Генеративный ИИ в образовании — это не просто технологический хайп, а инструмент, требующий глубокой «инженерии знаний» и когнитивно выверенных интерфейсов для достижения реального эффекта. На семинаре Stanford CS547 HCI Seminar исследовательница из Мичиганского университета представила результаты внедрения систем FeedbackWriter и NoteCopilot, которые демонстрируют, как ИИ может не заменять, а качественно усиливать процесс обучения, если его архитектура соответствует мышлению человека.
🎓 Кризис образования и неоднозначная роль ИИ 0:05
Современное образование сталкивается с беспрецедентными вызовами масштабирования. В Мичиганском университете на базовых курсах ежегодно обучается более 2000 студентов, что делает персонализированную поддержку практически невозможной. Согласно отчету Всемирного экономического форума о будущем рабочих мест за 2023 год, 6 из 10 работников потребуют переобучения до 2027 года, но лишь половина из них имеет доступ к соответствующим возможностям. В то же время в специализированных областях, таких как хирургия, до 92% резидентов сообщают о недостаточной подготовке к самостоятельной практике после окончания обучения.
Появление генеративного ИИ вызвало волну споров о его эффективности. По статистике, от 70% до 85% студентов колледжей уже используют ИИ для выполнения домашних заданий. Однако научные данные о пользе таких инструментов остаются противоречивыми:
- Исследование Гарварда показало, что тщательно спроектированный ИИ-тьютор на курсе физики дает лучшие результаты, чем активное обучение в классе.
- Команда из Стэнфорда подтвердила, что ИИ-подсказки для учителей в реальном времени улучшают результаты учеников по математике в школах.
- В то же время работа Пенсильванского университета (UPenn) показала, что доступ к ИИ без ограничений («guardrails») улучшает текущую успеваемость, но снижает реальные знания, когда ИИ отключают.
- Исследователи из MIT зафиксировали снижение активности мозга у студентов, использующих ИИ для написания эссе.
- Анализ публикаций 2025–2026 годов показал, что от 30% до 50% подсказок, генерируемых ИИ, имеют проблемы с качеством.
🧠 Инженерия знаний: наследие Блума в эпоху нейросетей 5:13
Чтобы ИИ действительно работал, необходима «инженерия знаний» — процесс понимания когнитивных требований задачи. Этот подход опирается на «проблему двух сигм» Блума (Bloom's 2 sigma challenge), которая гласит, что средний ученик, занимающийся с репетитором один на один, показывает результаты на два стандартных отклонения выше, чем ученик в обычном классе.
Ключевым понятием здесь является «когнитивная точность» (cognitive fidelity). По мнению спикера, ИИ-тьютор должен не просто давать правильный ответ, а понимать структуру мышления эксперта и типичные ошибки новичка.
На примере сложения дробей исследовательница показала разницу в обратной связи:
- Если ученик при сложении дробей со знаменателями 4 и 6 пишет 24, это правильный общий знаменатель, но не наименьший. Это повод для одного типа подсказки.
- Если ученик пишет 10 (просто складывая 4 и 6), это фундаментальное заблуждение, требующее возврата к основам.
- Высокая когнитивная точность позволяет ИИ распознавать эти нюансы и давать адресную помощь.
✍️ Кейс FeedbackWriter: как ИИ учит писать эссе 12:01
В Мичиганском университете была разработана система FeedbackWriter, предназначенная для помощи ассистентам преподавателей (TA) в проверке эссе по экономике. Система использует итеративно доработанные рубрики, которые разбивают сложные аргументы на элементарные шаги.
В ходе рандомизированного контролируемого исследования (RCT) с участием 360 студентов и 11 ассистентов были получены следующие данные:
- Качество правок: Студенты, получавшие ИИ-опосредованную обратную связь, подготовили финальные черновики значительно более высокого качества, чем те, кто получал только человеческие комментарии.
- Эффект: Размер эффекта (effect size) составил 0,5, что эквивалентно перемещению студента с 50-го на 70-й процентиль по успеваемости.
- Точность оценки: ИИ-судья (использовались модели GPT-4o, GPT-5 и Gemini-3-Pro) показал точность около 85% в сравнении с экспертами-инструкторами.
Важной особенностью FeedbackWriter является то, что ИИ не пишет за студента, а дает наводки («scaffolding»). Например, вместо готового ответа система спрашивает: «Вы определили роль товаров-заменителей, но как бы вы дальше исследовали их взаимосвязь?».
📒 NoteCopilot: баланс между автоматизацией и вовлеченностью 31:32
Второе исследование касалось создания «когнитивно выровненных интерфейсов» на примере ведения конспектов. Исследователи сравнили три версии системы NoteCopilot:
- Автоматический ИИ: Генерирует структурированные блоки текста каждые 2–3 минуты.
- Промежуточный ИИ: Генерирует краткое резюме после каждой реплики спикера в реальном времени.
- Минимальный ИИ: Предоставляет только дословную расшифровку (транскрипт).
Результаты эксперимента с участием 30 пользователей оказались контринтуитивными для многих сторонников полной автоматизации. Лучшие результаты в тестах на понимание материала показала группа, использовавшая промежуточный ИИ.
Причины успеха промежуточного подхода:
- Процесс кодирования: Когда ИИ делает всё сам (автоматическая версия), студент перестает активно обрабатывать информацию. Это затрудняет последующее извлечение знаний из памяти.
- Манипуляция материалом: В промежуточной версии студенты чаще всего редактировали текст и перетаскивали блоки, что сохраняло необходимый уровень когнитивного напряжения.
🔄 Смена парадигмы: от транзакций к отношениям 39:14
Спикер предлагает рассматривать внедрение ИИ через «две петли» взаимодействия:
- Внутренняя петля: Непосредственная поддержка преподавателей через инженерию знаний и удобные интерфейсы.
- Внешняя петля: Перераспределение ресурсов. Если ИИ берет на себя рутинную проверку ошибок (lower-level mistakes), преподаватели могут тратить время на построение межличностных отношений со студентами.
В новом семестре исследователи тестируют радикальный подход: ИИ дает мгновенную обратную связь на первый черновик в течение 24 часов, а высвободившееся время ассистентов (около 60 часов на курс) направляется на обязательные 10-минутные очные консультации с каждым студентом. По мнению автора работы, это должно повысить мотивацию и социальный капитал учащихся.
В дискуссии после выступления был поднят важный вопрос о потере экспертизы самими ассистентами, если они перестанут глубоко вникать в работы студентов. Исследовательница признала этот риск, отметив, что в будущем может потребоваться специальное обучение для самих «учителей ИИ». Также было отмечено, что студенты из менее привилегированных слоев общества особенно нуждаются в человеческой, а не машинной поддержке для сохранения мотивации.
