Использование генеративного ИИ в учебном процессе может снижать реальный уровень креативности студентов. При этом он создаёт у них иллюзию собственной творческой продуктивности.

К такому выводу пришли наши коллеги из ТГУ по итогам эксперимента, в котором изучалось влияние инструментов на основе больших языковых моделей на развитие навыков креативности.

Когда студентам разрешают опираться на нейросети при выполнении творческих заданий, их «ощущение креативности» растёт, а вот реальные показатели — нет. В эксперименте с первокурсниками философского факультета одна группа четыре недели работала с LLM-инструментами, вторая — без них.

Итог: по объективным критериям (необычность, неочевидность, новизна подхода, трансформация, количество идей) группа без ИИ оказалась сильнее; при этом участники «ИИ-группы» оценили себя как более креативных. Тот самый эффект плацебо: технология придаёт уверенности и создаёт впечатление продуктивности, но часть «мышц воображения» в этот момент не работает на полную.

Конечно, ИИ не «плохой» и не «хороший» сам по себе. Он требует грамотного места в траектории обучения. Если подключить его слишком рано, студенты начинают собирать решения из готовых паттернов модели и теряют глубину поиска. Если же подключить его позже, после честной попытки решить задачу своими силами, он работает как «вовремя подсказанный ход»: расширяет поле идей, помогает преодолеть затыки и при этом не подменяет мышление.

Готовый «минимум правил», который можно вставлять в методичку курсу или в задание:

🔹Начинать нужно с установки: 15–20 минут работаем без ИИ и коротко фиксируем ход мысли и первые идеи.

🔹Подключаем ИИ на короткий отрезок (10–15 минут) и заранее ограничиваем число запросов. Мозг заранее «понимает», что нужно продолжать работать, его не собираются заменять полностью.

🔹Любую подсказку модели обязательно перерабатываем: меняем формулировки, дополняем примерами, связываем с контекстом задания. Фиксируем изменения.

🔹На каждую идею из ИИ делаем альтернативную собственную версию, чтобы был выбор. Даже если изначально понятно, что идея ИИ сильнее.

🔹Перед тем как принять подсказку, на минуту останавливаемся и формулируем, зачем она нужна и что в ней можно или нужно изменить.

🔹Ведём простой «протокол прогресса»: фиксируем, что спросили у ИИ, что взяли, что добавили сами, чем это усилило решение.

🔹Собираем финальный вариант: аккуратно сводим свои идеи и переработанные идеи ИИ, делаем мини-сравнение «до и после» в 2–3 фразах.

🔹На защите результатов показываем путь решения, а не только результат: где ИИ помог, где даже мешал, что принципиально своё осталось и почему именно такой выбор.

🔹В оценивании смотрим не на «гладкость», а на оригинальность взгляда, глубину переработки и разнообразие идей. Обязательно фиксируем «метки» ИИ: прописные буквы там, где их быть не должно; неверный синтаксис (некоторые модели, например, любят ставить тире вместо запятых; излишнее количество эмодзи и так далее).

🔹Обеспечиваем качественную и живую обратную связь: хвалим за риск, поиск, честный пересмотр версий; критикуем не человека, а решение (впрочем, это — обычное правило продуктивной критики).

Исследование «Влияние больших языковых моделей LLM (ChatGPT) на креативность студентов». Авторы: В.И. Кабрин, Э.В. Галажинский, А.В. Фещенко, В.В. Мацута, С.И. Барч, А.С. Иванова.