Распознавание и коррекция ошибок ИИ
Это направление — о том, что происходит, когда учитель математики остаётся один на один с ответом искусственного интеллекта. Не «как использовать ИИ на уроке», а как проверять за ним. Потому что ключевой навык педагога в эпоху ИИ — это не умение генерировать задания, а умение видеть ошибку там, где её не видно.
ИИ отвечает уверенно, быстро и гладко. Именно это и создаёт новую ситуацию: чем убедительнее ответ, тем реже мы проверяем сам вопрос. Лаборатория создана, чтобы вернуть пространство сомнения — и превратить его в измеримый педагогический навык.
1.Зачем педагогу различать типы ошибок
Учителя математики всё чаще используют ИИ для генерации заданий, объяснений и проверки работ. Но практика показывает: они хорошо проверяют безошибочные задачи и плохо выявляют ошибки. Это означает разрыв в профессиональной подготовке, который пока не закрыт ни в России, ни за рубежом.
Вопрос не в том, «ошибается ли ИИ». Он ошибается. Вопрос в том, умеет ли учитель отличить одну ошибку от другой — и понять, что именно нужно исправлять: математику, язык, интерпретацию или саму постановку задачи.
2.Почему «галлюцинация» — неточное слово
Обычное слово «hallucination» слишком грубое. Оно смешивает разные явления: арифметическую ошибку, ошибку интерпретации условия, ошибку постановки задачи, ошибку языка. Все они называются одним словом — и это мешает понять, что именно улучшать.
Нам нужна более точная классификация — такая, которая разделяет ошибку постановки, ошибку языка, ошибку интерпретации и ошибку вычисления. Каждая из них требует своей педагогической реакции.
3.Классификация ошибок I–IV
Мы предлагаем различать четыре типа ошибок — в зависимости от того, на каком этапе они возникли. Это продолжение классификации из раздела «Теория» лаборатории, но переведённое в педагогический контекст.
Человек неправильно поставил математическую задачу
Ошибка возникла ещё до того, как машина получила запрос. Учитель сам сформулировал условие неверно. ИИ может решить задачу правильно — но это будет решение не той задачи, которую учитель имел в виду.
Язык неадекватно выразил математический замысел
Замысел был правильным, но формулировка его исказила. Использованы многозначные термины, пропущены условия, конфликтуют требования. Машина получила текст, который не соответствует исходной задаче.
Модель неправильно интерпретировала языковую структуру
Текст был корректным. Но машина неправильно его прочитала: не заметила отрицание, перепутала порядок условий, не увидела квантор. Это ошибка интерпретации, а не вычисления.
Модель правильно интерпретировала задачу, но неправильно выполнила операцию
Понимание было верным, но арифметика или логический шаг — ошибочны. Это классическая вычислительная ошибка, и она принципиально отличается от трёх предыдущих.
4.Что уже есть за рубежом и в России
Зарубежные исследования
- Kim, Park, Joung (2026), School Science and Mathematics. Исследование того, как будущие учителя математики работают с ChatGPT при постановке задач. Ключевой результат: будущие педагоги успешно проверяют «безошибочные» задачи, но плохо выявляют и исправляют ошибки. Авторы делают вывод о разрыве в профессиональной подготовке.
- Yilmaz и соавторы (2026). Изучают, как будущие учителя взаимодействуют с ИИ-тьютором Khanmigo при решении математических задач. Показано, где именно им нужна поддержка инструктора — особенно в ситуациях, когда модель даёт уверенный, но неверный ответ.
- Liang Zhang (ACL 2026). Более 90% ошибок LLM в математике связаны с непониманием логических отношений, а не с вычислениями. Это означает: учитель должен уметь различать логическую и вычислительную ошибки — потому что педагогические реакции на них разные.
Российские исследования
- Кузьменко (2025), «Психологическая наука и образование». Опрос 122 учителей математики из 44 регионов РФ. Результат: около 70% готовы использовать ИИ, но знания фрагментарны, а реально используют от 13% до 40%. При этом системной подготовки к проверке ответов ИИ нет.
- Добровольская, Харченко (2026), «Профессиональное образование в современном мире». Вводят термин «лингвоматематическая компетенция» и предлагают методологию применения генеративного ИИ для её формирования у иностранных студентов технических специальностей.
5.Чего ещё нет: разрыв в подготовке педагога
Ни в России, ни за рубежом пока нет системной типологии математических ошибок ИИ, которая была бы привязана к педагогическим действиям. Учителю говорят: «проверяйте за ИИ». Но не говорят: что именно проверять и как реагировать на разные типы ошибок.
Кроме того, нет инструментов, которые позволяли бы тренировать этот навык. Учитель либо уже умеет, либо нет. Промежуточной ступени — тренажёра, симулятора, диагностической шкалы — не существует.
- Нет типологии ошибок, привязанной к педагогическим реакциям.
- Нет тренажёра для учителей по распознаванию ошибок ИИ.
- Нет метрики, которая измеряла бы, насколько учитель готов проверять за ИИ.
- Нет русскоязычных данных: все существующие исследования — на английском материале.
6.Что это меняет в математическом образовании
Это направление — не «обучение работе с ИИ». Это формирование профессиональной чувствительности к ошибкам нового типа. Учитель, который умеет различать четыре типа ошибок, не просто «проверяет за ИИ». Он видит, где именно математическое рассуждение сломалось — и может превратить это в учебную ситуацию.
Ученик, который наблюдает за таким учителем, учится сам: он видит, что ошибка — это не «неправильный ответ», а точка, в которой можно разобраться, что именно пошло не так. Это и есть математическое мышление в его рабочем виде.