Авторы: Стив Вулластон, Брендан Фланаган, Исанка Виджератне и Хироаки Огата
Аннотация
Искусственный интеллект в образовании эволюционирует от пассивных чат-ботов к проактивным агентам ИИ, способным инициировать и целенаправленно взаимодействовать. Предлагая возможности для персонализированного обучения, этот сдвиг рискует подорвать самостоятельность обучающихся и их когнитивные усилия. В данной статье рассматриваются шесть педагогических принципов — активация предварительных знаний, совместное обучение, проблемно-ориентированное обучение, формирующее оценивание, поддержка и метакогниция — через призму искусственного интеллекта как средства обучения. Мы обсуждаем противоречие между автоматизацией и обучением, предлагая рекомендации по проектированию, которые отдают приоритет преднамеренному трению, динамической поддержке, контролю со стороны человека и продуманному использованию ИИ, чтобы гарантировать, что ИИ поддерживает, а не заменяет человеческое обучение.
1 Введение
Ландшафт искусственного интеллекта в образовании переживает очередной парадигматический сдвиг, эволюционируя от пассивных, реактивных чат-ботов к целенаправленным, проактивным агентам ИИ [5]. По сути, агентные системы функционируют как цифровые акторы, которые могут самостоятельно отслеживать окружающую среду, обрабатывать и фильтровать информацию в соответствии с конкретными целями и выполнять целенаправленные задачи для достижения этих целей [9]. В отличие от традиционных диалоговых систем, которые просто следуют инструкциям пользователя, проактивные агенты ИИ обладают способностью предвидеть результаты, проявлять инициативу и стратегически планировать достижение конкретных целей [1]. Хотя этот переход открывает многочисленные возможности для персонализированного и адаптивного обучения в реальном времени для каждого ученика [19], он также создает проблему: разработка автономных систем, которые поддерживают обучение, не подрывая самостоятельность обучающегося [20] или профессиональное суждение учителей [21].
Агентные системы, работающие в рамках более широкой цифровой экосистемы образовательного приложения, обладают тремя основными поведенческими характеристиками: автономностью функционирования без постоянного вмешательства человека, проактивностью в инициировании целенаправленных действий и реактивностью в адаптации к изменяющимся условиям (например, вводу данных от пользователей, других агентов или самой цифровой среды) [9]. Ключевым функциональным преимуществом такой конфигурации является способность системы использовать внешние инструменты, такие как базы данных, API и микросервисы, одновременно используя постоянную память для поддержания непрерывности между сессиями и обмена данными в многоагентных сетях [9].
По мере того, как образовательные технологии становятся все более совершенными, возникает риск того, что автоматизация ИИ обойдет когнитивные усилия, необходимые для глубокого обучения. Хотя продуктивная когнитивная разгрузка (делегирование рутинных умственных задач внешним инструментам) потенциально может освободить умственные ресурсы для рассуждений более высокого порядка, она часто переходит в когнитивную капитуляцию. В этом состоянии обучающийся фактически отказывается от интеллектуальной активности, позволяя ИИ выполнять критический синтез и анализ, которые студент должен делать сам для успешного обучения [3, 24]. Исследования предупреждают, что чрезмерная зависимость от технологий может подорвать важные человеческие элементы преподавания и обучения, такие как глубокая обработка информации, концентрация внимания, критическое мышление, эмпатия, устойчивость и креативность [19]. Чтобы избежать этого, системы ИИ с агентным управлением должны быть целенаправленно разработаны для продвижения основных педагогических принципов, а не для замены когнитивных способностей обучающихся. Успешное обучение с помощью ИИ с агентным управлением требует преднамеренного дистанцирования от процесса обучения и стратегического постепенного снижения поддержки ИИ по мере развития компетенций учащихся. Уравновешивая проактивную поддержку с необходимыми и полезными когнитивными задачами, ИИ может сохранить продуктивную борьбу, необходимую для эффективного обучения [14].
Чтобы обосновать разработку этих систем агентного ИИ в соответствии с передовой образовательной практикой, в данной статье представлены и обсуждаются устоявшиеся результаты из образовательной литературы по обучению, эффективному преподаванию и педагогической теории [12, 23] в контексте систем агентного ИИ. Были выбраны шесть принципов передовой практики для более детального изучения, которые затем обсуждались с точки зрения возможностей и проблем, предоставляемых системами агентного ИИ. Ниже они представлены в произвольном порядке.
2 Педагогические принципы и агентный ИИ
2.1 Предварительные знания и опыт
Активация предварительных знаний является основополагающей для обучения; обучение должно начинаться с краткого обзора предыдущего материала для укрепления беглого запоминания и помощи учащимся в интеграции новой информации в существующие когнитивные схемы [13]. Эффективная педагогика также должна признавать и развивать то, что учащиеся уже знают, принимая во внимание личный и культурный опыт различных групп [2].
Возможности – контекстно-ориентированный поиск и персонализация: Агентный ИИ предлагает возможности для облегчения этого процесса посредством контекстно-ориентированного поиска. Используя постоянно обновляемые профили учащихся, ИИ-репетитор может заблаговременно связывать новые концепции с конкретными прошлыми уроками или личными интересами ученика. Например, изложение новой математической концепции через призму известного хобби ученика снижает когнитивную нагрузку и освобождает рабочую память для более глубокой обработки информации.
Проблема — алгоритмические предположения и культурное несоответствие: использование агентного ИИ сопряжено с риском алгоритмической предвзятости и культурного несоответствия. Системы ИИ могут делать ошибочные выводы о предыдущих знаниях ученика на основе алгоритмических обобщений, неполных и/или предвзятых обучающих данных. Кроме того, агентам ИИ часто не хватает тонкой местной культурной компетентности, присущей учителю-человеку; попытка связать концепцию с неформальным опытом ученика может привести к стереотипным, нерелевантным или неуместным связям, которые отталкивают ученика, а не вовлекают его в процесс обучения.
2.2 Совместное и командное обучение
Совместное обучение включает в себя методы обучения, при которых студенты работают вместе в небольших группах над достижением общей цели, в значительной степени опираясь на позитивную взаимозависимость, индивидуальную ответственность и социальные навыки [7]. Этот подход способствует развитию важных межличностных навыков, обучая студентов тому, как формулировать рассуждения, слушать различные идеи без защитной реакции и находить компромиссы [8].
Возможность – Проактивный участник команды: Большие языковые модели (LLM) процветают в ролевых играх и могут выступать в качестве проактивного участника команды. Разговорный ИИ-агент может имитировать члена команды, чтобы подтолкнуть его к контраргументам в качестве «адвоката дьявола» или отслеживать динамику группы, чтобы поощрять равноправное участие и совместное регулирование.
Проблема – Потеря подлинной связи: Интеграция ИИ в обучение в группах представляет собой критическую проблему, связанную с потерей подлинной связи, которая строится на доверии, уважении и эмпатии. Существует серьезный риск того, что чрезмерно напористый ИИ-агент может доминировать в групповой работе или слишком эффективно разрешать споры. Если ИИ предвосхитит сложный, но необходимый процесс переговоров между участниками, он грозит затормозить развитие подлинной человеческой эмпатии, навыков разрешения конфликтов и глубоких межличностных навыков, которые делают совместное обучение столь ценным.
2.3 Проблемно-ориентированное обучение
Проблемно-ориентированное обучение (ПОО) фокусируется на вовлечении студентов в решение аутентичных, неструктурированных, реальных проблем, требующих самостоятельных исследований и коллективного мозгового штурма [16]. Работая со сложными сценариями, студенты развивают исследовательские навыки, критическое мышление, настойчивость, навыки саморегулируемого обучения и междисциплинарного решения проблем.
Возможность – Динамическое моделирование: Агентный ИИ может генерировать бесконечно настраиваемые, контекстно-обогащенные сценарии. Система ИИ может выступать в роли реалистичного заинтересованного лица, клиента или интерактивной среды, с которой студенты должны проводить интервью и удовлетворять их потребности, привнося реализм и адаптивность в учебное пространство.
Вызов – Подрыв продуктивной борьбы: Эта возможность ставит перед нами задачу подрыва продуктивной борьбы. Педагогическая ценность ПОО во многом зависит от того, насколько студенты справляются с неопределенностью и самостоятельно ориентируются в процессе исследования [15]. Чрезмерно «полезный» ИИ может преждевременно решить сложную проблему или снизить когнитивную нагрузку, устранив необходимое учебное трение. Если ИИ слишком быстро разрешает неопределенность, теряется фундаментальная педагогическая ценность борьбы, превращая эффективное решение проблем в пассивное получение информации.
2.4 Формирующее оценивание и обратная связь в реальном времени
Эффективная педагогика включает непрерывное формирующее оценивание в процессе обучения для обеспечения немедленной корректирующей обратной связи и выявления пробелов в понимании [11]. Часто проверяя понимание, педагоги могут определить, насколько хорошо усвоены материал и навыки, адаптировать стратегии обучения в реальном времени и обеспечить соответствие содержания и учебных мероприятий зоне ближайшего развития (ЗБР) ученика [23]. Исследования постоянно подчеркивают, что высококачественная обратная связь является одним из наиболее мощных факторов, влияющих на успеваемость учащихся [12].
Возможность — Процесс против продукта: Агентный ИИ предоставляет возможность выйти за рамки оценки результатов и перейти к непрерывной, ненавязчивой оценке на основе процесса. Отслеживая, как студент решает задачу шаг за шагом, ИИ может выявлять конкретные когнитивные заблуждения и предоставлять персонализированную обратную связь в режиме реального времени, не дожидаясь итоговых оценок.
Проблема — Целостность оценки и конфиденциальность: Однако непрерывный мониторинг влечет за собой значительные этические последствия в отношении конфиденциальности и слежки. Кроме того, по мере глубокой интеграции ИИ в рабочий процесс становится все сложнее отделить подлинные способности студента от помощи ИИ, что ставит под сомнение достоверность самой оценки.
2.5 Строительные леса
Создание лесов предполагает предоставление временной когнитивной, социальной и эмоциональной поддержки, такой как пошаговые демонстрации, экспертные модели или подсказки, чтобы помочь учащимся справляться со сложными задачами [22]. Эти поддержки предназначены для переходного периода; по мере того, как компетентность и понимание учащегося возрастают, каркасы постепенно убираются или «исчезают», чтобы способствовать самостоятельному решению проблем [23].
Возможность — персонализированный и обучаемый искусственный интеллект: Агентский искусственный интеллект может предлагать круглосуточное персонализированное обучение, которое терпеливо разбивает сложные задачи и явно моделирует экспертное мышление для отдельных учащихся. В качестве альтернативы он может действовать как «обучаемый ИИ», где система имитирует новичка, которого обучает ученик, используя педагогику маори туакана-тейна (учитель и ученик взаимно учатся друг у друга) для углубления собственного владения учеником предметом [27].
Проблема – проблема «угасания»: Основная проблема заключается в проблеме «угасания», трудности, которую разделяют как преподаватели-люди, так и ИИ. Генеративный ИИ по своей сути обеспечивает неявную поддержку благодаря своей адаптивной, итеративной природе, из-за чего трудно определить, когда и как прекратить поддержку, не мешая обучающемуся. Чрезмерная зависимость от этой автоматизированной помощи рискует вызвать «выученную беспомощность», которая подрывает цель студенческой автономии [18]. Исследования показывают, что основной фокус должен сместиться с простого устранения поддержки на развитие способности учащегося к рефлексивному, саморегулируемому взаимодействию с ИИ [4].
2.6 Развитие метакогниции и рефлексии
Развитие метакогниции требует обучения навыкам саморегуляции и побуждения учащихся к осознанному анализу собственных процессов обучения, целей и эмоций [17]. Целенаправленное сосредоточение внимания на этом позволяет учащимся «размышлять о своем мышлении», оценивать свои стратегии и адаптивно интегрировать новые знания. Как утверждает Дьюи [6], обучение происходит не просто из опыта, а из активного осмысления этого опыта.
Возможность — Рефлексивные подсказки: Агентный ИИ может способствовать этой саморегуляции, заблаговременно прерывая последовательности обучения в оптимальные моменты, чтобы задавать метакогнитивные вопросы, такие как «Почему вы выбрали этот подход?» или «Какова ваша цель?». Это способствует непрерывному метаобучению и рефлексии без необходимости для учителя вручную подсказывать каждому ученику.
Проблема — Поверхностное подчинение против внутренней регуляции: Критическая задача заключается в разработке вмешательств ИИ, которые провоцируют подлинное созерцание, а не поверхностное подчинение. Студенты часто учатся «обходить» автоматизированные системы, предоставляя поверхностные ответы лишь для того, чтобы обойти контрольные точки рефлексии ИИ. Более того, если ИИ чрезмерно управляет процессом рефлексии, он рискует навсегда вывести навык, который в конечном итоге должен стать внутренней, самонаправляемой привычкой, на что он способен.
3 Матрица внедрения агентного ИИ
Для того чтобы связать теорию, архитектуру системы и практику, в таблице 1 эти принципы представлены в виде действенной проектной структуры. Эта матрица сопоставляет каждую педагогическую концепцию с конкретными действиями системы, демонстрируя, как стратегии преднамеренного учебного трения и динамического постепенного ослабления поддержки могут быть внедрены в различных контекстах обучения.
Таблица 1: Матрица реализации агентного ИИ с учетом педагогических принципов
4. Обсуждение: Человеческое обучение и самостоятельность ИИ
Интеграция проактивных агентов ИИ в образовательную среду открывает как возможности, так и проблемы. В рамках обсуждаемых принципов постоянно возникает противоречие между автоматизацией и обучением. Хотя способность ИИ снижать когнитивную нагрузку и обеспечивать мгновенную поддержку технически впечатляет, она создает парадоксальный риск: оптимизируя эффективность выполнения задач, мы можем непреднамеренно обойти когнитивные усилия, необходимые для глубокого, осмысленного обучения. Истинная самостоятельность требует от обучающегося умения справляться со сложностью, процесс, который нельзя полностью передать алгоритму, не лишив его ценности образовательного опыта.
Чтобы гарантировать, что эти технологии поддерживают, а не заменяют человеческое развитие, мы предлагаем следующие рекомендации по проектированию:
• Проектирование с учетом препятствий: Вместо того чтобы стремиться к бесшовным, беспроблемным интерфейсам, системы ИИ должны быть намеренно спроектированы таким образом, чтобы не давать ответов и поддержки. Создавая стратегические «трудности в обучении», агенты могут заставить критическое мышление и активное исследование, необходимые для закрепления знаний, гарантируя, что обучающийся остается основным двигателем интеллектуального пути.
• Реализация динамического затухания: поддержка ИИ должна быть по своей сути переходной, специально разработанной для отступления по мере повышения компетентности ученика. Чтобы предотвратить выученную беспомощность, агентные системы требуют надежной аналитики в реальном времени, способной различать временное выполнение задачи и долгосрочное освоение, позволяя ИИ динамически отключать промежуточную поддержку и систематически возвращать полную когнитивную автономию обучающемуся [26].
• Архитектурный «учитель в цикле»: В отличие от стандартных генеративных систем ИИ, которые отводят преподавателей в пассивное наблюдение за взаимодействием ученика и чат-бота, агентная образовательная архитектура должна включать учителя в качестве активного координатора конечного автомата агента. Это требует трех различных механизмов:
(1) Протоколы эскалации: Когда агент автоматически приостанавливает свой цикл выполнения и передает управление учителю при столкновении с предопределенными проблемами или пороговыми значениями обучения, такими как устойчивые циклы неправильного понимания учеником материала, чрезмерное разочарование или неправильное использование, или содержание и навыки, требующие реляционного обучения или особой чувствительности;
(2) Возможность регулирования цели и ограничений: Предоставление учителям возможности корректировать цели каждого агента, границы подсказок, доступ к инструментам и уровни автономности в режиме реального времени на основе динамики реального класса; и
(3) Возможность прерывания состояния: Предоставление педагогам возможности вручную изменять и корректировать запланированную траекторию агента в середине занятия.
Внедряя эти вмешательства непосредственно в цикл выполнения агента, система гарантирует, что человек-педагог по-настоящему сохраняет свои полномочия в качестве педагогического руководителя, а не стороннего наблюдателя автоматизации.
• Ограничение использования ИИ: То, что мы можем, не всегда означает, что мы должны. Педагоги должны критически оценивать, какие учебные задачи действительно выигрывают от поддержки ИИ, а какие лучше решать традиционными методами, которые отдают приоритет человеческому взаимодействию и внутренней когнитивной обработке. Применяя модель SAMR [10], мы должны избегать использования ИИ лишь для замены или дополнения, когда технология добавляет мало педагогической ценности. Вместо этого мы должны отдавать приоритет тем случаям, когда ИИ может способствовать истинной модификации или переосмыслению учебного процесса. Иногда наиболее эффективным инструментом для глубокого обучения остается разговор или чистый лист бумаги.
Мы должны отдавать приоритет педагогической целостности, а не эффективности. В центре внимания должно оставаться содействие человеческому обучению, даже когда доступна возможность автоматизации. Мы призываем педагогов и заинтересованных лиц в области ИИ внимательно отнестись к предупреждению Штернберга [25]: не спрашивайте, что ИИ может сделать для вас; спрашивайте, что ИИ делает с вами. Наша цель должна заключаться в создании инструментов и процессов, которые укрепляют способность каждого ученика мыслить, чувствовать и творить, а не инструментов, которые заменяют собой трудную, необходимую работу мышления.
Благодарности
Я глубоко благодарен Лин Маккензи за ее бесценное наставничество и мудрость во время моей работы школьным учителем, которые сыграли решающую роль в развитии моей практики и совершенствовании моей педагогики. Это исследование поддержано Советом по науке, 3-й программой SIP JPJ012347, грантом JSPS на научные исследования (B) JP23H01001, (A) JP23H00505 и грантом KAKENHI № 26KJ1488.
Заявление о генеративном ИИ
В процессе подготовки данной работы автор(ы) использовали Gemini 3.1 для: проверки грамматики и орфографии, перефразирования и переформулирования разделов для большей ясности, а также для помощи в составлении аннотации. После использования этого инструмента автор(ы) проверили и отредактировали содержание по мере необходимости и несут полную ответственность за содержание публикации.
Список литературы
[1] Дипак Бхаскар Ачарья, Картигейан Куппан и Б. Дивья. Агентный ИИ: Автономный интеллект для сложных целей — всесторонний обзор. IEEE Access: Практические инновации, открытые решения, 13:18912–18936, 2025.
[2] Энджел Чан. Te wh¯ariki: Программа раннего развития детей в сверхразнообразной Новой Зеландии. Новозеландский журнал образовательных исследований, 54(2):245–259, 2019.
[3] Гинто Чирайат, К. Премамалини и Джина Джозеф. Когнитивная разгрузка или когнитивная перегрузка? Как ИИ изменяет ментальную архитектуру преодоления трудностей. Frontiers in Psychology, 16:1699320, 2025.
[4] Мелану Хрисанти и Биге Майк. [5] Ян Дэн, Лизи Ляо, Вэньцян Лэй, Грейс Хуэй Ян, Вай Лам и Тат-Сенг Чуа. Проактивный разговорный ИИ: всесторонний обзор достижений и возможностей. ACM Transactions on Information Systems, 43(3):1–45, 2025. [6] Дж. Дьюи. Как мы мыслим: переосмысление рефлексивного мышления в образовательном процессе. D.C. Heath and Company, 1933.
[7] Ариан Хуссейн Сулейман Дзай и Саман Ахмед Абдулла. Использование стратегий активного обучения для повышения эффективности преподавания в высших учебных заведениях. Zanco for the Humanities, 28(4):328–351, 2024.
[8] Л. Ди Финк. Пять эффективных методов обучения: список возможностей. Сборник эссе об обучении и преподавании, 9:3, 2016.
[9] Антонио Гулльи. Шаблоны проектирования агентов: практическое руководство по созданию интеллектуальных систем. Springer Nature, 2025.
[10] Эрика Р. Гамильтон, Джошуа М. Розенберг и Мете Акчаоглу. Модель замещения, расширения, модификации и переопределения (SAMR): критический обзор и предложения по ее использованию. TechTrends: For Leaders in Education & Training, 60(5):433–441, 2016.
[11] Марсела Эрнендес-де Менендес, Антонио Вальехо Гевара, Хуан Карлос Тудон Мартинес, Диана Эрнендес Алькантара и Рубен Моралес-Менендес. Активное обучение в инженерном образовании: обзор основ, передовых методов и опыта. Международный журнал интерактивного проектирования и производства (IJIDeM), 13(3):909–922, 2019.
[12] Крис Хасбендс и Джо Пирс. Отличная педагогика: девять утверждений из исследований. Отчет об исследовании, Национальный колледж школьного лидерства, 2012.
[13] Мэри Джеймс и Эндрю Поллард. Десять принципов эффективной педагогики TLRP: обоснование, развитие, доказательства, аргументация и влияние, страницы 14–67. Routledge, 2014.
[14] Ману Капур. Учимся на продуктивных ошибках. Обучение: исследования и практика, 1(1):51–65, 2015.
[15] Махмуд Хасан Хан. Эпистемический сетевой анализ в проблемно-ориентированном обучении (ПОО). Докторская диссертация, Университет Восточной Финляндии, 2020.
[16] Минчи С. Ким и Майкл Дж. Ханнафин. Поддержка решения проблем в средах обучения с использованием технологий (TELE): связь исследований и теории с практикой. Компьютеры и образование, 56(2):403–417, 2011.
[17] Мэтью Э. Лембергер, Грег Бригман, Линда Уэбб и Молли М. Мур. Навыки успешного обучения студентов: основанная на доказательствах когнитивная теория социальных изменений для повышения успеваемости студентов. Журнал образования, 192(2-3):89–99, 2012.
[18] Стивен Ф. Майер и Мартин Э. Селигман. Выученная беспомощность: теория и доказательства. Журнал экспериментальной психологии: общий, 105(1):3, 1976.
[19] Мария Евгения Мартинес и Валерия Гомес. Стратегии активного обучения: краткий обзор подходов, основанных на доказательствах. Acta Pedagogia Asiana, 4(1):43–54, 2025.
[20] Ана Моута, Ана Мария Пинто-Льоренте и Ева Мария Торресилья-Санчес. «Куда движется субъектность?»: исследование взаимодействия между технологиями ИИ в образовании и человеческой субъектностью. Цифровое общество: этика, социально-правовые аспекты и управление цифровыми технологиями, 4(2), 2025.
[21] Н. Петерсен и Дж. Батчелор. Взгляды будущих учителей на суждения и практику в эпоху искусственного интеллекта. Южноафриканский обзор образования, 25(1):70–88, 2019.
[22] С. Пунтамбекар и Дж. Л. Колоднер. Распределенная поддержка: помощь студентам в изучении науки через проектирование. Когниция и обучение, 21(1):1–47, 2003.
[23] Барак Розеншайн. Принципы обучения: стратегии, основанные на исследованиях, которые должны знать все учителя. Американский педагог, 36(1):12, 2012.
[24] Стивен Д. Шоу и Гидеон Нейв. Мышление — быстрое, медленное и искусственное: как ИИ меняет человеческое мышление и рост когнитивной капитуляции. Доступно на SSRN 6097646, 2026.
[25] Роберт Дж. Стернберг. Не беспокойтесь о том, что генеративный ИИ может поставить под угрозу человеческую креативность или интеллект в будущем: это уже произошло. Журнал интеллекта, 12(7):69, 2024.
[26] Кит С. Табер. Поддержка обучения: принципы эффективного преподавания и разработка учебных ресурсов. В книге «Эффективное преподавание и обучение: перспективы, стратегии и реализация», страницы 1–43. Издательство Nova Science Publishers, 2018.
[27] Кристин Вудс. Размышления о педагогике: путь сотрудничества. Журнал управленческого образования, 35(1):154–167, 2011.