Исследовательские задачи

ИССЛЕДОВАТЕЛЬСКИЕ ЗАДАЧИ

Этот раздел — возможная программа исследований, которую целесообразно реализовать в области ИИ и математического образования в ближайшие годы. Это не обзор того, что уже сделано, а формулировка того, что ещё предстоит выяснить.

Программа разбита на пять направлений. В каждом — конкретные исследовательские вопросы, которые можно проверить эмпирически: в классе, в вузе, на платформе, в эксперименте.

Это открытое приглашение к сотрудничеству — как для исследователей, так и для учителей, которые готовы провести пилотное исследование в своей практике.

Направление 1

Эффективность ИИ-инструментов в разных предметных областях

Ключевой вопрос: где ИИ даёт наибольший педагогический прирост, а где — создаёт риски? Сегодня эмпирические данные фрагментарны: большинство исследований проверяют общий эффект на тестовые баллы, но не разделяют его по темам, типам задач и уровням образования.

1.1

Сравнительный анализ по трём областям. В каких тематических кластерах (школьная математика, высшая математика, теория вероятностей) ИИ-инструменты дают наибольший прирост, а в каких — наименьший?

1.2

Тип задачи как предиктор. Есть ли разница в эффективности ИИ между типовыми задачами (алгебраические преобразования, вычисления) и задачами, требующими нестандартного подхода или доказательства?

1.3

Долгосрочные эффекты. Сохраняется ли положительный эффект ИИ через 3, 6, 12 месяцев после вмешательства, или он исчезает после прекращения использования инструмента?

Направление 2

«ИИ как усилитель» vs «ИИ как замена»: как различить на уровне данных

Различение двух режимов использования ИИ — усилителя и замены — уже стало общим местом в педагогике. Но остаётся открытым вопрос: как отличить их эмпирически, по наблюдаемым данным? Какие показатели в логах, в работах студентов, в результатах тестирования указывают на то, что произошла подмена мышления?

2.1

Индикаторы подмены. Какие поведенческие и когнитивные маркеры позволяют отличить «ИИ как усилитель» от «ИИ как замена» на уровне отдельного студента?

2.2

Иллюзия компетенции. Как выявить ситуацию, когда студент уверен, что понял тему, хотя фактически лишь воспроизвёл сгенерированный ответ? Какие задания позволяют это обнаружить?

2.3

Роль формулировки задания. Как изменение формулировки задания (например, требование обосновать выбор метода) влияет на режим использования ИИ?

Направление 3

Оценивание рассуждений в условиях ИИ

Если финальный ответ перестал быть надёжным индикатором понимания, нужно менять не только задания, но и систему оценивания. Ключевой вопрос: можно ли оценивать процесс, а не результат? И если да, то как?

3.1

Рубрики для оценки рассуждений. Какие критерии позволяют надёжно оценивать качество математического рассуждения, если студент использовал ИИ на одном из этапов?

3.2

Отличимость сгенерированного рассуждения. Можно ли по тексту решения определить, было ли оно сгенерировано ИИ или выстроено студентом? Какие признаки работают, а какие — нет?

3.3

Гибридные задания и оценка. Как должны быть устроены гибридные задания, чтобы оценка отражала вклад студента, а не качество работы ИИ?

Направление 4

Педагогический эксперимент на платформе

На платформе «Академическая резильентность» каждый учебный модуль включает этап работы с ИИ и структурированный опрос после него. Это создаёт уникальную возможность: собрать данные о том, как разные ИИ-инструменты работают в разных предметных областях, в реальном учебном процессе, без нарушения его логики.

4.1

Структурированный опрос как инструмент. Даёт ли структурированный опрос валидные данные для сравнения эффективности ИИ-инструментов? Какие вопросы наиболее информативны, а какие — избыточны?

4.2

Тематические кластеры. Можно ли на основе данных опроса выделить кластеры тем, где ИИ даёт наибольший педагогический прирост, и где — создаёт риски?

4.3

Разделение оценки инструмента и оценки понимания. Как развести в опросе оценку удобства инструмента и оценку собственного понимания темы? Какие формулировки работают?

Направление 5

Формирование интеллектуального иммунитета

Главная гипотеза: математика — наиболее последовательная культурная практика формирования интеллектуального иммунитета. Но можно ли проверить это эмпирически? И можно ли целенаправленно формировать способность обнаруживать ошибки ИИ, отличать доказательство от убеждения, знание от мнения?

5.1

Измеримость интеллектуального иммунитета. Можно ли разработать инструмент для измерения способности обнаруживать ошибки в рассуждениях — своих и чужих?

5.2

Влияние разбора ошибок ИИ. Приводит ли систематический разбор ошибок ИИ к улучшению критического мышления студентов? Как это измерить?

5.3

Перенос навыка. Переносится ли способность обнаруживать ошибки ИИ в математике на другие области — в физику, в работу с текстом, в повседневные решения?

Возможные методы

Все пять направлений предполагают эмпирическую проверку. Возможные методы:

Рандомизированные контролируемые испытания (RCT) в реальных классах — где это возможно этически и организационно.
Квазиэкспериментальные исследования — когда рандомизация невозможна, но можно сравнить группы.
Анализ логов платформы — поведенческие данные: время на задачу, количество попыток, переходы между шагами.
Структурированные опросы и интервью — как количественные, так и качественные.
Анализ артефактов — студенческих работ, черновиков, комментариев к решениям ИИ.
Сравнительные исследования — один и тот же инструмент в разных предметных областях и на разных уровнях.

Особенно перспективны смешанные дизайны: количественные данные о результатах + качественный анализ того, как именно студенты используют ИИ. Только так можно ответить не только на вопрос «работает ли», но и на вопрос «почему».

Приглашение к сотрудничеству

Программа исследований открыта. Если вы учитель, преподаватель вуза, студент или исследователь и хотите провести пилотное исследование в своей практике — можно начать с малого: одно направление, один класс, один инструмент.

Результаты можно будет публиковать на этом сайте с указанием авторства и образовательного контекста.

< НАЗАД К РАЗДЕЛУ