ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ПЕДАГОГИЧЕСКИЙ ИНСТРУМЕНТ: ПЕРЕХОД ОТ «УМНЫХ РЕКОМЕНДАЦИЙ» К КОГНИТИВНО-АДАПТИВНОМУ ОБУЧЕНИЮ В СПО, ДПО

Современные ИИ-системы в образовании прошли три эволюционных этапа [1]:

1. Автоматизация — чат-боты-FAQ, генерация тестов, проверка плагиата.
2. Адаптация по поведению — если студент смотрит видео → предлагаем ещё видео; если пропускает лекции → отправляем push.
3. Адаптация по когнитивному профилю — ИИ помогает не «удержать внимание», а развить способность учиться.

Именно третий этап сегодня остаётся слабо реализованным — особенно в российском СПО [2]. Большинство LMS (включая зарубежные) останавливаются на уровне 2: они реагируют на поведение, но не диагностируют стратегию. А ведь разница принципиальна:

• Поведение: «Студент 3 раза пересмотрел видео — значит, ему нравится».
• Стратегия: «Он пересматривал, потому что не смог выделить структуру — он Рассказчик, и ему нужен сюжет, а не просто визуал».

Наша работа — попытка закрыть этот разрыв: интегрировать диагностику когнитивных стилей (Аналитик, Образник, Рассказчик, Испытатель) в архитектуру ИИ-платформы, чтобы ИИ не просто «давал разные форматы», а строил педагогически осмысленные траектории развития.

Почему большинство ИИ-решений не справляются с когнитивной персонализацией?

В таблице 1 сравним три подхода к ИИ в обучении:

Таблица 1.

Подходы к ИИ в обучении

Подход	Пример	Принцип	Ограничения
Поведенческий	Coursera, Stepik	Рекомендует на основе кликов, времени, ошибок	Игнорирует почему студент выбрал формат. Риск: закрепляет неэффективные стратегии (например, Испытатель смотрит видео 5 раз — система даёт ещё видео, вместо того чтобы предложить интерактив).
Контент-аналитический	Yandex.Uchi.ru, Khanmigo	Анализирует сложность и тип задания (воспроизведение/применение/анализ)	Не учитывает формат восприятия. Задача «проанализируй» подаётся одинаково — и Аналитику, и Рассказчику.
Когнитивно-адаптивный	Наш пилот на CorpLearn.Pump.ru	Сочетает диагностику стратегии + генерацию под стиль + рефлексивную обратную связь	Требует интеграции психометрического измерения в ИТ-инфраструктуру. Но — реализуем.

 

Ключевое отличие:

• Поведенческий ИИ отвечает: «Что ты сделал?»
• Когнитивный ИИ спрашивает: «Как ты думаешь?» — и подстраивается.

Как это работает технически: от диагностики до генерации

В основе — три модуля, интегрированных в CorpLearn.Pump:

1. ИИ-диагностика (10-минутный тест → цифровой профиль)

Вместо ручного анализа анкет (как в исследовании n = 580) мы автоматизировали расчёт четырёх метрик:

• ИУО (Индекс учебной осознанности)
• ИМ (Индекс мультимодальности)
• ИПИК, ИОВ (уточняющие)

Алгоритм:

• Студент проходит тест в LMS → ответы кодируются в баллы.
• Правила (не ИИ, а педагогически верифицированные пороги) определяют доминирующий стиль:

- ИУО ≥ 4.0 & ИМ ≥ 4.0 → Аналитик / Образник (разделение по ответам на «схемы vs метафоры»)

- ИУО ≥ 4.0 & ИМ < 3.0 → Текстовый стратег → Рассказчик (если предпочитает примеры) или Аналитик (если — структуру)

- ИУО < 3.0 & ИМ ≥ 4.0 → Визуально-практический импульсив → Испытатель

- ИУО < 3.0 & ИМ < 3.0 → Пассивный моноформатник → Рассказчик (если есть социальная мотивация) или Испытатель (если — потребность в действии)

Это не black-box модель, а прозрачный алгоритм — что важно для этики и доверия.

2. ИИ-генерация под стиль (LLM как «когнитивный редактор»)

Здесь мы используем возможности CorpLearn.Pump:

«Автоматизированная помощь в создании и актуализации контента с использованием больших языковых моделей и многоуровневого контроля».

Но — с принципиальной модификацией: LLM работает не «на весь курс», а на один учебный элемент — и генерирует 4 его версии под 4 стиля.

Пример: базовый текст про HTTP-запрос → LLM переписывает его по четырём промптам (см. файл Мастер-класс_на печать.pdf):

• Промпт для Аналитиков → чёткая структура, цифры, сравнения:
  «Точность идентификации типа запроса: REST — 94 %, SOAP — 72 % (данные тестирования на 10 тыс. запросов, 2024 г.)».
• Промпт для Образников → метафора + эмоциональный якорь:
  «Представь, что сервер — это библиотекарь. Ты говоришь: “Дайте ‘Анну Каренину’”. Он идёт в зал… но если ты скажешь “Книгу про поезд”, он остановится и спросит: “Уточните, пожалуйста”».
• Промпт для Рассказчиков → история с персонажем:
  «Студент Макс готовил доклад и не понимал, почему сайт не работает. Он открыл DevTools — и увидел красную надпись 404. “Ага, значит, файл не там”, — подумал он…».
• Промпт для Испытателей → призыв к действию:
  «Открой консоль браузера → введи fetch(“https://httpbin.org/json”) → посмотри вкладку Network. А теперь измени “json” на “xml”. Что изменилось в ответе?».

Важно: LLM не генерирует новый контент — он переупаковывает один и тот же смысл в разные когнитивные «упаковки». Это обеспечивает:

• Единство содержания (важно для стандартизации СПО),
• Разнообразие формы (важно для вовлечённости),
• Контролируемость (педагог может править промпты).

3. ИИ-обратная связь: не «ты ошибся», а «как ты думал?»

Чат-бот в CorpLearn.Pump — ключевой элемент. Но в нашем подходе он работает разными «личностями» (см. таблицу 2):

Таблица 2.

Подходы к разным «личностям»

Стиль	Тон бота	Пример фразы
Аналитик	Нейтральный, пошаговый	«Давайте проверим логику: 1) Вы определили метод? 2) Сверили заголовки? 3) Проверили тело?»
Образник	Диалоговый	«Недавно один студент столкнулся с похожей проблемой. Он попробовал… А как бы поступили вы?»
Рассказчик	Наш пилот на CorpLearn.Pump.ru	Сочетает диагностику стратегии + генерацию под стиль + рефлексивную обратную связь
Испытатель	Действенный	«Давайте прямо сейчас проверим: измените X → запустите → что получилось?»

 

Это не «просто чат-бот». Это ИИ-наставник, который учит способу мышления, а не просто даёт ответ [5].

Результаты: не «ИИ заменил педагога», а «ИИ усилил педагога»

В пилоте (n = 90, курс «Цифровая грамотность») за 12 недель:

• Среднее время, проведенное в LMS увеличилось на 22%;
• Процент завершенных своевременно модулей поднялся с 64% до 86%;
• Средний балл по тестам поднялся с 3.4 до 4.1

Наибольший эффект — у Рассказчиков и Испытателей:

• У Рассказчиков +27% завершённости — потому что им перестали «втюхивать» сухой текст.
• У Испытателей +25% — потому что вместо «прочитай и запомни» им дали «попробуй и увидь».

Но главный результат — рост метакогнитивных метрик:

• ИУО вырос в среднем с 3.1 до 3.8 (+23%),
• ИМ — с 2.9 до 3.6 (+24%).

Это значит: ИИ не просто «подстроился», а помог студентам развить гибкость в обучении.

Этический ИИ: почему «стиль» — это не «диагноз»?

Многие опасаются: не станет ли ИИ новым инструментом «ярлыков»? Наши принципы:

1. Прозрачность: стиль определяется по чётким правилам, а не black-box модели.
2. Скрытость от студента: в интерфейсе — только нейтральные формулировки: «Многим помогает…».
3. Право на эксперимент: если студент выбирает «не свой» формат — система фиксирует это как «эксперимент» и через 2 недели спрашивает: «Какой способ оказался удобнее?» → это развивает ИУО.
4. Педагог в центре: ИИ предлагает, а педагог решает. Преподаватель видит аналитику по группе и может скорректировать правила.

Это соответствует рекомендациям ЮНЕСКО по этике ИИ в образовании (2021): «ИИ должен усиливать автономию учащихся, а не подменять её» [3, 4].

Наша сила — не в «самой крутой нейросети», а в гибридной архитектуре:

Педагогическая теория (когнитивные стили)
+ Психометрия (ИУО, ИМ) + ИТ-реализация (правила + LLM в CorpLearn.Pump) = Когнитивно-адаптивное обучение.

Заключение: ИИ может выступать в роли усилителя педагогической мысли.

Будущее ИИ в образовании — не в автономных репетиторах, а в системах, которые помогают педагогам «видеть» когнитивный стиль студента и подбирать оптимальную «точку входа» в материал.

Наша работа показывает, что это возможно — даже в условиях СПО, где ресурсы ограничены. И тогда выпускник СПО будет не просто «знающим», а умеющим учиться под задачу — что, в эпоху ИИ, становится главной профессиональной компетенцией.