Искусственный интеллект в образовании: что подтверждено, что обещано

Почему доказательная база здесь тонкая

Массовые генеративные модели появились в конце 2022 года. Нормальное исследование учебного эффекта требует контрольной группы, отложенного замера и достаточной выборки, и на такое уходит от года. Значит, к 2026 году у нас есть в лучшем случае третье поколение работ, и большинство из них короткие: измеряют результат сразу после занятия, а не через месяц.

Это не повод отмахнуться, но повод быть осторожным с цифрами. Когда вам показывают величину эффекта от искусственного интеллекта в обучении, первое, что стоит спросить: измеряли ли результат после того, как доступ к модели убрали. Разница между этими двумя замерами и есть главный сюжет всей темы.

Эксперимент, который стоит знать целиком

Самая честная из известных мне работ — полевой эксперимент на уроках математики в турецкой школе, опубликованный в PNAS в 2025 году. Участвовало почти тысяча старшеклассников, пятьдесят классов с девятого по одиннадцатый, осенний семестр 2023–2024 учебного года. Учеников разделили на три группы: без доступа к модели, с доступом к обычному чат-интерфейсу и с доступом к версии, специально настроенной как репетитор, с ограничениями, которые не давали выдавать готовое решение.

Пока доступ был, обе группы решали заметно лучше контрольной. Когда доступ убрали и посадили писать экзамен самостоятельно, группа с обычным чат-интерфейсом показала результат хуже, чем те, у кого доступа не было вообще, примерно на 17 процентов. У группы с ограничениями этот провал был в основном снят. Авторы описывают механизм прямо: без ограничений ученики использовали модель как костыль, получали готовый ответ и не проходили ту часть работы, ради которой задача и задаётся.

История с мета-анализом, которая многому учит

В 2025 году вышел мета-анализ по 51 исследованию, опубликованному с ноября 2022 по февраль 2025 года. Он показывал большой положительный эффект языковой модели на учебные результаты, порядка g = 0,87, и умеренный на восприятие обучения и мышление высокого порядка. Цифру немедленно растиражировали: она удобная, круглая и очень убедительная.

В 2026 году журнал отозвал эту публикацию. Причина — расхождения в самом мета-анализе, на которые указали независимые исследователи; редакция сообщила, что выявленные проблемы подрывают доверие к анализу и выводам. Цифра при этом продолжает жить в презентациях и статьях, потому что отзыв публикации распространяется медленнее, чем сама публикация.

Почему модели уверенно врут

Языковая модель не хранит факты и не проверяет их. Она подбирает продолжение текста, которое выглядит правдоподобно. Из этого следует свойство, которое в образовании критично: неверный ответ выглядит ровно так же, как верный. Никакого сигнала неуверенности в тексте нет, если модель не попросили его дать, да и тогда он ненадёжен.

Исследователи из числа самих разработчиков в 2025 году объяснили механизм не мистикой, а системой оценки. Стандартные процедуры обучения и тестирования моделей вознаграждают угадывание: за ответ «не знаю» баллов не начисляют, а за случайно угаданный правильный ответ начисляют. Модель, которая честно признаёт незнание, проигрывает в рейтингах модели, которая уверенно блефует. Авторы предлагают менять сами процедуры оценки, но в моделях, которые доступны сегодня, это свойство никуда не делось.

Правило, которым я пользуюсь сам

Формулирую его так: модель применима там, где проверка результата занимает меньше времени, чем работа руками. Если проверка дороже самой работы, вы не экономите, а перекладываете усилие с производства на контроль, и обычно проигрываете.

Из этого правила автоматически следует граница. Черновики, варианты, переформулировки, разбивка большого текста на части — быстро проверяются глазами. Фактические справки, цитаты, реквизиты документов, статистика — не проверяются иначе как походом в первоисточник, а раз всё равно идти в первоисточник, модель здесь лишнее звено. Развёрнутый разбор с примерами — в тексте про то, где нейросеть учителю помогает, а где врёт.

Что делать с тем, что модели пользуются ученики

Запретить не получится, обнаружить надёжно тоже: детекторы сгенерированного текста дают ошибки в обе стороны, и обвинение на их основании — это конфликт с родителем, который вы не выиграете. Поэтому разумнее менять не контроль, а конструкцию задания.

1. Переносить проверку в класс

   Всё, что оценивается всерьёз, делается при вас. Домашняя работа остаётся тренировкой, а не источником отметки. Это единственная мера, которая работает без детективной части.

2. Спрашивать про процесс, а не про результат

   «Покажи, где ты ошибся в первой попытке», «объясни, почему выбрал этот способ». Готовый текст на такие вопросы не отвечает, а ученик, который разбирался, отвечает легко.

3. Давать задания, привязанные к контексту класса

   К вашему эксперименту, к вчерашнему обсуждению, к конкретным цифрам, которые собрали на уроке. Внешняя модель этого контекста не знает.

4. Разрешить открыто и потребовать разметку

   Если модель использовалась, ученик прикладывает свой запрос и указывает, что проверил. Это превращает скрытое использование в учебную задачу по проверке фактов.

5. Не обвинять по подозрению

   Ни один доступный инструмент не даёт доказательства. Обвинение без доказательства стоит дороже списанной работы.

Что не подтверждено

Перечислю утверждения, под которыми я не видел приемлемых доказательств, и не буду делать вид, что они есть.

• Что персонализация через модель повышает результаты в долгую. Отложенных замеров на школьных выборках почти нет, а те, что есть, дают неоднозначную картину.
• Что модель заменяет репетитора. Единственный крупный полевой эксперимент показал обратный эффект при снятии доступа, если конфигурация не ограничивает выдачу готовых решений.
• Что автоматическая проверка развёрнутых ответов надёжна. Это отдельная задача, и её качество на школьных работах на русском языке публично не измерено.
• Что использование ИИ развивает мышление высокого порядка. Величины эффекта, которыми это подкрепляли, взяты из работы, отозванной журналом.
• Что дети «всё равно уже умеют этим пользоваться». Умеют получать ответ. Проверять его не умеют, и этому не учит никто, кроме школы.

Где экономия времени реальная

Отдельно от учебных эффектов стоит вопрос про работу самого учителя. Здесь измерений почти нет, зато есть практика, и я готов говорить только про те задачи, где сам вижу выигрыш и могу его объяснить.

• Черновик того, что вы всё равно будете переписывать. План занятия, структура выступления, набросок письма. Экономия в том, что вы правите, а не начинаете с пустого листа.
• Пятнадцать вариантов одной формулировки задания. Полезно, когда нужны разные варианты для соседей по парте, и содержание при этом ваше.
• Перевод длинного документа в короткий список пунктов. С обязательной проверкой по оригиналу, потому что модель уверенно добавляет пункты, которых в документе нет.
• Разбор непонятного текста для себя. Не для ученика: объяснение может быть неточным, а вы это заметите, ученик — нет.
• Рутинная работа с текстом, который вы написали сами. Сократить, разбить, переформатировать. Исходные факты ваши, риск минимальный.

И граница, которую я не перехожу: никаких персональных данных учеников. Ни фамилий, ни характеристик, ни описаний конкретных ситуаций с узнаваемыми деталями. Внешний сервис — это ещё один оператор обработки, с которым у школы нет отношений, и объяснять это потом придётся вам. Подробный разбор — в тексте про цифровой след ученика.

Дальше по теме: базовый разбор цифрового обучения, доказательная часть про экран против бумаги и практический разбор цифровой грамотности учителя. Про то, какие задачи вообще нельзя отдавать инструменту, есть отдельный текст: что автоматизировать нельзя.