Этот раздел — карта поля. Здесь собраны ключевые исследования 2024–2026 годов, которые показывают, что происходит на переднем крае: как ИИ влияет на изучение математики, какие инструменты работают, а какие создают риски, и какие вопросы остаются открытыми.
Это не полный обзор литературы и не рейтинг «лучших статей». Это попытка зафиксировать основные линии, по которым развивается область. Отдельное внимание — российским исследованиям, которые показывают специфику отечественного контекста.
Особенности использования ИИ для повышения качества обучения математике
Исследование В.С. Ляшенко (Российский технологический университет) анализирует применение ИИ в преподавании математики: автоматизированные системы проверки заданий, персонализированные платформы обучения, инструменты визуализации математических объектов и адаптивные методы. Автор использует смешанный методологический подход, включающий систематический обзор литературы, экспериментальное изучение эффективности ИИ-инструментов, качественный и статистический анализ [citation:1].
Ключевая находка: использование интеллектуальных систем открывает возможность создания индивидуальных образовательных траекторий для каждого студента и оптимизации подачи материала в соответствии с их потребностями. Читать оригинал >Некоторые аспекты применения технологий искусственного интеллекта в математическом образовании
С.В. Даниленко, Ю.М. Мартынюк и В.С. Ванькова (Тульский государственный педагогический университет им. Л.Н. Толстого) провели сравнительный анализ решений математических задач различными генеративными системами. Универсальные модели (ChatGPT, GigaChat, YandexGPT) часто допускают логические и вычислительные ошибки, тогда как специализированные системы (MathGPT, Mathos AI, Photomath) демонстрируют высокую точность [citation:2][citation:5].
Методический вывод: авторы предлагают использовать ошибочные ответы ИИ как учебный материал для развития критического мышления и цифровой грамотности студентов. Читать оригинал >Применение искусственно-интеллектуальных и нейросетевых технологий в математическом и естественно-научном образовании
В.Н. Аниськин, В.И. Богословский, Т.В. Добудько и О.И. Пугач (Самарский государственный социально-педагогический университет, РГПУ им. А.И. Герцена) определяют преимущества и недостатки предметно-методического и организационно-дидактического потенциала ИИ-технологий. Рассматриваются риски и вызовы, связанные с внедрением этих технологий, а также предлагается дидактическая модель формирования предметно-цифровой культуры студентов педагогических направлений [citation:3][citation:6].
Ключевая идея: ИИ-средства рассматриваются как вспомогательный организационно-дидактический инструментарий, применяемый преподавателями и обучающимися в повседневной деятельности. Читать оригинал >Программируемые алгоритмы и нейросети в обучении математическим дисциплинам
Исследование сравнивает возможности нейросетей с продуктами на основе программируемых алгоритмов: базами данных задач, компьютерными тренажерами и интеллект-картами. Сравнительные тесты ChatGPT, DeepSeek, GigaChat и Алисы Яндекс на заданиях ЕГЭ выявили ограниченную способность нейросетей решать сложные задачи второй части и неспособность решать задачи, условие которых задано рисунком [citation:4].
Практический вывод: оптимальная стратегия — сочетание возможностей нейросетей с проверенными средствами на основе программируемых алгоритмов, где учитель корректирует и проверяет результаты работы ИИ. Читать оригинал >Эффективность ИИ в обучении математике: мета-анализ 21 исследования
Систематический обзор и мета-анализ 21 исследования (40 выборок) показал небольшой, но устойчивый положительный эффект ИИ на успеваемость по математике в K–12. Средний размер эффекта — 0,343. Наибольший эффект достигается, когда ИИ используется как интеллектуальная тьютор-система или адаптивная система обучения.
Ключевая находка: тип ИИ — единственная переменная, показавшая умеренный эффект. Адаптивные системы и ITS работают лучше, чем генеративные чат-боты. Читать оригинал >Расширение сферы интеграции ИИ в математическое образование
Обзор фиксирует переход ИИ от экспериментального вспомогательного инструмента к фундаментальной опоре математической педагогики. Ключевой сдвиг 2025–2026 годов — движение в сторону адаптивных сократических тьютор-систем (Khanmigo, Mathos AI, Tutor CoPilot). Исследования показывают измеримое улучшение освоения тем при ИИ-ассистированном человеческом тьюторстве. Однако сохраняются проблемы когнитивной сверхзависимости и приватности данных.
Главный риск: «cognitive over-reliance» — студенты перестают выстраивать собственное рассуждение, потому что ИИ даёт ответ быстрее. Читать оригинал >ИИ в изучении математики студентами: вызовы и решения (2021–2025)
Систематический обзор 12 количественных исследований показал: Китай вносит наибольший вклад в публикации. Большинство исследований — квазиэкспериментальные, с короткой длительностью вмешательства и малыми выборками. Выделены три типа технологий: адаптивные системы, интеллектуальные тьютор-системы и чат-боты. Основные вызовы — исследовательские, технические и педагогические.
Пробел в исследованиях: недостаточно работ, которые проверяют влияние ИИ на способность к математическому решению задач, а не только на тестовые баллы. Читать оригинал >ИИ в математическом образовании: двухмерная концептуальная рамка
Ведущий журнал по математическому образованию предлагает рамку, которая различает технологическое измерение (символический ИИ, машинное обучение, генеративный ИИ) и функциональное измерение (тьютор, партнёр, инструмент оценки). Ключевая идея: разные технологии имеют разные сильные стороны для поддержки математической деятельности. Символический ИИ лучше подходит для формального вывода и проверки доказательств, машинное обучение — для моделирования учащегося, генеративный ИИ — для математического диалога.
Принципиальный вывод: образовательные функции не выводятся напрямую из технологических характеристик. Одна и та же технология может служить разным педагогическим целям. Читать оригинал >Обучаемые агенты в математическом образовании: сдвиг от rule-based ITS к генеративному ИИ
Библиометрический анализ показывает парадигмальный сдвиг: от традиционных rule-based интеллектуальных тьютор-систем к генеративному ИИ и разговорным агентам. При этом педагогическое ядро — «обучение через преподавание» (learning-by-teaching) — сохраняется. Поле остаётся сильно сконцентрированным институционально: основные исследовательские группы в США и Швеции.
Важное наблюдение: результаты публикуются преимущественно в компьютерных, а не в педагогических журналах — это изолирует находки от образовательного сообщества. Читать оригинал >Влияние ИИ на математическое образование: обзор 30 исследований (2020–2026)
Анализ 30 исследований показал: интеллектуальные тьютор-системы, адаптивные платформы, чат-боты, генеративные инструменты визуализации и аналитические панели улучшают успеваемость, вовлечённость и восприятие математики. Подчёркивается важность готовности учителя, цифровой грамотности и инфраструктурной поддержки.
Ограничение: малые выборки и короткая длительность вмешательств. Долгосрочные эффекты остаются неизученными. Читать оригинал >Текущие практики и будущие направления ИИ в математическом образовании
Обзор категоризирует ИИ-инструменты на две группы: узконаправленные (решение уравнений, визуализация геометрии) и широкие педагогические (адаптивные системы, генеративные платформы). Анализируется распределение исследований по уровням образования, типам инструментов и их коммерциализации.
Практический вывод: учителям нужна помощь в выборе инструментов, соответствующих конкретным педагогическим стратегиям, а не просто «списки лучших ИИ». Читать оригинал >Перспективы и вызовы использования ИИ в исследованиях и разработках математического образования
Обзор 14 публикаций (2021–2024) исследует потенциал ИИ в математическом образовании: машинный язык, обработка естественного языка, ChatGPT, социальные роботы, интеллектуальное обучение, генерация текста, совместное обучение, образовательное оценивание. Большинство исследований используют смешанные и количественные методы. Авторы рекомендуют использовать ИИ для адаптации контента под потребности студентов на всех уровнях образования.
Рекомендация: ИИ должен модифицировать контент под потребности студента, а не наоборот — студент подстраиваться под возможности инструмента. Читать оригинал >