Книга рядом с книгой: использование случайных открытий в педагогике
Автор: Дейв Вебстер
подчёркивает, что настоящее обучение часто происходит не по заранее спланированной траектории, а благодаря серендипии — неожиданным открытиям, которые возникают в процессе поиска, любопытства и случайных встреч с новыми идеями. Например, книга, случайно найденная рядом с той, которую студент искал, может изменить его понимание изучаемой темы.
Вебстер критикует стремление сделать образовательный процесс полностью систематизированным, предсказуемым и измеримым. Цифровые библиотеки, системы управления обучением и ИИ эффективно находят нужную информацию, но могут ограничивать неожиданные интеллектуальные открытия, поскольку ориентируются на уже сформулированные запросы и интересы пользователя.
Автор предлагает оставлять в образовательных программах пространство для незапланированного исследования: просматривать материалы без конкретного вопроса, знакомиться с неожиданными источниками, приносить на занятия найденные вне учебного процесса идеи и самостоятельно устанавливать связи между ними и изучаемой темой.
Задача педагога — не столько искусственно организовывать случайные открытия, сколько создавать условия, в которых они могут происходить. Даже хорошо спроектированная образовательная система должна оставлять место для неопределённости, интеллектуальных блужданий и неожиданных связей.
Читать 5мин https://dzen.ru/a/as8yCdgCpHkQJyjz
Автор: Дейв Вебстер
подчёркивает, что настоящее обучение часто происходит не по заранее спланированной траектории, а благодаря серендипии — неожиданным открытиям, которые возникают в процессе поиска, любопытства и случайных встреч с новыми идеями. Например, книга, случайно найденная рядом с той, которую студент искал, может изменить его понимание изучаемой темы.
Вебстер критикует стремление сделать образовательный процесс полностью систематизированным, предсказуемым и измеримым. Цифровые библиотеки, системы управления обучением и ИИ эффективно находят нужную информацию, но могут ограничивать неожиданные интеллектуальные открытия, поскольку ориентируются на уже сформулированные запросы и интересы пользователя.
Автор предлагает оставлять в образовательных программах пространство для незапланированного исследования: просматривать материалы без конкретного вопроса, знакомиться с неожиданными источниками, приносить на занятия найденные вне учебного процесса идеи и самостоятельно устанавливать связи между ними и изучаемой темой.
Задача педагога — не столько искусственно организовывать случайные открытия, сколько создавать условия, в которых они могут происходить. Даже хорошо спроектированная образовательная система должна оставлять место для неопределённости, интеллектуальных блужданий и неожиданных связей.
Читать 5мин https://dzen.ru/a/as8yCdgCpHkQJyjz
Сделать сдвиг
Автор Одри Уоттерс
критикует превращение Кремниевой долины из центра технологических инноваций в индустрию, которая продаёт прежде всего обещания будущего. Венчурный капитал стимулирует не столько создание полезных и устойчивых продуктов, сколько бесконечный рост, масштабирование и веру в неизбежность технологических перемен.
Автор переносит эту критику на образовательные технологии. Символом такого подхода становится презентация Shift Happens (2006), убеждавшая педагогов в необходимости адаптировать школы к стремительно меняющемуся миру. Её аргументация основывалась преимущественно на статистике роста и технологического ускорения, но почти не объясняла, как технологии действительно улучшат преподавание и обучение.
По мнению Уоттерс, за риторикой подготовки к профессиям будущего скрывались экономические интересы технологических компаний и подмена образовательных целей. Школы всё больше ориентировались на требования рынка труда, забывая о своей гражданской и гуманистической миссии — готовить людей не только к будущей работе, но и к полноценной жизни в настоящем.
Особую тревогу автора вызывает современный технооптимизм, в том числе вера в превосходство искусственного интеллекта над человеческим мышлением. Подобные нарративы заставляют педагогов воспринимать технологические изменения как неизбежность, а не как предмет критического обсуждения и общественного выбора.
По мнению Уоттерс, разговоры о неизбежном технологическом будущем — не нейтральные прогнозы, а инструмент влияния на настоящее. Образованию важно не подстраиваться автоматически под видение будущего, предлагаемое технологическими корпорациями, а самостоятельно определять цели развития, сохраняя в центре внимания человека, его мышление и благополучие.
Читать 5 мин https://dzen.ru/a/atMzmnbGGgLj-UwW
Автор Одри Уоттерс
критикует превращение Кремниевой долины из центра технологических инноваций в индустрию, которая продаёт прежде всего обещания будущего. Венчурный капитал стимулирует не столько создание полезных и устойчивых продуктов, сколько бесконечный рост, масштабирование и веру в неизбежность технологических перемен.
Автор переносит эту критику на образовательные технологии. Символом такого подхода становится презентация Shift Happens (2006), убеждавшая педагогов в необходимости адаптировать школы к стремительно меняющемуся миру. Её аргументация основывалась преимущественно на статистике роста и технологического ускорения, но почти не объясняла, как технологии действительно улучшат преподавание и обучение.
По мнению Уоттерс, за риторикой подготовки к профессиям будущего скрывались экономические интересы технологических компаний и подмена образовательных целей. Школы всё больше ориентировались на требования рынка труда, забывая о своей гражданской и гуманистической миссии — готовить людей не только к будущей работе, но и к полноценной жизни в настоящем.
Особую тревогу автора вызывает современный технооптимизм, в том числе вера в превосходство искусственного интеллекта над человеческим мышлением. Подобные нарративы заставляют педагогов воспринимать технологические изменения как неизбежность, а не как предмет критического обсуждения и общественного выбора.
По мнению Уоттерс, разговоры о неизбежном технологическом будущем — не нейтральные прогнозы, а инструмент влияния на настоящее. Образованию важно не подстраиваться автоматически под видение будущего, предлагаемое технологическими корпорациями, а самостоятельно определять цели развития, сохраняя в центре внимания человека, его мышление и благополучие.
Читать 5 мин https://dzen.ru/a/atMzmnbGGgLj-UwW
Когда работа перестает формировать работника
Автор: Карло Иаконо
ИИ автоматизирует не только интеллектуальный труд, но и саму работу, через которую люди приобретают экспертные знания. Возникает парадокс: машины всё лучше выполняют задачи специалистов, однако без выполнения этих задач людьми становится сложнее подготовить новое поколение экспертов, способных контролировать результаты ИИ.
Автор приводит пример физика Эмре Онура Кахьи, который потратил год на сложные расчёты для докторской диссертации. Современная ИИ-модель повторила их примерно за десять часов, обнаружив ошибки в опубликованных работах. Аналогичные результаты демонстрируются в математике и теоретической физике: ИИ успешно решает задачи, которые традиционно служили тренировкой для начинающих исследователей.
Проблема выходит за рамки сокращения рабочих мест. Начинающие специалисты теряют возможность осваивать профессию через практику, поскольку их типовые задачи переходят к ИИ. Это уже отражается на найме: например, в Anthropic доля младших специалистов среди принятых на технические должности сократилась с 27% до 9%. Работодателям нужны люди, умеющие принимать решения и проверять результаты ИИ, но привычные механизмы формирования таких компетенций постепенно исчезают.
Автор выделяет и другие риски: ослабление человеческого научного сообщества, рост зависимости исследований от финансовых ресурсов и утрату доступности научной работы для тех, кто не располагает значительными бюджетами.
Труд в условиях ИИ должен оцениваться не только по результату, но и по тому, каких специалистов он формирует. Если университеты и работодатели будут оплачивать исключительно дешёвые результаты, полученные ИИ, может исчезнуть сама система подготовки людей, способных оценивать достоверность этих результатов. Поэтому необходимо сохранять возможности для самостоятельных расчётов, экспериментов и решения задач — даже когда машина справляется с ними быстрее и дешевле.
ИИ способен заменить учебные и профессиональные задачи, но это не означает, что он автоматически заменяет процесс формирования экспертизы. Образовательным организациям придётся специально инвестировать в практику, которая развивает у человека способность понимать, проверять и обоснованно оценивать работу ИИ.
Читать 13мин https://dzen.ru/a/ateUm0a88m9QqkrN
Автор: Карло Иаконо
ИИ автоматизирует не только интеллектуальный труд, но и саму работу, через которую люди приобретают экспертные знания. Возникает парадокс: машины всё лучше выполняют задачи специалистов, однако без выполнения этих задач людьми становится сложнее подготовить новое поколение экспертов, способных контролировать результаты ИИ.
Автор приводит пример физика Эмре Онура Кахьи, который потратил год на сложные расчёты для докторской диссертации. Современная ИИ-модель повторила их примерно за десять часов, обнаружив ошибки в опубликованных работах. Аналогичные результаты демонстрируются в математике и теоретической физике: ИИ успешно решает задачи, которые традиционно служили тренировкой для начинающих исследователей.
Проблема выходит за рамки сокращения рабочих мест. Начинающие специалисты теряют возможность осваивать профессию через практику, поскольку их типовые задачи переходят к ИИ. Это уже отражается на найме: например, в Anthropic доля младших специалистов среди принятых на технические должности сократилась с 27% до 9%. Работодателям нужны люди, умеющие принимать решения и проверять результаты ИИ, но привычные механизмы формирования таких компетенций постепенно исчезают.
Автор выделяет и другие риски: ослабление человеческого научного сообщества, рост зависимости исследований от финансовых ресурсов и утрату доступности научной работы для тех, кто не располагает значительными бюджетами.
Труд в условиях ИИ должен оцениваться не только по результату, но и по тому, каких специалистов он формирует. Если университеты и работодатели будут оплачивать исключительно дешёвые результаты, полученные ИИ, может исчезнуть сама система подготовки людей, способных оценивать достоверность этих результатов. Поэтому необходимо сохранять возможности для самостоятельных расчётов, экспериментов и решения задач — даже когда машина справляется с ними быстрее и дешевле.
ИИ способен заменить учебные и профессиональные задачи, но это не означает, что он автоматически заменяет процесс формирования экспертизы. Образовательным организациям придётся специально инвестировать в практику, которая развивает у человека способность понимать, проверять и обоснованно оценивать работу ИИ.
Читать 13мин https://dzen.ru/a/ateUm0a88m9QqkrN
Механистические индикаторы понимания в крупных языковых моделях
Авторы: Пьер Бекманн и Матье Келоз
Крупные языковые модели (LLM) не сводятся к простому воспроизведению статистических закономерностей текста. Исследования механистической интерпретируемости показывают, что внутри них формируются структуры, функционально аналогичные некоторым аспектам человеческого понимания. Однако эти структуры сосуществуют с запоминанием и поверхностными эвристиками, что ограничивает надёжность результатов.
Авторы предлагают иерархическую модель понимания, основанную на способности устанавливать связи между информационными элементами.
1. Концептуальное понимание. Модель формирует внутренние представления, объединяющие различные проявления одного объекта или свойства в общую концепцию.
2. Понимание состояния мира. Модель устанавливает связи между понятиями и использует их для представления фактов. Например, связывает Майкла Джордана с баскетболом не только через статистические ассоциации, но и посредством внутренних репрезентаций.
3. Принципиальное понимание. Модель выявляет общие правила и закономерности, объясняющие множество отдельных фактов. Вместо запоминания примеров она может формировать компактные схемы, обеспечивающие обобщение на новые ситуации.
Основные результаты исследований
- Механизмы ИИ сложнее простого запоминания. Механистическая интерпретируемость позволяет выявлять внутренние структуры, участвующие в распознавании понятий, моделировании состояний мира и применении общих принципов.
- Обобщение может возникать внезапно. Феномен гроккинга демонстрирует, как после длительного запоминания обучающих примеров модель может перейти к обобщению, сопровождающемуся формированием более компактных внутренних представлений.
- Модели используют множество механизмов одновременно. При решении одной задачи могут параллельно работать различные эвристики, концептуальные представления и более общие вычислительные схемы. Они способны усиливать или подавлять друг друга.
- Понимание сосуществует с поверхностными стратегиями. Даже если модель располагает механизмом корректного логического рассуждения, содержательные ассоциации могут привести её к неправильному ответу.
Авторы описывают LLM как своеобразный «комитет» разнородных механизмов, а не как единый, целостный разум. Одни механизмы основаны на запоминании, другие — на поверхностных корреляциях, третьи способны выявлять общие принципы.
Поэтому успешный ответ сам по себе не позволяет установить, каким способом модель его получила. Даже наличие механизма, обеспечивающего правильное рассуждение, не гарантирует, что именно он определит итоговый результат.
Авторы также отмечают отличие от человеческого познания: люди способны критически оценивать собственные эвристики и стремиться к лаконичным объяснениям, объединяющим множество явлений небольшим числом принципов. У LLM подобная систематичность не является гарантированным свойством.
Вывод
Исследование предлагает отказаться от упрощённого вопроса «понимает ли ИИ?» в пользу более содержательного: какие именно виды понимания реализованы в модели, какими механизмами они обеспечиваются и в каких условиях дают сбой?
Механистическая интерпретируемость открывает возможность изучать эти вопросы эмпирически, связывая философские теории понимания с анализом внутреннего устройства моделей.
Результаты предостерегают от отождествления правильных ответов ИИ с полноценным пониманием. При использовании LLM в обучении важно оценивать не только итоговый результат, но и устойчивость рассуждений, способность переносить знания на новые ситуации и выявлять общие принципы. При этом сама публикация не доказывает, что наличие подобных механизмов автоматически обеспечивает человеческий уровень понимания или педагогически надёжное поведение.
Читать отрывок из статьи 15мин https://dzen.ru/a/ate74UC5AAzZOZu0
Авторы: Пьер Бекманн и Матье Келоз
Крупные языковые модели (LLM) не сводятся к простому воспроизведению статистических закономерностей текста. Исследования механистической интерпретируемости показывают, что внутри них формируются структуры, функционально аналогичные некоторым аспектам человеческого понимания. Однако эти структуры сосуществуют с запоминанием и поверхностными эвристиками, что ограничивает надёжность результатов.
Авторы предлагают иерархическую модель понимания, основанную на способности устанавливать связи между информационными элементами.
1. Концептуальное понимание. Модель формирует внутренние представления, объединяющие различные проявления одного объекта или свойства в общую концепцию.
2. Понимание состояния мира. Модель устанавливает связи между понятиями и использует их для представления фактов. Например, связывает Майкла Джордана с баскетболом не только через статистические ассоциации, но и посредством внутренних репрезентаций.
3. Принципиальное понимание. Модель выявляет общие правила и закономерности, объясняющие множество отдельных фактов. Вместо запоминания примеров она может формировать компактные схемы, обеспечивающие обобщение на новые ситуации.
Основные результаты исследований
- Механизмы ИИ сложнее простого запоминания. Механистическая интерпретируемость позволяет выявлять внутренние структуры, участвующие в распознавании понятий, моделировании состояний мира и применении общих принципов.
- Обобщение может возникать внезапно. Феномен гроккинга демонстрирует, как после длительного запоминания обучающих примеров модель может перейти к обобщению, сопровождающемуся формированием более компактных внутренних представлений.
- Модели используют множество механизмов одновременно. При решении одной задачи могут параллельно работать различные эвристики, концептуальные представления и более общие вычислительные схемы. Они способны усиливать или подавлять друг друга.
- Понимание сосуществует с поверхностными стратегиями. Даже если модель располагает механизмом корректного логического рассуждения, содержательные ассоциации могут привести её к неправильному ответу.
Авторы описывают LLM как своеобразный «комитет» разнородных механизмов, а не как единый, целостный разум. Одни механизмы основаны на запоминании, другие — на поверхностных корреляциях, третьи способны выявлять общие принципы.
Поэтому успешный ответ сам по себе не позволяет установить, каким способом модель его получила. Даже наличие механизма, обеспечивающего правильное рассуждение, не гарантирует, что именно он определит итоговый результат.
Авторы также отмечают отличие от человеческого познания: люди способны критически оценивать собственные эвристики и стремиться к лаконичным объяснениям, объединяющим множество явлений небольшим числом принципов. У LLM подобная систематичность не является гарантированным свойством.
Вывод
Исследование предлагает отказаться от упрощённого вопроса «понимает ли ИИ?» в пользу более содержательного: какие именно виды понимания реализованы в модели, какими механизмами они обеспечиваются и в каких условиях дают сбой?
Механистическая интерпретируемость открывает возможность изучать эти вопросы эмпирически, связывая философские теории понимания с анализом внутреннего устройства моделей.
Результаты предостерегают от отождествления правильных ответов ИИ с полноценным пониманием. При использовании LLM в обучении важно оценивать не только итоговый результат, но и устойчивость рассуждений, способность переносить знания на новые ситуации и выявлять общие принципы. При этом сама публикация не доказывает, что наличие подобных механизмов автоматически обеспечивает человеческий уровень понимания или педагогически надёжное поведение.
Читать отрывок из статьи 15мин https://dzen.ru/a/ate74UC5AAzZOZu0
Конец ISTE (в некотором роде)
Автор: Тим Стамер
Публикация рассматривает кризис модели EdTech: переименование ISTE (буква T теперь означает Transformation, а не Technology) символизирует, что технологии перестают быть целью и становятся лишь инструментом. Это признание того, что многолетняя цифровизация не привела к системным изменениям, так как инфраструктура изменилась, а педагогическая архитектура осталась прежней.
Причины кризиса EdTech
- Технологический оптимизм исчерпан: новизна инструментов больше не обосновывает инвестиции.
- Кризис рынка: усталость от продуктов без доказанной педагогической эффективности.
- Сопротивление школы: массовый характер и стандартизация мешают институциональным изменениям, адаптируя технологии под старые формы.
Вызов генеративного ИИ
ИИ способен поддерживать персонализацию и проектное обучение, но рискует лишь автоматизировать традиционную рутину (тесты, презентации). Передача алгоритмам анализа и поиска информации ставит вопрос, какие компетенции формируются у самого учащегося. Без переосмысления обучения ИИ лишь усугубит ограничения классической школы.
Эволюция отрасли
EdTech-сообщество вынуждено смещать фокус:
1. От демонстрации к доказательствам: главными становятся измеримые результаты учащихся.
2. От продуктов к системам: важна интеграция инструментов в сценарии, оценивание и процессы.
3. От ярмарок технологий к площадкам трансформации: технологии остаются средством, а не единственной темой.
Главный вывод
Происходит переход от цифровизации к подлинной трансформации. Будущее EdTech зависит не от возможностей машин, а от способности переосмыслить, чему и как должен учиться человек.
Читать 2мин https://dzen.ru/a/atjXcLUon16Yu63V
Автор: Тим Стамер
Публикация рассматривает кризис модели EdTech: переименование ISTE (буква T теперь означает Transformation, а не Technology) символизирует, что технологии перестают быть целью и становятся лишь инструментом. Это признание того, что многолетняя цифровизация не привела к системным изменениям, так как инфраструктура изменилась, а педагогическая архитектура осталась прежней.
Причины кризиса EdTech
- Технологический оптимизм исчерпан: новизна инструментов больше не обосновывает инвестиции.
- Кризис рынка: усталость от продуктов без доказанной педагогической эффективности.
- Сопротивление школы: массовый характер и стандартизация мешают институциональным изменениям, адаптируя технологии под старые формы.
Вызов генеративного ИИ
ИИ способен поддерживать персонализацию и проектное обучение, но рискует лишь автоматизировать традиционную рутину (тесты, презентации). Передача алгоритмам анализа и поиска информации ставит вопрос, какие компетенции формируются у самого учащегося. Без переосмысления обучения ИИ лишь усугубит ограничения классической школы.
Эволюция отрасли
EdTech-сообщество вынуждено смещать фокус:
1. От демонстрации к доказательствам: главными становятся измеримые результаты учащихся.
2. От продуктов к системам: важна интеграция инструментов в сценарии, оценивание и процессы.
3. От ярмарок технологий к площадкам трансформации: технологии остаются средством, а не единственной темой.
Главный вывод
Происходит переход от цифровизации к подлинной трансформации. Будущее EdTech зависит не от возможностей машин, а от способности переосмыслить, чему и как должен учиться человек.
Читать 2мин https://dzen.ru/a/atjXcLUon16Yu63V
Зубрежка возвращается. Или, по крайней мере, что-то очень похожее на него.
Автор Мелисса Хейли
В современном образовании нарастает тренд на жесткую стандартизацию и регламентацию уроков (современную форму «зубрежки»). Этот подход сводит преподавание к следованию предписанным сценариям, что негативно сказывается как на учащихся, так и на учителях.
- Суть нового подхода: Уроки организуются по заранее прописанным сценариям с фиксированным темпом и жестким оцениванием. Обучение фокусируется на воспроизведении правильных ответов, а не на исследовании, критическом мышлении или адаптации под потребности учеников.
- Влияние на учеников: Ограничиваются возможности для развития творчества, глубокого мышления и самостоятельности (что противоречит официальным образовательным целям Австралии). У детей снижается вовлеченность и растет разочарование, а учеба начинает восприниматься как подчинение и выполнение правил.
- Противоречие в подготовке учителей: В вузах будущих педагогов учат проявлять гибкость, развивать учебные программы и учитывать индивидуальные потребности школьников. Однако на практике они сталкиваются с жестким контролем, где от них требуют лишь исполнять чужие инструкции.
- Угроза для профессии: Люди идут в преподавание из альтруистических и творческих побуждений. Чрезмерный контроль снижает автономию и удовлетворенность работой, ведет к выгоранию и оттоку кадров.
- Парадокс реформ: Хотя стандартизация вводится с благими намерениями (снизить нагрузку на учителей и бороться с неравенством), в реальности она превращает преподавание из профессионального призвания в механический процесс передачи информации.
Автор предостерегает, что если преподавание окончательно сведется к «работе по сценарию», система потеряет творческих и неравнодушных педагогов, а само образование станет поверхностным и пассивным.
Читать 6мин https://dzen.ru/a/atjqve3q8R0f-kW7
Автор Мелисса Хейли
В современном образовании нарастает тренд на жесткую стандартизацию и регламентацию уроков (современную форму «зубрежки»). Этот подход сводит преподавание к следованию предписанным сценариям, что негативно сказывается как на учащихся, так и на учителях.
- Суть нового подхода: Уроки организуются по заранее прописанным сценариям с фиксированным темпом и жестким оцениванием. Обучение фокусируется на воспроизведении правильных ответов, а не на исследовании, критическом мышлении или адаптации под потребности учеников.
- Влияние на учеников: Ограничиваются возможности для развития творчества, глубокого мышления и самостоятельности (что противоречит официальным образовательным целям Австралии). У детей снижается вовлеченность и растет разочарование, а учеба начинает восприниматься как подчинение и выполнение правил.
- Противоречие в подготовке учителей: В вузах будущих педагогов учат проявлять гибкость, развивать учебные программы и учитывать индивидуальные потребности школьников. Однако на практике они сталкиваются с жестким контролем, где от них требуют лишь исполнять чужие инструкции.
- Угроза для профессии: Люди идут в преподавание из альтруистических и творческих побуждений. Чрезмерный контроль снижает автономию и удовлетворенность работой, ведет к выгоранию и оттоку кадров.
- Парадокс реформ: Хотя стандартизация вводится с благими намерениями (снизить нагрузку на учителей и бороться с неравенством), в реальности она превращает преподавание из профессионального призвания в механический процесс передачи информации.
Автор предостерегает, что если преподавание окончательно сведется к «работе по сценарию», система потеряет творческих и неравнодушных педагогов, а само образование станет поверхностным и пассивным.
Читать 6мин https://dzen.ru/a/atjqve3q8R0f-kW7
❤1
Динамика работы в команде ослабевает, когда сотрудники обращаются к ИИ вместо коллег
Авторы Кейт Нидерхоффер, Кристина Рапуано, Алекс Либшер, Алекси Робишо и Джеффри Т. Хэнкок
Чрезмерное использование ИИ вместо общения с коллегами может повышать индивидуальную производительность, но одновременно ослаблять доверие, координацию и сплочённость команды.
Авторы исследования, опросившие 1033 офисных работников в США, выявили парадокс: использование ИИ усиливает ощущение специализации и уникальности знаний членов команды, но затрудняет понимание того, кто действительно какими знаниями обладает. Когда сотрудники обращаются к ИИ вместо коллег, командная координация снижается на 22,3%, а доверие — на 21,9%.
Основные причины этого эффекта:
- Потеря общего понимания экспертизы: коллеги реже обмениваются знаниями, поэтому сложнее определить, кто в чём разбирается.
- Ослабление доверия и социальных связей: исчезают повседневные взаимодействия, которые помогают выстраивать отношения и совместно находить решения.
- Организационная культура: давление на индивидуальную производительность и недостаток психологической безопасности побуждают сотрудников обращаться к ИИ, опасаясь осуждения или нежелания беспокоить коллег.
- Особенности ИИ: его постоянная доступность и склонность соглашаться с пользователем делают взаимодействие психологически проще, чем общение с людьми.
Авторы подчёркивают, что проблема не в самом ИИ, а в том, заменяет ли он человеческое взаимодействие или дополняет его. Для снижения рисков они рекомендуют развивать асинхронную коммуникацию, создавать безопасную атмосферу для вопросов, поощрять командные результаты и использовать ИИ для подготовки к сложным разговорам, а не вместо них.
Эффективность команды определяется не только индивидуальными возможностями её участников и качеством используемого ИИ, но и сохранением общего знания, доверия и способности к совместной работе. Организациям следует оценивать не только продуктивность отдельных сотрудников с ИИ, но и влияние его применения на командную динамику.
Читать 19мин https://dzen.ru/a/atmcgL78l0bmQmP0
Авторы Кейт Нидерхоффер, Кристина Рапуано, Алекс Либшер, Алекси Робишо и Джеффри Т. Хэнкок
Чрезмерное использование ИИ вместо общения с коллегами может повышать индивидуальную производительность, но одновременно ослаблять доверие, координацию и сплочённость команды.
Авторы исследования, опросившие 1033 офисных работников в США, выявили парадокс: использование ИИ усиливает ощущение специализации и уникальности знаний членов команды, но затрудняет понимание того, кто действительно какими знаниями обладает. Когда сотрудники обращаются к ИИ вместо коллег, командная координация снижается на 22,3%, а доверие — на 21,9%.
Основные причины этого эффекта:
- Потеря общего понимания экспертизы: коллеги реже обмениваются знаниями, поэтому сложнее определить, кто в чём разбирается.
- Ослабление доверия и социальных связей: исчезают повседневные взаимодействия, которые помогают выстраивать отношения и совместно находить решения.
- Организационная культура: давление на индивидуальную производительность и недостаток психологической безопасности побуждают сотрудников обращаться к ИИ, опасаясь осуждения или нежелания беспокоить коллег.
- Особенности ИИ: его постоянная доступность и склонность соглашаться с пользователем делают взаимодействие психологически проще, чем общение с людьми.
Авторы подчёркивают, что проблема не в самом ИИ, а в том, заменяет ли он человеческое взаимодействие или дополняет его. Для снижения рисков они рекомендуют развивать асинхронную коммуникацию, создавать безопасную атмосферу для вопросов, поощрять командные результаты и использовать ИИ для подготовки к сложным разговорам, а не вместо них.
Эффективность команды определяется не только индивидуальными возможностями её участников и качеством используемого ИИ, но и сохранением общего знания, доверия и способности к совместной работе. Организациям следует оценивать не только продуктивность отдельных сотрудников с ИИ, но и влияние его применения на командную динамику.
Читать 19мин https://dzen.ru/a/atmcgL78l0bmQmP0
Искусственный интеллект лишает студентов способности к критическому мышлению — курс журналистики для начинающих может стать противоядием
Автор Сиреша Н. Раттер, средняя школа г. Юпитер
утверждает, что чрезмерная зависимость от генеративного ИИ может препятствовать развитию критического мышления у школьников, если технологии начинают заменять самостоятельное рассуждение, а не поддерживать его.
С его точки зрения, эффективным противоядием может стать обучение журналистике и новостной грамотности. В школьной редакции ученики учатся:
- Проверять факты и источники, оценивать достоверность информации и распознавать предвзятость.
- Рассматривать разные точки зрения, выходить за пределы собственных убеждений и информационных пузырей.
- Принимать этические решения, самостоятельно формулировать вопросы и ответственно работать с чувствительными темами.
- Создавать общественно значимые материалы, осознавая ответственность за точность информации и последствия её публикации.
На примере подготовки статьи об эффективности школьных тренировок по безопасности автор показывает, как журналистская работа учит школьников исследовать сложные вопросы, опираться на доказательства и отделять личные переживания от анализа фактов.
Задача образования в эпоху ИИ — не просто научить детей пользоваться новыми инструментами, а сформировать способность самостоятельно мыслить, задавать правильные вопросы, критически оценивать ответы и принимать обоснованные решения. Журналистика рассматривается как практическая среда для развития этих компетенций, необходимых не только журналистам, но и ответственным гражданам.
Читать 4мин https://dzen.ru/a/atw2CTl9tmFrVvzZ
Автор Сиреша Н. Раттер, средняя школа г. Юпитер
утверждает, что чрезмерная зависимость от генеративного ИИ может препятствовать развитию критического мышления у школьников, если технологии начинают заменять самостоятельное рассуждение, а не поддерживать его.
С его точки зрения, эффективным противоядием может стать обучение журналистике и новостной грамотности. В школьной редакции ученики учатся:
- Проверять факты и источники, оценивать достоверность информации и распознавать предвзятость.
- Рассматривать разные точки зрения, выходить за пределы собственных убеждений и информационных пузырей.
- Принимать этические решения, самостоятельно формулировать вопросы и ответственно работать с чувствительными темами.
- Создавать общественно значимые материалы, осознавая ответственность за точность информации и последствия её публикации.
На примере подготовки статьи об эффективности школьных тренировок по безопасности автор показывает, как журналистская работа учит школьников исследовать сложные вопросы, опираться на доказательства и отделять личные переживания от анализа фактов.
Задача образования в эпоху ИИ — не просто научить детей пользоваться новыми инструментами, а сформировать способность самостоятельно мыслить, задавать правильные вопросы, критически оценивать ответы и принимать обоснованные решения. Журналистика рассматривается как практическая среда для развития этих компетенций, необходимых не только журналистам, но и ответственным гражданам.
Читать 4мин https://dzen.ru/a/atw2CTl9tmFrVvzZ
Можно ли когда-нибудь действительно представить, о чём думает другой человек?
Автор Виктор Вердехо, философ
рассматривает философскую проблему взаимопонимания и ставит под сомнение привычное представление о том, что успешное общение означает передачу одной и той же мысли от одного человека к другому.
Его основные тезисы:
- Понимание не означает полного совпадения мыслей. Даже когда мы говорим «я тебя понимаю», наши представления, эмоции и опыт могут существенно различаться.
- Каждый человек обладает собственной перспективой. Наши мысли формируются личными воспоминаниями, знаниями и обстоятельствами. Поэтому даже одна и та же ситуация воспринимается людьми по-разному.
- Общение возможно благодаря связи между различными мыслями. Для понимания собеседника необязательно полностью разделять его переживания: достаточно, чтобы наши мысли были согласованы и относились к одним и тем же событиям или объектам.
- Взаимопонимание имеет пределы. Оно не предполагает полного доступа к внутреннему миру другого человека, даже если разговор кажется совершенно естественным и успешным.
Виктор рассматривает две философские позиции: согласно первой, люди могут разделять общую мысль, хотя её отдельные компоненты различаются; согласно второй, взаимопонимание обеспечивается не тождеством мыслей, а их координацией.
Главный вывод: понимание другого человека не означает, что мы думаем точно так же, как он. Осознание этого помогает избегать завышенных ожиданий, проявлять больше терпения, уточнять свои высказывания и принимать неизбежные различия между людьми. Именно ограниченность взаимопонимания делает общение сложным, но не лишает его смысла.
Читать 8мин https://dzen.ru/a/atxBjBeWwQXCwCr3
Автор Виктор Вердехо, философ
рассматривает философскую проблему взаимопонимания и ставит под сомнение привычное представление о том, что успешное общение означает передачу одной и той же мысли от одного человека к другому.
Его основные тезисы:
- Понимание не означает полного совпадения мыслей. Даже когда мы говорим «я тебя понимаю», наши представления, эмоции и опыт могут существенно различаться.
- Каждый человек обладает собственной перспективой. Наши мысли формируются личными воспоминаниями, знаниями и обстоятельствами. Поэтому даже одна и та же ситуация воспринимается людьми по-разному.
- Общение возможно благодаря связи между различными мыслями. Для понимания собеседника необязательно полностью разделять его переживания: достаточно, чтобы наши мысли были согласованы и относились к одним и тем же событиям или объектам.
- Взаимопонимание имеет пределы. Оно не предполагает полного доступа к внутреннему миру другого человека, даже если разговор кажется совершенно естественным и успешным.
Виктор рассматривает две философские позиции: согласно первой, люди могут разделять общую мысль, хотя её отдельные компоненты различаются; согласно второй, взаимопонимание обеспечивается не тождеством мыслей, а их координацией.
Главный вывод: понимание другого человека не означает, что мы думаем точно так же, как он. Осознание этого помогает избегать завышенных ожиданий, проявлять больше терпения, уточнять свои высказывания и принимать неизбежные различия между людьми. Именно ограниченность взаимопонимания делает общение сложным, но не лишает его смысла.
Читать 8мин https://dzen.ru/a/atxBjBeWwQXCwCr3
Обновление моей системы оценок, потому что вы все постоянно используете ИИ
Система оценок, призванная улучшить ваше обучение и наши отношения в эпоху генеративного ИИ.
Автор: Дэн Мейер
Дэн Мейер предлагает перестать изображать, будто преподаватель способен надежно контролировать использование ИИ при выполнении домашних заданий. Если студент может получить приемлемую работу за несколько минут с помощью LLM, то оценивать такую работу как свидетельство индивидуальных знаний и умений становится бессмысленно.
Предложение разрешить свободное использование ИИ и оценивать домашние задания по принципу «выполнено/не выполнено» выглядит вполне рациональным. Оно позволяет отказаться от дорогостоящей гонки вооружений между средствами обнаружения ИИ и способами их обхода. При этом преподаватель перестает тратить время на подробную обратную связь по работе, которая фактически отражает возможности модели, а не достижения студента.
Если домашние задания выполняются с помощью ИИ, а экзамены — самостоятельно, то система фактически измеряет два разных результата: способность создавать продукт с помощью ИИ и способность демонстрировать индивидуальные знания без него.
Возникает вопрос: должен ли вуз преимущественно оценивать то, что человек умеет делать без ИИ, или то, насколько качественный результат он способен получить вместе с ИИ?
Вероятно, ответ зависит от дисциплины и уровня подготовки. Например, в физике необходимо проверять понимание законов и способность самостоятельно построить модель, но также важно уметь использовать ИИ для анализа данных, вычислений и поиска ошибок.
Интересная идея —предложение студентам самим указывать, где им нужна обратная связь, и при необходимости предоставлять промпты, использованные при работе с LLM.
Однако, полезно оценивать не только промпты, но и обоснование выбора решения, проверку достоверности ответа, исправление ошибок и способность объяснить результат без помощи модели.
Мейер справедливо замечает, что конкурентная система оценивания превращает использование ИИ в своего рода дилемму заключенного. Даже студент, который хочет учиться самостоятельно, может чувствовать себя в невыгодном положении по сравнению с теми, кто делегирует выполнение заданий модели.
Причина связана с самой организацией образования, когда оценки становятся дефицитным ресурсом, а выполнение задания нередко подменяет собой обучение.
В контексте проектного обучения, особенно в технических дисциплинах, предложенный подход нуждается в дополнительном развитии. Преподавателю важно установить, способен ли студент:
- сформулировать задачу и определить исходные данные;
- выбрать подходящую модель и обосновать допущения;
- проверить расчеты и обнаружить ошибки ИИ;
- оценить ограничения решения и объяснить компромиссы;
- защитить проект и ответить на вопросы, выходящие за пределы подготовленного отчета.
Именно эти действия позволяют увидеть индивидуальный вклад студента и развитие его компетенций. При этом не обязательно запрещать ИИ: можно оценивать качество работы человека в системе «студент — ИИ — предметная задача».
Читать 2мин https://dzen.ru/a/atxKTb5t_VONEID2
Система оценок, призванная улучшить ваше обучение и наши отношения в эпоху генеративного ИИ.
Автор: Дэн Мейер
Дэн Мейер предлагает перестать изображать, будто преподаватель способен надежно контролировать использование ИИ при выполнении домашних заданий. Если студент может получить приемлемую работу за несколько минут с помощью LLM, то оценивать такую работу как свидетельство индивидуальных знаний и умений становится бессмысленно.
Предложение разрешить свободное использование ИИ и оценивать домашние задания по принципу «выполнено/не выполнено» выглядит вполне рациональным. Оно позволяет отказаться от дорогостоящей гонки вооружений между средствами обнаружения ИИ и способами их обхода. При этом преподаватель перестает тратить время на подробную обратную связь по работе, которая фактически отражает возможности модели, а не достижения студента.
Если домашние задания выполняются с помощью ИИ, а экзамены — самостоятельно, то система фактически измеряет два разных результата: способность создавать продукт с помощью ИИ и способность демонстрировать индивидуальные знания без него.
Возникает вопрос: должен ли вуз преимущественно оценивать то, что человек умеет делать без ИИ, или то, насколько качественный результат он способен получить вместе с ИИ?
Вероятно, ответ зависит от дисциплины и уровня подготовки. Например, в физике необходимо проверять понимание законов и способность самостоятельно построить модель, но также важно уметь использовать ИИ для анализа данных, вычислений и поиска ошибок.
Интересная идея —предложение студентам самим указывать, где им нужна обратная связь, и при необходимости предоставлять промпты, использованные при работе с LLM.
Однако, полезно оценивать не только промпты, но и обоснование выбора решения, проверку достоверности ответа, исправление ошибок и способность объяснить результат без помощи модели.
Мейер справедливо замечает, что конкурентная система оценивания превращает использование ИИ в своего рода дилемму заключенного. Даже студент, который хочет учиться самостоятельно, может чувствовать себя в невыгодном положении по сравнению с теми, кто делегирует выполнение заданий модели.
Причина связана с самой организацией образования, когда оценки становятся дефицитным ресурсом, а выполнение задания нередко подменяет собой обучение.
В контексте проектного обучения, особенно в технических дисциплинах, предложенный подход нуждается в дополнительном развитии. Преподавателю важно установить, способен ли студент:
- сформулировать задачу и определить исходные данные;
- выбрать подходящую модель и обосновать допущения;
- проверить расчеты и обнаружить ошибки ИИ;
- оценить ограничения решения и объяснить компромиссы;
- защитить проект и ответить на вопросы, выходящие за пределы подготовленного отчета.
Именно эти действия позволяют увидеть индивидуальный вклад студента и развитие его компетенций. При этом не обязательно запрещать ИИ: можно оценивать качество работы человека в системе «студент — ИИ — предметная задача».
Читать 2мин https://dzen.ru/a/atxKTb5t_VONEID2