками генерации ИИ. В условиях, где научная продуктивность измеряется количеством публикаций, соблазн срезать угол реален и уже приводит к последствиям.

🤍 Во-вторых, мы просто не знаем, как использование ИИ влияет на развитие письменных навыков студентов. Здесь показательно исследование по школьной математике: студенты с доступом к ИИ решают задачи лучше. Но стоит убрать эту поддержку — и результат становится хуже, чем у тех, кто вообще не пользовался помощником. Развитие происходит в момент борьбы с трудной задачей: убираешь эту борьбу — пропадает и рост.

🤍 В-третьих, ИИ уже меняет саму академическую среду. Происходит это, судя по всему, стихийно — просто как побочный эффект работы инструмента, без какого-либо осознанного решения научного сообщества. Исследования показывают, что научный дискурс постепенно уходит от осторожных формулировок и авторской позиции — просто потому, что модели пишут иначе. Растёт и нагрузка на редакторов журналов: количество статей, написанных с участием ИИ, увеличивается быстрее, чем способность рецензентов их проверять.

🤍 Оба текста в итоге сходятся в одном: главным автором должен оставаться человек, который отвечает за результат. Расходятся они в том, достаточно ли для этого научить людей грамотно пользоваться инструментом или нужны более жёсткие структурные ограничения, пока наука не разберётся в последствиях до конца.

🤍 Bannister, P. (2026). ParadAIse L0st? Higher Education Research & Development, 45(3), 847–856.

🤍 Hampson, T., & De Soete, A. (2026). AI literacy won't save us: a reply to Bannister (2025). Higher Education Research & Development, 45(6), 1926–1933.

#ИИ #образование #академическоеписьмо #научнаяэтика

🤍 Что делать? 8 принципов обучения с ИИ

Завершаем серию по обзору "Укрепление человека или когнитивный долг" (НИУ ВШЭ, 2026). Ранее публиковал:
🤍 методологическую рамку;
🤍 про внимание и ИИ;
🤍 про память и ИИ;
🤍 про мышление и ИИ.

Вывод везде был один: эффект ИИ зависит не от факта его использования, а от педагогической логики его встраивания в обучение. Осталась последняя часть и вечный вопрос: что делать?

🤍 Нельзя встроить ИИ в старую систему

Авторы подчёркивают, что простая подстановка ИИ в существующие образовательные практики не решает проблем, а усугубляет их. Традиционная школа строится на линейных последовательностях "от простого к сложному" и держится на процедурных навыках, например, проверка грамматики, счёта, формировании информации и её поиске. Именно эти навыки теперь автоматизируются ИИ первыми. Когда ученик может делегировать рутину машине, старая система теряет опоры, а новая, которая бы учитывала перераспределение ресурсов между человеком и инструментом, ещё не построена. Поэтому нужен пересмотр самого дизайна обучения.

🤍 8 принципов работы с ИИ в обучении

🤍 Сместить цель с предметных знаний на умение учиться. Ученик может получить правильный ответ от нейросети, не присвоив знание ("внешняя успешность при внутренней пустоте"). Поэтому в фокусе должны быть навыки планирования, прогнозирования, рефлексии и самопроверки — предметное содержание становится материалом, на котором эти навыки тренируются.

🤍 Опираться на главные идеи, а не на линейную последовательность. Вместо жёсткой цепочки "от простого к сложному" двигаться через несколько опорных, "больших" понятий темы, которые остаются в фокусе на всём протяжении изучения. Детали и частные случаи можно делегировать ИИ, не разрушая понимания целого.

🤍 Выстроить цикл: прогноз → планирование → запрос к ИИ → рефлексия → отсроченное припоминание. Сначала ученик сам прогнозирует ответ, затем планирует деятельность, потом обращается к ИИ, чтобы сравнить и уточнить, а после рефлексирует без ИИ, и только спустя время воспроизводит знания самостоятельно.

🤍 Использовать ИИ как тренажёр, а не заменитель мысли. Автоматизировать рутинные процедуры (оформление, поиск, грамматику), но не подменять анализ и оценку. Хороший приём: попросить ИИ сгенерировать ответ, а ученика — найти в нём три ошибки.

🤍 Организовать двухфазную работу: сначала с ИИ, потом без него с отсрочкой. Рост продуктивности в присутствии ИИ не означает, что ученик чему-то научился. Истинный критерий — способность выполнить то же самое без ИИ спустя время. Фазу "без ИИ" удобно проводить в начале следующего урока.

🤍 Оценивать не только продукт, но и процесс. Раз традиционные проверки знаний теряют смысл (ИИ отвечает не хуже ученика), стоит оценивать качество прогноза до запроса к ИИ, глубину рефлексии после сравнения ответов и минимальную разницу между результатами "с ИИ" и "без ИИ". Чем она меньше, тем выше уровень усвоения.

🤍 Сменить роль учителя с источника информации на организатора процесса. Эту функцию теперь берёт на себя ИИ. Задача педагога: проектировать циклы работы, сопровождать рефлексию, давать обратную связь по процессу, а не только по результату.

🤍 Использовать готовые модели: SAMR и SPIRAL. SAMR помогает продвигаться от простого замещения ("напиши эссе с помощью ИИ") к переопределению задачи (совместный проект, невозможный без ИИ). SPIRAL — простая пошаговая инструкция для ученика: сформулируй запрос → получи ответ → проанализируй → свяжи с уже известным → отрефлексируй → примени в новом контексте → запиши выводы.

🤍 Что ИИ умеет хорошо, а что остаётся только за человеком

Авторы отдельно выделяют функции, которые ИИ действительно укрепляет: автоматизация рутины, синтез и обобщение информации, генерация альтернатив, распознавание паттернов, языковая поддержка, создание черновиков, персонализированный тьюторинг.

Но есть и то, что делегировать нельзя в принципе: постановка целей и ценностные суждения, контекстная оценка ситуации, этическое рассуждение, физическое присутствие, построение отношений и эмпатия, подлинная креативность, ответственность за результат сотрудничества с ИИ, а также, что особенно важно, умение распознавать, где ИИ говорит содержательно, а где выдаёт "беглый, но содержательно пустой текст".

🤍 Финальный вывод всего обзора

Влияние ИИ на когнитивное развитие создает "развилку". Замещающий режим даёт краткосрочный выигрыш в скорости, но ведёт к накоплению когнитивного долга: ослаблению памяти, метакогнитивной лени, снижению нейронной связности. Поддерживающий режим сохраняет за учеником интеллектуальное усилие и создаёт условия для устойчивого развития.

Именно педагогический дизайн, а не сам факт использования ИИ, определяет, чем станет технология для конкретного ученика: инструментом укрепления или источником когнитивной уязвимости.

На этом разбор исследования НИУ ВШЭ завершён 🤍

#ИИ #образование #когнитивныйдолг #ВШЭ

🤍 Разбираем исследование НИУ ВШЭ: теперь про мышление и ИИ

Продолжаю разбор исследования НИУ ВШЭ про влияние ИИ на образование человека. Ранее в серии публикаций:
🤍 Методологическая рамка здесь.
🤍 Про влияние ИИ на внимание здесь.
🤍 Про влияние ИИ на память здесь.

Последний раздел второй главы обзора "Укрепление человека или когнитивный долг" (НИУ ВШЭ, 2026) посвящен мышлению. Здесь авторы находят самые яркие и настораживающие эффекты.

Мышление определяется авторами исследования как преобразование сохранённого материала в новое знание через построение когнитивных схем. Память поставляет материал, мышление его перерабатывает, а результат снова уходит в память через консолидацию. При взаимодействии с ИИ этот цикл рискует разорваться, потому что, если ИИ подменяет мыслительную работу готовыми ответами, у ученика не формируются собственные репрезентации, и памяти попросту нечего консолидировать.

Авторы разделили исследования на две принципиально разные группы: работа с обычными LLM без "защитных механизмов" (базовый ChatGPT) и работа со специализированными ИИ-тьюторами, спроектированными как поддерживающий инструмент.

🤍 Обучение через чтение

В нескольких ключевых экспериментах сравнивали разные режимы работы с текстом: вместе с ИИ и без него. Результат получился интересный, и даже противоречивый. В частности базовый GPT повышает результаты практических заданий на 48%, но не даёт переноса на итоговый контроль и сопровождается снижением экзаменационных показателей на 17%. Версия с защитными механизмами (GPT-тьютор) усиливает практический эффект аж до 127%, но экзаменационный результат не меняется и составляет 0%.

При этом качество аргументации при использовании ИИ падает примерно на 36% по сравнению с обычным поиском информации, а понимание текста примерно на 15% ниже, чем при самостоятельном ведении заметок. Причина, по мнению авторов заключается в том, что ИИ выступает "костылём", который снижает готовность к когнитивному усилию.

🤍 Обучение через письмо

Здесь результаты ещё жёстче. В одном из экспериментов только 12% студентов, писавших эссе с ИИ, смогли что-либо процитировать из собственного текста в то время как в группе, в которой писали эссе самостоятельно, эта доля составила 89%. Экзаменационные баллы у постоянных пользователей генеративного ИИ в среднем на 15% ниже, чем у тех, кто им не пользовался.

Авторы называют этот паттерн "метакогнитивной ленью". Суть в том, что студенты сразу запрашивают готовые решения, пропуская этапы самостоятельной диагностики проблемы и оценки альтернатив.

Отдельного внимания заслуживает исследование с использованием электроэнцефалографии. Группа, писавшая эссе полностью самостоятельно, показала наибольшую и наиболее широкую сетевую активность мозга, особенно в зонах, отвечающих за генерацию идей и планирование. Группа, работавшая с ИИ, продемонстрировала наименьшую нейронную связность и практически не задействовала зрительную кору (в отличие от тех, кто пользовался обычным поиском). У "самостоятельной" группы преобладали нисходящие потоки (мозг сам придумывает содержание); у ИИ-группы — восходящие (мозг в основном лишь обрабатывает готовые подсказки извне).

🤍 Обучение с ИИ-тьютором

А вот при поддерживающем режиме эффект разворачивается на 180 градусов. В обучении физике с ИИ-тьюторами зафиксирован более чем двукратный прирост усвоения материала по сравнению с активным обучением в аудитории, причём время освоения темы сократилось. Отдельно зафиксирован прирост критического и рефлексивного мышления.

Рабочее объяснение такое, что обучающий ИИ структурирует взаимодействие так, чтобы поддерживать активную работу студента, то есть задаёт наводящие вопросы, поэтапно раскрывает решение, побуждает к самопояснению, но не сообщает сразу правильный ответ.

🤍 Важная оговорка

Почти все описанные эксперименты проведены на студенческих выборках — данных именно по подросткам (5–9 классы) критически мало, хотя именно этот возраст характеризуется активным становлением абстрактного и рефлексивного мышления и может быть особенно чувствителен к формату взаимодействия с ИИ.

🤍 Главный вывод раздела

Ключевой фактором является не сам факт использования технологии, а её педагогическая логика. Замещающий режим сопряжён с рисками (когнитивный долг, метакогнитивная лень, снижение нейронной связности), поддерживающий — создаёт условия для реального когнитивного развития.

#ИИ #образование #когнитивныйдолг #мышление #ВШЭ

🤍 Разбираем исследование НИУ ВШЭ: память и ИИ

Продолжаем серию по обзору "Укрепление человека или когнитивный долг" (НИУ ВШЭ, 2026).

🤍 Методологическая рамка здесь.
🤍 Про влияние ИИ на внимание здесь.

Переходим к самому объёмному и самому волнующему блоку исследования: что ИИ делает с памятью учащихся.

Авторы анализируют память по трём срезам:
🤍 где хранится информация (сенсорная / кратковременная / долговременная);
🤍 какие процессы с ней происходят (кодирование 🤍 консолидация 🤍 извлечение);
🤍 через какие механизмы рабочей памяти она обрабатывается.

Разберём по этапам.

🤍 Кодирование

Здесь у ИИ действительно есть плюсы. Мультимодальные интерфейсы (текст + изображение + видео) облегчают перенос информации в рабочую память. Технологии распознавания речи снимают нагрузку с фонологической петли, а ИИ-генерируемые видео и мнемоники поддерживают визуально-пространственный блокнот. Исследования показывают, что удержание информации при просмотре таких видео в некоторых случаях даже выше, чем при традиционных видеолекциях.

Отдельно интересны данные про обратную связь от ИИ. Об это много писал в предыдущих постах, когда делал обзор на выпуск журнала про ИИ и фидбек (начало здесь, и следующие 7 постов). Эмоциональная поддержка и похвала повышают удержание информации, а метакогнитивная обратная связь (вопросы, побуждающие к самоанализу) улучшает перенос знаний в новые ситуации.

Но есть все это может приводить и к негативным последствиям, так называемому поверхностному кодированию. Вместо содержания ("что") запоминаются метаданные ("где найти") — классический "эффект Google".

🤍 Консолидация

Главный тревожный результат обзора. Консолидация (переход воспоминаний в устойчивую долговременную форму) требует времени и усилий, а ИИ часто эти усилия сокращает, выдавая мгновенные ответы.

В рандомизированном контролируемом исследовании студенты, использовавшие ChatGPT, показали заметно более крутую кривую забывания: через 45 дней они помнили на 11% меньше материала, чем контрольная группа (57,5% против 68,5%). Здесь авторы материала вводят понятие "когнитивного долга" — накопления негативных последствий от регулярной подмены собственных усилий внешней поддержкой.

И снова момент дискуссионный, потому что правильно спроектированный ИИ-тьютор (об этом пишет в том числе С. Хан, делал обзор тут), который сохраняет "желательные трудности" (заставляет вспоминать, а не сразу выдаёт ответ), даёт обратный эффект. В одном исследовании персонализированная обратная связь и адаптивный темп обучения дали более чем двукратный прирост усвоения материала по сравнению с активным обучением в классе.

🤍 Извлечение

Использование ИИ для диагностики знаний и обратной связи может стимулировать активное припоминание, если инструмент не выдаёт готовый ответ сразу. Однако если ИИ отвечает мгновенно, он подавляет самостоятельный поиск в памяти, формируя так называемую "зависимость извлечения" (retrieval dependency) — привычку не вспоминать, а сразу спрашивать (у всех преподавателей здесь, конечно, ёкнуло).

Отдельно авторы описывают феномен трансактивной памяти. Постоянный доступ к ИИ смещает фокус запоминания с содержания на место его хранения. Люди начинают распределять "зоны ответственности" за знания между собой и внешним партнёром, в частности, ИИ становится таким когнитивным партнёром, забирая на себя хранение фактов.

🤍 Главный вывод раздела

Как и с вниманием, эффект двойственный. С одной стороны, когнитивная разгрузка через ИИ полезна, когда снимает избыточную нагрузку и освобождает ресурсы для более сложной обработки. С другой стороны, она превращается в замещение познавательной деятельности, если ИИ забирает не только рутину, но и релевантную нагрузку, необходимую для построения знаний. В итоге имеем зависимость от инструмента и накопление когнитивного долга.

#ИИ #образование #когнитивныйдолг #память #ВШЭ

Что происходит с вниманием под влиянием ИИ

Продолжаем разбор систематического обзора "Укрепление человека или когнитивный долг" (НИУ ВШЭ, 2026). В предыдущем посте разобрал теоретическую рамку исследования, а теперь перехожу к первому блоку эмпирических данных: что конкретно происходит с вниманием учащихся, когда они взаимодействуют с генеративным ИИ.

🤍 Почему подростки в зоне риска

Напомню, что внимание в обзоре рассматривается не как единая функция, а как система из специализированных подсистем: одна помогает замечать происходящее вокруг, другая решает, на чём сосредоточиться, третья не даёт отвлекаться. Авторы анализируют три параметра: когнитивный контроль, устойчивость и распределение внимания.

Подростковый возраст характеризуется незавершённым созреванием систем когнитивного контроля. Это делает эту возрастную группу особенно чувствительной к отвлекающим факторам и особенно перспективной для педагогической поддержки.

🤍 Когнитивный контроль

С одной стороны, привыкание к быстро меняющейся цифровой среде и многозадачности может тренировать когнитивную гибкость (способность переключаться между задачами). С другой — длительное экранное время связывают со снижением связности в зонах мозга, отвечающих за когнитивный контроль.

В одном из немногих исследований именно на подростковой когорте показано, что подростки с менее развитыми функциями контроля выше оценивают полезность ИИ в работе. Это может указывать на компенсаторный потенциал технологии для учащихся с трудностями контроля, но авторы подчёркивают, что вывод требует репликации: большинство исследований в этой области вообще проведены на взрослых и студентах, а не на школьниках.

🤍 Устойчивость внимания

Ряд исследований фиксирует связь между частотой использования цифровых устройств и более низкими показателями устойчивости внимания в долгосрочной перспективе. Переход на онлайн-образование в пандемию тоже сопровождался жалобами на снижение концентрации.

Однако в одном из исследований показано, что вариативность внимания (степень его колебаний во времени) вообще не коррелирует с форматом обучения и длительностью учебной нагрузки. То есть винить во всём именно технологии было бы слишком просто. Скорее всего работают более сложные факторы. Есть и обнадёживающие исследования, которые говорят, что ИИ инструменты способы поддерживать устойчивость внимания через геймификацию и персонализацию. Например, система SRLAgent (игровые элементы + LLM-поддержка) значимо повысила вовлечённость учащихся. А в одном пилотном исследовании EEG-гарнитура в связке с AI-коучем помогла повысить концентрацию внимания подростков аж на 57%.

🤍 Распределение внимания

Здесь исследований мало. Известно, что многозадачность в цифровой среде (одновременное использование соцсетей и учебных заданий) коррелирует с ухудшением распределения внимания и ростом субъективной рассеянности. Но конкретно про влияние ИИ данных почти нет. Одно из немногих исключений показывает, что при обучении отличать дипфейки от реальных фото у учащихся расширяется зрительное внимание на области, важные для точного распознавания.

🤍 Промежуточный вывод раздела

Когнитивный контроль подвержен разнонаправленным эффектам, устойчивость внимания — самый уязвимый параметр при столкновении с цифровой средой, а про распределение внимания данных пока слишком мало для выводов. Но риски не фатальны. Они могут быть компенсированы при переходе от замещающего к поддерживающему режиму взаимодействия с ИИ.

#ИИ #образование #когнитивныйдолг #внимание #ВШЭ

🤍 Серия публикаций по следам исследования НИУ ВШЭ про ИИ в образовании

Институт образования НИУ ВШЭ выпустил свежий систематический обзор — "Укрепление человека (human enhancement) или когнитивный долг (cognitive debt): возможности и риски использования ИИ в образовании" (2026 г.). Авторы проанализировали 30 эмпирических исследований 2014–2026 гг. и попытались ответить на главный вопрос: что именно нейросети делают с вниманием, памятью и мышлением учащихся? Развивают их или незаметно ослабляют?

По данным авторов, больше половины российских подростков ежедневно используют генеративные нейросети, и цифра продолжает расти. ИИ перестаёт быть просто инструментом вроде калькулятора или поисковика, все больше принимая роль полноценного "когнитивного партнёра", а значит, требует пересмотра привычных образовательных практик.

Мы разберём этот обзор по частям. Первый пост — про теоретическую рамку (глава 1), на которой строится весь дальнейший анализ. Дальше будут отдельные посты по каждому разделу второй главы с конкретными эмпирическими данными и цифрами про внимание, про память и про мышление.

🤍 Теоретическая рамка

🤍Три кита познавательной деятельности

Авторы исходят из того, что учебная деятельность держится на последовательной цепочке из трёх когнитивных процессов:
🤍 Внимание — работает как селективный фильтр: определяет, какая информация из окружающей среды будет допущена к дальнейшей обработке. Без этой функции учащийся физически не может выделить нужное среди шума.

🤍 Память — отвечает за кодирование, сохранение и последующее извлечение информации. Рассматривается через три взаимодополняющие модели: трёхуровневую структуру Аткинсона-Шиффрина (сенсорная / кратковременная / долговременная), этапы переработки по Бэддели (кодирование 🤍 консолидация 🤍 извлечение) и компоненты рабочей памяти (центральный исполнитель, фонологическая петля, визуально-пространственный блокнот, эпизодический буфер).

🤍 Мышление — оперирует уже сохранёнными репрезентациями: преобразует, связывает, оценивает и порождает новое знание, формируя и обновляя когнитивные схемы.

🤍 Ключевая гипотеза обзора: генеративный ИИ — принципиально новый тип "психологического орудия". В отличие от книги или калькулятора, он способен вмешиваться в каждое из трёх звеньев цепи: перехватывать внимание персонализированной подачей материала, разгружать или замещать память через внешнее хранение, подменять мыслительные операции готовой генерацией решений и выводов.

🤍 Объяснительная модель

Центральная теоретическая опора обзора — теория когнитивной нагрузки (Cognitive Load Theory) Джона Свеллера. Она выделяет три типа нагрузки:
🤍 внутренняя — зависит от сложности материала и подготовленности ученика;
🤍 внешняя — зависит от формата подачи информации;
🤍 релевантная — та, что направлена непосредственно на построение и автоматизацию когнитивных схем (то есть на само обучение).

Отсюда вводится понятие когнитивной разгрузки — передачи части операций (запоминание, вычисление, поиск, форматирование) внешнему инструменту. Авторы подчёркивают: не любое обращение к ИИ — это разгрузка. Если ученик просит нейросеть исправить орфографию, имея нужный навык, — это разгрузка. Если он получает знание, которого у него в принципе не было — это уже не разгрузка, а обычный поиск информации.

Двойственность разгрузки в том, что она:
🤍 полезна, когда снимает избыточную рутинную нагрузку и освобождает ресурсы рабочей памяти для более сложной обработки — анализа, синтеза, рефлексии;
🤍 вредна, когда ИИ забирает релевантную нагрузку — то есть ту самую работу, которая и должна была построить когнитивную схему в голове ученика.

🤍 "Желательные трудности"

Дополняет картину концепция "желательных трудностей" (desirable difficulties) Бьорка и Бьорка: определённые сложности в обучении — например, активное припоминание без подсказок или самостоятельное осмысление — не мешают, а, наоборот, способствуют более глубокому и долговременному усвоению материала. Именно усилие, потраченное на переработку информации, запускает механизмы долговременного закрепления. Если ИИ систематически устраняет эти трудности, предоставляя мгновенные готовые ответы, он может подрывать естественные механизмы обучения — даже если внешне, здесь и сейчас, результат выглядит лучше.

🤍 Главное разграничение всего обзора

Из сочетания этих трёх теоретических линий (когнитивная триада 🤍 теория нагрузки 🤍 желательные трудности) авторы выводят ключевую дихотомию, которая затем используется для анализа всех эмпирических данных:

🔴 Замещающий режим — учащийся делегирует ИИ ключевые когнитивные операции (генерацию ответа, вывод, планирование решения) без последующей самостоятельной обработки. Краткосрочно эффективно, долгосрочно — путь к "когнитивному долгу".

🟢 Поддерживающий режим — ИИ выступает помощником-тьютором: задаёт наводящие вопросы, указывает на ошибки, предлагает стратегии, но окончательное решение и интеллектуальное усилие остаются за учеником.

Именно эта рамка — "что происходит с вниманием/памятью/мышлением" и "в каком режиме это происходит" — станет путеводной нитью для следующих постов серии.

#ИИ #образование #когнитивныйдолг #ВШЭ

30 сентября — «Ещё одна конференция про образование» (Yet Another Conference on Education)

У меня была мечта поучаствовать в этом мероприятии от Яндекс Образования, потому что давно за ним слежу. Особенно было радостно видеть среди спикеров прошлых конференций своих учеников. И вот этим летом со мной неожиданно связались организаторы, чтобы получше познакомиться, а затем пригласили поучаствовать в дискуссии, модератором которой будет Александр Поволоцкий — один из главных идеологов проекта Яндекс Лицей, в котором я принимал участие долгие годы и даже работал на его площадке. Я очень рад войти в состав спикеров конференции, поэтому приглашаю всех присоединиться.

Темой нашего обсуждения будет "От кода к архитектуре: новая роль программиста". Если сформулировать простыми словами, поговорим о том, чему учить будущего разработчика ещё на школьной скамье в эпоху генеративных нейросетей. Пока это всё, о чём могу рассказать. Присоединяйтесь к дискуссии!

🤍 Пока я не отображаюсь в списке участников, потому что до сих пор не отправил фотографию, но к понедельнику всё будет сделано.

🇸🇴 ИИ в учёбе по оценкам студентов: помощник или враг критического мышления

Учёные из Университета Могадишо (негосударственное некоммерческое высшее учебное заведение города Могадишо, Сомали) опросили 226 студентов бакалавриата и магистратуры, чтобы определить, как ИИ влияет на обучение и к каким последствиям это приводит.

Что показал опрос:

🤍 Студенты сами признают проблему. Они не соглашаются, что "просто копируют" ИИ вместо своих знаний, но чувствуют, что ИИ снижает мотивацию читать и анализировать материалы, а также отмечают, что ИИ сказывается на способностях самостоятельно решать задачи. То есть люди осознают риск, но продолжают пользоваться: "знаю, что вредно, но удобно".

🤍 Студентов больше всего беспокоят этические вопросы. Они отмечают, что ИИ-контент поднимает вопросы плагиата и академической нечестности, инструменты проверки на плагиат сами могут ошибаться, а насколько прозрачно ИИ-платформы обрабатывают их личные данные вообще непонятно. Многие чувствуют, что растущая зависимость от ИИ бросает вызов привычным этическим нормам в учёбе.

🤍 Нестыковка с университетскими правилами. Студенты не уверены, что в их вузе вообще есть чёткая формальная политика по ИИ (самый низкий балл из всех вопросов анкеты). При этом они довольно неплохо оценивают саму идею о том, что правила помогают справедливости и снижают риски. Возможно, если бы студенты знали политику вуза в отношении ИИ, их поведение изменилось.

🤍 Больше всего беспокоят итоговые последствия. Студенты согласны с тем, что ИИ делает их зависимыми от технологий и обесценивает роль преподавателя, а ещё переживают из-за возможной предвзятости ИИ при автоматической проверке работ.

А теперь ключевой вывод исследования, что может смягчить вред:

🤍 Когда у студента развито этическое понимание (он осознаёт, что такое честность, приватность данных, ответственное использование), то негативный эффект от чрезмерной зависимости от ИИ становится заметно слабее. По цифрам исследователей это оказался самый сильный фактор во всей модели.

🤍 Когда в вузе есть внятная, понятная и хорошо доведённая до студентов политика по ИИ, эффект тоже смягчается, хоть и не так сильно, как от этики.

То есть дело не в самом ИИ как таковом. Всё зависит от того, насколько человек осознаёт риски и насколько институт объясняет правила игры. Авторы отдельно подчёркивают: в постконфликтном контексте вроде Сомали, где цифровая инфраструктура и политика по ИИ ещё формируются, этот разрыв между "правила есть" и "правила понятны" ощущается особенно остро.

Что предлагают авторы:
🤍 вшивать этику ИИ прямо в учебные программы (приватность данных, академическая честность, социальные последствия использования ИИ), а не оставлять эту тему на самотёк;
🤍 проводить регулярные семинары и открытые обсуждения, где студенты могут разобраться в этических дилеммах вместе с преподавателями;
🤍 делать правила использования ИИ понятными и заметными — не прятать их в регламентах, а активно доносить до студентов и регулярно обновлять;
🤍 менять форматы оценивания в пользу проектных работ, устных экзаменов и рефлексивных эссе — там, где просто скопировать готовый ответ из чата не получится;
🤍 проводить обязательные вводные занятия в начале семестра — что можно, что нельзя и почему;
🤍 периодически проверять (аудит), как реально используется ИИ, чтобы вовремя замечать злоупотребления.

Авторы также отмечают: похожая картина наблюдалась и у студентов в Палестине в другом недавнем исследовании — значит, разрыв между тем, что студенты уже вовсю используют ИИ, и тем, что вузы не успевают объяснить этические границы, это не локальная, а глобальная проблема.

Вывод: вопрос не в том, запрещать ИИ или разрешать. Вопрос в балансе — чем яснее правила и чем осознаннее подход самих студентов, тем меньше вреда и больше пользы от технологии.

🤍 Abubakar, S., Jeilani, A., & Yusuf, M. (2025). The role of over-reliance on AI in the negative consequences of student learning: The moderating effects of ethical concerns and institutional policies. Cogent Education, 12(1), 2591503. https://doi.org/10.1080/2331186X.2025.2591503

#ИИ #образование #исследование

🇰🇷 Корейский опыт внедрения ИИ-образования на школьном уровне

Ищу материалы на тему ИИ в школе, и наткнулся на статью Wanju Huang и Wonjin Yu Barriers to integrating artificial intelligence education: implications from five early adopters in South Korea (Computer Science Education, 2026, doi.org/10.1080/08993408.2025.2565199). Южная Корея с 2020 года централизованно, сверху, внедряет ИИ в школьную программу K-12. Авторы поговорили с пятью "ключевыми учителями по ИИ", которых государство отобрало и обучило первыми. И даже у них есть барьеры.

Авторы берут классическую рамку Эртмер (1999) — барьеры первого порядка (внешние: ресурсы, время, инфраструктура) и второго порядка (внутренние: установки, уверенность в себе) — и добавляют к ней барьер третьего порядка, который в модели раньше не значился.

🤍 Барьеры первого порядка (нехватка ресурсов)

🤍 Обучение — почти всё разовое, без системы; учителя сами затыкают дыры, организуя тренинги для коллег.
🤍 Материалы — школе выдали, например, 20 экземпляров учебника на всех.
🤍 Инфраструктура — большинство ИИ-инструментов только на английском ("трудно получить результат, когда ученики печатают по-корейски"), а сами инструменты разрознены: один учитель признался, что использует четыре разные программы, чтобы научить одному навыку.
🤍 Часы — на ИИ выделяют считаные часы внутри основной программы, конкурируя за время с другими обязательными темами.

🤍 Барьеры второго порядка (внутренние конфликты)

Здесь неожиданно оптимистично: все пятеро настроены позитивно, коллеги в основном тоже поддерживают идею. Однако часть учителей чувствует себя перегруженной новой нагрузкой, а старшие коллеги опасаются, что не справятся с незнакомой технологией. Интересно , что настороженность слабее, чем в похожих исследованиях по Гонконгу, и авторы связывают это с прошлым позитивным опытом внедрения технологий и поддержкой администрации и родителей.

🤍 Барьер третьего порядка

Учителя один за другим говорят примерно одно и то же:

Минобразования устанавливает программу, город обязан её выполнять, у нас нет автономии что-либо менять.

Или:

Я чувствовал давление охватывать темы просто потому, что они новые и модные.

Это ограниченность самой системы, где голос учителя, ответственного за внедрение технологии в классе, почти не учитывается в разработке политики.

Авторы предлагают три модели, как это может быть устроено:
🤍 Модель "Сверху вниз" (Government-led) — государство решает всё сверху; барьеры первого порядка самые заметные, учителя следуют, но без энтузиазма менять систему.

🤍 Модель "Коллективная" (Collaborative) — учителя, администрация и государство разрабатывают политику вместе.

🤍 Модель "Снизу вверх" (Teacher-led) — голос учителей приоритетнее: те, кто реально ведёт занятия, определяют, что и как внедрять.

🤍 Мои мысли на этот счёт, как человека поработавшего в системе школьного образования. Показательно, что даже "избранные" учителя, которым дали ресурсы, обучение и статус, всё равно упираются не в нехватку гаджетов, а в отсутствие права голоса. Знакомая история и для нашей, куда более централизованной системы образования: вопрос ведь не только в том, дать ли учителю доступ к ИИ-инструментам, а в том, спрашивают ли вообще его мнение, когда решают, как и зачем их внедрять.

#обзорлитературы #статья #южнаякорея

Российских учителей повсеместно будут обучать нейросетям

С нового учебного года в России появится программа повышения квалификации «Искусственный интеллект в работе учителя» — до конца 2026-го ее смогут пройти 250 тысяч школьных учителей по всей стране. Организуют обучение Минпросвещения и Минцифры, за содержание отвечает Яндекс.

▪️Всех слушателей курса познакомят с базовыми принципами работы нейросетей и научат использовать их для подготовки к урокам.

▪️Программа адаптирована под задачи разных дисциплин: математиков научат создавать анимации, наглядно объясняющие формулы и теоремы, естественнонаучников — визуализировать природные процессы, а учителей иностранных языков — собирать задания с песнями и видео.

Думаю, задачи сделать из каждого учителя эксперта по нейросетям перед создателями программы не стоит. Важнее дать педагогам понятные инструменты под разные предметы и базовое понимание самой технологии — как она работает, где ей можно доверять, а где результат лучше перепроверить. Особенно с учетом того, что школьники уже давным давно ей пользуются сами.

Образование, которое мы заслужили в МАХ

Многие мои подписчики сегодня переслали мне эту новость, поэтому запланированную вперед публикацию про подобный корейский опыт публикую сегодня (даже прямо сейчас).

🤍 Частота использования ИИ — не то же самое, что ИИ-грамотность

Коллеги из Центра психометрики и измерений в образовании НИУ ВШЭ (Тарасова, Талов, Иванова) провели исследование о взаимодействии студентов и ИИ. Ключевая идея в том, что привычную метрику "как часто студент использует ИИ" они разложили на четыре разных, независимых измерения. Оказалось, что эти измерения практически не пересекаются друг с другом, а само по себе частое обращение к ChatGPT почти ничего не говорит о том, насколько компетентно студент с ним работает.

🤍 Как устроено исследование

Выборка — 1647 студентов 3–4 курсов бакалавриата из 10 российских вузов (STEM, гуманитарии, социальные науки), данные собраны в 2025/2026 учебном году в рамках лонгитюдного проекта ВШЭ. Ключевая методологическая особенность в том, что авторы не поверили самоотчётам напрямую, а измерили четыре конструкта раздельно с помощью двух шкал (адаптированная международная методика для опоры на ИИ и антропоморфизации, отдельная шкала для этической чувствительности) и одним заданием с реальным продуктом деятельности: студентам нужно было за 300 слов составить промпт для бизнес-рекомендаций, а эксперты и модель проверяли, сколько из 10 скрытых условий задачи студент учёл. Так навык промптинга превратился из самооценки в измеримый результат конкретного действия, а не "ощущения", что ты умеешь пользоваться ИИ.

🤍 Опора на ИИ при принятии решений

Тут всё ожидаемо: чем чаще студент пользуется ИИ в учёбе, тем сильнее он на него опирается — это оказался самый сильный и стабильный предиктор во всей модели. Отдельно и довольно ощутимо усиливает эффект использование ИИ для генерации текстов курсовых и проектных работ.

А вот направление подготовки на этот показатель заметно не влияет — тут гуманитарии, социологи и STEM-студенты ведут себя похоже.

🤍 Антропоморфизация ("очеловечивание") ИИ

Тоже растёт вместе с общей частотой использования, но избирательно — в зависимости от типа задачи. Длинные, коммуникативно насыщенные сценарии, прежде всего подготовка курсовых и выпускных работ, заметно усиливают восприятие ИИ как "партнёра" по учебной деятельности. А вот программирование и поиск учебных материалов, наоборот, снижают антропоморфизацию: там ИИ остаётся чистым инструментом, а не квазисобеседником.

Гуманитарии в среднем антропоморфизируют ИИ меньше, чем студенты STEM-направлений.

🤍 Этическая чувствительность

А вот здесь частота использования и конкретные учебные сценарии вообще ни при чём — ни один из них не показал надёжной связи после строгой статистической проверки. Зато чётко и убедительно работает направление подготовки:

гуманитарии демонстрируют заметно более высокую этическую чувствительность, чем STEM-студенты, социальные науки — тоже заметно выше STEM.

Похоже, этика возникает не через сам факт взаимодействия с ИИ — она приходит из дисциплинарной культуры работы с текстом, знанием и авторством.

🤍 Навык промптинга

Самое неожиданное. Ни общая частота использования, ни конкретные сценарии, ни направление подготовки не показали устойчивой связи с реальным навыком составления промпта — все эффекты, которые казались значимыми на первый взгляд, рассыпались после строгой статистической проверки.

То есть студент может пользоваться ИИ каждый день и при этом не уметь сформулировать структурированный запрос с учётом ограничений и критериев результата — и наоборот.

🤍 Что в итоге
Все четыре модели объяснили довольно скромную долю различий между студентами — и это тоже важный результат: значит,

ИИ-связанные характеристики формируются под влиянием куда более широкого набора факторов, чем просто опыт использования технологии — дисциплинарной культуры, метакогнитивной регуляции, обратной связи от преподавателей.

Авторы прямо предупреждают: это данные одного среза, поэтому речь идёт об ассоциациях, а не о доказанных причинно-следственных связях.

🤍 Главный практический вывод
Университетам стоит перестать полагаться на частоту использования ИИ (и тем более на самоотчёты о ней) как индикатор готовности студента работать с генеративными системами. Вместо единой политики "разрешено / запрещено" нужна дифференцированная модель — отдельно формировать и оценивать понимание ограничений ИИ, этическую рефлексию и сам навык промптинга как измеримую компетенцию.

🤍Тарасова К.В., Талов Д.П., Иванова А.Е. Когда чаще не значит лучше: сценарии использования генеративного ИИ в высшем образовании // Высшее образование в России. — 2026. — Т. 35, № 6. — С. 127–148. DOI: 10.31992/0869-3617-2026-35-6-127-148

#исследования #ИИграмотность #промптинг #высшееобразование #ТрудностИИПреподавания

🤍 Почему одни люди пользуются ИИ ответственно, а другие — нет?

Сегодня расскажу про исследование из статьи Decoding responsible AI use: the influence of digital literacy and ethical awareness (Cogent Education, 2025), где авторы попытались разобраться: что заставляет человека использовать ИИ этично и осознанно, а не бездумно копировать всё, что выдаёт чат-бот?

В рамках исследования авторы опросили 347 человек, которые пользуются ИИ-инструментами минимум полгода, и построили модель, которая описывает, как одни навыки и качества влияют на другие.

Вот как это работает ⤵️

🤍 Всё начинается с двух базовых вещей:
🤍 умения технически пользоваться цифровыми инструментами (грубо говоря, отсутствие страха перед техническими новинками) — технические цифровые навыки;
🤍 умения работать с информацией: проверять источники, отличать правду от фейка, не вестись на первое попавшееся объяснение — информационная грамотность.

🤍 Вместе эти два навыка формируют то, что можно назвать "критическим мышлением по отношению к ИИ" — способность не просто пользоваться нейросетью, а понимать, где она может ошибаться, откуда берётся предвзятость в её ответах, и оценивать, насколько её выводы вообще заслуживают доверия.

🤍 Критическая ИИ-грамотность положительно влияет на два других аспекта:
🤍этическая осознанность. Человек начинает задумываться: а справедливо ли решение, которое предложил ИИ? Кто несёт ответственность, если что-то пошло не так? Какие у этого социальные последствия?
🤍 доверие к ИИ-системам — это доверие к самой системе: насколько я уверен, что ИИ работает прозрачно и в моих интересах.

🤍 Это приводит нас к ответственному использованию ИИ. Интересно, что именно этическая осознанность оказалась куда более сильным двигателем ответственного поведения, чем доверие. То есть не "я доверяю ИИ, поэтому использую его правильно", а "я понимаю, чем это чревато, поэтому веду себя осторожно". Доверие тоже влияет, но заметно слабее.

💡 Простыми словами: чем лучше человек умеет пользоваться технологиями и критически оценивать информацию — тем внимательнее он относится к этике при работе с ИИ. А чем внимательнее он относится к этике — тем ответственнее использует нейросети.

❗️ Практический вывод авторов: если хотим, чтобы люди пользовались ИИ ответственно — нужно не убеждать их "доверять технологиям", а учить их разбираться в теме и думать об этических последствиях. Так оно и работает.

📎 Pramod, D. (2025). Decoding responsible AI use: the influence of digital literacy and ethical awareness. Cogent Education, 12(1), 2592371. https://doi.org/10.1080/2331186X.2025.2592371

#ИИ #этика #цифроваяграмотность

🎂 С днём рождения меня

Эта фотография сделана примерно 30 лет назад: в детский сад маленького посёлка на 13 тысяч человек пришёл фотограф и всех по очереди снимал со львом. Судя по моему лицу, фотографироваться я не хотел категорически. Примерно такая же гримаса у меня и сейчас, когда приходится делать то, что не хочется.

Примерно в это же время, только 11:55, 15 августа, я родился. Прошло 33 года и сегодня я как раз пересекаю занятную черту: ровно половину этой жизни прожил в Москве. Мальчик с фотографии понятия не имел, что однажды уедет из посёлка, поступит в лучший вуз страны и это окажется только начало. Сначала как студент философского факультета МГУ, а теперь уже который год как его преподаватель. Странное ощущение: стоять по другую сторону кафедры там, куда когда-то сам пришёл почти ребёнком.

За эти годы случилось так много, что этот насупленный мальчик со львом просто не смог бы вообразить. Этот малыш – я, и этого малыша я стараюсь всячески беречь в себе. Важно помнить, откуда он шёл: не для бесконечных сравнений с собой прежним, а чтобы не забывать путь из точки А в точку Б, который был совсем не предопределён, и ничего не случилось само собой.

Однако главное достижение, пожалуй, не географическое и не карьерное. Оно в другом: я почти научился отличать то, чего хочу сам, от того, что мне навязано. То, что действительно нужно делать, от пустых обязательств. Дешёвое от ценного, а ценное — от бесценного. Это оказалось самым трудным. Впереди ещё много интересного: новые вершины и, конечно, новые провалы новый опыт.

Скажу с осторожностью: похоже, я наконец начинаю получать удовольствие от собственной жизни. От того, чем занимаюсь сейчас. От того, к чему стремлюсь. И подозреваю, что тот угрюмый мальчик со львом не был бы против того, во что всё это в итоге превратилось.

🤍 Что происходит, когда ИИ помогает не студенту, а преподавателю писать фидбек

Продолжаю разбор темы обратной связи и ИИ, но сегодня — с неожиданного ракурса. Всё это время мы смотрели на ситуацию со стороны студента, получающего ИИ-фидбек. А что если ИИ встроить в процесс на стороне преподавателя — как ассистента, который помогает написать более студентоцентрированный комментарий?

🔍 Как устроен эксперимент
21 преподаватель использовал инструмент PolyFeed: он объединяет BERT-модель (определяет, каких компонентов студентоцентрированного фидбека не хватает в тексте) и ChatGPT (дорабатывает текст с учётом этих подсказок). Схема простая: пишешь фидбек вручную ➡️ модель находит пробелы ➡️ предлагаешь их закрыть ➡️ ChatGPT переписывает ➡️ ты снова редактируешь, если хочешь.

🤍 Что чаще всего пропускали преподаватели
Модель чаще всего фиксировала два пробела: соответствие учебным целям (не хватало у 20 из 21!) и выстраивание отношений преподаватель–студент (у 14 из 21). Причём подсказки про поддержку и поощрение принимали абсолютно все, у кого их не хватало.

🪶 А что преподаватели правили в тексте от ChatGPT
Больше половины участников (12 из 21) продолжали редактировать даже уже доработанный ИИ текст. Чаще всего — смягчали и калибровали похвалу ("Прежде всего, хочу поздравить тебя с выполнением задания!" ➡️ "Молодец, что справился"), убирали избыточные советы и мотивационные фразы. Больше всего правок пришлось именно на блок отношений преподаватель–студент — ИИ явно перебарщивал с поддержкой и обобщённым воодушевлением.

📑 Плюсы и минусы по мнению самих преподавателей
🤍 Главный плюс — инструмент побуждает к рефлексии над собственной практикой фидбека (14 из 21 отметили это).
🤍 Второй — улучшает язык и структуру текста.
🤍 Главная сложность — необходимость ручной доработки: "как обычный ChatGPT, он склонен раздувать текст".
🤍 Вторая по частоте — несогласованность тона: текст звучит слишком "по-своему", не как сам преподаватель.

⭐️ Любопытная деталь про опыт
Преподаватели со стажем более 5 лет заметно чаще фиксировали именно проблемы (тон, доверие, необходимость правок), а начинающие — чаще видели только пользу. Получается, что опыт обостряет чувствительность к аутентичности текста — но заодно возникает и риск: если начинающий преподаватель будет слишком полагаться на готовые подсказки ИИ, у него может не сформироваться собственное оценочное суждение.

❗️ Главный вывод
ИИ отлично работает как скаффолд — подсвечивает слепые зоны и ускоряет черновик. Но именно за преподавателем остаётся финальное решение о тоне, точности и уместности — особенно в той части фидбека, которая касается живых отношений со студентом. Автоматизировать эмпатию пока не получается.

📎 Aldino, A. A., Maheshi, B., Li, Y., Zhou, Y., Tsai, Y.-S., Gašević, D., & Chen, G. (2026). Enhancing learner-centered feedback with AI: teachers' practices and perceptions. Assessment & Evaluation in Higher Education, 51(5), 892–910.

#ТрудностИИПреподавания #DataГуманитарий #ИИвОбразовании #обратнаясвязь #высшееобразование

🪶 Что происходит, когда студента сажают писать эссе с ИИ под камеру — и просят потом всё объяснить

Ещё одна методологически интересная работа из спецвыпуска про фидбек и ИИ. Авторы решили не полагаться на опросники ("как часто вы используете ChatGPT?" — и все всё немного приукрашивают) и не наблюдать издалека, а буквально посадить 32 студента в лабораторию, дать им 25 минут на эссе с доступом к ChatGPT, записать экран — а потом усадить рядом и попросить пересмотреть запись, комментируя вслух каждый шаг: о чём вы думали именно в этот момент?

Получилась редкая возможность увидеть не то, что студенты говорят о своём использовании ИИ, а что они реально делают и как это осмысляют.

Главная количественная находка, хоть и на скромной выборке: из всех предикторов оценки за эссе (доверие к ИИ, частота использования, предзнание темы, усилия) значимым оказался только один — фидбек-грамотность (умение искать, оценивать и применять обратную связь). Ни то, как часто студент юзает ИИ, ни то, насколько он ему доверяет, само по себе не предсказывает качество результата. Предсказывает — умение грамотно работать с обратной связью как таковой.

Но самое интересное — в качественном анализе. Авторы выделили четыре последовательные фазы того, как студенты взаимодействовали с ИИ:

🤍 Feed-forward ("накидай идей"). Первый контакт — почти всегда запрос на генерацию содержания: "придумай пункты", "накидай структуру". По сути, ChatGPT использовался как продвинутый поисковик — с бонусом мгновенного резюмирования.

🤍 Feedback ("оцени, что у меня получилось"). А вот тут интересно: меньше 20% студентов вообще просили оценить эссе целиком. Большинство запросов были на уровне отдельных фраз — перефразировать, подобрать синоним, исправить грамматику. И забавный парадокс: часть студентов использовала инструмент Quillbot, чтобы... сделать текст, написанный ChatGPT, менее похожим на ИИ и более похожим на себя.

🤍 Feedback evaluation (критическая оценка ответа ИИ). Почти все хоть раз оценивали, хорош ли ответ бота — "расширь", "попробуй ещё раз", "это слишком общо". Но только треть сверяла ответ с другим источником — гуглом, статьёй, другим чат-ботом. Одна студентка сравнила консультацию с ИИ с тем, чтобы спросить одногруппника: "иногда я не уверена, правильно ли отвечаю на вопрос, и просто вставляю его в ИИ... это как спросить друга, то же ли он пишет, что и я". Сквозная тема через все интервью — желание, чтобы текст звучал "как я сам", а не "как ИИ".

🤍 AI avoidance (сознательный отказ от ИИ). Половина участников в какой-то момент нарочно не обращалась к ИИ — из страха случайно скопировать формулировки, из соображений честности, а один участник признался, что обращение к чату сбивает поток мыслей: "я знаю, что чат мог бы подсказать хорошую фразу, но мне было лень туда переключаться — я потеряю мысль".

Авторы встраивают всё это в модель саморегулируемого обучения и формулируют довольно тревожный вывод:

у большинства студентов ИИ, судя по всему, не пробуждал учебные цели ("хочу разобраться в теме"), а вместо этого подпитывал цели избегания провала ("не хочу выглядеть некомпетентным, не хочу не успеть").

ИИ становился своего рода "костылём самоэффективности" — продвигал выполнение задания не через обучение, а через то, что часть работы просто делалась за студента.

Ключевая формулировка авторов звучит так:

без навыков саморегуляции, укоренённых в реальной уверенности в себе и мотивации учиться, ИИ начинает функционировать не как инструмент студента, а как студент вместо студента.

Практический вывод для вузов: вместо того чтобы фокусироваться исключительно на разработке "правильных" образовательных ИИ-инструментов внутри студенческой группы, стоит вкладываться в развитие переносимых навыков фидбек-грамотности — потому что вне аудитории студенты и так уже вовсю общаются с обычным ChatGPT, который никакой педагогической рамки не соблюдает.

📎 Hawkins, Taylor-Griffiths & Lodge (2026). Summarise, elaborate, try again: exploring the effect of feedback literacy on AI-enhanced essay writing. AEHE, 51(5), 879–891.

7000 студентов сравнили ChatGPT и преподавателя. Кто выиграл — и почему даже исследователи сомневаются в результатах

Разбираю, пожалуй, самое увесистое исследование из спецвыпуска про фидбек и ИИ — большой межуниверситетский опрос почти 7000 студентов из четырёх крупных австралийских вузов (Monash, Deakin, University of Queensland, UTS). Здесь наконец есть цифры того масштаба, на который можно опираться, а не просто интересные наблюдения на 16 студентах.

Первое, что бросается в глаза: ровно половина студентов уже обращались к GenAI за фидбеком по своим работам. Не "продвинутое меньшинство энтузиастов" — а буквально каждый второй.

Теперь сравнение в лоб. По полезности разница есть, но небольшая: 83,9% сочли ИИ-фидбек полезным, 82,2% — так же оценили фидбек преподавателя. Но если посмотреть на максимальную оценку "очень полезно" — тут разрыв заметнее: 24,4% против 41,3% в пользу преподавателя.

А вот с доверием всё жёстко: преподавательскому фидбеку доверяют 90,5% студентов, ИИ-фидбеку — только 60,1%. Это уже большая разница.

Казалось бы, вывод очевиден: ИИ проигрывает человеку. Но если копнуть в качественные данные (а авторы проанализировали почти 8,5 тысяч текстовых комментариев студентов), картина оказывается намного интереснее.

За что студенты реально любят ИИ-фидбек:
🤍 Доступность — почти единодушно (99%): можно спросить в любое время, быстро, сколько угодно раз;
🤍 Понятность — 74% отметили, что ИИ объясняет доступнее;
🤍 Объективность — 92% сочли ИИ более объективным, чем преподаватель. (Исследователи заявляют, что это прямо противоречит более раннему исследованию Nazaretsky et al., где студенты, наоборот, считали ИИ менее объективным — так что тут единого мнения в науке ещё нет);
🤍 Меньший межличностный риск — 99% отметили, что с ИИ спокойнее, не боишься показаться глупым или получить резкий ответ.

За что студенты ценят фидбек преподавателя:
🤍 Контекстуализированность (95%) — преподаватель знает именно ваш курс, вашу тему, ваши предыдущие работы;
🤍 Релевантность (85%) — попадает точно в то, что важно;
🤍 Личный контакт и экспертность (88–94%) — ощущение, что с вами разговаривает человек, который реально разбирается.

Забавная деталь: студенты отмечали, что позитивный тон ИИ-ответов не всегда воспринимается как плюс — некоторые прямо писали, что это ощущается как "подлизывание", а не искренняя оценка.

А теперь самое интересное — почему половина студентов НЕ используют ИИ для фидбека. Казалось бы, логично предположить: "не доверяют" или "боятся нечестности". И это правда важная причина (28,7% — сомнения в надёжности). Но самая частая причина (28,1%) оказалась банальнее: студенты просто не знали, что так вообще можно — что ChatGPT можно попросить прокомментировать черновик эссе. При этом среди тех, кто попробовал, 84% сочли это полезным. То есть значительная часть студентов упускает реально работающий инструмент не из принципа, а из незнания.

Главный вывод авторов:

ИИ и преподавательский фидбек не конкурируют, а закрывают разные потребности.

Это прямо опровергает популярный тезис о том, что ИИ "освобождает преподавателей от рутины ради задач более высокого уровня" — авторы называют такую логику необоснованной. Вместо этого они предлагают модель разделения труда: преподаватель должен бросать вызов — указывать на контекстуализированные, неочевидные зоны роста, опираясь на реальные отношения и знание студента. ИИ тем временем закрывает нишу быстрой, понятной, доступной и безопасной (в смысле — без риска "показаться глупым") обратной связи по текущему состоянию работы.

Практический вопрос для университетов звучит так: как помочь преподавателям делать именно то, в чём они объективно превосходят ИИ, — и заодно перестать терять студентов, которые просто не в курсе, что фидбек от ChatGPT — это вообще опция.

📎 Henderson, Bearman, Chung, Fawns, Buckingham Shum, Matthews & de Mello Heredia (2026). Comparing Generative AI and teacher feedback: student perceptions of usefulness and trustworthiness. AEHE, 51(5), 863–878.

🤍 Учёные превратили собственную переписку с научным руководителем в исследовательский кейс

Это, наверное, самая нестандартная статья из спецвыпуска про фидбек и ИИ, который я разбираю последние дни. Авторы взяли свою реальную историю научного руководства 2021 года (один из авторов тогда был аспирантом, остальные — его руководителями) и сопоставили её с диалогами с ChatGPT, которые в 2024 году сгенерировал тот же человек, "разыгрывая" самого себя из прошлого.

📁 Кейс: аспирант пишет статью про методы цифровой этнографии, отправляет черновик руководителям, получает комментарии, потом обсуждает всё на видеовстрече. Исследователи выделили два момента, когда аспирант мог бы вместо (или вместе с) руководителя спросить совета у чат-бота — и сгенерировали эти диалоги постфактум, на основе реальных задокументированных потребностей студента того времени.

Вот, что из этого получилось.

💜 Бот идеально попадал в запрос. Руководители — нет. Студент спрашивал у чат-бота: "Как мне поступить с результатами и обсуждением — объединить разделы или нет?" И бот подробно, по пунктам, отвечал именно на этот вопрос. А вот руководители в письменных комментариях этот вопрос вообще проигнорировали и подняли совершенно другую проблему — слабую аргументацию во Введении, о которой студент даже не думал. Смена фокуса руководителями буквально переопределила, в чём студент вообще нуждается.

💜 Бот никогда не спорил. Руководители — постоянно. Когда бота спросили, объединять ли разделы, он выдал список плюсов и минусов и в итоге аккуратно уклонился: "решение зависит от вашей дисциплины, стиля, посоветуйтесь с коллегами". Руководители же прямо говорили: "думаю, у вас слишком много деталей, это нам не нужно" — и студент с этим спорил, отстаивал свою позицию. Именно это трение заставило его переосмыслить саму цель статьи.

Авторы формулируют красивую оппозицию: руководители используют стратегию "think like an X" ("поставь себя на место рецензента, подумай как редактор журнала"), а бот — стратегию "ask an X" ("проконсультируйтесь с коллегами по этому вопросу"). Первое требует от студента реальной мыслительной работы. Второе — просто перекладывает вопрос дальше.

Ещё три различия, которые авторы называют формативным, временным и реляционным измерениями:

📌 Ориентация: бот сфокусирован на продукте (как улучшить текст здесь и сейчас), руководители — одновременно и на тексте, и на развитии самого мышления студента.

📌 Время: у бота всегда всё уже ясно — цель и шаги представлены готовым списком. У руководителей — процесс, где конечная цель ещё не очевидна ни им, ни студенту, и её приходится нащупывать вместе. Плюс руководители держат в голове весь широкий контекст (сколько лет до защиты, что было раньше) — бот знает только то, что вы написали в этом чате.

📌 Отношения: руководители делятся сомнениями ("мне было бы боязно строить на этом всю статью"), называют задачи трудными, вспоминают личный опыт отказов от рецензентов. Это не просто человеческая теплота — это тоже часть педагогики, укрепляющая доверие между студентом и научником.

😁 Забавная деталь: когда бота прямо попросили выбрать один вариант, он в итоге привёл аргумент, который выдал, что бот перепутал тему статьи (цифровая этнография) с её типом (методологический обзор) — и это моментально подорвало доверие студента к его суждению.

❗️ Главный вывод авторов: фидбек от чат-бота — это что-то среднее между полноценным человеческим диалогом и просто ещё одним инструментом, который студент использует по своей инициативе (как проверка орфографии). Бот даёт студенту максимум агентности — полный контроль над направлением разговора. Но именно поэтому он не может дать того, ради чего вообще нужен хороший научрук: вызова собственным допущениям.

Практический совет авторов звучит так:

используйте чат-бота, чтобы подготовиться к встрече, задать "глупый" вопрос, который неловко адресовать человеку, или проговорить сомнения вслух. Но не позволяйте ему заменить голос научника — потому что бот не может взять на себя ответственность за совет, который даёт, а хороший руководитель — обязан уметь этот совет обосновать.

📎 Jensen, Bearman, Boud & Konradsen (2026). Feedback encounters in doctoral supervision: the role of generative AI chatbots. AEHE, 51(5), 849–862.

🤍 Китайские исследователи создали шкалу измерения, готов ли студент работать с ИИ-фидбеком (39 пунктов)

Продолжаю разбор спецвыпуска про фидбек и генеративный ИИ. Если предыдущие статьи наблюдали за тем, что реально делают студенты с ChatGPT-фидбеком, то это исследование больше затрагивает психометрику, попытку измерить уровень готовности студента работать с ИИ-обратной связью через валидированный опросник.

Зачем это нужно? Смысл в том, что все существующие шкалы "фидбек-грамотности" (они оказывается существуют) создавались для мира, где фидбек даёт человек. С приходом ChatGPT правила игры изменились, и старые инструменты просто не ловят новые важные компетенции.

🔍 Как делали шкалу:
Начали с пула в 70 пунктов, адаптированных из существующих опросников (например, фразу "фидбек от людей помогает мне понять свои сильные и слабые стороны" переписали как "ИИ-фидбек помогает мне понять..."). Прогнали через 3 раунда экспертной проверки, пилотаж на 32 студентах — осталось 64 пункта. Затем на выборке из 255 студентов сделали эксплораторный факторный анализ (оказывается - это метод для изучения структуры многомерных данных), получили 9 факторов и 39 финальных пунктов. И, наконец, на второй, уже независимой выборке из 666 человек всё это подтвердили конфирматорным факторным анализом (статистический метод, который позволяет проверить, насколько хорошо гипотетическая (теоретическая) факторная структура соответствует данным) — показатели получились такие, что им можно доверять (цифры я пропустил, потому что не все в них понял, но поверил).

Отдельно проверили: работает ли шкала одинаково для мужчин и женщин, для гуманитариев и "технарей", для бакалавров и магистров? Получили, структура инвариантна — шкала универсальна для разных групп.

Что получилось в итоге — 4 измерения, 9 факторов:
🤍 Когнитивное — знание о том, как понимать ИИ-фидбек + признание его ценности
🤍 Поведенческое — умение составлять промпты + оценивать качество ответа + доводить фидбек до конкретных действий
🤍 Аффективное — распознавание эмоций в фидбеке + готовность конструктивно реагировать на критику + готовность вкладывать время в изменения
🤍 Этическое — понимание предвзятости ИИ, вопросов приватности и справедливости

Что здесь по-настоящему новое по сравнению с прежними шкалами (верим тексту статьи):

💜 Во-первых, этика как отдельное измерение. Раньше про академическую честность и предвзятость алгоритмов говорили в скобках, теперь — это полноценный, отдельно измеряемый фактор.

💜 Во-вторых, промпт-инжиниринг как навык фидбек-грамотности. Умение переформулировать запрос, чтобы получить действительно полезный ответ от ИИ — раньше такого просто не было в опросниках, потому что не было самого объекта — чат-бота, с которым можно вести диалог.

💜 В-третьих, авторы спорят с предыдущими шкалами по одному концептуальному вопросу: они помещают "признание ценности фидбека" не в блок диспозиций/установок, как делали раньше, а в когнитивный блок — потому что, по их логике, оценить ценность конкретного отклика от ИИ — это интеллектуальная работа по суждению, а не просто пассивная установка "фидбек — это хорошо".

❓ Что с этим делать практически:
Авторы предлагают использовать шкалу и как инструмент самодиагностики для студентов ("в чём мои слабые места — в промптинге? в управлении эмоциями при критике? в этике?"), и как диагностику для преподавателей — чтобы понимать, на какое именно измерение делать упор в конкретной группе.

❗️ Важно подчеркнуть, что выборка только из материкового Китая, только высшее образование, без учёта специфики дисциплин. Так что универсальность инструмента ещё предстоит проверить в других странах и контекстах.

Если предыдущие исследования показывали нам феномен (что студенты часто вовлекаются поверхностно), то эта статья даёт инструмент измерения — что удобно, если вы, например, преподаватель и хотите оценить, на каком уровне фидбек-грамотности находится ваша группа, прежде чем разрабатывать систему.

📎 Cui, Meng, Qian & Tang (2026). Developing a college student feedback literacy scale for the GenAI context. AEHE, 51(5), 835–848.

💥 Что реально происходит, когда студент просит ChatGPT "оценить моё эссе"

Продолжаю разбирать спецвыпуск Assessment & Evaluation in Higher Education про обратную связь и ИИ. И вот исследование, которое реально стоит того, чтобы притормозить и вчитаться — потому что оно не спрашивало студентов "нравится ли вам ChatGPT", а записывало экран во время реальной работы над эссе IELTS, а потом ещё и садилось со студентом пересматривать запись и разбирать: а что ты в этот момент думал?

16 студентов, экран записан от начала до конца, плюс часовое интервью на следующий день. Дотошно.

Что получилось:

⬆️ С мышлением всё неплохо. Студенты реально сравнивали фидбек ChatGPT с прошлыми комментариями преподавателя, с критериями IELTS, с собственной версией текста "до" и "после". Причём такое многократное сравнение стало возможно именно благодаря ИИ — раньше у студента просто не было под рукой инструмента, чтобы за пять минут прогнать текст туда-сюда и сверить с тремя источниками сразу.

⬇️ А вот с саморегуляцией — беда. Из 16 человек только пятеро отслеживали собственный процесс переработки текста, и ни один не занимался целеполаганием ("что именно я хочу улучшить в следующий раз"). Авторы называют это "метакогнитивной ленью" — когда ИИ настолько удобен и убедителен, что мозг перестаёт напрягаться. В итоге правки в основном сводились к грамматике и лексике — а не к тем более глубоким навыкам письма, которые реально переносятся на будущие задания.

⬆️ Доверие — избирательное, и это хорошо. Студенты верили ChatGPT насчёт грамматики, но сомневались в его советах по содержанию и аргументации — некоторые прямо говорили, что "ChatGPT — не настоящий экзаменатор IELTS". Здорово, что критичность вообще присутствует.

⬇️ Но поведение тревожит. 308 промптов от 16 человек — казалось бы, много взаимодействия. Но:
🤍 почти каждый пятый промпт был просто копированием текста без вопроса;
🤍 большинство диалогов были одноразовыми: спросил — получил ответ — закрыл, без уточнений и итераций;
🤍 56% советов ChatGPT приняты без изменений, ещё 27% — с небольшой адаптацией. То есть 84% фидбека студенты в итоге просто взяли как есть.

Получается интересный парадокс: студенты выглядят активно вовлечёнными (диалог, промпты, правки), но на уровне поведения многие взаимодействия — это по сути "спроси и скопируй", а не подлинная проработка.

На основе этого авторы предлагают расширить классическое трёхчастное деление вовлечённости (когнитивная-аффективная-поведенческая) до четырёх компонентов, добавив метакогнитивную, и формулируют пять навыков ИИ-фидбек-грамотности, которым, по идее, нужно бы специально учить:

🤍 умение формулировать промпты (prompt engineering);
🤍 оценочное суждение — сравнивать источники, а не брать первый попавшийся ответ;
🤍 эмоциональная рефлексивность — осознанно калибровать, чему верить, а чему нет;
🤍этическое решение — когда использование ИИ ещё «помощь», а когда уже подмена своей работы;
🤍 метакогнитивные навыки — ставить цели и рефлексировать над процессом, а не просто принимать готовый ответ.

Мне кажется, главный вывод тут звучит примерно так: студенты уже умеют разговаривать с ИИ, но пока не умеют по-настоящему с ним думать. А это ровно то, чему сейчас, кажется, никто системно не учит — ни в школе, ни в вузе. Хотя в рамках курсов, которые веду я на факультете и других структурных подразделениях МГУ, я все больше уделяю внимание тому, как работать с GenAI, чтобы получать из него как можно больше пользы.

📎 Zhan, Y., & Yan, Z. (2026). Students’ engagement with ChatGPT feedback: implications for student feedback literacy in the context of generative artificial intelligence. Assessment & Evaluation in Higher Education, 51(5), 821–834.