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
*🦄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 https://vk.ru/wall-87570467_6334
Платформа для изучения английского языка на основе ИИ
Loora привлекла 22 млн долларов в рамках раунда финансирования серии B
Читать 1мин https://vk.ru/wall-87570467_6330
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 https://vk.ru/wall-87570467_6336
Aristotle привлекла 5 миллионов долларов для замены чат-бота на высокоэффективное ИИ-репетиторство для студентов
Читать 3мин https://vk.ru/wall-87570467_6328
Платформа для оценки навыков работы с ИИ и персонализированного обучения
AcademyAI привлекла 1,65 млн фунтов стерлингов в рамках предпосевного финансирования
Читать 1мин https://vk.ru/wall-87570467_6332
EdTechX, персонализированный класс английского языка с использованием ИИ, привлек посевное финансирование от PKSHA Algorithm Fund
Читать 1мин https://vk.ru/wall-87570467_6338
Metaschool AI выиграла Гран-при (40 000 долларов) за онлайн-школу, ориентированную на мобильные устройства и обслуживающую ганских школьников
Читать 4мин https://vk.ru/wall-87570467_6340
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 https://vk.ru/wall-87570467_6342
_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 https://vk.ru/wall-87570467_6334
Платформа для изучения английского языка на основе ИИ
Loora привлекла 22 млн долларов в рамках раунда финансирования серии B
Читать 1мин https://vk.ru/wall-87570467_6330
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 https://vk.ru/wall-87570467_6336
Aristotle привлекла 5 миллионов долларов для замены чат-бота на высокоэффективное ИИ-репетиторство для студентов
Читать 3мин https://vk.ru/wall-87570467_6328
Платформа для оценки навыков работы с ИИ и персонализированного обучения
AcademyAI привлекла 1,65 млн фунтов стерлингов в рамках предпосевного финансирования
Читать 1мин https://vk.ru/wall-87570467_6332
EdTechX, персонализированный класс английского языка с использованием ИИ, привлек посевное финансирование от PKSHA Algorithm Fund
Читать 1мин https://vk.ru/wall-87570467_6338
Metaschool AI выиграла Гран-при (40 000 долларов) за онлайн-школу, ориентированную на мобильные устройства и обслуживающую ганских школьников
Читать 4мин https://vk.ru/wall-87570467_6340
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 https://vk.ru/wall-87570467_6342
*🦄Обзор технологических стартапов в образовании от 27.09.2026*
_Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_
Академия Хоровица и Андреессена для необычайно амбициозных молодых людей привлекла 42 миллиона долларов и запустила бесплатную стипендиальную программу в Сан-Франциско
Читать 5мин https://vk.ru/wall-87570467_6359
Европейский инвестиционный фонд (ЕИФ) в сфере образовательных технологий и будущего рынка труда выделяет 20 миллионов евро на новый фонд Educapital III.
Читать 1мин https://vk.ru/wall-87570467_6361
Компания Medcast, занимающаяся медицинским образованием и профессиональным развитием, привлекает 5,4 миллиона долларов для развития своей платформы клинического ИИ
Читать 2мин https://vk.ru/wall-87570467_6345
Компания Scholar Education, предоставляющая платформу искусственного интеллекта для специального образования, привлекла 2 миллиона долларов в рамках посевного финансирования
Читать 1мин https://vk.ru/wall-87570467_6351
OrderEAT привлекает 2 млн долларов для расширения своей платформы для школьных столовых
Читать 1мин https://vk.ru/wall-87570467_6363
Поставщик платформ для корпоративного обучения и геймификации в образовании Gamindo привлек 1,4 млн евро в рамках посевного финансирования
Читать 1мин https://vk.ru/wall-87570467_6353
Маркетплейс, связывающий проверенных студентов колледжей, известных как «Действующие лица», с домохозяйствами и предприятиями, нуждающимися в гибкой помощи, TimBuckDo привлекает средства в рамках промежуточного раунда финансирования перед серией А
Читать 3мин https://vk.ru/wall-87570467_6357
Платформа для индивидуального обучения на основе данных и систем активного обучения для студентов ENEM AMentoria привлекла 196 тыс. долларов США в рамках посевного раунда
Читать 1мин https://vk.ru/wall-87570467_6355
Платформа, предоставляющая видеокурсы и интерактивные лабораторные симуляционные мастер-классы для студентов, исследователей и ученых AREP привлекает предпосевное финансирование для расширения в Саудовской Аравии, планирует региональный рост
Читать 1мин https://vk.ru/wall-87570467_6347
_Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_
Академия Хоровица и Андреессена для необычайно амбициозных молодых людей привлекла 42 миллиона долларов и запустила бесплатную стипендиальную программу в Сан-Франциско
Читать 5мин https://vk.ru/wall-87570467_6359
Европейский инвестиционный фонд (ЕИФ) в сфере образовательных технологий и будущего рынка труда выделяет 20 миллионов евро на новый фонд Educapital III.
Читать 1мин https://vk.ru/wall-87570467_6361
Компания Medcast, занимающаяся медицинским образованием и профессиональным развитием, привлекает 5,4 миллиона долларов для развития своей платформы клинического ИИ
Читать 2мин https://vk.ru/wall-87570467_6345
Компания Scholar Education, предоставляющая платформу искусственного интеллекта для специального образования, привлекла 2 миллиона долларов в рамках посевного финансирования
Читать 1мин https://vk.ru/wall-87570467_6351
OrderEAT привлекает 2 млн долларов для расширения своей платформы для школьных столовых
Читать 1мин https://vk.ru/wall-87570467_6363
Поставщик платформ для корпоративного обучения и геймификации в образовании Gamindo привлек 1,4 млн евро в рамках посевного финансирования
Читать 1мин https://vk.ru/wall-87570467_6353
Маркетплейс, связывающий проверенных студентов колледжей, известных как «Действующие лица», с домохозяйствами и предприятиями, нуждающимися в гибкой помощи, TimBuckDo привлекает средства в рамках промежуточного раунда финансирования перед серией А
Читать 3мин https://vk.ru/wall-87570467_6357
Платформа для индивидуального обучения на основе данных и систем активного обучения для студентов ENEM AMentoria привлекла 196 тыс. долларов США в рамках посевного раунда
Читать 1мин https://vk.ru/wall-87570467_6355
Платформа, предоставляющая видеокурсы и интерактивные лабораторные симуляционные мастер-классы для студентов, исследователей и ученых AREP привлекает предпосевное финансирование для расширения в Саудовской Аравии, планирует региональный рост
Читать 1мин https://vk.ru/wall-87570467_6347
Что я узнал о генеративном ИИ
_Автор: Джон Дрон_
Джон Дрон анализирует, как изменилось его понимание генеративного ИИ и его роли в образовании.
Его основные тезисы:
LLM не являются людьми, но и «глупыми статистическими попугаями» их считать неправильно. Их способности во многом отражают коллективный человеческий интеллект, заключённый в языке, текстах, изображениях, коде и других созданных людьми системах. Поэтому GenAI одновременно показывает нам некоторые особенности собственного человеческого познания.
GenAI — скорее «метаинструмент», чем инструмент. Обычный инструмент расширяет способности человека, тогда как генеративный ИИ способен сам координировать использование других инструментов и выполнять сложные последовательности действий. При появлении агентных систем эта граница становится ещё менее очевидной.
GenAI не являются полноценными партнёрами или субъектами. Автор не считает современные системы сознательными существами с устойчивой идентичностью, личными интересами или моральным статусом. Создаваемая ими «личность» остаётся изменяемой и во многом иллюзорной.
Происходит не столько когнитивная разгрузка, сколько перераспределение когнитивных ресурсов. ИИ позволяет отказаться от части рутинной работы и сосредоточиться на более масштабных задачах, но одновременно создаёт риск того, что человек перестанет самостоятельно выполнять некоторые интеллектуальные операции. Сам автор использует ИИ как своеобразного интеллектуального оппонента и наставника, который заставляет его переосмысливать идеи.
Образование должно измениться глубже, чем просто разрешить или запретить ИИ. Нужно пересмотреть не только способы обучения и оценки, но и сами образовательные цели: какие знания и способности действительно необходимо формировать в мире, где GenAI может выполнять всё больше интеллектуальных операций.
GenAI расширяет пространство практической деятельности. Автор приводит пример создания с помощью Claude веб-приложения и подчёркивает, что ИИ позволяет быстрее преодолевать технические барьеры, одновременно обучая пользователя новым способам решения задач.
Простая концепция «human in the loop» недостаточна. Важнее рассматривать ИИ как элемент широкой сети людей, инструментов, процессов, моделей и артефактов. При этом автор особенно предупреждает об опасности предоставления агентным ИИ инструментов, прав доступа и возможности самостоятельно принимать решения.
Традиционная система оценки обучения быстро теряет надёжность. Если студент может передать выполнение задания GenAI, традиционные задания и экзамены перестают быть хорошими индикаторами реального обучения. Автор выступает за интегративные формы оценки, проверяющие совокупность разнообразных навыков, и за отделение собственно обучения от получения формальных аттестатов.
Экологические последствия GenAI нельзя оценивать только по энергозатратам отдельных запросов. Автор признаёт огромные энергозатраты дата-центров, но предлагает учитывать и то, что ИИ позволяет делать, какую производительность создаёт и какие ресурсы может экономить. Поэтому экологический эффект следует рассматривать как сложный баланс затрат и результатов, а не как однозначно положительный или отрицательный.
Для Джона GenAI — не просто новый цифровой инструмент, а новая часть когнитивной и деятельностной среды человека. Главный вопрос образования заключается не в том, _как не дать студентам пользоваться ИИ_, а в том, как перестроить обучение и оценивание так, чтобы человек вместе с ИИ становился способен на более сложное, самостоятельное и осмысленное мышление.
Переход от «когнитивной разгрузки» к «когнитивному перераспределению»: ИИ не обязательно уменьшает объём мышления — он меняет _то, где именно человек тратит свои интеллектуальные ресурсы_.
Читать 12мин https://dzen.ru/a/artbRm0Cgjc4iyY8
_Автор: Джон Дрон_
Джон Дрон анализирует, как изменилось его понимание генеративного ИИ и его роли в образовании.
Его основные тезисы:
LLM не являются людьми, но и «глупыми статистическими попугаями» их считать неправильно. Их способности во многом отражают коллективный человеческий интеллект, заключённый в языке, текстах, изображениях, коде и других созданных людьми системах. Поэтому GenAI одновременно показывает нам некоторые особенности собственного человеческого познания.
GenAI — скорее «метаинструмент», чем инструмент. Обычный инструмент расширяет способности человека, тогда как генеративный ИИ способен сам координировать использование других инструментов и выполнять сложные последовательности действий. При появлении агентных систем эта граница становится ещё менее очевидной.
GenAI не являются полноценными партнёрами или субъектами. Автор не считает современные системы сознательными существами с устойчивой идентичностью, личными интересами или моральным статусом. Создаваемая ими «личность» остаётся изменяемой и во многом иллюзорной.
Происходит не столько когнитивная разгрузка, сколько перераспределение когнитивных ресурсов. ИИ позволяет отказаться от части рутинной работы и сосредоточиться на более масштабных задачах, но одновременно создаёт риск того, что человек перестанет самостоятельно выполнять некоторые интеллектуальные операции. Сам автор использует ИИ как своеобразного интеллектуального оппонента и наставника, который заставляет его переосмысливать идеи.
Образование должно измениться глубже, чем просто разрешить или запретить ИИ. Нужно пересмотреть не только способы обучения и оценки, но и сами образовательные цели: какие знания и способности действительно необходимо формировать в мире, где GenAI может выполнять всё больше интеллектуальных операций.
GenAI расширяет пространство практической деятельности. Автор приводит пример создания с помощью Claude веб-приложения и подчёркивает, что ИИ позволяет быстрее преодолевать технические барьеры, одновременно обучая пользователя новым способам решения задач.
Простая концепция «human in the loop» недостаточна. Важнее рассматривать ИИ как элемент широкой сети людей, инструментов, процессов, моделей и артефактов. При этом автор особенно предупреждает об опасности предоставления агентным ИИ инструментов, прав доступа и возможности самостоятельно принимать решения.
Традиционная система оценки обучения быстро теряет надёжность. Если студент может передать выполнение задания GenAI, традиционные задания и экзамены перестают быть хорошими индикаторами реального обучения. Автор выступает за интегративные формы оценки, проверяющие совокупность разнообразных навыков, и за отделение собственно обучения от получения формальных аттестатов.
Экологические последствия GenAI нельзя оценивать только по энергозатратам отдельных запросов. Автор признаёт огромные энергозатраты дата-центров, но предлагает учитывать и то, что ИИ позволяет делать, какую производительность создаёт и какие ресурсы может экономить. Поэтому экологический эффект следует рассматривать как сложный баланс затрат и результатов, а не как однозначно положительный или отрицательный.
Для Джона GenAI — не просто новый цифровой инструмент, а новая часть когнитивной и деятельностной среды человека. Главный вопрос образования заключается не в том, _как не дать студентам пользоваться ИИ_, а в том, как перестроить обучение и оценивание так, чтобы человек вместе с ИИ становился способен на более сложное, самостоятельное и осмысленное мышление.
Переход от «когнитивной разгрузки» к «когнитивному перераспределению»: ИИ не обязательно уменьшает объём мышления — он меняет _то, где именно человек тратит свои интеллектуальные ресурсы_.
Читать 12мин https://dzen.ru/a/artbRm0Cgjc4iyY8
5 главных выводов из глобального опроса Microsoft об использовании ИИ в образовании
Авторы Сара, Алекс Сарлин, Бен Корнелл и Джен Лапаз
В партнерстве с Microsoft
Статья анализирует результаты глобального опроса Microsoft среди 3345 студентов, преподавателей и руководителей образовательных учреждений из шести стран и показывает, что ИИ уже стал массовой частью образования, но отношение к нему и понимание правил его использования сильно различаются.
Пять основных выводов
1.ИИ уже практически повсеместен.
2.Руководители относятся к ИИ заметно оптимистичнее.
3.AI literacy признаётся необходимой, но её содержание пока не определено.
Авторы предлагают понимать её шире, чем просто умение пользоваться чат-ботами: это способность понимать возможности и ограничения ИИ, критически оценивать его результаты, учитывать этику и знать, когда ИИ использовать не следует.
4.Отношение к ИИ сильно зависит от страны и контекста.
Авторы связывают различия с государственной политикой, образовательными программами, медийным контекстом и личным опытом использования ИИ.
5.Главная проблема — не само использование ИИ, а отсутствие согласованных правил и доверия.
При этом 80% руководителей считают правила использования ИИ ясными, тогда как примерно половина студентов и преподавателей считает их нейтральными или отсутствующими.
Парадокс заключается в том, что студенты активно используют ИИ, но при этом относятся к нему осторожнее других групп. Одно из объяснений — их опыт часто сводится к использованию ИИ для выполнения заданий и риску списывания, а не к применению ИИ для исследования, творчества и развития мышления. Это создаёт риск когнитивной разгрузки, когда интеллектуальная работа незаметно переносится от учащегося к машине.
Вопрос образования уже не в том, придёт ли ИИ в школу и университет — он уже пришёл. Главная задача теперь — сформировать такие правила, педагогические практики и AI literacy, при которых ИИ усиливает самостоятельное мышление учащегося, а не заменяет его.
ИИ грамотность постепенно смещается от умения пользоваться инструментом к способности выстраивать продуктивные отношения человека и ИИ — понимать его ограничения, проверять результаты и решать, какую интеллектуальную работу следует оставить человеку.
Авторы Сара, Алекс Сарлин, Бен Корнелл и Джен Лапаз
В партнерстве с Microsoft
Статья анализирует результаты глобального опроса Microsoft среди 3345 студентов, преподавателей и руководителей образовательных учреждений из шести стран и показывает, что ИИ уже стал массовой частью образования, но отношение к нему и понимание правил его использования сильно различаются.
Пять основных выводов
1.ИИ уже практически повсеместен.
2.Руководители относятся к ИИ заметно оптимистичнее.
3.AI literacy признаётся необходимой, но её содержание пока не определено.
Авторы предлагают понимать её шире, чем просто умение пользоваться чат-ботами: это способность понимать возможности и ограничения ИИ, критически оценивать его результаты, учитывать этику и знать, когда ИИ использовать не следует.
4.Отношение к ИИ сильно зависит от страны и контекста.
Авторы связывают различия с государственной политикой, образовательными программами, медийным контекстом и личным опытом использования ИИ.
5.Главная проблема — не само использование ИИ, а отсутствие согласованных правил и доверия.
При этом 80% руководителей считают правила использования ИИ ясными, тогда как примерно половина студентов и преподавателей считает их нейтральными или отсутствующими.
Парадокс заключается в том, что студенты активно используют ИИ, но при этом относятся к нему осторожнее других групп. Одно из объяснений — их опыт часто сводится к использованию ИИ для выполнения заданий и риску списывания, а не к применению ИИ для исследования, творчества и развития мышления. Это создаёт риск когнитивной разгрузки, когда интеллектуальная работа незаметно переносится от учащегося к машине.
Вопрос образования уже не в том, придёт ли ИИ в школу и университет — он уже пришёл. Главная задача теперь — сформировать такие правила, педагогические практики и AI literacy, при которых ИИ усиливает самостоятельное мышление учащегося, а не заменяет его.
ИИ грамотность постепенно смещается от умения пользоваться инструментом к способности выстраивать продуктивные отношения человека и ИИ — понимать его ограничения, проверять результаты и решать, какую интеллектуальную работу следует оставить человеку.
Можно ли распознать эссе, написанное ИИ?
_Автор Эван Лю_
Эван Лю рассматривает вопрос, можно ли по самому тексту надежно определить, написано ли студенческое эссе с помощью ИИ. Его ответ: иногда можно заподозрить использование ИИ, но надежно доказать его по стилю практически невозможно.
Основные идеи:
ИИ действительно имеет характерные стилистические тенденции: гладкий академический язык, безупречную грамматику, симметричную структуру аргументации, шаблонные переходы, частые конструкции вроде «не только X, но и Y», списки из трех элементов и определенные пунктуационные привычки.
Но ни один из этих признаков не является доказательством. Так же могут писать хорошо подготовленные студенты, а современные LLM способны значительно разнообразить стиль.
Программные AI-детекторы также нельзя считать надежным доказательством: ложные обвинения могут заставлять студентов специально «маскировать» свой стиль, то есть учиться имитировать человеческое письмо вместо развития собственных навыков.
Более надежным оказывается не анализ текста сам по себе, а знание преподавателем предыдущих работ и уровня студента. Особенно подозрительным становится резкий разрыв между привычным уровнем письменной работы и внезапно появившимся профессионально отшлифованным текстом.
Поэтому автор предлагает создавать «базовую линию» студенческого письма — например, через короткие письменные задания непосредственно на занятии. Затем можно сравнивать с ней последующие работы.
Главный вывод: лучший способ реагирования на GenAI — не усиление технологического контроля, а педагогика, делающая процесс мышления студента видимым: поэтапное выполнение работы, черновики, очные задания, устные обсуждения, объяснение собственного хода рассуждений и постепенное развитие идей.
Кратко:
Не существует надежного «отпечатка ИИ» в тексте. Вместо попытки доказать авторство по стилистическим признакам преподавателю выгоднее наблюдать процесс формирования мышления и текста.
Проблема решается не столько распознаванием готового продукта, сколько изменением самого процесса оценивания так, чтобы получение готового ответа от ИИ не заменяло демонстрацию обучения.
Читать 4мин https://dzen.ru/a/ar4aerUwEwxgj1fQ
_Автор Эван Лю_
Эван Лю рассматривает вопрос, можно ли по самому тексту надежно определить, написано ли студенческое эссе с помощью ИИ. Его ответ: иногда можно заподозрить использование ИИ, но надежно доказать его по стилю практически невозможно.
Основные идеи:
ИИ действительно имеет характерные стилистические тенденции: гладкий академический язык, безупречную грамматику, симметричную структуру аргументации, шаблонные переходы, частые конструкции вроде «не только X, но и Y», списки из трех элементов и определенные пунктуационные привычки.
Но ни один из этих признаков не является доказательством. Так же могут писать хорошо подготовленные студенты, а современные LLM способны значительно разнообразить стиль.
Программные AI-детекторы также нельзя считать надежным доказательством: ложные обвинения могут заставлять студентов специально «маскировать» свой стиль, то есть учиться имитировать человеческое письмо вместо развития собственных навыков.
Более надежным оказывается не анализ текста сам по себе, а знание преподавателем предыдущих работ и уровня студента. Особенно подозрительным становится резкий разрыв между привычным уровнем письменной работы и внезапно появившимся профессионально отшлифованным текстом.
Поэтому автор предлагает создавать «базовую линию» студенческого письма — например, через короткие письменные задания непосредственно на занятии. Затем можно сравнивать с ней последующие работы.
Главный вывод: лучший способ реагирования на GenAI — не усиление технологического контроля, а педагогика, делающая процесс мышления студента видимым: поэтапное выполнение работы, черновики, очные задания, устные обсуждения, объяснение собственного хода рассуждений и постепенное развитие идей.
Кратко:
Не существует надежного «отпечатка ИИ» в тексте. Вместо попытки доказать авторство по стилистическим признакам преподавателю выгоднее наблюдать процесс формирования мышления и текста.
Проблема решается не столько распознаванием готового продукта, сколько изменением самого процесса оценивания так, чтобы получение готового ответа от ИИ не заменяло демонстрацию обучения.
Читать 4мин https://dzen.ru/a/ar4aerUwEwxgj1fQ
Разум — это больше, чем инструмент
_Автор Саша Мадд_
Статья рассматривает фундаментальный вопрос: можно ли свести интеллект человека и ИИ к оптимизации заданной цели. Автор использует противопоставление философских концепций Дэвида Юма и Иммануила Канта, чтобы показать, почему такое сведение может быть опасным.
Юм рассматривал разум преимущественно как инструмент: он помогает находить эффективные средства для достижения целей, но сами цели задаются желаниями и страстями. В современной терминологии это близко к представлению об интеллекте как способности оптимизировать заданную функцию.
Кант, напротив, считал разум способностью не только выбирать средства, но и критически оценивать сами цели: достойны ли они, могут ли быть рационально оправданы и совместимы с уважением к другим людям. Поэтому разум связан со свободой, автономией и человеческим достоинством.
Современный ИИ в значительной степени строится именно на оптимизации: максимизации вознаграждения, вероятности успеха, эффективности и т. п. При этом цели обычно задаются извне — разработчиками или пользователями. Автор считает, что нельзя автоматически считать такую способность полноценным аналогом человеческого разума.
Особую проблему автор видит не только в том, что ИИ может начать самостоятельно преследовать цели, но и в обратном процессе: люди могут постепенно привыкнуть отдавать машинам не только выполнение задач, но и определение того, что именно следует считать целью.
Здесь возникает кантовское различие между автономией и гетерономией. Если человек сам способен критически оценивать свои цели, он автономен; если его цели незаметно определяются алгоритмами, рынком, метриками или внешней властью, возникает гетерономия.
Автор связывает эту проблему с критикой инструментального разума Франкфуртской школой: когда всё оценивается через эффективность, прогнозируемость и управляемость, люди сами рискуют превратиться в «ресурсы», «данные» и объекты оптимизации.
Поэтому традиционная Проблема согласования искусственного интеллекта («как заставить ИИ следовать человеческим ценностям?») недостаточна. Возникает более глубокий вопрос: сохранят ли сами люди способность самостоятельно формировать, обсуждать и пересматривать свои ценности и цели, если всё больше решений будет передаваться ИИ.
Опасность ИИ заключается не только в том, что машины могут стать более автономными, но и в том, что люди могут утратить собственную автономию. Если интеллект определить исключительно как оптимизацию, человек начинает выглядеть как ещё одна система, которая эффективно реализует заданные предпочтения.
По мнению автора, Мы можем хотеть, чтобы машины были разумными слугами, но не должны соглашаться с тем, чтобы сами люди понимали себя лишь как инструменты.
Статья фактически предлагает различать _ИИ, который помогает эффективно достигать поставленной учебной цели_, и _образование, которое развивает у человека способность самому определять, оценивать и пересматривать цели_. Это уже не просто вопрос эффективности AI-assisted learning, а вопрос сохранения субъектности учащегося.
Читать 17мин https://dzen.ru/a/asCAK8fxumrb3Z7U
_Автор Саша Мадд_
Статья рассматривает фундаментальный вопрос: можно ли свести интеллект человека и ИИ к оптимизации заданной цели. Автор использует противопоставление философских концепций Дэвида Юма и Иммануила Канта, чтобы показать, почему такое сведение может быть опасным.
Юм рассматривал разум преимущественно как инструмент: он помогает находить эффективные средства для достижения целей, но сами цели задаются желаниями и страстями. В современной терминологии это близко к представлению об интеллекте как способности оптимизировать заданную функцию.
Кант, напротив, считал разум способностью не только выбирать средства, но и критически оценивать сами цели: достойны ли они, могут ли быть рационально оправданы и совместимы с уважением к другим людям. Поэтому разум связан со свободой, автономией и человеческим достоинством.
Современный ИИ в значительной степени строится именно на оптимизации: максимизации вознаграждения, вероятности успеха, эффективности и т. п. При этом цели обычно задаются извне — разработчиками или пользователями. Автор считает, что нельзя автоматически считать такую способность полноценным аналогом человеческого разума.
Особую проблему автор видит не только в том, что ИИ может начать самостоятельно преследовать цели, но и в обратном процессе: люди могут постепенно привыкнуть отдавать машинам не только выполнение задач, но и определение того, что именно следует считать целью.
Здесь возникает кантовское различие между автономией и гетерономией. Если человек сам способен критически оценивать свои цели, он автономен; если его цели незаметно определяются алгоритмами, рынком, метриками или внешней властью, возникает гетерономия.
Автор связывает эту проблему с критикой инструментального разума Франкфуртской школой: когда всё оценивается через эффективность, прогнозируемость и управляемость, люди сами рискуют превратиться в «ресурсы», «данные» и объекты оптимизации.
Поэтому традиционная Проблема согласования искусственного интеллекта («как заставить ИИ следовать человеческим ценностям?») недостаточна. Возникает более глубокий вопрос: сохранят ли сами люди способность самостоятельно формировать, обсуждать и пересматривать свои ценности и цели, если всё больше решений будет передаваться ИИ.
Опасность ИИ заключается не только в том, что машины могут стать более автономными, но и в том, что люди могут утратить собственную автономию. Если интеллект определить исключительно как оптимизацию, человек начинает выглядеть как ещё одна система, которая эффективно реализует заданные предпочтения.
По мнению автора, Мы можем хотеть, чтобы машины были разумными слугами, но не должны соглашаться с тем, чтобы сами люди понимали себя лишь как инструменты.
Статья фактически предлагает различать _ИИ, который помогает эффективно достигать поставленной учебной цели_, и _образование, которое развивает у человека способность самому определять, оценивать и пересматривать цели_. Это уже не просто вопрос эффективности AI-assisted learning, а вопрос сохранения субъектности учащегося.
Читать 17мин https://dzen.ru/a/asCAK8fxumrb3Z7U
Кризис искусственного интеллекта в высшем образовании: стратегическое предложение
Автор Марк Карриган
рассматривает не столько технические возможности ИИ, сколько последствия массового распространения языковых моделей для доверия, оценки, образовательной культуры и самого университета.
Главный тезис: кризис высшего образования вызван не просто появлением ИИ, а тем, что языковые модели уже массово используются студентами и преподавателями, при этом не сформировались общие нормы их допустимого использования. В результате возникает многомерный кризис доверия.
Карриган предлагает не выбирать между запретом ИИ и его тотальной интеграцией, а использовать стратегию «недостаточной интеграции» (strategic under-integration) — двигаться вперед постепенно, сохраняя возможность менять курс по мере развития технологий.
Проблема не столько в «ИИ», сколько в конкретном программном обеспечении
Автор призывает осторожнее употреблять термин «искусственный интеллект». Он слишком широк: под ним смешиваются LLM, рекомендательные алгоритмы, системы прогнозирования, генеративные инструменты и совершенно разные технологии.
Для университетов практичнее говорить о конкретных языковых моделях и конкретных сценариях их использования. Это позволяет обсуждать реальные проблемы, а не гипотетический «сверхинтеллект».
При этом LLM могут выполнять две противоположные функции:
когнитивное усиление — помогать человеку думать, исследовать, анализировать;
когнитивный аутсорсинг — выполнять интеллектуальную работу вместо человека.
Поэтому сама технология не является автоматически ни «хорошей», ни «плохой» для образования: результат зависит от того, как именно её используют.
ИИ обнаружил старые проблемы университетов
Массовое использование LLM нельзя объяснять только тем, что студенты «ленивы» или хотят списывать. Автор предлагает исследовать причины такого поведения: перегрузку студентов, необходимость работать, финансовые трудности, обязанности по уходу за родственниками, плохое качество преподавания и инструментальное отношение к диплому.
Таким образом, LLM выступают своего рода зеркалом существующей университетской системы: они усиливают уже существующие противоречия.
Возникает новый цифровой разрыв
Использование LLM требует определённой цифровой, языковой и культурной компетентности. Более подготовленные и обеспеченные студенты способны получать от моделей значительно больше.
Особенно важным автор считает появление ИИ-агентов: у одних студентов потенциально могут работать целые «команды» агентов, тогда как другие будут пользоваться бесплатными ограниченными моделями или не использовать их вообще. Это способно усилить существующее социальное неравенство.
Главная проблема — кризис доверия
Карриган выделяет четыре направления разрушения доверия:
Преподаватели → студенты: подозрение, что студенты используют LLM для мошенничества.
Студенты → преподаватели: подозрение, что преподаватели сами используют LLM, устанавливая при этом более жёсткие требования студентам.
Студенты → студенты: страх, что другие используют ИИ и получают конкурентное преимущество.
Преподаватели → преподаватели: подозрения в использовании ИИ при написании статей, рецензий, учебных материалов и т. д.
Особенно опасно то, что становится трудно установить связь между созданным контентом и его реальным автором. Хорошо написанное эссе уже не является надёжным свидетельством знаний студента, а качественная презентация — свидетельством того, что преподаватель сам проделал интеллектуальную работу.
Детекторы ИИ не решают проблему
Попытка определить по самому тексту, использовал ли его автор LLM, создаёт новую проблему: подозрение легко принять за доказательство.
Гладкий стиль может быть результатом полной генерации текста, а может быть результатом самостоятельной работы с последующей редактурой с помощью ИИ. Поэтому автор предлагает переходить от морального осуждения к диагностическому анализу: выяснять, почему возникло такое использование ИИ и что оно говорит об организации обучения.
Парадокс: университету нужны одновременно адаптация и интеграция ИИ
Карриган различает два направления:
Адаптация к
Автор Марк Карриган
рассматривает не столько технические возможности ИИ, сколько последствия массового распространения языковых моделей для доверия, оценки, образовательной культуры и самого университета.
Главный тезис: кризис высшего образования вызван не просто появлением ИИ, а тем, что языковые модели уже массово используются студентами и преподавателями, при этом не сформировались общие нормы их допустимого использования. В результате возникает многомерный кризис доверия.
Карриган предлагает не выбирать между запретом ИИ и его тотальной интеграцией, а использовать стратегию «недостаточной интеграции» (strategic under-integration) — двигаться вперед постепенно, сохраняя возможность менять курс по мере развития технологий.
Проблема не столько в «ИИ», сколько в конкретном программном обеспечении
Автор призывает осторожнее употреблять термин «искусственный интеллект». Он слишком широк: под ним смешиваются LLM, рекомендательные алгоритмы, системы прогнозирования, генеративные инструменты и совершенно разные технологии.
Для университетов практичнее говорить о конкретных языковых моделях и конкретных сценариях их использования. Это позволяет обсуждать реальные проблемы, а не гипотетический «сверхинтеллект».
При этом LLM могут выполнять две противоположные функции:
когнитивное усиление — помогать человеку думать, исследовать, анализировать;
когнитивный аутсорсинг — выполнять интеллектуальную работу вместо человека.
Поэтому сама технология не является автоматически ни «хорошей», ни «плохой» для образования: результат зависит от того, как именно её используют.
ИИ обнаружил старые проблемы университетов
Массовое использование LLM нельзя объяснять только тем, что студенты «ленивы» или хотят списывать. Автор предлагает исследовать причины такого поведения: перегрузку студентов, необходимость работать, финансовые трудности, обязанности по уходу за родственниками, плохое качество преподавания и инструментальное отношение к диплому.
Таким образом, LLM выступают своего рода зеркалом существующей университетской системы: они усиливают уже существующие противоречия.
Возникает новый цифровой разрыв
Использование LLM требует определённой цифровой, языковой и культурной компетентности. Более подготовленные и обеспеченные студенты способны получать от моделей значительно больше.
Особенно важным автор считает появление ИИ-агентов: у одних студентов потенциально могут работать целые «команды» агентов, тогда как другие будут пользоваться бесплатными ограниченными моделями или не использовать их вообще. Это способно усилить существующее социальное неравенство.
Главная проблема — кризис доверия
Карриган выделяет четыре направления разрушения доверия:
Преподаватели → студенты: подозрение, что студенты используют LLM для мошенничества.
Студенты → преподаватели: подозрение, что преподаватели сами используют LLM, устанавливая при этом более жёсткие требования студентам.
Студенты → студенты: страх, что другие используют ИИ и получают конкурентное преимущество.
Преподаватели → преподаватели: подозрения в использовании ИИ при написании статей, рецензий, учебных материалов и т. д.
Особенно опасно то, что становится трудно установить связь между созданным контентом и его реальным автором. Хорошо написанное эссе уже не является надёжным свидетельством знаний студента, а качественная презентация — свидетельством того, что преподаватель сам проделал интеллектуальную работу.
Детекторы ИИ не решают проблему
Попытка определить по самому тексту, использовал ли его автор LLM, создаёт новую проблему: подозрение легко принять за доказательство.
Гладкий стиль может быть результатом полной генерации текста, а может быть результатом самостоятельной работы с последующей редактурой с помощью ИИ. Поэтому автор предлагает переходить от морального осуждения к диагностическому анализу: выяснять, почему возникло такое использование ИИ и что оно говорит об организации обучения.
Парадокс: университету нужны одновременно адаптация и интеграция ИИ
Карриган различает два направления:
Адаптация к
ИИ — реакция на уже происходящее:
сохранить достоверность оценки;
установить понятные правила;
определить допустимые способы использования;
реагировать на нарушения.
Интеграция ИИ — подготовка образования к будущему:
преподавать с использованием LLM;
учить студентов работать с ними;
менять задания так, чтобы их образовательная ценность не зависела от запрета ИИ;
развивать ИИ-грамотность;
экспериментировать с новыми педагогическими моделями.
Парадокс состоит в том, что каждое направление частично подрывает другое. Сильная адаптация приводит к запретам и контролю, что мешает экспериментировать с ИИ. А быстрая интеграция может сделать университет чрезмерно зависимым от конкретных коммерческих технологий.
Почему автор не предлагает просто «внедрить ИИ»
Экономическая и технологическая среда слишком нестабильна. Модели быстро меняются, меняются их цены, возможности и коммерческие стратегии компаний. Поэтому построение долгосрочной университетской инфраструктуры вокруг конкретных коммерческих продуктов рискованно.
В частности, автор рассматривает open-weight модели как потенциальную часть долгосрочной стратегии, позволяющей университетам снизить зависимость от технологических гигантов, но подчёркивает, что сами по себе они не являются готовым решением.
8. Предлагаемая модель
Автор предлагает последовательность из трёх уровней: На краткосрочном горизонте - Адаптация с задачей сохранить достоверность образования и оценки, на среднесрочном - Интеграция - научиться использовать LLM в преподавании и обучении, в долгосрочной перспективе - Развитие институциональной способности - создать университет, способный постоянно адаптироваться к технологическим изменениям
При этом третий уровень — наиболее принципиален. Университету нужна не одна «правильная политика ИИ», а организационная способность постоянно пересматривать свои практики.
Что такое «стратегическая недостаточная интеграция»
Это попытка найти середину между двумя крайностями:
не: «Запретим ИИ и вернёмся к прежней системе»
и не: «Интегрируем ИИ во все процессы прямо сейчас».
Вместо этого предлагается:
признавать массовое использование LLM;
устанавливать минимально необходимые правила;
экспериментировать с педагогикой;
сохранять возможность отказаться от конкретных технологий;
не привязывать учебные программы к конкретным продуктам;
развивать коллективное понимание и доверие;
укреплять способность университета адаптироваться к новым изменениям.
Проблема университета ≠ «студенты используют ChatGPT».
По Карригану, проблема выглядит скорее так: массовое распространение LLM + отсутствие общих норм → неопределённость → подозрения → разрушение доверия → угроза валидности оценки и ценности диплома.
А стратегический ответ: адаптация → постепенная интеграция → развитие институциональной способности постоянно адаптироваться.
Именно поэтому название «кризис ИИ» у Карригана несколько обманчиво: в центре его анализа находится не технология как таковая, а кризис отношений, норм, доверия и способности университета коллективно управлять изменениями.
Читать на английском https://manchester.pressbooks.pub/the-ai-crisis-in-higher-education/
сохранить достоверность оценки;
установить понятные правила;
определить допустимые способы использования;
реагировать на нарушения.
Интеграция ИИ — подготовка образования к будущему:
преподавать с использованием LLM;
учить студентов работать с ними;
менять задания так, чтобы их образовательная ценность не зависела от запрета ИИ;
развивать ИИ-грамотность;
экспериментировать с новыми педагогическими моделями.
Парадокс состоит в том, что каждое направление частично подрывает другое. Сильная адаптация приводит к запретам и контролю, что мешает экспериментировать с ИИ. А быстрая интеграция может сделать университет чрезмерно зависимым от конкретных коммерческих технологий.
Почему автор не предлагает просто «внедрить ИИ»
Экономическая и технологическая среда слишком нестабильна. Модели быстро меняются, меняются их цены, возможности и коммерческие стратегии компаний. Поэтому построение долгосрочной университетской инфраструктуры вокруг конкретных коммерческих продуктов рискованно.
В частности, автор рассматривает open-weight модели как потенциальную часть долгосрочной стратегии, позволяющей университетам снизить зависимость от технологических гигантов, но подчёркивает, что сами по себе они не являются готовым решением.
8. Предлагаемая модель
Автор предлагает последовательность из трёх уровней: На краткосрочном горизонте - Адаптация с задачей сохранить достоверность образования и оценки, на среднесрочном - Интеграция - научиться использовать LLM в преподавании и обучении, в долгосрочной перспективе - Развитие институциональной способности - создать университет, способный постоянно адаптироваться к технологическим изменениям
При этом третий уровень — наиболее принципиален. Университету нужна не одна «правильная политика ИИ», а организационная способность постоянно пересматривать свои практики.
Что такое «стратегическая недостаточная интеграция»
Это попытка найти середину между двумя крайностями:
не: «Запретим ИИ и вернёмся к прежней системе»
и не: «Интегрируем ИИ во все процессы прямо сейчас».
Вместо этого предлагается:
признавать массовое использование LLM;
устанавливать минимально необходимые правила;
экспериментировать с педагогикой;
сохранять возможность отказаться от конкретных технологий;
не привязывать учебные программы к конкретным продуктам;
развивать коллективное понимание и доверие;
укреплять способность университета адаптироваться к новым изменениям.
Проблема университета ≠ «студенты используют ChatGPT».
По Карригану, проблема выглядит скорее так: массовое распространение LLM + отсутствие общих норм → неопределённость → подозрения → разрушение доверия → угроза валидности оценки и ценности диплома.
А стратегический ответ: адаптация → постепенная интеграция → развитие институциональной способности постоянно адаптироваться.
Именно поэтому название «кризис ИИ» у Карригана несколько обманчиво: в центре его анализа находится не технология как таковая, а кризис отношений, норм, доверия и способности университета коллективно управлять изменениями.
Читать на английском https://manchester.pressbooks.pub/the-ai-crisis-in-higher-education/
Обзор технологических стартапов в образовании от 04.10.2026
_Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_
Европейский инвестиционный фонд (ЕИФ) инвестирует 50 млн евро в фонд Pitagora для расширения доступного студенческого жилья в Италии
Читать 2мин https://vk.ru/wall-87570467\_6375
Частная школа, в которой обучаются дети от 3 лет (детский сад) до 12-го класса, Академия Брукфилд начинает кампанию по сбору средств в размере 12 миллионов долларов на расширение
Читать 4мин https://vk.ru/wall-87570467\_6379
Edtech-стартап Arivihan предлагает персонализированное обучение на основе ИИ для учащихся в городах второго уровня и сельской местности, включая репетиторство, решение вопросов и учебные планы для 12 класса, CBSE и NEET и привлекает 96 крор рупий (10 миллионов долларов) при оценке в 570 крор рупий
Читать 2мин https://vk.ru/wall-87570467\_6366
Платформа для музыкального образования и игр Notey привлекла 3 млн долларов в рамках посевного финансирования
Читать 1мин https://vk.ru/wall-87570467\_6370
Создатель платформы для ученичества GoSprout привлек 1,2 миллиона долларов для расширения возможностей обучения и повышения экономической мобильности
Читать 4мин https://vk.ru/wall-87570467\_6387
Alive App, индийская платформа для создания и распространения новых впечатлений на основе ИИ, привлекла 1 млн долларов США в рамках посевного раунда финансирования
Читать 4мин https://vk.ru/wall-87570467\_6377
Компания H2 Analytics получила 800 000 долларов от FedDev на улучшение своей платформы для обучения в оборонной сфере
Читать 2мин https://vk.ru/wall-87570467\_6370
Microsoft поддерживает керальскую образовательную технологическую компанию Wayvida, предоставив ей 3,25 крор рупий (337,4 тыс. долларов США) для ускорения инноваций в области ИИ
Читать 3мин https://vk.ru/wall-87570467\_6385
Российский образовательный ИИ-стартап, ИИ-ассистент для учителей “Обучай” привлек 5 млн рублей от ФРИИ
Читать 1мин https://vk.ru/wall-87570467\_6373
Посевной раунд финансирования - Shizhu Technology, платформы образовательных технологий, разрабатывающая адаптивное программное обеспечение для обучения с использованием ИИ и отслеживания движений глаз
Читать 5мин https://vk.ru/wall-87570467\_6368
KJ Holdings инвестирует в фонд Do Ventures II, который изучет деловое партнерство и инвестиционные возможности, особенно в сфере образования и развития рабочей силы
Читать 2мин https://vk.ru/wall-87570467\_6383
Standard Chartered выделил 9 миллионов кенийских шиллингов (примерно 70 000 долларов США) семи технологическим стартапам, возглавляемым женщинами, в Кении, среди которых ChipuRobo продает комплекты местного производства для обучения искусственному интеллекту и робототехнике и Uptyke Consulting разрабатывает цифровые обучающие инструменты на основе ИИ для студентов с ограниченными возможностями
Читать 5мин https://vk.ru/wall-87570467_6381
_Что стало известно об инвестировании в стартапы EdTech за прошедшую неделю_
Европейский инвестиционный фонд (ЕИФ) инвестирует 50 млн евро в фонд Pitagora для расширения доступного студенческого жилья в Италии
Читать 2мин https://vk.ru/wall-87570467\_6375
Частная школа, в которой обучаются дети от 3 лет (детский сад) до 12-го класса, Академия Брукфилд начинает кампанию по сбору средств в размере 12 миллионов долларов на расширение
Читать 4мин https://vk.ru/wall-87570467\_6379
Edtech-стартап Arivihan предлагает персонализированное обучение на основе ИИ для учащихся в городах второго уровня и сельской местности, включая репетиторство, решение вопросов и учебные планы для 12 класса, CBSE и NEET и привлекает 96 крор рупий (10 миллионов долларов) при оценке в 570 крор рупий
Читать 2мин https://vk.ru/wall-87570467\_6366
Платформа для музыкального образования и игр Notey привлекла 3 млн долларов в рамках посевного финансирования
Читать 1мин https://vk.ru/wall-87570467\_6370
Создатель платформы для ученичества GoSprout привлек 1,2 миллиона долларов для расширения возможностей обучения и повышения экономической мобильности
Читать 4мин https://vk.ru/wall-87570467\_6387
Alive App, индийская платформа для создания и распространения новых впечатлений на основе ИИ, привлекла 1 млн долларов США в рамках посевного раунда финансирования
Читать 4мин https://vk.ru/wall-87570467\_6377
Компания H2 Analytics получила 800 000 долларов от FedDev на улучшение своей платформы для обучения в оборонной сфере
Читать 2мин https://vk.ru/wall-87570467\_6370
Microsoft поддерживает керальскую образовательную технологическую компанию Wayvida, предоставив ей 3,25 крор рупий (337,4 тыс. долларов США) для ускорения инноваций в области ИИ
Читать 3мин https://vk.ru/wall-87570467\_6385
Российский образовательный ИИ-стартап, ИИ-ассистент для учителей “Обучай” привлек 5 млн рублей от ФРИИ
Читать 1мин https://vk.ru/wall-87570467\_6373
Посевной раунд финансирования - Shizhu Technology, платформы образовательных технологий, разрабатывающая адаптивное программное обеспечение для обучения с использованием ИИ и отслеживания движений глаз
Читать 5мин https://vk.ru/wall-87570467\_6368
KJ Holdings инвестирует в фонд Do Ventures II, который изучет деловое партнерство и инвестиционные возможности, особенно в сфере образования и развития рабочей силы
Читать 2мин https://vk.ru/wall-87570467\_6383
Standard Chartered выделил 9 миллионов кенийских шиллингов (примерно 70 000 долларов США) семи технологическим стартапам, возглавляемым женщинами, в Кении, среди которых ChipuRobo продает комплекты местного производства для обучения искусственному интеллекту и робототехнике и Uptyke Consulting разрабатывает цифровые обучающие инструменты на основе ИИ для студентов с ограниченными возможностями
Читать 5мин https://vk.ru/wall-87570467_6381
Исследование Университета Мэриленда показало, что студенты, которым предлагали репетитора на основе ИИ, получали более низкие оценки и проявляли меньшую заинтересованность в учебных материалах
_Автор: Эмма Томпсон_
Рандомизированное исследование Университета Мэриленда с участием 2379 студентов и 30 преподавателей показало неожиданный результат: предоставление студентам доступа к встроенному в курс ИИ-репетитору на базе GPT-4o было связано не с улучшением, а с ухудшением учебных результатов и снижением вовлечённости.
оценки студентов с доступом к ИИ были примерно на 4 процентных пункта ниже — разница около 0,37 стандартного отклонения;
использование университетской LMS существенно снизилось — на 0,90 стандартного отклонения;
уменьшились просмотры страниц и число активных учебных дней;
самим ИИ-репетитором воспользовались лишь около 15% студентов;
почти 74% запросов были направлены на получение информации, объяснений или готовых решений;
только менее 1% запросов предполагали получение обратной связи по собственной попытке решения — то есть использование ИИ именно как репетитора.
Проблема, по мнению исследователей, может заключаться не столько в самом ИИ, сколько в замещении им других учебных активностей. ИИ оказался для студентов преимущественно инструментом получения ответов, а не средством активного обучения.
Даже при использовании ИИ лишь 15% студентов сам факт предоставления доступа к нему оказался связан с изменением поведения всей экспериментальной группы. Возможно, появление официально одобренного университетом ИИ изменило отношение студентов к использованию генеративного ИИ вообще.
Исследование ставит под сомнение простую модель:
«Добавим AI tutor в LMS → обучение станет эффективнее».
Более вероятна другая зависимость:
AI-инструмент → изменение учебного поведения → замещение традиционных активностей → изменение результатов обучения.
Поэтому при оценке AI в образовании необходимо измерять не только «пользовался ли студент ИИ», но и что именно ИИ заменил: чтение, решение задач, общение с преподавателем, самостоятельную попытку, дискуссию или прохождение учебных материалов.
При этом исследование не доказывает, что AI tutoring в целом вреден. Большинство преподавателей использовали режим прямых ответов, а не более педагогически ориентированный режим, направляющий студента к самостоятельному решению. Кроме того, исследование измеряло эффект предоставления доступа, а не эффект активного использования ИИ.
Исследование показывает потенциальный конфликт между AI как «репетитором» и AI как «машиной готовых ответов». Если студент использует первый вариант — ИИ может усиливать обучение; если второй — он способен вытеснять именно те действия, через которые обучение и происходит.
Читать 4мин https://dzen.ru/a/asKIUxt4aEBQST5-
_Автор: Эмма Томпсон_
Рандомизированное исследование Университета Мэриленда с участием 2379 студентов и 30 преподавателей показало неожиданный результат: предоставление студентам доступа к встроенному в курс ИИ-репетитору на базе GPT-4o было связано не с улучшением, а с ухудшением учебных результатов и снижением вовлечённости.
оценки студентов с доступом к ИИ были примерно на 4 процентных пункта ниже — разница около 0,37 стандартного отклонения;
использование университетской LMS существенно снизилось — на 0,90 стандартного отклонения;
уменьшились просмотры страниц и число активных учебных дней;
самим ИИ-репетитором воспользовались лишь около 15% студентов;
почти 74% запросов были направлены на получение информации, объяснений или готовых решений;
только менее 1% запросов предполагали получение обратной связи по собственной попытке решения — то есть использование ИИ именно как репетитора.
Проблема, по мнению исследователей, может заключаться не столько в самом ИИ, сколько в замещении им других учебных активностей. ИИ оказался для студентов преимущественно инструментом получения ответов, а не средством активного обучения.
Даже при использовании ИИ лишь 15% студентов сам факт предоставления доступа к нему оказался связан с изменением поведения всей экспериментальной группы. Возможно, появление официально одобренного университетом ИИ изменило отношение студентов к использованию генеративного ИИ вообще.
Исследование ставит под сомнение простую модель:
«Добавим AI tutor в LMS → обучение станет эффективнее».
Более вероятна другая зависимость:
AI-инструмент → изменение учебного поведения → замещение традиционных активностей → изменение результатов обучения.
Поэтому при оценке AI в образовании необходимо измерять не только «пользовался ли студент ИИ», но и что именно ИИ заменил: чтение, решение задач, общение с преподавателем, самостоятельную попытку, дискуссию или прохождение учебных материалов.
При этом исследование не доказывает, что AI tutoring в целом вреден. Большинство преподавателей использовали режим прямых ответов, а не более педагогически ориентированный режим, направляющий студента к самостоятельному решению. Кроме того, исследование измеряло эффект предоставления доступа, а не эффект активного использования ИИ.
Исследование показывает потенциальный конфликт между AI как «репетитором» и AI как «машиной готовых ответов». Если студент использует первый вариант — ИИ может усиливать обучение; если второй — он способен вытеснять именно те действия, через которые обучение и происходит.
Читать 4мин https://dzen.ru/a/asKIUxt4aEBQST5-
Стартап в сфере образовательных технологий Glite запускает приложение для повышения уровня владения английским языком
_Автор: Пай Камау_
Glite основан известным предпринимателем Vassili Philippov (основателей MEL Science)
Glite представляет интерес прежде всего как AI-native модель языкового обучения для уровня B1–C1, где ИИ используется не просто как разговорный партнер, а как система персонализации учебной траектории.
40 млн точек данных от более чем 3 млн учащихся позволяют строить модели типичных образовательных траекторий и выявлять индивидуальные пробелы. Это потенциально сильнее традиционной модели «один курс — одна программа для всех».
Перспективен выбор недообслуживаемого сегмента intermediate/advanced. Большинство языковых приложений действительно ориентированы на начинающих, тогда как переход от «могу объясниться» к свободному профессиональному и культурному владению языком гораздо сложнее автоматизировать.
При этом ключевой вопрос — не объем данных сам по себе, а их педагогическая ценность. Нужно доказать, что персонализация Glite действительно приводит к росту беглости, понимания и способности действовать в реальных ситуациях, а не только улучшает результаты внутри приложения.
Это интересный пример перехода от AI tutor → AI learning system: ИИ не просто отвечает ученику, а пытается моделировать его состояние знаний и выбирать следующий оптимальный шаг обучения.
Потенциально сильный проект на пересечении Learning Analytics + AI tutor + adaptive learning. Его наиболее ценная часть — попытка создать модель индивидуальной траектории обучения на огромном массиве данных. Если эта модель действительно предсказывает, _что конкретному учащемуся нужно изучать дальше_, у проекта может быть гораздо более широкая технологическая платформа, чем просто приложение для английского языка.
Читать 3мин https://dzen.ru/a/asKjxM5c9AY48mWZ
_Автор: Пай Камау_
Glite основан известным предпринимателем Vassili Philippov (основателей MEL Science)
Glite представляет интерес прежде всего как AI-native модель языкового обучения для уровня B1–C1, где ИИ используется не просто как разговорный партнер, а как система персонализации учебной траектории.
40 млн точек данных от более чем 3 млн учащихся позволяют строить модели типичных образовательных траекторий и выявлять индивидуальные пробелы. Это потенциально сильнее традиционной модели «один курс — одна программа для всех».
Перспективен выбор недообслуживаемого сегмента intermediate/advanced. Большинство языковых приложений действительно ориентированы на начинающих, тогда как переход от «могу объясниться» к свободному профессиональному и культурному владению языком гораздо сложнее автоматизировать.
При этом ключевой вопрос — не объем данных сам по себе, а их педагогическая ценность. Нужно доказать, что персонализация Glite действительно приводит к росту беглости, понимания и способности действовать в реальных ситуациях, а не только улучшает результаты внутри приложения.
Это интересный пример перехода от AI tutor → AI learning system: ИИ не просто отвечает ученику, а пытается моделировать его состояние знаний и выбирать следующий оптимальный шаг обучения.
Потенциально сильный проект на пересечении Learning Analytics + AI tutor + adaptive learning. Его наиболее ценная часть — попытка создать модель индивидуальной траектории обучения на огромном массиве данных. Если эта модель действительно предсказывает, _что конкретному учащемуся нужно изучать дальше_, у проекта может быть гораздо более широкая технологическая платформа, чем просто приложение для английского языка.
Читать 3мин https://dzen.ru/a/asKjxM5c9AY48mWZ