Искусственный интеллект в образовании: реалии и пределы применения

Искусственный интеллект в образовании уже успел пройти привычный EdTech-цикл: сначала его объявили репетитором, методистом, проверяющим, психологом и почти директором школы в одном чат-окне; затем студенты начали сдавать тексты с несуществующими источниками, а преподаватели — ловить себя на вопросе «кто тут вообще учится?». Обе реакции понятны. Обе слегка ломаются при столкновении с практикой.

Проблема не в том, что нейросети «слишком умные» или, наоборот, «тупые». Проблема в настройке роли. Генеративная модель прекрасно разгоняет первую попытку: объяснить дроби шестью способами, подобрать упражнения, подсветить повторяющуюся ошибку в коде, сыграть собеседника на иностранном языке. Но как только ей поручают решать, понял ли ученик тему, куда его зачислить или какую оценку поставить, цена уверенной ошибки резко растёт.

Я тестировал это на языковых занятиях много раз. Дашь модели роль разговорного партнёра — группа оживает, потому что у каждого появляется бесконечно терпеливый собеседник. Дашь ей роль финального экзаменатора — и через двадцать минут кто-нибудь получает похвалу за грамматическую конструкцию, которой в английском, французском или немецком просто не существует. Нейросеть не «вредничает». Она конфабулирует: производит гладкий, убедительный и ложный ответ. В обычной жизни это зовут галлюцинацией. В учебном процессе это называется «почему мы теперь три урока разучиваем неправильное».

Искусственный интеллект в образовании полезен не там, где его ставят вместо человека, а там, где он делает обучение наблюдаемым, быстрым и достаточно конкретным. Разберём, как отделить работающий инструмент от дорогостоящего чат-виджета с драматичной надписью AI-powered.

Пять задач, в которых ИИ действительно может разгрузить обучение

В исследованиях образовательного ИИ обычно выделяют пять крупных направлений: тьюторинг, персонализацию, оценивание, учебную и прогнозную аналитику, а также административно-логистические задачи. Это хорошая карта. Не потому, что она обещает магию, а потому, что заставляет спросить: какую конкретно работу мы автоматизируем?

Тьюторинг: не учитель в коробке, а тренажёр обратной связи

Самый понятный сценарий — ИИ-тьютор. Он может разбирать решение по шагам, задавать уточняющие вопросы, генерировать задания нужного уровня, моделировать диалог или помогать ученику сформулировать ход мысли.

Но тут есть тонкий педагогический фокус. Если бот сразу выдаёт правильный ответ, он не обучает — он обслуживает. Ученик получает дофаминовую крошку «готово», а рабочая память остаётся без тренировки. Через неделю конструкция не извлекается из памяти, потому что извлекать было нечего: модель всё сделала сама.

Рабочая настройка тьютора выглядит иначе:

1. Сначала он просит ученика показать свою версию. Пусть это будет две строки решения, тезис к эссе или попытка объяснить правило своими словами. Без этого нейросеть видит пустое место и начинает развлекаться генерацией.

2. Затем указывает на конкретный разрыв. Не «подумай ещё», а «ты выбрал верную формулу, но подставил скорость вместо времени» или «в аргументе есть мнение, но нет доказательства из текста».

3. После — даёт микроупражнение на один навык. Не пачку из 25 заданий, от которой мозг уходит в режим энергосбережения, а 2–4 примера именно на сбойную операцию.

4. В конце просит восстановить решение без подсказок. Этот этап многие продукты почему-то пропускают. А зря: именно попытка вспомнить, а не повторно прочитать, укрепляет след памяти.

В языковой практике ИИ особенно хорош как симулятор низкорискового общения. С ним можно десять раз перезапустить диалог в аэропорту, на собеседовании или у врача; можно попросить говорить медленнее, исправлять только одну категорию ошибок, не переводить на русский, играть роль придирчивого клиента. Это не заменяет живую речь — живой человек всё равно перебьёт, не расслышит и внезапно сменит тему. Но тревожный порог входа такой тренажёр заметно снижает.

Хороший ИИ-тьютор не отнимает у ученика усилие. Он делает это усилие точнее.

Персонализация: не «у каждого свой курс», а правильный следующий шаг

Персонализация обучения с помощью ИИ — термин, который маркетинг успел растянуть до состояния лапши. Если платформа просто подставляет имя в приветствие и предлагает «подходящий вам урок», персонализации там примерно столько же, сколько в автоматическом письме от банка.

Настоящая персонализация требует как минимум трёх вещей: данных о действиях учащегося, педагогической модели и логики, которая связывает одно с другим. Система должна понимать не только, что Иван ошибся в четырёх заданиях, но и в чём именно была ошибка: он не знает правило, путает шаги алгоритма, читает вопрос невнимательно, слишком быстро сдаётся или механически применяет старый шаблон.

Например, в курсе по алгебре ученик стабильно решает линейные уравнения, но падает на задачах с текстовым условием. Бесполезная система покажет ему ещё двадцать уравнений. Полезная заметит: вычисления в порядке, узкое место — перевод текста в математическую модель. Значит, нужен не новый видеоролик «что такое переменная», а короткая серия задач на выделение величин, отношений и ограничений.

Это работает и в подготовке к экзаменам. На длинной дистанции ученик бросает курс не потому, что «не хватает мотивации» — универсальная отговорка, которую пора отправить в музей. Чаще он не понимает, почему результат стоит на месте. Нормальная аналитика показывает динамику по навыкам, частоту попыток, типовые ошибки, паузы между занятиями. Тогда преподаватель может вмешаться до того, как человек тихо исчезнет после третьего модуля.

Проверка знаний: быстрее — да, окончательно — нет

Инструменты ИИ для проверки знаний сильнее всего там, где можно описать критерии и где преподаватель готов просмотреть спорные случаи. Тестовые задания, короткие ответы, первичная разметка эссе, комментарии к структуре текста, обратная связь по программному коду — всё это можно ускорять.

Но «ускорить» и «отдать на автопилот» — слова из разных вселенных.

Возьмём эссе. Нейросеть неплохо отмечает отсутствие тезиса, логические скачки, повторы, слабые связки между абзацами. Иногда она даже довольно метко находит место, где автор подменил аргумент эффектной фразой. Это уже полезно: ученик получает обратную связь не через неделю, а пока ещё помнит, что хотел сказать.

Зато модель может не уловить оригинальную мысль, неверно прочитать иронию, принять нестандартную композицию за ошибку или, наоборот, похвалить гладкий набор банальностей. В билингвальных текстах веселье становится особенно плотным: система может назвать интерференционную ошибку «авторским стилем», а устойчивое выражение — нарушением нормы.

Поэтому ИИ-проверка годится как первый проход, но не как суд последней инстанции. Если от результата зависят оценка, перевод на другой уровень, поступление или доступ к программе, человеческая проверка должна быть встроена в процесс, а не лежать где-то в красивом PDF «на случай необходимости».

Аналитика и рутина: самый недооценённый участок

В публичных разговорах нейросети обычно застревают между «напишет ли она диплом?» и «отменит ли она учителей?». Между тем самый приземлённый и часто самый полезный эффект лежит в административной части.

Система может собрать сигналы из LMS: кто не открывал модуль, кто бесконечно пересматривает одно видео, кто отправляет задания в последний момент, где у половины потока случился один и тот же сбой. Для куратора это не приговор студенту, а радар. Вместо рассылки «напоминаем о дедлайне» всем подряд он видит конкретную группу риска и может написать по-человечески: «Вы застряли на второй практике? Давайте разберём именно её».

В спортивной подготовке давно понятно, что один показатель не описывает форму: количество тренировок без контекста нагрузки, восстановления и техники даёт странную картину. В обучении такая же история — полезно смотреть на логику тренировочного прогресса, а не поклоняться одной цифре «процент прохождения курса». Человек может открыть все уроки и не освоить ничего. Может пропустить два занятия, а затем уверенно закрыть модуль за счёт сильной базы.

ИИ здесь не диагност. Он хороший ассистент, который не устаёт смотреть на повторяющиеся паттерны. Решение всё равно принимает тот, кто знает контекст ученика.

Галлюцинации: почему уверенный тон не равен знанию

Генеративная модель устроена не как библиотека с аккуратным каталогом проверенных фактов. Её базовая задача — построить наиболее вероятное продолжение текста. Часто это выглядит как знание. Иногда — как блестяще собранная фальшивка.

NIST использует для такого поведения термин «конфабуляция»: модель формирует уверенно звучащий, но ошибочный или ложный контент. И вот это место нельзя замазывать фразой «ну, иногда ошибается». Калькулятор, который иногда выдаёт 17 вместо 7, мы бы не пустили на контрольную. К чат-боту почему-то относимся мягче, потому что он пишет полными предложениями и не просит кофе-брейк.

Риски использования ИИ в школах особенно заметны в трёх ситуациях:

• Нейросеть становится источником фактов. Ученик просит список исследований, биографию автора, разбор исторического события — и получает ссылки, названия работ или цитаты, которых не существует. Внешне всё очень прилично. Внутри — картон.
• Нейросеть подменяет объяснение. Она выдаёт готовую формулировку, ученик её копирует, но не может применить правило в новом контексте. Это классическая иллюзия беглости: «я узнаю текст, значит, понимаю». Нет, не значит.
• Нейросеть выставляет оценку без прозрачного критерия. Учащийся не видит, почему получил балл, не может оспорить результат и не понимает, что исправлять. Педагогика в этот момент превращается в лотерею с интерфейсом.

Что делать на практике? Не запрещать любой генеративный инструмент — это так же продуктивно, как запрещать студентам пользоваться поиском. Нужно поменять протокол работы.

Для фактологических задач модель должна показывать не финальный ответ, а маршрут: какие утверждения требуют проверки, где данные неуверенные, какие источники надо открыть отдельно. Для письменных работ полезнее просить её не «напиши эссе», а «найди логическую дыру в моём аргументе», «задай пять вопросов к тезису», «предложи контраргумент». Для языковой практики — фиксировать одну цель на сессию: например, порядок слов в вопросах или использование прошедшего времени. Иначе бот выдаст 18 комментариев, ученик прочитает ноль, а всем станет немного грустно.

Если ответ нейросети нельзя объяснить, проверить и оспорить, это не обратная связь. Это оракул с подпиской.

Этика применения нейросетей: возраст, данные и право на ошибку

В теме детей взрослые быстро скатываются в два противоположных жанра. Первый: «дети и так всё умеют, они цифровые». Второй: «срочно отобрать экраны, пока не поздно». Оба удобны, потому что не требуют проектировать учебный процесс.

UNESCO рекомендует ориентироваться на минимальный возраст 13 лет для использования ИИ-инструментов в классе. Это не единый мировой запрет и не универсальная юридическая граница: правила страны, школы и конкретного сервиса могут отличаться. Но рекомендация важна как напоминание: возраст — не формальность в анкете. Он связан с тем, способен ли ребёнок распознать манипуляцию, понять последствия передачи данных, отличить правдоподобный ответ от надёжного знания.

У этики применения нейросетей в школе есть очень земные вопросы:

1. Какие данные получает сервис? Имя, работы, голос, видео, история ошибок, поведение в LMS — это не «топливо для удобства», а персональная информация ученика. Школа должна понимать, что именно уходит поставщику, как это хранится и кто получает доступ.

2. Можно ли отказаться без наказания? Если ИИ-инструмент обязателен, у семьи и ученика должен быть ясный альтернативный маршрут. Иначе выбор существует только в презентации продукта.

3. Понятно ли, когда с учеником говорит машина? Маскировать бота под преподавателя — плохая идея. Ребёнок имеет право знать, что перед ним автоматизированная система, а не живой педагог, который действительно прочитал ответ.

4. Есть ли путь к человеку? Когда рекомендация влияет на оценку, уровень группы, дисциплинарное решение или образовательную траекторию, кнопку «обратиться к преподавателю» нельзя прятать в подвал интерфейса.

5. Учим ли мы пользоваться ИИ, а не просто нажимать кнопку? Это разные навыки. Хороший запрос — ещё не критическое мышление; критическое мышление начинается там, где ученик замечает, что уверенно написанный текст не обязан быть правдой.

Рамка компетенций UNESCO для учащихся, опубликованная в 2024 году, предлагает смотреть на ИИ через четыре измерения: человекоцентричный подход, этика, методы и приложения ИИ, проектирование систем. Внутри — 12 компетенций, которые осваиваются на уровнях «понимать», «применять», «создавать».

Мне нравится здесь не список сам по себе, а последовательность. Сначала понять, что делает модель и где она ломается. Потом научиться применять её для реальной задачи. И только затем строить свои решения. Сейчас школы нередко стартуют с третьего пункта: «давайте дети сделают чат-бота». Получается эффектный демо-день, несколько скриншотов и ноль разговора о данных, смещениях и последствиях.

Регулирование: где заканчивается эксперимент и начинается высокая ставка

Когда ИИ предлагает школьнику дополнительное упражнение, ошибка неприятна, но обычно поправима. Когда система решает вопрос о зачислении, определяет образовательный уровень, оценивает результаты обучения или отслеживает запрещённое поведение на экзамене — ошибка меняет человеку траекторию. И тут «наш алгоритм так посчитал» не годится.

В Европейском союзе такие системы отнесены к категории высокорисковых. Важно не путать это с простым тезисом «в Европе всё уже запретили». Регламент ЕС об ИИ в целом начинает применяться с 2 августа 2026 года, но для части требований, связанных с высокорисковыми системами по статье 6(1), установлен более поздний срок — 2 августа 2027 года. Календарь здесь имеет значение: правила вводятся поэтапно, а не падают на школы одним юридическим метеоритом.

Для образовательных организаций смысл довольно прозрачный. Чем сильнее алгоритм влияет на жизненно важное решение, тем выше требования к прозрачности, управлению рисками, качеству данных, документации и человеческому надзору. Автоматическая сортировка вопросов в поддержку и система, которая фактически решает судьбу поступающего, не могут проходить одну и ту же процедуру закупки.

Именно поэтому при выборе EdTech-продукта я бы задавал поставщику не романтический вопрос «какая у вас нейросеть?», а несколько неприятных:

• Что именно модель делает сама, а что оставляет преподавателю?
• На каких данных формируется рекомендация и можно ли объяснить её ученику?
• Где хранятся учебные данные, как долго и для чего?
• Можно ли отключить генеративный модуль, не потеряв весь курс?
• Как фиксируются ошибки системы и кто разбирает жалобы?
• Есть ли режим, в котором преподаватель видит исходные ответы ученика, а не только итоговый балл алгоритма?

Если на эти вопросы отвечают демонстрацией милого аватара, разговор можно заканчивать. Аватар ни разу не является политикой обработки данных.

Почему интеграция с LMS важнее красивой кнопки «Спросить ИИ»

Типичная картина: школа покупает отдельный ИИ-сервис, преподаватель заводит аккаунт, студенты получают ещё один пароль, задания живут в одной системе, оценки — в другой, обратная связь — в третьем чате. Через месяц проект называют «неудачным внедрением искусственного интеллекта». На самом деле сломался не ИИ. Сломался маршрут пользователя.

Для LMS критична совместимость. Один из ключевых технических стандартов здесь — LTI, Learning Tools Interoperability. Актуальная версия LTI 1.3 использует современную модель безопасности на базе OAuth 2.0 и JSON Web Tokens. Пакет LTI Advantage позволяет, среди прочего, передавать задания и оценки обратно в центральный журнал LMS.

Перевожу с интеграционного на человеческий. Если инструмент подключён нормально, ученик открывает его из привычного курса, не создаёт десятый профиль и не пересылает скриншоты преподавателю. Преподаватель видит, какое задание было выдано, что сделал студент, какую обратную связь получил и как это связано с другими результатами. Администратор не собирает таблицы вручную каждую пятницу, проклиная цифровизацию.

Но и здесь нет магического сертификата качества. Поддержка LTI 1.3 не делает сервис педагогически сильным, безопасным или честным. Она лишь снижает техническое трение. А трение — это важно: чем больше лишних шагов между учеником и заданием, тем выше шанс, что он просто не начнёт.

При тестировании ИИ-инструмента внутри LMS я смотрю на три слоя одновременно:

• Педагогический: есть ли ясная учебная цель, качественные задания, адекватный объём подсказок и возможность повторной попытки.
• Технический: работает ли единый вход, корректно ли передаются роли, задания и оценки, не теряется ли контекст курса.
• Управленческий: понятно ли, кому принадлежат данные, кто отвечает за сбой и как преподаватель может вмешаться.

Если хотя бы один слой проваливается, продукт будет раздражать. Если проваливаются два — его начнут обходить. Если все три — через полгода останется только презентация с фразой «инновационная экосистема».

Вердикт: ИИ нужен школе не для замены мышления

Нейросети в учебном процессе уже полезны: для тренировки, черновой обратной связи, адаптации заданий, наблюдения за учебной динамикой и снятия части рутины. Они способны дать ученику больше попыток, преподавателю — больше видимости, а курсу — меньше бессмысленных провалов на ровном месте.

Но искусственный интеллект в образовании не должен получать полномочия, которых он не заслужил. Он не знает ученика целиком. Он не несёт ответственности за неверную рекомендацию. Он умеет звучать убедительно даже в тот момент, когда полностью выдумывает факт. И да, он с радостью напишет за человека текст, который человек потом не сможет защитить двумя устными предложениями.

Хорошая школа не воюет с ИИ и не поклоняется ему. Она выстраивает систему, в которой модель помогает думать, а не избавляет от необходимости думать. Это менее эффектно, чем обещание «персонального преподавателя для каждого». Зато работает — что, согласитесь, для образовательной технологии довольно неплохое начало.