Искусственный интеллект для академических библиотек: модели ИИ с открытым исходным кодом для локального и частного использования
Автор: Кари Д. Уивер
Рассматриваются локальные ИИ-модели с открытыми весами как перспективную альтернативу коммерческим сервисам для академических библиотек. Главная проблема коммерческих моделей вроде ChatGPT, Claude и Gemini — зависимость от внешних облачных платформ, стоимость, вопросы конфиденциальности и контроля над пользовательскими данными. Локальный запуск позволяет библиотекам лучше соответствовать профессиональным принципам конфиденциальности, интеллектуальной свободы и равного доступа к информации.
Среди них два инструмента для локального запуска моделей:
LM Studio — удобный графический инструмент для библиотекарей и других пользователей без технических навыков; особенно подходит для экспериментов, обучения и пилотных проектов.
Ollama — более гибкое решение для технических команд и институционального развертывания, позволяющее создавать частные ИИ-сервисы и подключать их к библиотечным системам.
В качестве перспективных моделей рассматриваются Ministral-3 14B, Qwen3 14B и Olmo-3. Они могут использоваться для поиска информации, анализа документов, автоматического создания метаданных, каталогизации, перевода и поддержки исследовательской работы. При этом выбор модели должен учитывать доступное компьютерное оборудование, поскольку локальные модели требуют значительных ресурсов.
Академическим библиотекам необязательно полагаться исключительно на коммерческие ИИ-платформы. Развитие открытых весов и локального запуска делает возможным создание более приватной, контролируемой и соответствующей библиотечным ценностям ИИ-инфраструктуры, причем уже без обязательной потребности в специализированных серверах.
Это движение от модели «библиотека пользуется чужим ИИ-сервисом» к модели «библиотека сама контролирует свой ИИ». Для университетов это особенно важно в работе с научными текстами, персональными данными, закрытыми коллекциями и интеллектуальной собственностью.
Читать 9мин)
Автор: Кари Д. Уивер
Рассматриваются локальные ИИ-модели с открытыми весами как перспективную альтернативу коммерческим сервисам для академических библиотек. Главная проблема коммерческих моделей вроде ChatGPT, Claude и Gemini — зависимость от внешних облачных платформ, стоимость, вопросы конфиденциальности и контроля над пользовательскими данными. Локальный запуск позволяет библиотекам лучше соответствовать профессиональным принципам конфиденциальности, интеллектуальной свободы и равного доступа к информации.
Среди них два инструмента для локального запуска моделей:
LM Studio — удобный графический инструмент для библиотекарей и других пользователей без технических навыков; особенно подходит для экспериментов, обучения и пилотных проектов.
Ollama — более гибкое решение для технических команд и институционального развертывания, позволяющее создавать частные ИИ-сервисы и подключать их к библиотечным системам.
В качестве перспективных моделей рассматриваются Ministral-3 14B, Qwen3 14B и Olmo-3. Они могут использоваться для поиска информации, анализа документов, автоматического создания метаданных, каталогизации, перевода и поддержки исследовательской работы. При этом выбор модели должен учитывать доступное компьютерное оборудование, поскольку локальные модели требуют значительных ресурсов.
Академическим библиотекам необязательно полагаться исключительно на коммерческие ИИ-платформы. Развитие открытых весов и локального запуска делает возможным создание более приватной, контролируемой и соответствующей библиотечным ценностям ИИ-инфраструктуры, причем уже без обязательной потребности в специализированных серверах.
Это движение от модели «библиотека пользуется чужим ИИ-сервисом» к модели «библиотека сама контролирует свой ИИ». Для университетов это особенно важно в работе с научными текстами, персональными данными, закрытыми коллекциями и интеллектуальной собственностью.
Читать 9мин)
«Предсказатель следующего токена» — это неправильная ментальная модель для LLM
Автор Гаррин Макголдрик
Вопрос, чему современная LLM фактически обучается после предварительного обучения.
- Pretraining: модель учится повышать вероятность токена, который действительно следовал за предыдущими токенами в корпусе. Это действительно next-token prediction.
- RLVR: модель генерирует различные варианты решения, получает за них вознаграждение и повышает вероятность тех последовательностей, которые привели к хорошему результату. Здесь уже нет «правильного следующего токена» — есть цель, которую нужно оптимизировать.
- RLHF: модель дополнительно обучается вести себя как полезный ассистент, а не просто воспроизводить статистические закономерности обучающих данных.
Аналогия автора — шахматы. Можно обучить систему предсказывать ход, который обычно сделал бы гроссмейстер, а можно обучить её выбирать ход, который максимизирует вероятность победы. Внешне обе системы делают одно и то же — выбирают следующий ход, — но внутренне оптимизируют разные цели.
Отсюда главный тезис: «next-token prediction» описывает форму работы LLM, но не обязательно её функциональную сущность после постобучения.
Если воспринимать LLM только как «предсказатель следующего слова», легко прийти к выводу:
LLM = статистическая имитация существующих знаний.
А если учитывать RL, reasoning и exploration, появляется другая модель:
LLM = обучаемая система, которая может не только воспроизводить паттерны, но и искать решения в пространстве возможных последовательностей, если существует критерий качества.
Возникает очень интересный переход и для педагогики:
передать модели правильный ответ → научить модель находить правильный ответ → научить модель оптимизировать образовательный результат.
Последний шаг потенциально ведёт уже к AI-агентам и Human–AI Learning Systems, а не просто к использованию чат-ботов в обучении.
Читать 3мин)
Автор Гаррин Макголдрик
Вопрос, чему современная LLM фактически обучается после предварительного обучения.
- Pretraining: модель учится повышать вероятность токена, который действительно следовал за предыдущими токенами в корпусе. Это действительно next-token prediction.
- RLVR: модель генерирует различные варианты решения, получает за них вознаграждение и повышает вероятность тех последовательностей, которые привели к хорошему результату. Здесь уже нет «правильного следующего токена» — есть цель, которую нужно оптимизировать.
- RLHF: модель дополнительно обучается вести себя как полезный ассистент, а не просто воспроизводить статистические закономерности обучающих данных.
Аналогия автора — шахматы. Можно обучить систему предсказывать ход, который обычно сделал бы гроссмейстер, а можно обучить её выбирать ход, который максимизирует вероятность победы. Внешне обе системы делают одно и то же — выбирают следующий ход, — но внутренне оптимизируют разные цели.
Отсюда главный тезис: «next-token prediction» описывает форму работы LLM, но не обязательно её функциональную сущность после постобучения.
Если воспринимать LLM только как «предсказатель следующего слова», легко прийти к выводу:
LLM = статистическая имитация существующих знаний.
А если учитывать RL, reasoning и exploration, появляется другая модель:
LLM = обучаемая система, которая может не только воспроизводить паттерны, но и искать решения в пространстве возможных последовательностей, если существует критерий качества.
Возникает очень интересный переход и для педагогики:
передать модели правильный ответ → научить модель находить правильный ответ → научить модель оптимизировать образовательный результат.
Последний шаг потенциально ведёт уже к AI-агентам и Human–AI Learning Systems, а не просто к использованию чат-ботов в обучении.
Читать 3мин)
Конечно заголовок статьи “Are teenagers growing dimmer?” (Не глупеют ли подростки) нельзя воспринимать буквально.
PISA не измеряет «интеллект подростков». Она измеряет определённые образовательные компетенции — математику, чтение и science literacy.
Поэтому из результатов нельзя сделать вывод:
«У нового поколения падает IQ».
Правильнее:
Молодые люди в ряде развитых стран стали хуже выполнять определённые задачи, требующие математического, читательского и прикладного рассуждения.
И это уже действительно серьёзная проблема.
Стоит отметить и другие мнения, например Андреаса Шлейхера— одного из создателей PISA — в отдельной публикации в The Economist в тот же день (Economist описывает его материал как комментарий основателя PISA)
Andreas Schleicher: «Stop turning schoolchildren into crash-test dummies» (Прекратите превращать школьников в манекены для краш-тестов.)
Он предупреждает, что школьников нельзя превращать в «краш-тестовых манекенов» для образовательных экспериментов. Это критика бессистемной цифровизации:
Проблема может быть не в том, что дети «стали хуже», а в том, что образовательные системы слишком часто экспериментируют, не понимая, что именно работает. С другой стороны как определить “что работает” без проведения экспериментов (в том числе массовых)?
В тот же день Economist опубликовал отдельный материал:
“Does AI stop children from learning? New data show the peril and promise of the technology” (Препятствует ли искусственный интеллект обучению детей? Новые данные показывают опасность и перспективы этой технологии.)
То есть редакция фактически рассматривает три связанные проблемы:
падение результатов → технологизация образования → AI.
Economist правильно отделяет долгосрочный тренд от пандемийного шока.
Если бы результаты просто упали в 2020–2022 годах, COVID был бы очевидным объяснением. Но тренд начался раньше и продолжается после пандемии.
А вот причинная часть значительно менее определённа.
Возможные факторы образуют целый «букет»:
COVID, пропуски школы, ухудшение дисциплины, снижение времени на обучение, смартфоны и социальные сети, изменение поведения подростков, неудачная цифровизация, изменение педагогики, возможное снижение требований, ИИ как новый способ обходить когнитивную работу.
И пока мы не знаем, какой из этих факторов является главным.
Из статьи следует вывод, несколько отличный от её заголовка.
Проблема современного образования, возможно, не в недостатке технологий, а в недостатке доказательности при их внедрении.
Мы фактически провели огромный глобальный эксперимент:
Сначала компьютеры →затем интернет →затем LMS →затем смартфоны →затем 1:1 devices →затем EdTech платформы →теперь разные модели ИИ.
При этом образовательные результаты во многих развитых странах не растут, а падают.
Это заставляет перейти от вопроса: «Какую новую технологию мы можем дать школе?» к гораздо более жёсткому: «Какую когнитивную работу эта технология заставляет ученика делать — а какую позволяет ему не делать?»
PISA не измеряет «интеллект подростков». Она измеряет определённые образовательные компетенции — математику, чтение и science literacy.
Поэтому из результатов нельзя сделать вывод:
«У нового поколения падает IQ».
Правильнее:
Молодые люди в ряде развитых стран стали хуже выполнять определённые задачи, требующие математического, читательского и прикладного рассуждения.
И это уже действительно серьёзная проблема.
Стоит отметить и другие мнения, например Андреаса Шлейхера— одного из создателей PISA — в отдельной публикации в The Economist в тот же день (Economist описывает его материал как комментарий основателя PISA)
Andreas Schleicher: «Stop turning schoolchildren into crash-test dummies» (Прекратите превращать школьников в манекены для краш-тестов.)
Он предупреждает, что школьников нельзя превращать в «краш-тестовых манекенов» для образовательных экспериментов. Это критика бессистемной цифровизации:
Проблема может быть не в том, что дети «стали хуже», а в том, что образовательные системы слишком часто экспериментируют, не понимая, что именно работает. С другой стороны как определить “что работает” без проведения экспериментов (в том числе массовых)?
В тот же день Economist опубликовал отдельный материал:
“Does AI stop children from learning? New data show the peril and promise of the technology” (Препятствует ли искусственный интеллект обучению детей? Новые данные показывают опасность и перспективы этой технологии.)
То есть редакция фактически рассматривает три связанные проблемы:
падение результатов → технологизация образования → AI.
Economist правильно отделяет долгосрочный тренд от пандемийного шока.
Если бы результаты просто упали в 2020–2022 годах, COVID был бы очевидным объяснением. Но тренд начался раньше и продолжается после пандемии.
А вот причинная часть значительно менее определённа.
Возможные факторы образуют целый «букет»:
COVID, пропуски школы, ухудшение дисциплины, снижение времени на обучение, смартфоны и социальные сети, изменение поведения подростков, неудачная цифровизация, изменение педагогики, возможное снижение требований, ИИ как новый способ обходить когнитивную работу.
И пока мы не знаем, какой из этих факторов является главным.
Из статьи следует вывод, несколько отличный от её заголовка.
Проблема современного образования, возможно, не в недостатке технологий, а в недостатке доказательности при их внедрении.
Мы фактически провели огромный глобальный эксперимент:
Сначала компьютеры →затем интернет →затем LMS →затем смартфоны →затем 1:1 devices →затем EdTech платформы →теперь разные модели ИИ.
При этом образовательные результаты во многих развитых странах не растут, а падают.
Это заставляет перейти от вопроса: «Какую новую технологию мы можем дать школе?» к гораздо более жёсткому: «Какую когнитивную работу эта технология заставляет ученика делать — а какую позволяет ему не делать?»
Обзор мирового рынка обучения и образования за 2 квартал 2026 года
Автор: Oppenheimer & Co. Inc.
Саммари обзора
1. Венчурные инвестиции остаются стабильными, хотя и с некоторыми крупными сделками, несмотря на сохраняющуюся осторожность инвесторов.
2. Обучение персонала, ориентированное на востребованные и устойчивые навыки, остается явным центром энтузиазма инвесторов.
3. Капитал по-прежнему сконцентрирован в Северной Америке и Европе, в то время как Китай вновь становится рынком в краткосрочной перспективе; западные рынки продолжают доминировать в сфере финансирования, но ослабление опасений по поводу регулирования и возобновление внимания к масштабам Китая улучшают ожидания инвесторов в отношении региона.
4. Активность в сфере слияний и поглощений остается низкой, поскольку покупатели отдают приоритет стратегическому соответствию, а не масштабу; однако круг покупателей также расширяется, поскольку некоммерческие организации становятся более активными.
5. Показатели публичных рынков остаются сильно разрозненными, поскольку некоторые операторы выиграли от улучшения настроений инвесторов и роста цен на акции, в то время как операторы высшего образования оказались под давлением на фоне ограничений кредитования, вызванных государственной политикой.
Читать 4мин)
Автор: Oppenheimer & Co. Inc.
Саммари обзора
1. Венчурные инвестиции остаются стабильными, хотя и с некоторыми крупными сделками, несмотря на сохраняющуюся осторожность инвесторов.
2. Обучение персонала, ориентированное на востребованные и устойчивые навыки, остается явным центром энтузиазма инвесторов.
3. Капитал по-прежнему сконцентрирован в Северной Америке и Европе, в то время как Китай вновь становится рынком в краткосрочной перспективе; западные рынки продолжают доминировать в сфере финансирования, но ослабление опасений по поводу регулирования и возобновление внимания к масштабам Китая улучшают ожидания инвесторов в отношении региона.
4. Активность в сфере слияний и поглощений остается низкой, поскольку покупатели отдают приоритет стратегическому соответствию, а не масштабу; однако круг покупателей также расширяется, поскольку некоммерческие организации становятся более активными.
5. Показатели публичных рынков остаются сильно разрозненными, поскольку некоторые операторы выиграли от улучшения настроений инвесторов и роста цен на акции, в то время как операторы высшего образования оказались под давлением на фоне ограничений кредитования, вызванных государственной политикой.
Читать 4мин)
Рамки применения ИИ в подготовке педагогов
Автор: Программный консультативный комитет AACTE по инновациям и технологиям
Фреймворк AACTE задаёт человекоцентричную модель интеграции ИИ в подготовку педагогов. Его главная идея: ИИ должен усиливать профессиональные возможности учителя, но не заменять его педагогическое и этическое суждение.
Фреймворк построен вокруг 4 принципов и 12 направлений:
1. Этические и политические ограничения
- право преподавателей и студентов отказаться от ИИ;
- обязательная AI-грамотность, включающая понимание ограничений, предвзятости, приватности и авторского права;
- обеспечение равного доступа к ИИ и доступности инструментов для людей с ограниченными возможностями.
2. Клиническая практика и внедрение
- будущие учителя должны различать традиционный/аналитический ИИ, адаптивные системы, генеративный и агентный ИИ;
- AI-компетенции должны формироваться не разовыми курсами, а через непрерывное профессиональное развитие;
- результаты ИИ необходимо проверять человеком, а решения с высокой ответственностью нельзя полностью передавать алгоритмам.
3. Когнитивная архитектура и защита интересов
- образовательный ИИ следует совместно проектировать с педагогами;
- требовать доказательств его безопасности и образовательной эффективности;
- учить будущих педагогов распознавать автоматизационную и алгоритмическую предвзятость;
- использовать ИИ для снижения рутинной когнитивной нагрузки, освобождая время для сложного педагогического мышления.
4. Профессиональный опыт и человеческое суждение
- окончательное профессиональное решение остаётся за педагогом;
- ИИ не отменяет необходимости глубоких предметных знаний и педагогической экспертизы;
- отношения «учитель–ученик», доверие, чувство принадлежности и культурная восприимчивость рассматриваются как принципиально человеческая часть образования.
Формула: AI literacy + этические ограничения + human oversight + профессиональная экспертиза + человеческие отношения.
Чем мощнее становится ИИ, тем выше, а не ниже, требования к квалификации педагога. ИИ должен брать на себя рутинные и вспомогательные операции, тогда как ответственность за значимые образовательные решения, интерпретацию контекста и отношения с учащимися остаётся у человека.
Фреймворк рассматривает AI-грамотность не как умение «правильно пользоваться ChatGPT», а как сочетание технического понимания ИИ, критического мышления, этики, педагогического суждения и метакогниции. Это рамка профессиональной трансформации учителя, чем просто рекомендациями по цифровым инструментам.
Читать 14мин)
Автор: Программный консультативный комитет AACTE по инновациям и технологиям
Фреймворк AACTE задаёт человекоцентричную модель интеграции ИИ в подготовку педагогов. Его главная идея: ИИ должен усиливать профессиональные возможности учителя, но не заменять его педагогическое и этическое суждение.
Фреймворк построен вокруг 4 принципов и 12 направлений:
1. Этические и политические ограничения
- право преподавателей и студентов отказаться от ИИ;
- обязательная AI-грамотность, включающая понимание ограничений, предвзятости, приватности и авторского права;
- обеспечение равного доступа к ИИ и доступности инструментов для людей с ограниченными возможностями.
2. Клиническая практика и внедрение
- будущие учителя должны различать традиционный/аналитический ИИ, адаптивные системы, генеративный и агентный ИИ;
- AI-компетенции должны формироваться не разовыми курсами, а через непрерывное профессиональное развитие;
- результаты ИИ необходимо проверять человеком, а решения с высокой ответственностью нельзя полностью передавать алгоритмам.
3. Когнитивная архитектура и защита интересов
- образовательный ИИ следует совместно проектировать с педагогами;
- требовать доказательств его безопасности и образовательной эффективности;
- учить будущих педагогов распознавать автоматизационную и алгоритмическую предвзятость;
- использовать ИИ для снижения рутинной когнитивной нагрузки, освобождая время для сложного педагогического мышления.
4. Профессиональный опыт и человеческое суждение
- окончательное профессиональное решение остаётся за педагогом;
- ИИ не отменяет необходимости глубоких предметных знаний и педагогической экспертизы;
- отношения «учитель–ученик», доверие, чувство принадлежности и культурная восприимчивость рассматриваются как принципиально человеческая часть образования.
Формула: AI literacy + этические ограничения + human oversight + профессиональная экспертиза + человеческие отношения.
Чем мощнее становится ИИ, тем выше, а не ниже, требования к квалификации педагога. ИИ должен брать на себя рутинные и вспомогательные операции, тогда как ответственность за значимые образовательные решения, интерпретацию контекста и отношения с учащимися остаётся у человека.
Фреймворк рассматривает AI-грамотность не как умение «правильно пользоваться ChatGPT», а как сочетание технического понимания ИИ, критического мышления, этики, педагогического суждения и метакогниции. Это рамка профессиональной трансформации учителя, чем просто рекомендациями по цифровым инструментам.
Читать 14мин)
Перформативный театр: почему аналитика обучения терпит неудачу на практике
Автор Колин Бир
Learning Analytics часто не работает в университетах не из-за плохих технологий, а из-за неправильной логики их внедрения.
Есть два подхода:
1. «Установил и забыл»
2. «Внедрение как исследование»
Второй подход принципиально необходим для аналитики обучения, потому что аналитическая система не является нейтральным программным инструментом. Она содержит определённые представления о том, что такое обучение, что считать успехом, кого считать «рисковым» студентом и какие данные считать значимыми.
Термин «Аудитируемый театр» потому что университету важно продемонстрировать, что система внедрена; преподаватели ею пользуются; все показатели зелёные; риски автоматически выявляются; KPI выполнены.
Но это может создавать иллюзию успеха, не имеющую отношения к реальному улучшению обучения.
«Внизу» преподаватели начинают формально выполнять требования системы, но фактически перестают ей доверять. То есть возникает парадокс: чем успешнее система выглядит с административной точки зрения, тем менее полезной она может быть для реальной педагогической работы.
Если система считает, например, что: «студент имеет высокий риск отчисления, потому что он редко входит в LMS», она уже содержит определённую теорию того, как выглядит нормальное обучение.
Но преподаватель может знать не введенные данные о студенте. Поэтому алгоритм без постоянной проверки его предпосылок может не просто ошибаться — он может навязывать университету определённое понимание образования.
Колин Бир предлагает три шага:
1. Считать обходные пути и недовольство преподавателей данными для диагностики, а не сопротивлением цифровизации.
2. Соединить разработчиков, data scientists и преподавателей.
3. Оценивать не факт внедрения, а способность системы учиться и изменяться.
То есть вопрос не в том: «Внедрили ли мы Learning Analytics?» а в том: «Что мы узнали благодаря ней и что изменили в следующей итерации?»
Также для AI в образовании: AI/аналитическая система должна рассматриваться не как готовый источник решений, а как участник экспериментального контура «данные → гипотеза → действие → наблюдение → рефлексия → изменение системы». Это очень близко к идее перехода от простого AI-инструмента к Human–AI Learning System.
Читать 3мин)
Автор Колин Бир
Learning Analytics часто не работает в университетах не из-за плохих технологий, а из-за неправильной логики их внедрения.
Есть два подхода:
1. «Установил и забыл»
2. «Внедрение как исследование»
Второй подход принципиально необходим для аналитики обучения, потому что аналитическая система не является нейтральным программным инструментом. Она содержит определённые представления о том, что такое обучение, что считать успехом, кого считать «рисковым» студентом и какие данные считать значимыми.
Термин «Аудитируемый театр» потому что университету важно продемонстрировать, что система внедрена; преподаватели ею пользуются; все показатели зелёные; риски автоматически выявляются; KPI выполнены.
Но это может создавать иллюзию успеха, не имеющую отношения к реальному улучшению обучения.
«Внизу» преподаватели начинают формально выполнять требования системы, но фактически перестают ей доверять. То есть возникает парадокс: чем успешнее система выглядит с административной точки зрения, тем менее полезной она может быть для реальной педагогической работы.
Если система считает, например, что: «студент имеет высокий риск отчисления, потому что он редко входит в LMS», она уже содержит определённую теорию того, как выглядит нормальное обучение.
Но преподаватель может знать не введенные данные о студенте. Поэтому алгоритм без постоянной проверки его предпосылок может не просто ошибаться — он может навязывать университету определённое понимание образования.
Колин Бир предлагает три шага:
1. Считать обходные пути и недовольство преподавателей данными для диагностики, а не сопротивлением цифровизации.
2. Соединить разработчиков, data scientists и преподавателей.
3. Оценивать не факт внедрения, а способность системы учиться и изменяться.
То есть вопрос не в том: «Внедрили ли мы Learning Analytics?» а в том: «Что мы узнали благодаря ней и что изменили в следующей итерации?»
Также для AI в образовании: AI/аналитическая система должна рассматриваться не как готовый источник решений, а как участник экспериментального контура «данные → гипотеза → действие → наблюдение → рефлексия → изменение системы». Это очень близко к идее перехода от простого AI-инструмента к Human–AI Learning System.
Читать 3мин)
Что вы на самом деле покупаете, когда приобретаете детектор ИИ
Автор: Ань Май
При покупке AI-детектора образовательная организация фактически покупает не столько «детектор ИИ», сколько систему выявления подозрительных работ — вместе с риском ошибочных обвинений.
Здесь важна не только общая точность детектора, но и то, на ком именно он ошибается. Исследование (Liang et al., Patterns, 2023) показало резкое ухудшение результатов на текстах студентов, для которых английский не является родным языком: ложноположительные срабатывания достигали в среднем 61,3%, тогда как на текстах американских школьников детекторы работали почти идеально. Простое изменение словарного уровня текста резко меняло результат при неизменном авторстве. Это означает, что детектор может фактически принимать особенности языка и стиля письма за признаки машинной генерации.
Однако, существуют и противоположные исследования с очень низким уровнем ложных срабатываний. Поэтому вопрос должен звучать не «точен ли детектор?», а:
На каком корпусе, при каком пороге и для какой категории учащихся измерена его точность?
Особенно важен масштаб ошибки: даже 1% ложных срабатываний при десятках тысяч студенческих работ означает сотни ошибочно подозреваемых студентов.
Статья критикует подход, при котором университет покупает детектор, но не покупает одновременно процедуру апелляции и расследования. Детектор, по мнению автора, должен быть лишь сигналом для дополнительной проверки, а не доказательством нарушения.
Перед покупкой нужно проверить три вещи:
1. Каков уровень ложноположительных результатов и на каком корпусе он рассчитан?
2. Сколько ошибочных срабатываний получится в масштабах именно вашего университета и сможет ли система апелляций их обработать?
3. Можно ли доказать нарушение без самого показания детектора?
Предлагается перестать рассматривать AI-detector как инструмент, который «определяет, писал ли студент с помощью ИИ», и рассматривать его как вероятностный индикатор, который запускает человеческую проверку и несет вполне конкретный риск дискриминационных ошибок.
Читать 4мин)
Автор: Ань Май
При покупке AI-детектора образовательная организация фактически покупает не столько «детектор ИИ», сколько систему выявления подозрительных работ — вместе с риском ошибочных обвинений.
Здесь важна не только общая точность детектора, но и то, на ком именно он ошибается. Исследование (Liang et al., Patterns, 2023) показало резкое ухудшение результатов на текстах студентов, для которых английский не является родным языком: ложноположительные срабатывания достигали в среднем 61,3%, тогда как на текстах американских школьников детекторы работали почти идеально. Простое изменение словарного уровня текста резко меняло результат при неизменном авторстве. Это означает, что детектор может фактически принимать особенности языка и стиля письма за признаки машинной генерации.
Однако, существуют и противоположные исследования с очень низким уровнем ложных срабатываний. Поэтому вопрос должен звучать не «точен ли детектор?», а:
На каком корпусе, при каком пороге и для какой категории учащихся измерена его точность?
Особенно важен масштаб ошибки: даже 1% ложных срабатываний при десятках тысяч студенческих работ означает сотни ошибочно подозреваемых студентов.
Статья критикует подход, при котором университет покупает детектор, но не покупает одновременно процедуру апелляции и расследования. Детектор, по мнению автора, должен быть лишь сигналом для дополнительной проверки, а не доказательством нарушения.
Перед покупкой нужно проверить три вещи:
1. Каков уровень ложноположительных результатов и на каком корпусе он рассчитан?
2. Сколько ошибочных срабатываний получится в масштабах именно вашего университета и сможет ли система апелляций их обработать?
3. Можно ли доказать нарушение без самого показания детектора?
Предлагается перестать рассматривать AI-detector как инструмент, который «определяет, писал ли студент с помощью ИИ», и рассматривать его как вероятностный индикатор, который запускает человеческую проверку и несет вполне конкретный риск дискриминационных ошибок.
Читать 4мин)
🦄Обзор технологических стартапов в образовании от 13.09.2026
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
ZeroRisk привлекла 10 миллионов долларов для масштабирования своей платформы кибербезопасности для продавцов
[Читать 3мин](https://vk.ru/wall-87570467_6322)
Французская компания Ed.ai, предоставляющая ИИ-помощника для оценивания и коррекции работы учителей, привлекла 5 миллионов евро на посевном этапе для масштабирования за рубежом
[Читать 1мин](https://vk.ru/wall-87570467_6316)
Кувейтский EdTech-стартап Dawraty привлек 2 млн долларов США для масштабирования медицинского образования
[Читать 3мин](https://vk.ru/wall-87570467_6312)
Компания Active Learning Sciences, разрабатывающая платформы обучения на основе искусственного интеллекта и программы разработки учебных планов, основанные на науке об обучении, привлекла 1,5 млн долларов США
[Читать 1мин](https://vk.ru/wall-87570467_6314)
Сервис образовательного сопровождения UNEXT привлек $130 000
[Читать 1мин](https://vk.ru/wall-87570467_6324)
Первый раунд финансирования VLM Academy, обеспечивающий круглосуточную поддержку учителей для учащихся K-12, успешно завершен
[Читать 1мин](https://vk.ru/wall-87570467_6326)
Предпосевной раунд - Allorca, платформы для обучения финансам и инвестициям на основе ИИ с уроками, симулированными портфелями и обратной связью для начинающих инвесторов
[Читать 1мин](https://vk.ru/wall-87570467_6320)
Предпосевной раунд финансирования Intuitivo, цифровой платформы для оценивания, призванной повысить производительность учителей и улучшить опыт учащихся
[Читать 1мин](https://vk.ru/wall-87570467_6318)
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
ZeroRisk привлекла 10 миллионов долларов для масштабирования своей платформы кибербезопасности для продавцов
[Читать 3мин](https://vk.ru/wall-87570467_6322)
Французская компания Ed.ai, предоставляющая ИИ-помощника для оценивания и коррекции работы учителей, привлекла 5 миллионов евро на посевном этапе для масштабирования за рубежом
[Читать 1мин](https://vk.ru/wall-87570467_6316)
Кувейтский EdTech-стартап Dawraty привлек 2 млн долларов США для масштабирования медицинского образования
[Читать 3мин](https://vk.ru/wall-87570467_6312)
Компания Active Learning Sciences, разрабатывающая платформы обучения на основе искусственного интеллекта и программы разработки учебных планов, основанные на науке об обучении, привлекла 1,5 млн долларов США
[Читать 1мин](https://vk.ru/wall-87570467_6314)
Сервис образовательного сопровождения UNEXT привлек $130 000
[Читать 1мин](https://vk.ru/wall-87570467_6324)
Первый раунд финансирования VLM Academy, обеспечивающий круглосуточную поддержку учителей для учащихся K-12, успешно завершен
[Читать 1мин](https://vk.ru/wall-87570467_6326)
Предпосевной раунд - Allorca, платформы для обучения финансам и инвестициям на основе ИИ с уроками, симулированными портфелями и обратной связью для начинающих инвесторов
[Читать 1мин](https://vk.ru/wall-87570467_6320)
Предпосевной раунд финансирования Intuitivo, цифровой платформы для оценивания, призванной повысить производительность учителей и улучшить опыт учащихся
[Читать 1мин](https://vk.ru/wall-87570467_6318)
GESA EuroAsia жартылай финалы GESA марапаттарының бөлігі болып табылады.
Бұл әлі құрған стартаптар саны бойынша ең үлкен ұйым емес. Дегенмен, ол ұсынатын елдер тұрғысынан бұл өте перспективалы аймақ (Солтүстік Азия, Орталық Азия, Кавказ және Шығыс Еуропаның кейбір бөліктері).
Егер сіз осы аймаққа қатысатын білім беру технологиялық компаниясы болсаңыз, халықаралық мойындауға ие болу үшін байқауға өтінім беріңіз!
GESA EuroAsia yarim finali GESA mukofotlarining bir qismidir.
U hali yaratgan startaplar soni bo'yicha eng yirik tashkilot emas. Biroq, u vakillik qiladigan mamlakatlar nuqtai nazaridan, bu juda istiqbolli mintaqa (Shimoliy Osiyo, Markaziy Osiyo, Kavkaz va Sharqiy Yevropaning ayrim qismlari).
Agar siz ushbu mintaqada faoliyat yuritadigan ta'lim texnologiyalari kompaniyasi bo'lsangiz, xalqaro miqyosda tan olinish uchun tanlovga ariza bering!
Нимфинали GESA EuroAsia қисми GESAwards мебошад.
Он ҳанӯз аз ҷиҳати шумораи стартапҳое, ки эҷод мекунад, бузургтарин созмон нест. Аммо, аз нигоҳи кишварҳое, ки намояндагӣ мекунад, он як минтақаи хеле умедбахш аст (Осиёи Шимолӣ, Осиёи Марказӣ, Қафқоз ва қисматҳои Аврупои Шарқӣ).
Агар шумо як ширкати таълимии ин минтақа бошед, барои ба даст овардани эътирофи байналмилалӣ барои озмун муроҷиат кунед!
Варақаи дархост дар ин ҷост:
GESA EuroAsia полуфинал - составная часть GESAwards.
По количеству создаваемых стартапов пока не самая крупная организация. Хотя по представляемым странам супер перспективная территория (Северная Азия, Центральная Азия, Кавказ, часть Восточной Европы)
Если вы edtech имеющий отношение к этому региону, то подавайте заявку на конкурс чтобы получить международное признание!
Ссылка на форму подачи заявки в комменте: https://airtable.com/appEAyMD4UhcamkNW/shrfEPmUEerujTDnf
Бұл әлі құрған стартаптар саны бойынша ең үлкен ұйым емес. Дегенмен, ол ұсынатын елдер тұрғысынан бұл өте перспективалы аймақ (Солтүстік Азия, Орталық Азия, Кавказ және Шығыс Еуропаның кейбір бөліктері).
Егер сіз осы аймаққа қатысатын білім беру технологиялық компаниясы болсаңыз, халықаралық мойындауға ие болу үшін байқауға өтінім беріңіз!
GESA EuroAsia yarim finali GESA mukofotlarining bir qismidir.
U hali yaratgan startaplar soni bo'yicha eng yirik tashkilot emas. Biroq, u vakillik qiladigan mamlakatlar nuqtai nazaridan, bu juda istiqbolli mintaqa (Shimoliy Osiyo, Markaziy Osiyo, Kavkaz va Sharqiy Yevropaning ayrim qismlari).
Agar siz ushbu mintaqada faoliyat yuritadigan ta'lim texnologiyalari kompaniyasi bo'lsangiz, xalqaro miqyosda tan olinish uchun tanlovga ariza bering!
Нимфинали GESA EuroAsia қисми GESAwards мебошад.
Он ҳанӯз аз ҷиҳати шумораи стартапҳое, ки эҷод мекунад, бузургтарин созмон нест. Аммо, аз нигоҳи кишварҳое, ки намояндагӣ мекунад, он як минтақаи хеле умедбахш аст (Осиёи Шимолӣ, Осиёи Марказӣ, Қафқоз ва қисматҳои Аврупои Шарқӣ).
Агар шумо як ширкати таълимии ин минтақа бошед, барои ба даст овардани эътирофи байналмилалӣ барои озмун муроҷиат кунед!
Варақаи дархост дар ин ҷост:
GESA EuroAsia полуфинал - составная часть GESAwards.
По количеству создаваемых стартапов пока не самая крупная организация. Хотя по представляемым странам супер перспективная территория (Северная Азия, Центральная Азия, Кавказ, часть Восточной Европы)
Если вы edtech имеющий отношение к этому региону, то подавайте заявку на конкурс чтобы получить международное признание!
Ссылка на форму подачи заявки в комменте: https://airtable.com/appEAyMD4UhcamkNW/shrfEPmUEerujTDnf
Искусственный интеллект как «нечеткое устранение посредников»: некоторые закономерности и риски
Автор: Майк Колфилд
Майк Колфилд предлагает рассматривать влияние ИИ не просто как новое посредничество, а как «нечеткую дезинтермедиацию» — резкое сокращение дистанции между человеком и информационными источниками
- Интернет уже устранил часть посредников: человек получил возможность самостоятельно обращаться к первоисточникам, но на практике большинство пользователей редко проделывает весь путь до них из-за сложности и затрат усилий.
- LLM меняют ситуацию радикальнее: они не столько заменяют Google-поиск, сколько превращают в поиск множество запросов, которые человек раньше вообще не стал бы искать. Поэтому ИИ резко расширяет сферу обращения человека к внешней информации.
- При этом ИИ действительно «нечеткий»: он обобщает и иногда искажает информацию, скрывая конкретные источники. Но по сравнению с прежней ситуацией информация может оказаться значительно ближе к пользователю.
- Главный риск — не только ошибки самой LLM, но и возможность манипулировать первоисточниками. Если изменение авторитетного источника автоматически и быстро распространяется через ИИ, то покупка или компрометация одного источника потенциально получает гораздо больший эффект.
- Поэтому возникает новый баланс: как совместить почти мгновенный доступ к обобщённому первичному знанию с защитой от чрезмерной централизации и манипуляции информацией? При этом прежняя медленность распространения информации иногда сама выполняла роль защитного буфера.
Автор утверждает, что главный эффект ИИ может состоять не в том, что он становится ещё одним посредником между человеком и знанием, а в том, что он делает доступ к информации настолько дешёвым, что люди начинают обращаться к ней в ситуациях, где раньше вообще не стали бы искать — и именно это создаёт новый, пока недооценённый системный риск.
Если эта логика верна, LLM постепенно становятся не просто «поисковиками нового поколения», а инфраструктурой повседневного доступа человека к знанию. Тогда вопрос качества ИИ смещается от «правильно ли он отвечает?» к более широкому: «какие источники через него получают влияние на мышление миллионов людей?»
Читать 8мин https://dzen.ru/a/aqmaC2JSZDo2gzx-
Автор: Майк Колфилд
Майк Колфилд предлагает рассматривать влияние ИИ не просто как новое посредничество, а как «нечеткую дезинтермедиацию» — резкое сокращение дистанции между человеком и информационными источниками
- Интернет уже устранил часть посредников: человек получил возможность самостоятельно обращаться к первоисточникам, но на практике большинство пользователей редко проделывает весь путь до них из-за сложности и затрат усилий.
- LLM меняют ситуацию радикальнее: они не столько заменяют Google-поиск, сколько превращают в поиск множество запросов, которые человек раньше вообще не стал бы искать. Поэтому ИИ резко расширяет сферу обращения человека к внешней информации.
- При этом ИИ действительно «нечеткий»: он обобщает и иногда искажает информацию, скрывая конкретные источники. Но по сравнению с прежней ситуацией информация может оказаться значительно ближе к пользователю.
- Главный риск — не только ошибки самой LLM, но и возможность манипулировать первоисточниками. Если изменение авторитетного источника автоматически и быстро распространяется через ИИ, то покупка или компрометация одного источника потенциально получает гораздо больший эффект.
- Поэтому возникает новый баланс: как совместить почти мгновенный доступ к обобщённому первичному знанию с защитой от чрезмерной централизации и манипуляции информацией? При этом прежняя медленность распространения информации иногда сама выполняла роль защитного буфера.
Автор утверждает, что главный эффект ИИ может состоять не в том, что он становится ещё одним посредником между человеком и знанием, а в том, что он делает доступ к информации настолько дешёвым, что люди начинают обращаться к ней в ситуациях, где раньше вообще не стали бы искать — и именно это создаёт новый, пока недооценённый системный риск.
Если эта логика верна, LLM постепенно становятся не просто «поисковиками нового поколения», а инфраструктурой повседневного доступа человека к знанию. Тогда вопрос качества ИИ смещается от «правильно ли он отвечает?» к более широкому: «какие источники через него получают влияние на мышление миллионов людей?»
Читать 8мин https://dzen.ru/a/aqmaC2JSZDo2gzx-
Прежде всего, займитесь решением проблемы мошенничества с использованием ИИ
Автор: Дэвид Уайли
Проблему мошенничества с использованием ИИ следует решать не столько переделкой оценочных заданий, сколько пересмотром самих результатов обучения.
- Результат обучения должен задавать три вещи: что студент делает, в каких условиях и с каким уровнем качества. Появление генеративного ИИ изменило именно условия выполнения многих интеллектуальных задач.
- Поэтому простое добавление условия «без использования ИИ» к старым заданиям — часто попытка сохранить устаревшую образовательную модель.
- Автор проводит аналогию с прежними технологическими изменениями: интернет заменил карточные каталоги, электронные таблицы — ручные бухгалтерские расчёты, CAD — традиционное черчение. Образование постепенно меняло способ выполнения работы, а не запрещало новую технологию.
- Аналогично, если в профессиональной деятельности специалисты используют GenAI, то результат обучения должен учитывать работу человека вместе с ИИ, а не требовать искусственного выполнения задачи «как до появления ИИ».
- При этом некоторые результаты обучения действительно требуют самостоятельного выполнения без ИИ — например, исполнение музыкального произведения перед жюри. Здесь условие «без ИИ» является содержательно оправданным.
- Следовательно, AI-proof assessment — не главная цель. Нужно сначала определить, что именно мы хотим, чтобы студент умел делать в мире, где ИИ уже является рабочим инструментом, и только затем проектировать оценивание.
Не пытайтесь сделать старые задания неуязвимыми для ИИ — сначала спросите, нужны ли вообще эти старые задания и соответствуют ли их результаты обучения реальной практике.
Предлагается переход от логики «как запретить ИИ при выполнении задания?» к логике «какие человеческие компетенции мы должны проверять в условиях доступности ИИ?». Это фактически переводит проблему AI cheating из области контроля и детектирования в область педагогического дизайна и перепроектирования результатов обучения.
Читать 4мин https://dzen.ru/a/aquKbGJSZDo2dc7m
Автор: Дэвид Уайли
Проблему мошенничества с использованием ИИ следует решать не столько переделкой оценочных заданий, сколько пересмотром самих результатов обучения.
- Результат обучения должен задавать три вещи: что студент делает, в каких условиях и с каким уровнем качества. Появление генеративного ИИ изменило именно условия выполнения многих интеллектуальных задач.
- Поэтому простое добавление условия «без использования ИИ» к старым заданиям — часто попытка сохранить устаревшую образовательную модель.
- Автор проводит аналогию с прежними технологическими изменениями: интернет заменил карточные каталоги, электронные таблицы — ручные бухгалтерские расчёты, CAD — традиционное черчение. Образование постепенно меняло способ выполнения работы, а не запрещало новую технологию.
- Аналогично, если в профессиональной деятельности специалисты используют GenAI, то результат обучения должен учитывать работу человека вместе с ИИ, а не требовать искусственного выполнения задачи «как до появления ИИ».
- При этом некоторые результаты обучения действительно требуют самостоятельного выполнения без ИИ — например, исполнение музыкального произведения перед жюри. Здесь условие «без ИИ» является содержательно оправданным.
- Следовательно, AI-proof assessment — не главная цель. Нужно сначала определить, что именно мы хотим, чтобы студент умел делать в мире, где ИИ уже является рабочим инструментом, и только затем проектировать оценивание.
Не пытайтесь сделать старые задания неуязвимыми для ИИ — сначала спросите, нужны ли вообще эти старые задания и соответствуют ли их результаты обучения реальной практике.
Предлагается переход от логики «как запретить ИИ при выполнении задания?» к логике «какие человеческие компетенции мы должны проверять в условиях доступности ИИ?». Это фактически переводит проблему AI cheating из области контроля и детектирования в область педагогического дизайна и перепроектирования результатов обучения.
Читать 4мин https://dzen.ru/a/aquKbGJSZDo2dc7m
Переосмысление научных статей как интерактивных и надежных агентов искусственного интеллекта
Авторы Цзячэн Мяо, Джо Р. Дэвис, Яохуэй Чжан, Джонатан К. Притчард, Джеймс Зоу, Nature
Статья представляет Paper2Agent — платформу, которая превращает научную статью из статического документа в интерактивного ИИ-агента, способного не только объяснять содержание работы, но и запускать описанные в ней методы на новых данных.
Главная идея: научная статья должна становиться не только описанием исследования, но и исполняемым исследовательским артефактом.
Paper2Agent:
- анализирует текст статьи, код, данные и рабочие процессы;
- превращает ключевые методы статьи в инструменты MCP (Model Context Protocol);
- автоматически настраивает программную среду;
- тестирует инструменты на воспроизводимость исходных результатов;
- подключает полученный MCP-сервер к LLM-агенту;
- позволяет исследователю обращаться к методам статьи на естественном языке, не разбираясь самостоятельно в коде и зависимостях.
Авторы демонстрируют систему на нескольких биомедицинских примерах, включая AlphaGenome, Scanpy и TISSUE. Созданные агенты воспроизводят результаты исходных исследований и позволяют выполнять новые виды анализа.
Что здесь принципиально нового
Paper2Agent — это не просто RAG по научной статье и не генерация кода по тексту. Статья превращается в активную интеллектуальную сущность, которая содержит:
1. знания и материалы статьи;
2. исполняемый код и методы;
3. стандартизированные инструменты;
4. инструкции для многоэтапных рабочих процессов;
5. возможность взаимодействовать с другими исследовательскими агентами.
Ограничения
Система пока далека от полной автоматизации науки. Значительная часть репозиториев не может быть превращена в надежных агентов из-за неполного кода, плохой документации или проблем с окружением. Авторы даже предлагают рассматривать «агентизируемость» статьи как дополнительный практический показатель её воспроизводимости.
При этом человек сохраняет ответственность за выбор научного направления, интерпретацию доказательств и оценку результатов. Paper2Agent — инструмент расширения возможностей исследователя, а не самостоятельный источник научной истины.
Авторы предлагают возможный следующий этап эволюции научной публикации:
статья → статья + код → воспроизводимый computational artifact → AI-agent, воплощающий исследование.
В будущем журналы, возможно, будут требовать наряду с доступностью данных и кода еще и «доступность агента». Тогда научная публикация станет не просто сообщением о полученном результате, а интерактивным инструментом, с которым другие исследователи смогут экспериментировать, воспроизводить результаты и строить новые исследования.
Paper2Agent предлагает превратить научную статью из «описания того, что сделал исследователь» в «ИИ-интерфейс, с помощью которого другие могут продолжить его работу».
Читать 12мин https://dzen.ru/a/aqzNI3QAHiGJ4H9X
Авторы Цзячэн Мяо, Джо Р. Дэвис, Яохуэй Чжан, Джонатан К. Притчард, Джеймс Зоу, Nature
Статья представляет Paper2Agent — платформу, которая превращает научную статью из статического документа в интерактивного ИИ-агента, способного не только объяснять содержание работы, но и запускать описанные в ней методы на новых данных.
Главная идея: научная статья должна становиться не только описанием исследования, но и исполняемым исследовательским артефактом.
Paper2Agent:
- анализирует текст статьи, код, данные и рабочие процессы;
- превращает ключевые методы статьи в инструменты MCP (Model Context Protocol);
- автоматически настраивает программную среду;
- тестирует инструменты на воспроизводимость исходных результатов;
- подключает полученный MCP-сервер к LLM-агенту;
- позволяет исследователю обращаться к методам статьи на естественном языке, не разбираясь самостоятельно в коде и зависимостях.
Авторы демонстрируют систему на нескольких биомедицинских примерах, включая AlphaGenome, Scanpy и TISSUE. Созданные агенты воспроизводят результаты исходных исследований и позволяют выполнять новые виды анализа.
Что здесь принципиально нового
Paper2Agent — это не просто RAG по научной статье и не генерация кода по тексту. Статья превращается в активную интеллектуальную сущность, которая содержит:
1. знания и материалы статьи;
2. исполняемый код и методы;
3. стандартизированные инструменты;
4. инструкции для многоэтапных рабочих процессов;
5. возможность взаимодействовать с другими исследовательскими агентами.
Ограничения
Система пока далека от полной автоматизации науки. Значительная часть репозиториев не может быть превращена в надежных агентов из-за неполного кода, плохой документации или проблем с окружением. Авторы даже предлагают рассматривать «агентизируемость» статьи как дополнительный практический показатель её воспроизводимости.
При этом человек сохраняет ответственность за выбор научного направления, интерпретацию доказательств и оценку результатов. Paper2Agent — инструмент расширения возможностей исследователя, а не самостоятельный источник научной истины.
Авторы предлагают возможный следующий этап эволюции научной публикации:
статья → статья + код → воспроизводимый computational artifact → AI-agent, воплощающий исследование.
В будущем журналы, возможно, будут требовать наряду с доступностью данных и кода еще и «доступность агента». Тогда научная публикация станет не просто сообщением о полученном результате, а интерактивным инструментом, с которым другие исследователи смогут экспериментировать, воспроизводить результаты и строить новые исследования.
Paper2Agent предлагает превратить научную статью из «описания того, что сделал исследователь» в «ИИ-интерфейс, с помощью которого другие могут продолжить его работу».
Читать 12мин https://dzen.ru/a/aqzNI3QAHiGJ4H9X
🦄Обзор технологических стартапов в образовании от 20.09.2026
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Brighteye Ventures привлекла 72 млн долларов в рамках первого этапа привлечения инвестиций для поддержки будущего обучения и работы
Читать 3мин)
Платформа для изучения английского языка на основе ИИ
Loora привлекла 22 млн долларов в рамках раунда финансирования серии B
Читать 1мин)
Tevo применяет ИИ в работе, образовании и развлечениях для повышения производительности и улучшения повседневной жизни и привлекает 10 миллионов долларов США в виде финансирования, не связанного с размыванием акционерного капитала
Читать 6мин)
Aristotle привлекла 5 миллионов долларов для замены чат-бота на высокоэффективное ИИ-репетиторство для студентов
Читать 3мин)
Платформа для оценки навыков работы с ИИ и персонализированного обучения
AcademyAI привлекла 1,65 млн фунтов стерлингов в рамках предпосевного финансирования
Читать 1мин)
EdTechX, персонализированный класс английского языка с использованием ИИ, привлек посевное финансирование от PKSHA Algorithm Fund
Читать 1мин)
Metaschool AI выиграла Гран-при (40 000 долларов) за онлайн-школу, ориентированную на мобильные устройства и обслуживающую ганских школьников
Читать 4мин)
Африканский саммит финтеха объявляет об участии 34 стартапов в программе Alpha Micro-Accelerator & Pitch Competition на Aftskigali26 среди которых 2 стартапа edtech Early Bird Testimony Academy предоставляет доступное онлайн-обучение и наставничество для старшеклассников при помощи студентов университетов в качестве репетиторов; и Radius, который помогает иностранным студентам из развивающихся стран оплачивать обучение и сборы.
Читать 2мин)
Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю
Brighteye Ventures привлекла 72 млн долларов в рамках первого этапа привлечения инвестиций для поддержки будущего обучения и работы
Читать 3мин)
Платформа для изучения английского языка на основе ИИ
Loora привлекла 22 млн долларов в рамках раунда финансирования серии B
Читать 1мин)
Tevo применяет ИИ в работе, образовании и развлечениях для повышения производительности и улучшения повседневной жизни и привлекает 10 миллионов долларов США в виде финансирования, не связанного с размыванием акционерного капитала
Читать 6мин)
Aristotle привлекла 5 миллионов долларов для замены чат-бота на высокоэффективное ИИ-репетиторство для студентов
Читать 3мин)
Платформа для оценки навыков работы с ИИ и персонализированного обучения
AcademyAI привлекла 1,65 млн фунтов стерлингов в рамках предпосевного финансирования
Читать 1мин)
EdTechX, персонализированный класс английского языка с использованием ИИ, привлек посевное финансирование от PKSHA Algorithm Fund
Читать 1мин)
Metaschool AI выиграла Гран-при (40 000 долларов) за онлайн-школу, ориентированную на мобильные устройства и обслуживающую ганских школьников
Читать 4мин)
Африканский саммит финтеха объявляет об участии 34 стартапов в программе Alpha Micro-Accelerator & Pitch Competition на Aftskigali26 среди которых 2 стартапа edtech Early Bird Testimony Academy предоставляет доступное онлайн-обучение и наставничество для старшеклассников при помощи студентов университетов в качестве репетиторов; и Radius, который помогает иностранным студентам из развивающихся стран оплачивать обучение и сборы.
Читать 2мин)
Критика «Эксперты преуспевают, а новички — нет» переворачивает ситуацию с образованием в области ИИ с ног на голову
Автор Майк Колфилд
Майк Колфилд полемизирует с распространённым тезисом: «ИИ полезен только тем, кто уже много знает». По его мнению, это не недостаток ИИ, а, наоборот, свидетельство того, что инструмент поощряет обучение и позволяет превращать знания в практические действия.
Его идеи:
- ИИ не заменяет знание, а стимулирует его приобретение. Онприводит собственный пример с фильмом «Челюсти»: пытаясь научить LLM классифицировать фильмы, он обнаружил, что для создания хорошего критерия ему самому пришлось глубже разобраться в структуре кино.
- Проблема не в том, что для работы с ИИ нужно что-то знать, а в оценивании результатов обучения. Если студент с помощью ИИ создаёт впечатляющий результат, это ещё не показывает, обладает ли он необходимыми знаниями. Значит, следует менять задания и способы оценки, а не отказываться от технологии.
- ИИ хорошо сочетается с зоной ближайшего развития (ЗБР). Задания можно проектировать так, чтобы студент, обладая ограниченными знаниями, с помощью ИИ постепенно переходил к более сложным формам анализа и деятельности.
- Главная проблема — не ученики, а подготовка учителей. Педагогам часто показывают отдельные простые сценарии вроде создания чат-бота, вместо того чтобы учить их видеть ИИ как инструмент исследования, моделирования, анализа данных и конструирования новых образовательных задач.
- ИИ меняет соотношение между знанием и действием. Изучив определённое понятие или метод, человек теперь может сравнительно быстро превратить его в работающий инструмент — анализатор аргументов, рекомендательную систему, исследовательскую базу данных, симулятор и т. п.
Колфилд предлагает перевернуть вопрос: не такой вопрос «не делает ли ИИ знания ненужными?», а «как использовать ИИ так, чтобы наличие знаний открывало человеку новые возможности для деятельности и исследования?»
Он фактически предлагает перейти от модели «ИИ как средство выдачи готового ответа» к модели «ИИ как среда, в которой знания превращаются в исследовательские и практические возможности». При этом ключевой вызов переносится на дизайн учебных заданий, оценивания и подготовку преподавателей.
Читать 8мин https://dzen.ru/a/arJ2ZsKsQTlKhJHe
Автор Майк Колфилд
Майк Колфилд полемизирует с распространённым тезисом: «ИИ полезен только тем, кто уже много знает». По его мнению, это не недостаток ИИ, а, наоборот, свидетельство того, что инструмент поощряет обучение и позволяет превращать знания в практические действия.
Его идеи:
- ИИ не заменяет знание, а стимулирует его приобретение. Онприводит собственный пример с фильмом «Челюсти»: пытаясь научить LLM классифицировать фильмы, он обнаружил, что для создания хорошего критерия ему самому пришлось глубже разобраться в структуре кино.
- Проблема не в том, что для работы с ИИ нужно что-то знать, а в оценивании результатов обучения. Если студент с помощью ИИ создаёт впечатляющий результат, это ещё не показывает, обладает ли он необходимыми знаниями. Значит, следует менять задания и способы оценки, а не отказываться от технологии.
- ИИ хорошо сочетается с зоной ближайшего развития (ЗБР). Задания можно проектировать так, чтобы студент, обладая ограниченными знаниями, с помощью ИИ постепенно переходил к более сложным формам анализа и деятельности.
- Главная проблема — не ученики, а подготовка учителей. Педагогам часто показывают отдельные простые сценарии вроде создания чат-бота, вместо того чтобы учить их видеть ИИ как инструмент исследования, моделирования, анализа данных и конструирования новых образовательных задач.
- ИИ меняет соотношение между знанием и действием. Изучив определённое понятие или метод, человек теперь может сравнительно быстро превратить его в работающий инструмент — анализатор аргументов, рекомендательную систему, исследовательскую базу данных, симулятор и т. п.
Колфилд предлагает перевернуть вопрос: не такой вопрос «не делает ли ИИ знания ненужными?», а «как использовать ИИ так, чтобы наличие знаний открывало человеку новые возможности для деятельности и исследования?»
Он фактически предлагает перейти от модели «ИИ как средство выдачи готового ответа» к модели «ИИ как среда, в которой знания превращаются в исследовательские и практические возможности». При этом ключевой вызов переносится на дизайн учебных заданий, оценивания и подготовку преподавателей.
Читать 8мин https://dzen.ru/a/arJ2ZsKsQTlKhJHe
Канадские студенты утверждают, что ИИ вредит их критическому мышлению
Автор: Аманда Перри
Парадокс отношения канадских студентов к ИИ в образовании: многие признают, что ИИ помогает быстрее выполнять учебные задачи и получать более высокие оценки, но одновременно опасаются, что он ослабляет критическое мышление, самостоятельность и сам смысл обучения.
- Формируется «сопротивление ИИ» среди студентов. Часть студентов сознательно избегает ChatGPT и других инструментов, считая, что интеллектуальное усилие, ошибки и длительная работа — важная часть образования.
- ИИ меняет саму мотивацию учиться. Студенты задаются вопросом: зачем тратить шесть часов на эссе, если машина способна сделать его за минуты? При этом результат, полученный с помощью ИИ, воспринимается некоторыми как менее личное достижение.
- Появляется конфликт между образованием и прагматикой. Одни студенты хотят развивать собственные навыки, другие считают бессмысленным игнорировать инструменты, которые уже используются в профессии. Особенно остро это проявляется в творческих и дизайнерских специальностях.
- Главный парадокс подтверждается опросом KPMG: 73% канадских студентов используют ИИ для учебных заданий, большинство считают, что он улучшает их оценки, но 48% одновременно считают, что из-за него ухудшается их критическое мышление.
- Граница между допустимым и недопустимым использованием размывается. Например, использование ИИ для проверки грамматики студентом, для которого английский не является родным языком, существенно отличается от генерации всего эссе — но технологически это уже элементы одного спектра.
- ИИ разрушает прежние нормы академической честности. Студенты сталкиваются с ситуацией, когда одни используют ИИ, другие отказываются от него, а правила и социальные нормы ещё не успели адаптироваться.
- Особенно проблемными становятся групповые проекты: студент, выполняющий работу самостоятельно, может оказаться в неравном положении по отношению к однокурсникам, которые поручили свою часть ИИ.
- Некоторые студенты, напротив, рассматривают ИИ как инструмент организации собственного обучения: создание планов подготовки, структурирование материалов, мозговой штурм, проверка соответствия задания требованиям преподавателя.
- Возникает и проблема рынка труда: студенты опасаются, что развитие традиционных человеческих навыков может оказаться менее востребованным, поскольку работодатели начинают искать специалистов, умеющих работать с ИИ.
Статья фактически показывает, что проблема уже не сводится к вопросу «разрешать ли студентам использовать ИИ?». Возникает более фундаментальный вопрос:
Что именно мы считаем обучением, если машина может выполнить значительную часть учебной работы за студента?
Причём интересен именно студенческий конфликт ценностей: одни считают преодоление интеллектуальных трудностей необходимой частью образования, другие воспринимают ИИ как естественное расширение своих возможностей. Пока ни университеты, ни сами студенты не выработали устойчивых норм, поэтому ИИ становится не просто новым учебным инструментом, а фактором, меняющим представления студентов о ценности знаний, усилий, оценок и собственных навыков.
Получается, что ИИ может одновременно повышать академическую результативность и снижать образовательный результат, если последний понимать не как полученную оценку, а как развитие самостоятельного мышления и способности выполнять интеллектуальную работу.
Читать 7мин https://dzen.ru/a/arLACJZ5I1ZVhwf9
Автор: Аманда Перри
Парадокс отношения канадских студентов к ИИ в образовании: многие признают, что ИИ помогает быстрее выполнять учебные задачи и получать более высокие оценки, но одновременно опасаются, что он ослабляет критическое мышление, самостоятельность и сам смысл обучения.
- Формируется «сопротивление ИИ» среди студентов. Часть студентов сознательно избегает ChatGPT и других инструментов, считая, что интеллектуальное усилие, ошибки и длительная работа — важная часть образования.
- ИИ меняет саму мотивацию учиться. Студенты задаются вопросом: зачем тратить шесть часов на эссе, если машина способна сделать его за минуты? При этом результат, полученный с помощью ИИ, воспринимается некоторыми как менее личное достижение.
- Появляется конфликт между образованием и прагматикой. Одни студенты хотят развивать собственные навыки, другие считают бессмысленным игнорировать инструменты, которые уже используются в профессии. Особенно остро это проявляется в творческих и дизайнерских специальностях.
- Главный парадокс подтверждается опросом KPMG: 73% канадских студентов используют ИИ для учебных заданий, большинство считают, что он улучшает их оценки, но 48% одновременно считают, что из-за него ухудшается их критическое мышление.
- Граница между допустимым и недопустимым использованием размывается. Например, использование ИИ для проверки грамматики студентом, для которого английский не является родным языком, существенно отличается от генерации всего эссе — но технологически это уже элементы одного спектра.
- ИИ разрушает прежние нормы академической честности. Студенты сталкиваются с ситуацией, когда одни используют ИИ, другие отказываются от него, а правила и социальные нормы ещё не успели адаптироваться.
- Особенно проблемными становятся групповые проекты: студент, выполняющий работу самостоятельно, может оказаться в неравном положении по отношению к однокурсникам, которые поручили свою часть ИИ.
- Некоторые студенты, напротив, рассматривают ИИ как инструмент организации собственного обучения: создание планов подготовки, структурирование материалов, мозговой штурм, проверка соответствия задания требованиям преподавателя.
- Возникает и проблема рынка труда: студенты опасаются, что развитие традиционных человеческих навыков может оказаться менее востребованным, поскольку работодатели начинают искать специалистов, умеющих работать с ИИ.
Статья фактически показывает, что проблема уже не сводится к вопросу «разрешать ли студентам использовать ИИ?». Возникает более фундаментальный вопрос:
Что именно мы считаем обучением, если машина может выполнить значительную часть учебной работы за студента?
Причём интересен именно студенческий конфликт ценностей: одни считают преодоление интеллектуальных трудностей необходимой частью образования, другие воспринимают ИИ как естественное расширение своих возможностей. Пока ни университеты, ни сами студенты не выработали устойчивых норм, поэтому ИИ становится не просто новым учебным инструментом, а фактором, меняющим представления студентов о ценности знаний, усилий, оценок и собственных навыков.
Получается, что ИИ может одновременно повышать академическую результативность и снижать образовательный результат, если последний понимать не как полученную оценку, а как развитие самостоятельного мышления и способности выполнять интеллектуальную работу.
Читать 7мин https://dzen.ru/a/arLACJZ5I1ZVhwf9
Философия образования как глобальная область
Автор: Лиз Джексон
Лиз Джексон рассматривает, в каком смысле философию образования можно считать глобальной, и показывает, что сама идея «глобальности» неоднозначна.
- Формальная глобальность не означает реального многообразия. Международные конференции и журналы объединяют ученых разных стран, но область по-прежнему преимущественно западная, англоязычная и элитарная. Значительная часть исследователей и интеллектуальных традиций мира остается недостаточно представленной.
- Английский язык создает дополнительный барьер. Ученые, работающие на китайском, японском, французском, немецком и других языках, оказываются в менее выгодном положении на международной академической арене.
- Универсальные философские концепции могут быть культурно обусловлены. Такие понятия, как автономия, благополучие, рациональность или образование, часто представляются универсальными, хотя они сформировались в конкретных исторических и культурных традициях. Попытка отделить философские идеи от их культурного контекста может скрывать западные предпосылки.
- Разные регионы имеют собственные интеллектуальные традиции. Философия образования во Франции, Германии, Японии, странах Африки, Азии и Латинской Америки развивалась по-разному. Поэтому нельзя автоматически переносить англо-американскую модель философии образования на весь мир.
- Глобализация может воспроизводить неравенство. Парадокс заключается в том, что расширение международного сотрудничества способно одновременно усиливать западное интеллектуальное доминирование: ученые из других регионов часто вынуждены адаптироваться к темам, методам и академическим нормам, сформированным в США и Западной Европе.
- Автор предлагает вместо простого «глобального охвата» развивать глобальную осведомленность. Это означает проверять философские утверждения в разных культурных контекстах, вступать в реальный диалог с исследователями из разных регионов, признавать собственную культурную обусловленность и спрашивать, кто представлен в академическом диалоге, а кто остается за его пределами.
Глобальная философия образования — это не просто философия образования, распространяемая по всему миру. Это скорее способность вести многосторонний диалог между различными интеллектуальными традициями, осознавая исторические и культурные дисбалансы власти.
Глобализация сама по себе не гарантирует ни разнообразия, ни справедливости. Если международное академическое пространство лишь распространяет западные нормы на весь мир, происходит не столько глобализация, сколько глобальная гомогенизация.
Отсюда: международность конференции, журнала или образовательной платформы нельзя измерять только количеством стран-участников. Важнее, какие интеллектуальные традиции представлены, кто формирует повестку и имеют ли разные регионы возможность влиять на содержание дискуссии.
Читать 12мин https://dzen.ru/a/arLYpFwhsgJpFl8l
Автор: Лиз Джексон
Лиз Джексон рассматривает, в каком смысле философию образования можно считать глобальной, и показывает, что сама идея «глобальности» неоднозначна.
- Формальная глобальность не означает реального многообразия. Международные конференции и журналы объединяют ученых разных стран, но область по-прежнему преимущественно западная, англоязычная и элитарная. Значительная часть исследователей и интеллектуальных традиций мира остается недостаточно представленной.
- Английский язык создает дополнительный барьер. Ученые, работающие на китайском, японском, французском, немецком и других языках, оказываются в менее выгодном положении на международной академической арене.
- Универсальные философские концепции могут быть культурно обусловлены. Такие понятия, как автономия, благополучие, рациональность или образование, часто представляются универсальными, хотя они сформировались в конкретных исторических и культурных традициях. Попытка отделить философские идеи от их культурного контекста может скрывать западные предпосылки.
- Разные регионы имеют собственные интеллектуальные традиции. Философия образования во Франции, Германии, Японии, странах Африки, Азии и Латинской Америки развивалась по-разному. Поэтому нельзя автоматически переносить англо-американскую модель философии образования на весь мир.
- Глобализация может воспроизводить неравенство. Парадокс заключается в том, что расширение международного сотрудничества способно одновременно усиливать западное интеллектуальное доминирование: ученые из других регионов часто вынуждены адаптироваться к темам, методам и академическим нормам, сформированным в США и Западной Европе.
- Автор предлагает вместо простого «глобального охвата» развивать глобальную осведомленность. Это означает проверять философские утверждения в разных культурных контекстах, вступать в реальный диалог с исследователями из разных регионов, признавать собственную культурную обусловленность и спрашивать, кто представлен в академическом диалоге, а кто остается за его пределами.
Глобальная философия образования — это не просто философия образования, распространяемая по всему миру. Это скорее способность вести многосторонний диалог между различными интеллектуальными традициями, осознавая исторические и культурные дисбалансы власти.
Глобализация сама по себе не гарантирует ни разнообразия, ни справедливости. Если международное академическое пространство лишь распространяет западные нормы на весь мир, происходит не столько глобализация, сколько глобальная гомогенизация.
Отсюда: международность конференции, журнала или образовательной платформы нельзя измерять только количеством стран-участников. Важнее, какие интеллектуальные традиции представлены, кто формирует повестку и имеют ли разные регионы возможность влиять на содержание дискуссии.
Читать 12мин https://dzen.ru/a/arLYpFwhsgJpFl8l
Компания a16z бросает вызов любви Кремниевой долины к отчисленным студентам, запуская школу
Автор: Джули Борт
Horowitz Andreessen Academy — эксперимент венчурной компании Andreessen Horowitz (a16z) с новым образовательным форматом для молодых людей, которые только окончили школу и хотят сразу войти в технологическую индустрию, не проходя традиционный четырехлетний университетский путь.
- 1 год обучения, первый набор — около 50 человек.
- Обучение на первом этапе бесплатное.
- Отбор не по школьным оценкам, а по тому, что кандидат уже создал, выпустил или заработал.
- Курсы сочетают AI/технологии, предпринимательство и мировоззренческие дисциплины.
- Большое значение имеют личные проекты и наставничество.
- Среди потенциальных наставников и работодателей — представители Anthropic, OpenAI, Nvidia, Google, Meta, Stripe, Coinbase, Palantir и др.
- Академия пока не аккредитована, поэтому не выдает традиционного диплома.
- С 2028 года планируется двухлетняя платная программа, причем стоимость предполагается сопоставимой с элитным частным университетом.
- Таким образом, модель находится между университетом, акселератором стартапов и профессиональным училищем.
Главный эксперимент школы — проверить гипотезу: можно ли подготовить следующего поколения технологических предпринимателей быстрее и эффективнее, чем через традиционный университет?
Фактически появляется новый тип образовательной институции.
Сильные стороны:
1. Очень мощная связка «образование → индустрия → работа/стартап».
2. Новая академия ближе к apprenticeship-модели, чем к традиционному университету.
4. Главный актив школы — не curriculum, а network (доступ к людям, которые создают OpenAI, Anthropic, Nvidia, Stripe и др.).
Слабая сторона или риск:
Если выпускник обычного университета получает диплом, то результат относительно понятен. Нужны какие-то подтверждения ценности такого образования - измеримый результат на рынке деятельности.
Может оказаться, что академия просто собирает уже чрезвычайно талантливых и мотивированных молодых людей и создает для них элитный networking-клуб. В этом случае будет трудно отделить эффект самой школы от эффекта селекции.
Принципиальный вопрос для высшего образования: если университет больше не является обязательным посредником между молодым человеком и профессиональной деятельностью, какую уникальную функцию он должен сохранить?
Читать 2мин https://dzen.ru/a/arSoplGnsVfn73LK
Автор: Джули Борт
Horowitz Andreessen Academy — эксперимент венчурной компании Andreessen Horowitz (a16z) с новым образовательным форматом для молодых людей, которые только окончили школу и хотят сразу войти в технологическую индустрию, не проходя традиционный четырехлетний университетский путь.
- 1 год обучения, первый набор — около 50 человек.
- Обучение на первом этапе бесплатное.
- Отбор не по школьным оценкам, а по тому, что кандидат уже создал, выпустил или заработал.
- Курсы сочетают AI/технологии, предпринимательство и мировоззренческие дисциплины.
- Большое значение имеют личные проекты и наставничество.
- Среди потенциальных наставников и работодателей — представители Anthropic, OpenAI, Nvidia, Google, Meta, Stripe, Coinbase, Palantir и др.
- Академия пока не аккредитована, поэтому не выдает традиционного диплома.
- С 2028 года планируется двухлетняя платная программа, причем стоимость предполагается сопоставимой с элитным частным университетом.
- Таким образом, модель находится между университетом, акселератором стартапов и профессиональным училищем.
Главный эксперимент школы — проверить гипотезу: можно ли подготовить следующего поколения технологических предпринимателей быстрее и эффективнее, чем через традиционный университет?
Фактически появляется новый тип образовательной институции.
Сильные стороны:
1. Очень мощная связка «образование → индустрия → работа/стартап».
2. Новая академия ближе к apprenticeship-модели, чем к традиционному университету.
4. Главный актив школы — не curriculum, а network (доступ к людям, которые создают OpenAI, Anthropic, Nvidia, Stripe и др.).
Слабая сторона или риск:
Если выпускник обычного университета получает диплом, то результат относительно понятен. Нужны какие-то подтверждения ценности такого образования - измеримый результат на рынке деятельности.
Может оказаться, что академия просто собирает уже чрезвычайно талантливых и мотивированных молодых людей и создает для них элитный networking-клуб. В этом случае будет трудно отделить эффект самой школы от эффекта селекции.
Принципиальный вопрос для высшего образования: если университет больше не является обязательным посредником между молодым человеком и профессиональной деятельностью, какую уникальную функцию он должен сохранить?
Читать 2мин https://dzen.ru/a/arSoplGnsVfn73LK
Внедрение в первый год обучения обучения не связанных с практикой, но ориентированных на взаимодействие с сообществом мероприятий
Авторы: Брук Э. Харрис-Ривз, Эндрю Г. Пирсон
Инновационность здесь в изменении того, что именно считается WIL (Work-Integrated Learning) и зачем его вводят на первом курсе.
Традиционно обучение, интегрированное с практикой, выглядит примерно так:
университет → сначала дисциплинарные знания → затем практика/стажировка → затем профессиональная идентичность.
Авторы предлагают другую последовательность:
университет → раннее погружение в профессиональное сообщество → наблюдение и взаимодействие с практиками → реальные/прикладные задания → рефлексия → формирование профессиональной идентичности.
Причем студенту не обязательно уже работать на производстве или проходить полноценную стажировку.
Практика понимается шире, чем стажировка
Авторы фактически отделяют «обучение через практику» от «работы на практике».
Студент первого курса может: встречаться с профессионалами; посещать реальные организации и объекты; наблюдать профессиональную деятельность; выполнять приближенные к реальности задания; участвовать в жизни профессионального сообщества; обсуждать увиденное и рефлексировать.
Профессиональная среда становится частью учебного пространства, даже если студент еще не является практикантом.
Это интересная модель для массового высшего образования, где полноценные стажировки на первом курсе организовать трудно.
Главным результатом становится не навык, а идентичность
Обычно раннюю практику оправдывают через:
«Студент раньше приобретает профессиональные компетенции».
Здесь акцент другой:
«Студент раньше начинает понимать, кем он может стать».
Объектом педагогического воздействия становится — формирование профессиональной идентичности.
Студент должен получить ответы не только на вопрос:
«Что я умею делать?»
но и на вопросы:
«Кто такие специалисты этой профессии?»
«Вижу ли я себя среди них?»
«Как выглядит моя будущая профессиональная жизнь?»
«Хочу ли я принадлежать этому профессиональному сообществу?»
Это связывает WIL уже не только с employability, но с самоопределением и принадлежностью.
Профессиональное сообщество становится частью учебного плана
Профессионалы здесь выступают не просто как приглашенные лекторы. Они становятся элементом образовательной среды.
Получается своего рода треугольник:
студент ↔ университет ↔ профессиональное сообщество.
Причем этот треугольник возникает с первого года, а не непосредственно перед выходом на рынок труда.
Это близко к идее «периферического участия»: новичок сначала наблюдает за профессиональным сообществом, взаимодействует с его участниками, выполняет небольшие задачи и постепенно начинает воспринимать себя как его потенциального члена.
Рефлексия превращает опыт в идентичность
Само посещение организации или разговор с профессионалом еще не обязательно меняет представление студента о профессии.
Авторы добавляют промежуточный механизм рефлексия → интерпретация опыта для изменение профессионального самообраза
Студент не просто «посмотрел, как работают специалисты», а должен осмыслить: «Что я увидел? Что это означает для меня? Каким специалистом я могу стать?»
Приведено противопоставление студентов с ранним опытом и без него
Без раннего WIL
С ранним WIL
Вторая траектория связана с более выраженными идентификацией с будущей профессией и ощущением принадлежности к ней.
Правда эксперимент не доказывает, что именно программа являлась причиной обнаруженного эффекта.
Инновация заключается в превращении первого курса из периода преимущественно «подготовки к будущей практике» в период раннего вхождения в профессиональное сообщество — без необходимости полноценной производственной практики.
Читать аннотацию 1мин https://dzen.ru/a/arSxThH7_SBam4nZ
Авторы: Брук Э. Харрис-Ривз, Эндрю Г. Пирсон
Инновационность здесь в изменении того, что именно считается WIL (Work-Integrated Learning) и зачем его вводят на первом курсе.
Традиционно обучение, интегрированное с практикой, выглядит примерно так:
университет → сначала дисциплинарные знания → затем практика/стажировка → затем профессиональная идентичность.
Авторы предлагают другую последовательность:
университет → раннее погружение в профессиональное сообщество → наблюдение и взаимодействие с практиками → реальные/прикладные задания → рефлексия → формирование профессиональной идентичности.
Причем студенту не обязательно уже работать на производстве или проходить полноценную стажировку.
Практика понимается шире, чем стажировка
Авторы фактически отделяют «обучение через практику» от «работы на практике».
Студент первого курса может: встречаться с профессионалами; посещать реальные организации и объекты; наблюдать профессиональную деятельность; выполнять приближенные к реальности задания; участвовать в жизни профессионального сообщества; обсуждать увиденное и рефлексировать.
Профессиональная среда становится частью учебного пространства, даже если студент еще не является практикантом.
Это интересная модель для массового высшего образования, где полноценные стажировки на первом курсе организовать трудно.
Главным результатом становится не навык, а идентичность
Обычно раннюю практику оправдывают через:
«Студент раньше приобретает профессиональные компетенции».
Здесь акцент другой:
«Студент раньше начинает понимать, кем он может стать».
Объектом педагогического воздействия становится — формирование профессиональной идентичности.
Студент должен получить ответы не только на вопрос:
«Что я умею делать?»
но и на вопросы:
«Кто такие специалисты этой профессии?»
«Вижу ли я себя среди них?»
«Как выглядит моя будущая профессиональная жизнь?»
«Хочу ли я принадлежать этому профессиональному сообществу?»
Это связывает WIL уже не только с employability, но с самоопределением и принадлежностью.
Профессиональное сообщество становится частью учебного плана
Профессионалы здесь выступают не просто как приглашенные лекторы. Они становятся элементом образовательной среды.
Получается своего рода треугольник:
студент ↔ университет ↔ профессиональное сообщество.
Причем этот треугольник возникает с первого года, а не непосредственно перед выходом на рынок труда.
Это близко к идее «периферического участия»: новичок сначала наблюдает за профессиональным сообществом, взаимодействует с его участниками, выполняет небольшие задачи и постепенно начинает воспринимать себя как его потенциального члена.
Рефлексия превращает опыт в идентичность
Само посещение организации или разговор с профессионалом еще не обязательно меняет представление студента о профессии.
Авторы добавляют промежуточный механизм рефлексия → интерпретация опыта для изменение профессионального самообраза
Студент не просто «посмотрел, как работают специалисты», а должен осмыслить: «Что я увидел? Что это означает для меня? Каким специалистом я могу стать?»
Приведено противопоставление студентов с ранним опытом и без него
Без раннего WIL
С ранним WIL
Вторая траектория связана с более выраженными идентификацией с будущей профессией и ощущением принадлежности к ней.
Правда эксперимент не доказывает, что именно программа являлась причиной обнаруженного эффекта.
Инновация заключается в превращении первого курса из периода преимущественно «подготовки к будущей практике» в период раннего вхождения в профессиональное сообщество — без необходимости полноценной производственной практики.
Читать аннотацию 1мин https://dzen.ru/a/arSxThH7_SBam4nZ
Разрыв между мной и машиной
Автор: Ник Поткалицки
Ник Поткалицки, педагог, разрабатывающий методы и подходы обучения в современных школах при помощи ИИ, осмысляет трехлетний опыт работы с ИИ (2023–2026 гг.) и исследует концепцию цифрового благополучия. Его главный вывод заключается в том, что влияние технологий нельзя измерять только временем экранной активности: оно затрагивает психологические, когнитивные и социальные аспекты, а также самостоятельность мышления.
Ключевые этапы эволюции автора и ИИ
- 2023 год (От неприятия к принятию): Столкнувшись со сгенерированным плагиатом студентов, автор сначала хотел запретить ИИ. Однако осознав неэффективность классической системы образования и неточность детекторов ИИ, он решил пересмотреть педагогику и интегрировать технологию в преподавательскую и исследовательскую практику.
- 2024–2025 годы (Ограничения и агентный взрыв): Ручная работа с prompt-инжинирингом и исправление ошибок ИИ оказывали истощающее воздействие на когнитивные ресурсы. С появлением развитых API и автономных агентов мощности ИИ резко возросли, но проявились новые проблемы: снижение качества текста, шаблонность, непредсказуемость срабатывания навыков и «подхалимство» моделей.
- 2025–2026 годы (Дистанцирование и «онтологическое мерцание»): Автор осознал, что ИИ начинает вредить его личному интеллектуальному процессу, и почувствовал эмоциональное отчуждение от собственных проектов, созданных с помощью технологии. Этот опыт он описывает как «онтологическое мерцание» — размытие грани между реальным авторством и машинной симуляцией.
Школы и институты в большинстве своем не готовы к глубокой перестройке учебных процессов под ИИ, а общее понятие «ИИ-грамотности» остается слишком неопределенным. Он предлагает:
1. Опору на предметную область: Преподавателям следует использовать ИИ не как абстрактный инструмент, а как объект критического анализа внутри своей конкретной дисциплины.
2. Фокус на человеческих компетенциях: Вместо фокуса на самих моделях ИИ необходимо развивать в учащихся фундаментальные базовые знания, дисциплину, критическое мышление, эмпатию и агентность (чувство собственной значимости).
Читать 7мин https://dzen.ru/a/arXw5v7ubkQJKbfk
Автор: Ник Поткалицки
Ник Поткалицки, педагог, разрабатывающий методы и подходы обучения в современных школах при помощи ИИ, осмысляет трехлетний опыт работы с ИИ (2023–2026 гг.) и исследует концепцию цифрового благополучия. Его главный вывод заключается в том, что влияние технологий нельзя измерять только временем экранной активности: оно затрагивает психологические, когнитивные и социальные аспекты, а также самостоятельность мышления.
Ключевые этапы эволюции автора и ИИ
- 2023 год (От неприятия к принятию): Столкнувшись со сгенерированным плагиатом студентов, автор сначала хотел запретить ИИ. Однако осознав неэффективность классической системы образования и неточность детекторов ИИ, он решил пересмотреть педагогику и интегрировать технологию в преподавательскую и исследовательскую практику.
- 2024–2025 годы (Ограничения и агентный взрыв): Ручная работа с prompt-инжинирингом и исправление ошибок ИИ оказывали истощающее воздействие на когнитивные ресурсы. С появлением развитых API и автономных агентов мощности ИИ резко возросли, но проявились новые проблемы: снижение качества текста, шаблонность, непредсказуемость срабатывания навыков и «подхалимство» моделей.
- 2025–2026 годы (Дистанцирование и «онтологическое мерцание»): Автор осознал, что ИИ начинает вредить его личному интеллектуальному процессу, и почувствовал эмоциональное отчуждение от собственных проектов, созданных с помощью технологии. Этот опыт он описывает как «онтологическое мерцание» — размытие грани между реальным авторством и машинной симуляцией.
Школы и институты в большинстве своем не готовы к глубокой перестройке учебных процессов под ИИ, а общее понятие «ИИ-грамотности» остается слишком неопределенным. Он предлагает:
1. Опору на предметную область: Преподавателям следует использовать ИИ не как абстрактный инструмент, а как объект критического анализа внутри своей конкретной дисциплины.
2. Фокус на человеческих компетенциях: Вместо фокуса на самих моделях ИИ необходимо развивать в учащихся фундаментальные базовые знания, дисциплину, критическое мышление, эмпатию и агентность (чувство собственной значимости).
Читать 7мин https://dzen.ru/a/arXw5v7ubkQJKbfk
Миниатюрная нейронная сеть
Автор con-dog, GitHub
Экспериментальный проект по созданию крайне компактной нейронной сети для автономного решения лабиринтов. Автор начинал с цели добиться 100% решения лабиринтов, но постепенно превратил задачу в исследование того, насколько маленькой может быть работающая нейросеть.
Главный результат — 14-байтовый конечный автомат, который, видя только локальные стены вокруг себя и не имея карты, координат или глобального состояния лабиринта, решает около 96,5% ранее не виденных лабиринтов размером до 21×21.
Ключевые идеи, к которым автор пришёл в ходе примерно 47 экспериментов:
- Минимальное локальное восприятие. Агент видит только непосредственно окружающие его стены и фактически «ощупывает» лабиринт вслепую.
- Память оказалась критически важной. Без неё агент часто попадает в бесконечные циклы; экспериментально оптимальными оказались примерно 4 бита памяти.
- Попытки создать отдельную быструю и медленную память оказались менее эффективными, чем простая память.
- Большой прорыв дала проприоцепция — информация о том, какой ход агент только что сделал и состоялось ли движение. Это подняло результат выше 80%.
- Интересный эксперимент с «двумя мозгами»: автор использовал однобитные нейроны и переключал два набора весов через фиксированное число шагов. Оптимальным оказалось переключение примерно каждые 16 шагов.
- Ещё более существенным оказался переход от сложного представления направления цели к очень грубому сигналу. Вместо 4-битного представления направления использовался четырёхпозиционный компас, а затем всего 1 бит «горячо/холодно»: находится ли цель впереди агента.
- Для проверки обобщаемости автор тестировал сеть на лабиринтах, созданных другими алгоритмами, которые не использовались при обучении. Падение медианной успешности составило примерно 1%, что говорит о сравнительно слабой зависимости модели от конкретного генератора лабиринтов.
В проекте демонстрируется принцип «минимально достаточного интеллекта».
Автор обнаруживает, что для поведения, которое внешне выглядит достаточно сложным — поиска выхода из неизвестного лабиринта, — не обязательно иметь большую нейросеть, карту окружающего мира или большое внутреннее состояние. При правильном выборе сенсорной информации, памяти и механизма изменения состояния достаточно буквально нескольких десятков бит.
По сути, это не столько попытка создать «маленький аналог ChatGPT», сколько исследование вопроса: Какой минимальный объём внутренней структуры необходим агенту, чтобы демонстрировать определённое интеллектуальное поведение?
Он наглядно показывает, что сложность наблюдаемого поведения и объём вычислительной модели могут очень сильно различаться. При этом 14-байтовая система — это скорее специализированный обученный конечный автомат, чем нейросеть общего назначения.
Читать 5мин https://dzen.ru/a/arX56wtLlk-_u69h
Автор con-dog, GitHub
Экспериментальный проект по созданию крайне компактной нейронной сети для автономного решения лабиринтов. Автор начинал с цели добиться 100% решения лабиринтов, но постепенно превратил задачу в исследование того, насколько маленькой может быть работающая нейросеть.
Главный результат — 14-байтовый конечный автомат, который, видя только локальные стены вокруг себя и не имея карты, координат или глобального состояния лабиринта, решает около 96,5% ранее не виденных лабиринтов размером до 21×21.
Ключевые идеи, к которым автор пришёл в ходе примерно 47 экспериментов:
- Минимальное локальное восприятие. Агент видит только непосредственно окружающие его стены и фактически «ощупывает» лабиринт вслепую.
- Память оказалась критически важной. Без неё агент часто попадает в бесконечные циклы; экспериментально оптимальными оказались примерно 4 бита памяти.
- Попытки создать отдельную быструю и медленную память оказались менее эффективными, чем простая память.
- Большой прорыв дала проприоцепция — информация о том, какой ход агент только что сделал и состоялось ли движение. Это подняло результат выше 80%.
- Интересный эксперимент с «двумя мозгами»: автор использовал однобитные нейроны и переключал два набора весов через фиксированное число шагов. Оптимальным оказалось переключение примерно каждые 16 шагов.
- Ещё более существенным оказался переход от сложного представления направления цели к очень грубому сигналу. Вместо 4-битного представления направления использовался четырёхпозиционный компас, а затем всего 1 бит «горячо/холодно»: находится ли цель впереди агента.
- Для проверки обобщаемости автор тестировал сеть на лабиринтах, созданных другими алгоритмами, которые не использовались при обучении. Падение медианной успешности составило примерно 1%, что говорит о сравнительно слабой зависимости модели от конкретного генератора лабиринтов.
В проекте демонстрируется принцип «минимально достаточного интеллекта».
Автор обнаруживает, что для поведения, которое внешне выглядит достаточно сложным — поиска выхода из неизвестного лабиринта, — не обязательно иметь большую нейросеть, карту окружающего мира или большое внутреннее состояние. При правильном выборе сенсорной информации, памяти и механизма изменения состояния достаточно буквально нескольких десятков бит.
По сути, это не столько попытка создать «маленький аналог ChatGPT», сколько исследование вопроса: Какой минимальный объём внутренней структуры необходим агенту, чтобы демонстрировать определённое интеллектуальное поведение?
Он наглядно показывает, что сложность наблюдаемого поведения и объём вычислительной модели могут очень сильно различаться. При этом 14-байтовая система — это скорее специализированный обученный конечный автомат, чем нейросеть общего назначения.
Читать 5мин https://dzen.ru/a/arX56wtLlk-_u69h
Инструменты искусственного интеллекта, которые команды по обучению и развитию создают (а не покупают)
_Автор: д-р Филиппа Хардман_
Статья посвящена изменению подхода корпоративных отделов обучения и развития (L&D) к искусственному интеллекту: вместо преимущественной покупки готовых EdTech-решений компании всё чаще создают собственные ИИ-инструменты, адаптированные под свои процессы, стандарты и задачи.
Традиционно отделы обучения обычно приобретали LMS, библиотеки контента и конструкторы курсов, поскольку разработка собственных решений требовала дорогих инженеров. Генеративный ИИ изменил ситуацию: теперь специалист по обучению без глубоких навыков программирования может создавать полезные инструменты за короткое время, используя GPT/Gem/Claude-проекты и другие средства.
Филиппа выделяет четыре причины создания собственных ИИ-инструментов:
Разработка стала доступной.
Рынок предлагает слишком узкие решения.
Готовые инструменты навязывают методику поставщика.
Необходим контроль поведения ИИ.
Три типа создаваемых ИИ-инструментов
1. Инструменты до и после курса
Они помогают принимать решения о необходимости обучения и оценивать его результаты.
2. Инструменты динамического обучения
Они выходят за пределы традиционных курсов и позволяют обучаться через практику.
Примеры: ИИ-ролевые игры для тренировки сложных разговоров; симуляторы продаж с виртуальным клиентом; голосовые ИИ-инструкторы по технике безопасности прямо на рабочем месте; ИИ для обратной связи по практическим заданиям.
3. Инструменты, встроенные в собственные стандарты организации
Такие решения используют внутренние документы, методики и правила компании.
Примеры: помощник, создающий рабочие инструкции только на основе проверенных документов; генератор сценариев учебных видео с применением принципов мультимедийного обучения Майера; ИИ для разработки оценочных заданий вместо стандартных тестов; редактор, проверяющий материалы по внутреннему стилю компании.
Автор выделяет три ключевых отличия новых внутренних ИИ-инструментов:
Фокус на качество, а не только скорость.
ИИ помогает избежать ненужных курсов и неправильных запросов на обучение.
Переход от курсов к практике.
Будущее обучения — не только модули и тесты, а симуляции, тренировки и поддержка в момент выполнения работы.
Кодирование собственной экспертизы.
Организации превращают свои стандарты, методики и опыт в ИИ-помощников, а не просто используют универсальные модели.
В результате генеративный ИИ создаёт новую модель работы L&D: вместо роли потребителя готовых EdTech-продуктов отделы обучения становятся создателями собственных интеллектуальных инструментов, которые помогают принимать более качественные решения.
Главный сдвиг заключается в переходе: от «создавать больше курсов быстрее» → к «создавать меньше, но более точные решения для реальных задач обучения».
Читать 12мин https://dzen.ru/a/arerrcTpZXtIsJ1w
_Автор: д-р Филиппа Хардман_
Статья посвящена изменению подхода корпоративных отделов обучения и развития (L&D) к искусственному интеллекту: вместо преимущественной покупки готовых EdTech-решений компании всё чаще создают собственные ИИ-инструменты, адаптированные под свои процессы, стандарты и задачи.
Традиционно отделы обучения обычно приобретали LMS, библиотеки контента и конструкторы курсов, поскольку разработка собственных решений требовала дорогих инженеров. Генеративный ИИ изменил ситуацию: теперь специалист по обучению без глубоких навыков программирования может создавать полезные инструменты за короткое время, используя GPT/Gem/Claude-проекты и другие средства.
Филиппа выделяет четыре причины создания собственных ИИ-инструментов:
Разработка стала доступной.
Рынок предлагает слишком узкие решения.
Готовые инструменты навязывают методику поставщика.
Необходим контроль поведения ИИ.
Три типа создаваемых ИИ-инструментов
1. Инструменты до и после курса
Они помогают принимать решения о необходимости обучения и оценивать его результаты.
2. Инструменты динамического обучения
Они выходят за пределы традиционных курсов и позволяют обучаться через практику.
Примеры: ИИ-ролевые игры для тренировки сложных разговоров; симуляторы продаж с виртуальным клиентом; голосовые ИИ-инструкторы по технике безопасности прямо на рабочем месте; ИИ для обратной связи по практическим заданиям.
3. Инструменты, встроенные в собственные стандарты организации
Такие решения используют внутренние документы, методики и правила компании.
Примеры: помощник, создающий рабочие инструкции только на основе проверенных документов; генератор сценариев учебных видео с применением принципов мультимедийного обучения Майера; ИИ для разработки оценочных заданий вместо стандартных тестов; редактор, проверяющий материалы по внутреннему стилю компании.
Автор выделяет три ключевых отличия новых внутренних ИИ-инструментов:
Фокус на качество, а не только скорость.
ИИ помогает избежать ненужных курсов и неправильных запросов на обучение.
Переход от курсов к практике.
Будущее обучения — не только модули и тесты, а симуляции, тренировки и поддержка в момент выполнения работы.
Кодирование собственной экспертизы.
Организации превращают свои стандарты, методики и опыт в ИИ-помощников, а не просто используют универсальные модели.
В результате генеративный ИИ создаёт новую модель работы L&D: вместо роли потребителя готовых EdTech-продуктов отделы обучения становятся создателями собственных интеллектуальных инструментов, которые помогают принимать более качественные решения.
Главный сдвиг заключается в переходе: от «создавать больше курсов быстрее» → к «создавать меньше, но более точные решения для реальных задач обучения».
Читать 12мин https://dzen.ru/a/arerrcTpZXtIsJ1w