Развитие искусственного интеллекта в образовании трансформирует методы обучения студентов, обеспечивая более быстрый доступ к информации и новые способы изучения идей. PRODIREKTМы признаем преимущества инструментов искусственного интеллекта, но также видим и проблему: обеспечение того, чтобы студенты сохраняли способность глубоко взаимодействовать со сложным материалом и развивать необходимые навыки критического мышления.

23 августа 2025 г. | В статье Йеппе Клитгарда Штрикера «Ловушка оптимизации» нас больше всего поражает то, как цикл «мгновенного удовлетворения» связан не только со скоростью, но и со снижением терпимости студентов к неопределенности и разочарованию. В традиционном обучении именно борьба с неопределенностью оттачивает логическое мышление и развивает устойчивость. Однако с искусственным интеллектом порог дискомфорта становится опасно низким. Студенты больше не чувствуют необходимости разбираться со сложностью; вместо этого они передают «сложную середину» мышления машине, которая может быстро подготовить частичные ответы.

Для педагогов это означает, что задача состоит не только в разработке заданий, которые трудно оптимизировать с помощью ИИ, но и в развитии того, что можно назвать когнитивной выносливостью . Более глубокий навык, который мы должны развивать, — это способность оставаться в том некомфортном состоянии, когда ответ неясен, а борьба не приносит удовлетворения. Если ученики научатся проявлять настойчивость в этом состоянии, они не только лучше адаптируются к средам, насыщенным ИИ, — они также будут подготовлены к решению сложных, непредсказуемых задач, которые ни один алгоритм не сможет для них решить.

Искусственный интеллект в образовании: баланс между скоростью и критическим мышлением.

Выскажите своё мнение! 🎯 Искусственный интеллект в образовании: «Ловушка оптимизации — как генеративный ИИ учит студентов избегать глубокого мышленияЙеппе Клитгаард Стрикер

Если вы понаблюдаете за человеком, впервые работающим с ChatGPT или подобным инструментом, вы, вероятно, заметите почти мгновенное изменение в его поведении. Первый ответ от машины не совсем правильный, поэтому он корректирует запрос. Затем возникает сомнение: это только мне кажется, или машина глупая? Ах, вот так лучше, но все еще не идеально. Еще одна итерация; затем еще одна. Каждое улучшение приносит небольшое удовлетворение, побуждая к очередному раунду доработки.

Это весело!

Это также классический пример технологической инертности.

Когда у вас заканчиваются жетоны и появляется сообщение о том, что нужно подождать несколько часов, чтобы продолжить, чувство неудовлетворенности настигает очень сильно. Это не просто технологический барьер, но и глубоко человеческий, естественный. Этот опыт в точности отражает то, что наблюдают поведенческие психологи в отношении схем с переменным вознаграждением: непредсказуемость появления «идеального» ответа удерживает пользователей гораздо дольше, чем постоянные вознаграждения.

Это как наблюдать за детьми, у которых закончились монеты для пинбольного автомата. Они выиграли ровно столько, чтобы поверить, что следующая игра может стать той, где все сложится идеально. Нам же нужно больше монет или жетонов. Мы хотим остаться в игре.

Конечно, это целенаправленный дизайн. Платформы генеративного ИИ унаследовали принципы убедительного пользовательского опыта от социальных сетей и игр: здесь используются вариативные схемы вознаграждения дофамином, в первую очередь в виде немедленной «персональной» обратной связи и обещания, что следующая итерация будет еще лучше.

Проблема «прилипания» становится еще более актуальной в сочетании со стремлением ИИ к персонализации. Эти системы изучают наши предпочтения, стиль письма, наши интеллектуальные стереотипы. Они становятся все более искусными в предоставлении нам именно того, что, как нам кажется, мы хотим, создавая удобную петлю обратной связи, которая может сужать, а не расширять наше мышление. Мы не просто используем эти инструменты; нас к ним тянет, и, что еще более тревожно, они нами управляют.

От размышлений к подсказкам

Удержание пользователей на платформе — это одно, но гораздо большее беспокойство вызывает то, как этот итеративный цикл вытесняет более глубокие формы когнитивного взаимодействия. Вместо того чтобы бороться со сложной концепцией посредством длительного размышления, чтения или обсуждения, мы учимся разбивать наше мышление на циклы «запрос-ответ». Наше мышление становится быстрее и короче. Оно также все больше зависит от постоянной обратной связи.

Традиционный академический процесс, включающий выдвижение гипотез, сбор информации, синтез противоречивых источников и т. д., сжимается в стремительный обмен данными с системой искусственного интеллекта. Мы приучаем себя ожидать немедленных ответов и рассматривать знания как нечто, что можно оптимизировать с помощью более эффективного «оперативного проектирования», а не как нечто, требующее более глубокого понимания.

Справедливости ради следует отметить, что подобное итеративное совершенствование может также улучшить обучение в некоторых контекстах – когда студенты используют его для изучения различных аспектов проблемы или для более точного формулирования своих мыслей. Проблема возникает, когда это становится основным способом интеллектуального взаимодействия, заменяя, а не дополняя традиционные формы глубокого мышления.

Для высших учебных заведений это создает дилемму, выходящую за рамки политики и выявления плагиата. Генеративный ИИ, очевидно, останется с нами надолго и приносит множество преимуществ, включая усиление давления на реформирование устаревшей модели образования. Но это также технология, которая активно меняет когнитивные привычки.

Студенты, приходящие в наши аудитории, возможно, уже привыкли к мгновенному удовлетворению от мышления с помощью ИИ. Им может быть трудно справляться с заданиями, требующими длительного взаимодействия со сложным материалом, предпочитая вместо этого разбивать сложные проблемы на части, которые можно решить с помощью ИИ. Преподавателям сложно разрабатывать задания, требующие длительной, неудобной интеллектуальной работы, которая развивает навыки критического мышления.

Двигаясь вперед с намерением

В отношении генеративного ИИ и образования существует множество факторов, которые мы не можем контролировать. Но, безусловно, мы можем более целенаправленно подходить к интеграции этих инструментов в образовательную практику, наблюдая, как технологии генеративного ИИ одновременно помогают и изменяют фундаментальные подходы к образовательным парадигмам.

Мы должны разрабатывать учебные программы, которые целенаправленно воспитывают терпимость к неопределенности, поощряют глубокое вовлечение, а не быструю оптимизацию, и ценят трудности, возникающие при работе над сложными идеями без технологической помощи.

Это может означать создание «зон, свободных от ИИ» на определенных курсах, обучение студентов распознавать ситуации, когда они находятся в цикле оптимизации, а не в процессе подлинного обучения, или перепроектирование оценочных заданий таким образом, чтобы приоритет отдавался процессу, а не результату, что сделает помощь ИИ менее актуальной. Это также может включать в себя целенаправленное обучение студентов психологическим механизмам, действующим во взаимодействии с ИИ, помогая им развивать осознание того, когда их обуславливают, а когда они действительно учатся.

Здесь на карту поставлены не только индивидуальные результаты обучения. Мы наблюдаем фундаментальный сдвиг в том, как студенты взаимодействуют со сложными идеями, и если мы не вмешаемся, мы рискуем вырастить поколение студентов, которые преуспевают в извлечении информации, но испытывают трудности с более глубокой когнитивной работой, такой как синтез, оригинальное мышление и интеллектуальная устойчивость.

Ирония заключается в том, что, хотя генеративный ИИ обещает расширить человеческий интеллект, его нынешнее применение в образовании, возможно, на самом деле снижает нашу способность к тому типу терпеливого, неудобного мышления, которое исторически приводило к прорывным открытиям. Вопрос не в том, могут ли студенты получать лучшие ответы быстрее — очевидно, могут. Вопрос в том, развивают ли они интеллектуальные способности, необходимые для того, чтобы задавать более качественные вопросы.

Йеппе Клитгард Штрикер — опытный руководитель в сфере образования, обладающий неутомимым любопытством ко всему, что связано с искусственным интеллектом.

Руководитель административного отдела кафедры клинической медицины Университета Аальборга, Дания. Также работает писателем, спикером и консультантом по генеративному искусственному интеллекту в высшем образовании через сайт www.stricker.ai.

Если вы хотите ознакомиться с другими работами Йеппе, посетите его страницу на Substack: jeppestricker.substack.com