​​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

​​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

​​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

*🦄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

*🦄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 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

​​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.

​​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

​​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

​​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/

​​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

​​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-

​​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